Académique Documents
Professionnel Documents
Culture Documents
Carolina Soto N.
14/09/15
es un estadstico cualquiera y
correspondiente y si
, entonces
es un estimador insesgado de
entonces
continuacin
embargo, si se usa
es el parmetro
.
, de donde se concluye
y
, respectivamente. Sin
Consistencia o exactitud
Por lo general un estimador no es idntico al parmetro que se estima, existe una
diferencia entre ellos
que es el error de muestreo, pero si se aumenta el
tamao de la muestra suficientemente, la probabilidad de que esta diferencia sea
mayor que un nmero fijo
tender a cero. Esto es
cuando
Estadstica Inferencial I
Propiedades de los estimadores
Claramente,
son de
Carolina Soto N.
14/09/15
, as como
lo
Eficiencia o precisin
Un estimador
es ms eficiente que
).
y Md son estimadores insesgados de
, de donde
es un estimador ms
Suficiencia
Se dice de manera intuitiva que un estimador es suficiente, si transmite tanta
informacin de la muestra como sea posible acerca del parmetro, de modo que
se proporciona mayor informacin por cualquier otro estimador calculado de la
misma muestra: y si se obtiene el valor de un estadstico suficiente los valores de
muestra mismos no proporcionan ms informacin sobre el parmetro. Por
ejemplo, tanto la media ( ) como la mediana como el centro de amplitud (C.A.)
se pueden usar como estimadores de ; sin embargo, slo la media
toma en
cuenta cada valor o toda la informacin de la muestra, mientras que el centro de
amplitud slo toma en cuenta el primer y ltimo valor, y la mediana es una medida
de tendencia central de posicin. As pues, la media es un estimador suficiente
para .
Estimador insesgado de varianza mnima
Es aquel que tiene menor varianza que cualquier otro estimador insesgado para
todos los posibles valores del parmetro.
Para los problemas estadsticos prcticos, es importante determinar si es que
existe dicho estimador, ya que, naturalmente, se evitaran procedimientos menos
que ptimos, en igualdad de condiciones. Esto ha llevado al desarrollo sustancial
de la teora estadstica relacionada con el problema de la estimacin ptima.
Aunque la memoria particular de "ptimo" aqu - que requiere insesgamiento y
medir la "bondad" con la varianza - puede no ser siempre lo que se quiere para
cualquier situacin prctica dada, es una donde se encuentran los resultados
tiles y de aplicacin general.
Estadstica Inferencial I
Propiedades de los estimadores
Carolina Soto N.
14/09/15
Robustez
La robustez de un mtodo de estimacin se refiere a su condicin para obtener
estimaciones insensibles ante posibles violaciones de alguno de los supuestos
fijados al especificar un modelo, en particular, el relativo a la distribucin admitida
para la perturbacin aleatoria. Un estimador robusto produce buenas
estimaciones (en algn sentido), ante una amplia variedad de posibles procesos
generadores de datos. De acuerdo con la formalizacin habitual en la estadstica
matemtica, se supone que las observaciones del fenmeno en estudio son
generadas a partir de un proceso aleatorio, representado por un miembro F de la
familia paramtrica F de funciones de distribucin: F = {F ; }
Varianza mnima
Criterio de Varianza Mnima En general, el diseo de un estimador se realizar
siguiendo un criterio de optimalidad, el que habitualmente es el error cuadrtico
medio mnimo (MMSE). Definicin: Error Cuadrtico Medio El error cuadrtico
medio (MSE: Mean Square Error) entre un estimador y se define como
mse() = E[( ) 2].
Estimador insesgado de varianza mnima = estimador insesgado con menor
varianza dentro de la clase de los insesgados
si existe, es nico cmo encontrarlo?
Teorema: Cota de Cramer-Rao
(X1,...,Xn) m.a.s. de una variable aleatoria X cuya distribucin verifica ciertas
condiciones de regularidad.un estimador insesgado de
Proporciona la menor varianza posible de un estimador insesgado