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
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
, basta calcular
. 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,
) 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.
(a) Se o atuário precisar estimar a probabilidade de não ocorrência de sinistros
(b) O Estimador de Máxima Verossimilhança é preferido na prática atuarial porque garante, necessariamente, que a estimativa seja não-viesada (ou seja,
(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
de um modelo (menciona-se a Família Exponencial). -
Pede-se para julgar como Verdadeiro ou Falso as três afirmações abaixo:
(a) Para estimarbasta calcular . 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,.
(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
maximiza , então para qualquer função (possivelmente com inversa adequada) o estimador é o estimador de máxima verossimilhança para . - Definição da Informação de Fisher por observação:
- Limite de Cramér–Rao (para estimadores não-viesados, por
observações i.i.d.):
- Teorema assintótico do MV (sob condições regulares):
ou equivalentemente - Invariância do estimador de máxima verossimilhança: se
Passo 2
Analisando a afirmação (a): explicação conceitual e prova curta da propriedade de invariância do MV.
- Enunciado da propriedade (invariância): se
é o estimador de máxima verossimilhança para , então para qualquer função a estimativa é a estimativa de máxima verossimilhança para . - Por que isso é verdade (esquema de prova, sem tecnicismos):
- A verossimilhança
é uma função de . - Se definirmos
e assumirmos que existe inversa , então a verossimilhança em função de é . - O valor de
que maximiza é exatamente , porque maximizar é o mesmo que maximizar via reparametrização.
- A verossimilhança
- Conclusão prática: para estimar
o MLE é mesmo . 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
estima então seja o estimador de momento natural para . - Contraexemplo simples (ilustrativo):
- Considere
Uniforme . Tem-se e . - O estimador pelo primeiro momento (MM para
) é . - Se quisermos estimar
pelo MM usando o segundo momento, igualamos a e obtemos o estimador . - Observe que
em geral é diferente de . Ou seja, aplicar ao estimador para NÃO coincide, em geral, com o estimador de momento construído diretamente para .
- Considere
- 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
é não-viesado se para todo (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,
é consistente e o viés some quando ), mas para amostras finitas não há garantia. - Exemplo concreto que demonstra o viés do MLE:
- Considere
i.i.d. Exponencial com parâmetro de taxa (densidade , ). - A verossimilhança é
. Maximizar dá o MLE
- Sabendo que
com densidade , tem-se (para )
- Então
que não é igual a (a menos que ). Assim o MLE é viesado (tende a sobreestimar) para o exemplo exponencial quando é pequeno. - Considere
- 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
, diferenciabilidade da log-verossimilhança, possibilidade de trocar expectativa e derivada, etc.), vale o teorema da normalidade assintótica do MLE:
onde é a informação de Fisher por observação definida em passado.- Isso implica que, para grande
,
- O limite inferior de Cramér–Rao para variância de qualquer estimador não-viesado (por
observações i.i.d.) é exatamente . Assim o MLE atinge esse limite assintoticamente, isto é, é assintoticamente eficiente.
- Sob condições regulares (identificabilidade, suporte não dependendo de
- 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
(b) Falso
(c) Verdadeiro