Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Queremos estimar θ.
T = h(X1 , . . . , Xn )
Tn = hn (X1 , . . . , Xn )
hn (x1 , x2 , . . . , xn ) = max(x1 , x2 , . . . , xn );
...
Lema 1
Sea (Tn )n≥1 una sucesión de estimadores insesgados de θ tales que
lim Vθ (Tn ) = 0 .
n→∞
Vθ (Tn ) n→∞
Pθ (|Tn − θ| ≥ ε) ≤ −−−→ 0.
ε2
2
E(S(n) ) = V(X )
y
4
2 E (X − E(X ))
V(S(n) )≤
n
Como ya sabemos,
Ea (Mn ) = a
y
1
Va (Mn ) = a2 .
n(n + 2)
1
Tn = X (n) + .
n
No son estimadores insesgados, pues E(Tn ) = E(X ) + 1/n, pero sı́ son
consistentes, pues V(Tn ) = V(X )/n y el sesgo 1/n tiende a 0.
Veremos
algunos ejemplos en que podremos calcular explı́citamente la
distribución del estimador;
cómo utilizar el teorema del lı́mite central para obtener la distribución
aproximada del estimador X ;
cómo utilizar el teorema del lı́mite central para obtener la distribución
aproximada de estimadores que dependan de X ;
V(X ) σ2
P(|X (n) − µ| ≥ ε) ≤ = .
ε2 nε2
φ(x)
Usando la estimación 1 − Φ(x) ≤ x , para x > 0, de la cola de la normal
estándar, deducimos:
2σ 1 2 2
P(|X (n) − µ| ≥ ε) ≤ √ √ e −nε /σ .
ε n 2π
2 /σ 2 ∼ χ2 .
Sabemos que (n − 1)S(n) n−1
Ası́ que
(n − 1)S 2 ε(n − 1)
2 2 (n)
P(|S(n)− σ | ≥ ε) = P − (n − 1)≥
σ 2 σ2
ε ε
= P χ2n−1 > (n − 1) 1 + 2 + P χ2n−1 < (n − 1) 1 − 2
σ σ
Una expresión exacta, en términos de percentiles de χ2n−1 .
El estimador es
Mn = max(X1 , X2 , . . . , Xn ) .
n
Como Ea (Mn ) = n+1 a, el estimador es sesgado (aunque asintóticamente,
no).
Conocemos su distribución:
ε n
Pa (|Mn − a| ≥ ε) = Pa (Mn ≤ a − ε) = 1 − .
a
Ası́ que Mn no sólo es consistente, sino que además la probabilidad de
error de estimación converge exponencialmente a 0.
Obviemos ≈. Ası́
σ
Zn = µ + √ Y .
n
Obsérvese que Zn será proximo a µ para n grande.
g 0 (µ)σ
g (Zn ) = g (µ) + g 0 (µ) (Zn − µ) = g (µ) + √ Y.
n
Es decir, √
n (g (Zn ) − g (µ)) = g 0 (µ) σ Y .
√
Es decir, como la normal estándar es simétrica, n (g (Zn ) − g (µ)) es una
normal de media 0 y varianza |g 0 (µ)|2 σ 2 .
|g 0 (µ)|2 = |g 0 (1/λ)|2 = λ4 .
Para estimar p, tomamos la media muestral X (n) . El TLC nos dice que
√
n X (n) − p converge en distribución a N 0, p(1 − p) ,
√ X (n) p p
n − converge en distribución a N 0, ,
1 − X (n) 1 − p (1 − p)3
X (n) (1 − X (n) ).
Consideramos, en x ∈ (0, 1)
g (x) = x(1 − x)
g 00 (µ)σ 2 2
n (g (Zn ) − g (µ)) converge en distribución a χ1
2