Page 162 - EI2019.pdf
P. 162
154 2. Estimaci´ on puntual
ˆ
En el Ejemplo 2.23 se demostr´oque θ es insesgado para θ ypuede
1
ˆ
comprobarse que θ es sesgado. Demuestre, sin embargo, que
2
ˆ
ˆ
ECMpθ q ă ECMpθ q.
2
1
187. Distribuci´on Bernoulli. Sea X ,...,X una muestra aleatoria de
1
n
ˆ
¯
la distribuci´on Berpθq, con θ desconocido. Defina el estimador θ “ X.
Encuentre
ˆ
ˆ
a) Epθq. c) Bpθq.
ˆ
ˆ
b) Varpθq. d)ECMpθq.
188. Distribuci´on Poisson. Sea X ,...,X una muestra aleatoria de la
1
n
ˆ
¯
distribuci´on Poissonpθq, con θ desconocido. Defina el estimador θ “ X.
Encuentre
ˆ
ˆ
a) Epθq. c) Bpθq.
ˆ
ˆ
b) Varpθq. d)ECMpθq.
2.8. Cota inferior de Cram´er-Rao
En secciones anteriores hemos estudiado algunos m´etodos para encontrar
posibles estimadores para un par´ametro desconocido θ. Hemos tambi´en esta-
blecido el insesgamiento como un primer criterio para determinar la bondad
de un estimador y hemos mencionado algunas otras propiedades deseables.
Adem´as del insesgamiento, una segunda buena propiedad de un estimador
es que tenga varianza peque˜na. Tales estimadores estar´an centrados en el
valor θ y variar´an lo menos posible alrededor de esa cantidad. As´ı, nos in-
teresa buscar estimadores insesgados que tengan la varianza m´as peque˜na
posible.
El resultado interesante que estudiaremos a continuaci´on establece que no es
posible hacer que la varianza de un estimador insesgado sea arbitrariamente
peque˜na. En otras palabras, bajo ciertas condiciones generales, existe una