Frequentemente, em provas do IBA e concursos públicos, compara-se o Método dos Momentos (MM) com o Método da Máxima Verossimilhança (MV). Julgue as afirmações abaixo como Verdadeiras ou Falsas e justifique:
(a) Os estimadores de momentos são sempre não-viesados.
(b) Sob condições de regularidade, os estimadores de momentos são consistentes.
(c) Em geral, os estimadores de momentos são mais eficientes (menor variância) que os estimadores de máxima verossimilhança.
(d) Os estimadores obtidos pelo Método dos Momentos baseiam-se necessariamente em estatísticas suficientes, garantindo que nenhuma informação da amostra seja desperdiçada.
(e) Devido à simplicidade das equações resultantes, os estimadores de momentos são frequentemente utilizados como “chute inicial” para algoritmos numéricos de Máxima Verossimilhança.
(f) O Método dos Momentos garante matematicamente que a estimativa obtida estará sempre dentro do espaço paramétrico válido (ex: garante que uma probabilidade estimada estará sempre entre 0 e 1 ).
(a) Os estimadores de momentos são sempre não-viesados.
(b) Sob condições de regularidade, os estimadores de momentos são consistentes.
(c) Em geral, os estimadores de momentos são mais eficientes (menor variância) que os estimadores de máxima verossimilhança.
(d) Os estimadores obtidos pelo Método dos Momentos baseiam-se necessariamente em estatísticas suficientes, garantindo que nenhuma informação da amostra seja desperdiçada.
(e) Devido à simplicidade das equações resultantes, os estimadores de momentos são frequentemente utilizados como “chute inicial” para algoritmos numéricos de Máxima Verossimilhança.
(f) O Método dos Momentos garante matematicamente que a estimativa obtida estará sempre dentro do espaço paramétrico válido (ex: garante que uma probabilidade estimada estará sempre entre 0 e 1 ).
Passo 1
O enunciado pede para julgar as afirmações (a)–(f) como Verdadeiras ou Falsas e justificar cada uma. Vou listar claramente cada afirmação para ficar certo do que precisa ser respondido:
- (a) Os estimadores de momentos são sempre não-viesados.
- (b) Sob condições de regularidade, os estimadores de momentos são consistentes.
- (c) Em geral, os estimadores de momentos são mais eficientes (menor variância) que os estimadores de máxima verossimilhança.
- (d) Os estimadores obtidos pelo Método dos Momentos baseiam-se necessariamente em estatísticas suficientes, garantindo que nenhuma informação da amostra seja desperdiçada.
- (e) Devido à simplicidade das equações resultantes, os estimadores de momentos são frequentemente utilizados como “chute inicial” para algoritmos numéricos de Máxima Verossimilhança.
- (f) O Método dos Momentos garante matematicamente que a estimativa obtida estará sempre dentro do espaço paramétrico válido (ex: garante que uma probabilidade estimada estará sempre entre 0 e 1).
Vou justificar cada item passo a passo, explicando os conceitos necessários (viés, consistência, eficiência, suficiência, etc.) de forma didática.
Passo 2
Conceitos básicos (rápida revisão, com linguagem simples).
- Amostra:
i.i.d. com distribuição dependente de parâmetro . - Momento populacional de ordem
: (quando existir). - Momento amostral de ordem
: . - Estimador pelo Método dos Momentos (MME): obtém
resolvendo as equações para (número de equações igual ao número de parâmetros). - Viés de um estimador
: . Se dizemos que é não-viesado. - Consistência:
é consistente se quando . - Eficiência (assintótica): um estimador é assintoticamente eficiente se tem a menor variância assintótica possível (geralmente igual a
, o inverso da informação de Fisher), sob condições de regularidade a MLE é assintoticamente eficiente.
Com isso em mente, vamos analisar cada afirmação.
Passo 3
Análise do item (a): “Os estimadores de momentos são sempre não-viesados.”
- Conceito usado: definição de viés (veja o passo anterior).
- Contraexemplo clássico (muito didático): distribuição Normal
, ambos e desconhecidos. - O primeiro momento (média) populacional é
. O momento amostral de primeira ordem é . Igualando, o MME para é , que é não-viesado: . - Para
, o segundo momento populacional (em termos de ) é . O segundo momento amostral é . Igualando e substituindo por (solução do sistema), obtém-se como MME para
- Conhece-se a expectativa dessa quantidade:
ou seja, é viesada (viés negativo). - O primeiro momento (média) populacional é
- Conclusão: existem MME viesados; portanto a afirmação “sempre não-viesados” é falsa.
- Comentário didático curto: MME podem ser não-viesados ou viesados dependendo do caso; não existe garantia universal de não-viés.
Passo 4
Análise do item (b): “Sob condições de regularidade, os estimadores de momentos são consistentes.”
- Ideia chave: lei dos grandes números + continuidade/identificabilidade.
- Explicação didática:
- A lei forte (ou fraca) dos grandes números diz que os momentos amostrais convergem em probabilidade (ou quase certamente) para os momentos populacionais:
quando , desde que . - Se o sistema de equações de momentos
identifica de forma única e a solução é uma função contínua dos momentos, então aplicando o teorema do mapeamento contínuo obtemos
- Condições técnicas típicas: existência de momentos usados, identifiabilidade (as equações têm solução única no espaço paramétrico), continuidade diferenciável do mapeamento na vizinhança do verdadeiro
.
- A lei forte (ou fraca) dos grandes números diz que os momentos amostrais convergem em probabilidade (ou quase certamente) para os momentos populacionais:
- Conclusão: sob condições de regularidade usuais, MME são consistentes.
- Portanto (b) é verdadeira.
- Observação prática: essas condições são as que geralmente aparecem em provas — cite LLN e mapeamento contínuo se pedirem justificativa formal.
Passo 5
Análise do item (c): “Em geral, os estimadores de momentos são mais eficientes (menor variância) que os estimadores de máxima verossimilhança.”
- Conceitos envolvidos: eficiência assintótica, informação de Fisher e desigualdade de Rao–Cramér.
- Fato teórico importante: sob condições de regularidade, o estimador de máxima verossimilhança (MLE) é assintoticamente eficiente — isto é, sua distribuição assintótica é
onde é a informação de Fisher. Esse é o menor limite assimptótico de variância entre estimadores regulares. - MME: também frequentemente é assintoticamente normal, mas com uma matriz de variância-assintótica dada por uma expressão envolvendo a matriz de covariâncias dos momentos amostrais e o jacobiano da transformação que resolve as equações. Em geral essa matriz é diferente (normalmente maior) que
. - Consequência prática: em geral MME é menos eficiente que MLE. Existem casos em que coincidem (por exemplo, em alguns modelos exponenciais ou para certos parâmetros, o MME e MLE podem ser iguais), mas isso é a exceção, não a regra.
- Exemplo rápido: para o parâmetro
da normal com variância conhecida, MME e MLE dão (iguais e eficientes). Para da normal com desconhecida, MME gera o estimador com que não é eficiente em comparação com estimadores corrigidos; em muitos casos MLE é ótimo. - Conclusão: a afirmação (c) é falsa (em geral MME não é mais eficiente; MLE costuma ser no mínimo tão bom assintoticamente).
- Observação didática: quando a prova comparar métodos, lembre-se de citar a propriedade assintótica de eficiência do MLE.
Passo 6
Análise do item (d): “Os estimadores obtidos pelo Método dos Momentos baseiam-se necessariamente em estatísticas suficientes, garantindo que nenhuma informação da amostra seja desperdiçada.”
- Conceito: estatística suficiente
para significa que a distribuição condicional da amostra dado não depende de . Estatísticas suficientes capturam toda a informação da amostra sobre . - Observação: MME usa momentos amostrais
. Essas quantidades nem sempre são estatísticas suficientes. - Contraexemplo claro e didático: distribuição uniforme
. Para esse modelo a estatística suficiente para é (o máximo). O MME baseada no primeiro momento usa e leva ao estimador . A média amostral não é estatística suficiente aqui — portanto o MME descarta informação contida no máximo e não é, em geral, eficiente. - Portanto a afirmação de que MME “baseiam-se necessariamente em estatísticas suficientes” é falsa.
- Comentário: em alguns modelos exponenciais os momentos amostrais relevantes coincidem com estatísticas suficientes, mas isso é um caso especial.
Passo 7
Análise do item (e): “Devido à simplicidade das equações resultantes, os estimadores de momentos são frequentemente utilizados como ‘chute inicial’ para algoritmos numéricos de Máxima Verossimilhança.”
- Prática estatística: verdade. Em muitos problemas a solução analítica da MLE não é disponível e algoritmos iterativos (Newton-Raphson, Fisher scoring, EM, etc.) precisam de valores iniciais.
- Por que MME é bom chute inicial?
- MME costuma ser fácil de calcular (resolver equações polinomiais simples).
- Proporciona um ponto inicial razoável e frequentemente já próximo do ótimo, acelerando a convergência.
- Exemplos práticos: mistura de gaussianas, modelos não-lineares, ajustes de distribuições Beta/Gamma onde MLE é numérico; o MME fornece
inicial. - Conclusão: (e) é verdadeira.
- Observação didática: nas provas, mencionar uso prático e estabilidade do algoritmo é suficiente; citar EM e Newton ajuda a ganhar pontos.
Passo 8
Análise do item (f): “O Método dos Momentos garante matematicamente que a estimativa obtida estará sempre dentro do espaço paramétrico válido (ex: garante que uma probabilidade estimada estará sempre entre 0 e 1).”
- Ideia: existe risco de que as equações de momentos levem a soluções fora do espaço paramétrico.
- Contraexemplo clássico e esclarecedor: distribuição Beta
com , . - Parâmetros em termos da média
e da variância :
- Resolvendo por
em função de e (procedimento de método dos momentos) obtém-se as fórmulas:
onde e são os momentos amostrais. - Se a variância amostral
for maior que , o fator fica negativo, levando a e/ou , ou seja, fora do domínio válido .
- Parâmetros em termos da média
- Assim, o MME pode produzir estimativas fora do espaço paramétrico válido; nada no método protege automaticamente contra isso em todos os modelos.
- Conclusão: (f) é falsa.
- Comentário prático: por isso, em aplicações costuma-se verificar se a solução está no domínio e, se necessário, usar ajustes, restrições ou MLE (que muitas vezes respeita o domínio por construção).
Passo 9
Resumo final rápido das justificativas (recapitulando as respostas atribuídas, sem repetir provas inteiras):
- (a) falso: há MME viesados (ex.: estimador de variância com
na normal). - (b) verdadeiro: LLN + continuidade + identificabilidade garantem consistência sob condições.
- (c) falso: MLE é assintoticamente eficiente; MME geralmente tem variância maior (exceto casos especiais).
- (d) falso: MME usa momentos, que nem sempre são estatísticas suficientes (ex.: Unif
). - (e) verdadeiro: prática comum usar MME como chute inicial para algoritmos de MLE.
- (f) falso: MME pode gerar estimativas fora do espaço paramétrico (ex.: fórmulas de momentos para Beta podem dar parâmetros negativos).
Resposta
(a) Falsa
(b) Verdadeira
(c) Falsa
(d) Falsa
(e) Verdadeira
(f) Falsa
(b) Verdadeira
(c) Falsa
(d) Falsa
(e) Verdadeira
(f) Falsa