Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadı́stica II - C138
Loglik
Dada una función de verosimilitud lik llamaremos loglik a la composición
de la lik con la función logaritmo. Es decir,
loglik(θ) = ln(lik(θ)).
La función logaritmo es monótona creciente, por lo tanto no afecta al
argumento del máximo de la lik. Más formalmente,
Loglik
Dada una función de verosimilitud lik llamaremos loglik a la composición
de la lik con la función logaritmo. Es decir,
loglik(θ) = ln(lik(θ)).
La función logaritmo es monótona creciente, por lo tanto no afecta al
argumento del máximo de la lik. Más formalmente,
n
X n
X
loglik(λ) = [log (λxi ) − log (xi !) − λ] = [xi log (λ) − log (xi !) − λ]
i=1 i=1
n
X n
X
= log (λ) xi − log (xi !) − nλ.
i=1 i=1
n
X n
X
loglik(λ) = [log (λxi ) − log (xi !) − λ] = [xi log (λ) − log (xi !) − λ]
i=1 i=1
n
X n
X
= log (λ) xi − log (xi !) − nλ.
i=1 i=1
n
X n
X
loglik(λ) = [log (λxi ) − log (xi !) − λ] = [xi log (λ) − log (xi !) − λ]
i=1 i=1
n
X n
X
= log (λ) xi − log (xi !) − nλ.
i=1 i=1
Sesgo
Sea X1 , . . . , Xn una muestra aleatoria proveniente de una distribución
F (x|θ) y sea θ̂ un estimador para θ. Definimos el sesgo del estimador como
B(θ̂) = E (θ̂) − θ.
Decimos que el estimador es:
Insesgado si B(θ̂) = 0
Asintóticamente Insesgado si B(θ̂) −−−→ 0.
n→∞
Definición
Sea X1 , . . . , Xn una muestra aleatoria proveniente de una distribución
F (x|θ) y sea θ̂ un estimador para θ. Definimos el Error Cuadrático Medio
(ECM) como
ECM(θ̂) = E (θ̂ − θ)2 .
Definición
Sea X1 , . . . , Xn una muestra aleatoria proveniente de una distribución
F (x|θ) y sea θ̂ un estimador para θ. Definimos el Error Cuadrático Medio
(ECM) como
ECM(θ̂) = E (θ̂ − θ)2 .
Proposición
Sea X1 , . . . , Xn una muestra aleatoria proveniente de una distribución
F (x|θ) y sea θ̂ un estimador para θ. Entonces,
Proposición
Sea θ̂ un estimador de θ, tal que ECM(θ̂) −−−→ 0, entonces el estimador
n→∞
es consistente.
Proposición
Sea θ̂ un estimador de θ, tal que ECM(θ̂) −−−→ 0, entonces el estimador
n→∞
es consistente.
Observación: para probar que un estimador es consistente tenemos dos
estrategias,
Ley de los Grandes Números, lo vimos la clases pasada, es la más fácil
en general cuando se puede aplicar.
Probar que el error cuadrático medio tiende a cero.