– Si parámetro
var (T (Y multidimensional
)) ³ I (q )- 1
Desigualdad de Cramér-Rao.
(y ii)
No siempre existe (o es único) T(y) que
llegue a varianza mínima de Cramér-
Rao
Condición necesaria y suficiente para
que exista un tal estimador: que exista
una constante k(q) tal que la igualdad
d
l (q; y ) = k (q )(T (y ) - a (q ))
dq
se cumpla con probabilidad 1
Consecuencias de la igualdad
anterior
Supongamos que T(y) alcanza la cota
de Cramér-Rao:
Si q̂ es MLE de q, T(y) función de q̂:
d ˆ
l (q; y ) = 0 Þ T (y ) = a (qˆ )
dq
Si T estimador insesgado de q, coincide
con el MLE, qˆ = T (y )
T(y) es suficiente
Propiedades asintóticas de los
estimadores MLE
Bajo (complicadas) condiciones de
regularidad (por ejemplo):
– Problema regular de estimación
– Existencia y valor positivo de I(q)
– Existencia y acotación de terceras
derivadas de l
– Muestreo aleatorio simple
MLE son consistentes, asintóticamente
normales y asintóticamente eficientes
(Una) expresión concreta de
las propiedades asintóticas de
MLE
Sea q0 el "valor verdadero" de q, ent onces
exist e un MLE, qˆn , t al que:
ˆqn ¾ ¾
P
® q0
æ 1 ö
n (qˆn - q0 ) ¾ ¾® Z : N çç 0,
d ÷
çè i (q0 )÷
÷
ø
var (qˆn )
lim = 1
n® ¥ 1
ni (q0 )
MLE e información de Fisher
en los modelos exponenciales
Caso q unidimensional. t(y) es
suficiente
L (q; y ) µ exp {y (q )t (y ) - t (q )}
l ¢(q ) = 0 Û y ¢(q )t (y ) = t ¢(q )
propiedad familia exponencial:
t ¢(q )
E {t (Y )} = Þ E {t (Y ); qˆ } = t (y )
y ¢(q )
MLE e información de Fisher
en los modelos exponenciales
Relación con información de Fisher
observada:
l ¢¢(q ) = y ¢¢(q )t (y ) - t ¢¢(q )
I (q ) = E {- l ¢¢(q;Y )}
= y ¢¢(q )E {t (y ); q }- t ¢¢(q )
I (qˆ ) = - l ¢¢(qˆ ) = I ˆ
( )
q