Vjerojatnost i matematička statistika - Poslijediplomski specijalistički ...
Vjerojatnost i matematička statistika - Poslijediplomski specijalistički ...
Vjerojatnost i matematička statistika - Poslijediplomski specijalistički ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
tada vrijedi da je<br />
MSE(ˆθ) = Var[ˆθ(X)] + b 2 (ˆθ).<br />
Dokaz.<br />
MSE(ˆθ) = E[(ˆθ(X) − θ) 2 ] = E[((ˆθ(X) − E[ˆθ(X)]) + (E[ˆθ(X)] − θ)) 2 ] =<br />
= E[(ˆθ(X) − E[ˆθ(X)]) 2 + 2(ˆθ(X) − E[ˆθ(X)])(E[ˆθ(X)] − θ) + (E[ˆθ(X)] − θ) 2 ] =<br />
= Var[ˆθ(X)] + 0 + b 2 (ˆθ) =<br />
= Var[ˆθ(X)] + b 2 (ˆθ).<br />
Na slici se vidi odnos uzoračkih distribucija jednog pristranog procjenitelja male srednjekvadratne<br />
pogreške i jednog nepristranog procjenitelja velike varijance (odnosno, srednjekvadratne<br />
pogreške). Vertikalna crta označava vrijednost parametra. To je primjer kada<br />
je pristrani procjenitelj bolji od nepristranog.<br />
Kažemo da je procjenitelj konzistentan, odnosno asimptotski nepristran, ako njegova srednjekvadratna<br />
greška teži ka nuli kada veličina uzorka raste u beskonačnost:<br />
MSE(ˆθ) → 0, n → ∞.<br />
Na primjer, X je konzistetan procjenitelj za populacijsko očekivanje.<br />
7.5 Asimptotska razdioba od MLE<br />
Za MLE ˆθ parametra θ na osnovi uzorka X duljine n iz populacije s populacijskom gustoćom<br />
f(x|θ) varijable X, vrijedi<br />
ˆθ ∼: N(θ, CRlb) za veliko n, (7.2)<br />
gdje je<br />
CRlb =<br />
1<br />
nE[( ∂ ∂θ log f(X|θ))2 ]<br />
67