Estimación imparcial, estimación sesgada. efectividad, consistencia

Un estimador es una regla para calcular un estimador de una cantidad determinada basándose en datos observados: por lo tanto, existe una distinción entre la regla (el estimador), la cantidad de interés (el estimador) y su resultado (el estimador)

La estimación depende de la fórmula de estimación (estimador del proceso de estimación) y de la estimación de muestra utilizada para la estimación.

? 1. Cuando el valor esperado del estimador (tratado como una variable aleatoria) es igual al valor verdadero del parámetro, es insesgado (cualquier estadística es su estimación insesgada esperada).

? 2. La estimación insesgada tiene una propiedad importante. Por ejemplo, u es una estimación insesgada de θ, pero f(u) no es necesariamente una estimación insesgada de f(θ). Por ejemplo, utilizar una estimación insesgada de la media para estimar la varianza: (La estimación insesgada de la media no se conservará en la transformación no lineal, pero se conservará la estimación insesgada de la mediana)

? /madocs/607.html,

? https://en.wikipedia.org/wiki/Bessel27s_correction

Pequeña dispersión y fuerte validez (baja varianza, pequeña varianza sigma^2)

A medida que aumenta el tamaño de la muestra, el estimador La secuencia converge a θ con probabilidad.

? Las estimaciones sesgadas suelen deberse a errores sistemáticos en el proceso de estimación. La mayoría de las veces, los errores sistemáticos se introducen intencionalmente: los estimadores insesgados generales no existen, o son difíciles de calcular sin más supuestos, o los estimadores sesgados pueden hacer que la varianza del estimador sea más pequeña (dispersión pequeña y efectiva).