Um atuário está modelando a frequência de sinistros de uma carteira de automóveis utilizando uma distribuição da Família Exponencial. Ele optou pelo Método da Máxima Verossimilhança (MV) para estimar o parâmetro \theta de interesse. Com base na teoria da estimação pontual, julgue os itens a seguir como Verdadeiro ou Falso:
(a) Se o atuário precisar estimar a probabilidade de não ocorrência de sinistros \left(e^{-\theta}\right), basta calcular e^{-\widehat{\theta}_{M V}}. Essa propriedade é exclusiva do Método de Máxima Verossimilhança e não é garantida, em geral, pelo Método dos Momentos.
(b) O Estimador de Máxima Verossimilhança é preferido na prática atuarial porque garante, necessariamente, que a estimativa seja não-viesada (ou seja, E[\widehat{\theta}]=\theta ) para qualquer tamanho de amostra.
(c) Sob condições de regularidade, à medida que o tamanho da amostra (histórico de sinistros) aumenta, a variância do estimador de MV converge para o Limite Inferior de Cramér-Rao, tornando-o assintoticamente eficiente.

Passo 1

Vou listar claramente o que o enunciado pede e as informações dadas.
  • O cenário: um atuário usa o Método da Máxima Verossimilhança (MV) para estimar um parâmetro \theta de um modelo (menciona-se a Família Exponencial).
  • Pede-se para julgar como Verdadeiro ou Falso as três afirmações abaixo:
    (a) Para estimar e^{-\theta} basta calcular e^{-\widehat{\theta}_{MV}}. A afirmação diz que isso é exclusivo do MV e não é garantido, em geral, pelo Método dos Momentos.
    (b) O estimador de máxima verossimilhança garante necessariamente que seja não-viesado para qualquer tamanho de amostra, isto é, E[\widehat{\theta}]=\theta.
    (c) Sob condições de regularidade, quando a amostra cresce, a variância do estimador MV converge para o Limite Inferior de Cramér–Rao (ou seja, o estimador é assintoticamente eficiente).
  • Informação técnica que usarei ao longo da resolução (apenas fórmulas que vou precisar):
    • Invariância do estimador de máxima verossimilhança: se \widehat{\theta}_{MV} maximiza L(\theta), então para qualquer função g (possivelmente com inversa adequada) o estimador g(\widehat{\theta}_{MV}) é o estimador de máxima verossimilhança para g(\theta).
    • Definição da Informação de Fisher por observação:
    I(\theta) = -E\!\left[\frac{\partial^2}{\partial\theta^2}\log f(X;\theta)\right]
    • Limite de Cramér–Rao (para estimadores não-viesados, por n observações i.i.d.):
    \operatorname{Var}(\widehat{\theta}) \ge \frac{1}{n I(\theta)}.
    • Teorema assintótico do MV (sob condições regulares):
    \sqrt{n}\,(\widehat{\theta}_{MV}-\theta)\xrightarrow{d} N\!\left(0,\frac{1}{I(\theta)}\right),
    ou equivalentemente
    \operatorname{Var}(\widehat{\theta}_{MV})\approx\frac{1}{n I(\theta)}\quad\text{quando \(n\) é grande.}é

Passo 2

Analisando a afirmação (a): explicação conceitual e prova curta da propriedade de invariância do MV.
  • Enunciado da propriedade (invariância): se \widehat{\theta}_{MV} é o estimador de máxima verossimilhança para \theta, então para qualquer função g a estimativa g(\widehat{\theta}_{MV}) é a estimativa de máxima verossimilhança para g(\theta).
  • Por que isso é verdade (esquema de prova, sem tecnicismos):
    • A verossimilhança L(\theta) é uma função de \theta.
    • Se definirmos \varphi=g(\theta) e assumirmos que existe inversa \theta=g^{-1}(\varphi), então a verossimilhança em função de \varphi é L^*(\varphi)=L(g^{-1}(\varphi)).
    • O valor de \varphi que maximiza L^*(\varphi) é exatamente \varphi=g(\widehat{\theta}_{MV}), porque maximizar L^*(\varphi) é o mesmo que maximizar L(\theta) via reparametrização.
  • Conclusão prática: para estimar e^{-\theta} o MLE é mesmo e^{-\widehat{\theta}_{MV}}. Essa é uma propriedade geral do MV — chama-se propriedade de invariância do estimador de máxima verossimilhança.

Passo 3

Complemento à (a): esta propriedade é exclusiva do MV? comparando com o Método dos Momentos.
  • O Método dos Momentos (MM) constrói estimadores fazendo a igualação dos momentos amostrais aos momentos teóricos; não há, em geral, uma propriedade que garanta que se \widehat{\theta}_{MM} estima \theta então g(\widehat{\theta}_{MM}) seja o estimador de momento natural para g(\theta).
  • Contraexemplo simples (ilustrativo):
    • Considere X\sim Uniforme (0,\theta). Tem-se E[X]=\theta/2 e E[X^2]=\theta^2/3.
    • O estimador pelo primeiro momento (MM para \theta) é \widehat{\theta}_{MM}^{(1)}=2\bar X.
    • Se quisermos estimar \theta^2 pelo MM usando o segundo momento, igualamos \overline{X^2} a \theta^2/3 e obtemos o estimador \widehat{\theta^2}_{MM}^{(2)}=3\overline{X^2}.
    • Observe que \big(\widehat{\theta}_{MM}^{(1)}\big)^2 = 4\bar X^{2} em geral é diferente de 3\overline{X^2}. Ou seja, aplicar g(\cdot)= (\cdot)^2 ao estimador para \theta NÃO coincide, em geral, com o estimador de momento construído diretamente para \theta^2.
  • Conclusão: a propriedade de invariância é típica do MV e, em geral, não vale para o Método dos Momentos. Portanto a afirmação extra “essa propriedade é exclusiva do MV e não é garantida, em geral, pelo Método dos Momentos” é correta.

Passo 4

Analisando a afirmação (b): “O MV garante não-viesamento para qualquer tamanho amostral”.
  • Definição do que seria garantir não-viesamento: um estimador \widehat{\theta} é não-viesado se E[\widehat{\theta}]=\theta para todo \theta (e para qualquer tamanho de amostra).
  • Estado geral dos fatos: o estimador de máxima verossimilhança NÃO garante ser não-viesado em amostras finitas. Em muitas situações o MLE é viesado (positiva ou negativamente) em amostras pequenas; ele tende a ser assintoticamente não-viesado (ou mais precisamente, \widehat{\theta}_{MV} é consistente e o viés some quando n\to\infty), mas para amostras finitas não há garantia.
  • Exemplo concreto que demonstra o viés do MLE:
    • Considere X_1,\dots,X_n i.i.d. \sim Exponencial com parâmetro de taxa \theta (densidade f(x;\theta)=\theta e^{-\theta x}, x\ge0).
    • A verossimilhança é L(\theta)=\theta^{n} e^{-\theta\sum X_i}. Maximizar dá o MLE
    \widehat{\theta}_{MV} = \frac{n}{\sum_{i=1}^n X_i}.
    • Sabendo que S=\sum_{i=1}^n X_i \sim \text{Gamma}(n,\\ \text{rate}=\theta) com densidade \dfrac{\theta^{n}}{(n-1)!} s^{n-1} e^{-\theta s}, tem-se (para n>1)
    E\!\left[\frac{1}{S}\right] = \frac{\theta}{n-1}.
    • Então
    E[\widehat{\theta}_{MV}] = n\,E\!\left[\frac{1}{S}\right] = n\cdot\frac{\theta}{n-1} = \theta\cdot\frac{n}{n-1},que não é igual a \theta (a menos que n\to\infty). Assim o MLE é viesado (tende a sobreestimar) para o exemplo exponencial quando n é pequeno.
  • Conclusão: a afirmação (b) é falsa. O MLE não garante não-viesamento em amostras finitas; é comum ter vieses que desaparecem assintoticamente.

Passo 5

Analisando a afirmação (c): eficiência assintótica do estimador MV.
  • Resultados padrão (intuição + fórmula):
    • Sob condições regulares (identificabilidade, suporte não dependendo de \theta, diferenciabilidade da log-verossimilhança, possibilidade de trocar expectativa e derivada, etc.), vale o teorema da normalidade assintótica do MLE:
    \sqrt{n}\,(\widehat{\theta}_{MV}-\theta)\xrightarrow{d} N\!\left(0,\frac{1}{I(\theta)}\right),onde I(\theta) é a informação de Fisher por observação definida em passado.
    • Isso implica que, para grande n,
    \operatorname{Var}(\widehat{\theta}_{MV})\approx\frac{1}{n I(\theta)}.
    • O limite inferior de Cramér–Rao para variância de qualquer estimador não-viesado (por n observações i.i.d.) é exatamente 1/(n I(\theta)). Assim o MLE atinge esse limite assintoticamente, isto é, é assintoticamente eficiente.
  • Observação prática: a expressão “sob condições de regularidade” é importante — se essas condições falharem (por exemplo, parâmetro no limite do espaço, suporte dependente do parâmetro, falta de diferenciabilidade), a propriedade pode não valer. Mas sob as hipóteses usuais em problemas paramétricos padrão (incluindo muitos casos na Família Exponencial) a propriedade vale.
  • Conclusão: a afirmação (c) é verdadeira.

Passo 6

Resumo final e encorajamento rápido (curto): já temos as respostas e as razões — invariância do MLE (a) verdadeira; MLE não garante não-viesamento amostral (b) falso; MLE é assintoticamente eficiente sob regularidade (c) verdadeira. Força nos estudos — a parte teórica de estimadores costuma cair muito em provas (invariância, viés, consistência, eficiência), memorize esses nomes e exemplos simples (como o exponencial) para justificar respostas na prova.

Resposta

(a) Verdadeiro
(b) Falso
(c) Verdadeiro

Exercícios relacionados