Con un previo plano, coinciden los estimadores ML (frecuentista - máxima verosimilitud) y MAP (Bayesiano - máximo a posteriori).
Sin embargo, en términos más generales, estoy hablando de estimadores puntuales derivados como optimizadores de alguna función de pérdida. Es decir
(Bayesiano) x (
donde es el operador de expectativa, L es la función de pérdida (minimizado en cero), x ( y ) es el estimador, dados los datos y , del parámetro x , y variables aleatorias se indican con letras mayúsculas.
¿Alguien sabe alguna condición sobre , el pdf de x e y , linealidad impuesta y / o imparcialidad, donde los estimadores coincidirán?
Editar
Como se señaló en los comentarios, se requiere un requisito de imparcialidad, como la imparcialidad, para que el problema frecuente sea significativo. Los antecedentes planos también pueden ser una característica común.
Además de las discusiones generales proporcionadas por algunas de las respuestas, la pregunta es realmente también acerca de proporcionar ejemplos reales . Creo que uno importante proviene de la regresión lineal:
- los es el (AZUL teorema de Gauss-Markov ), es decir, que reduce al mínimo el MSE frequentist entre estimadores lineal-imparciales.
- si es gaussiana y la anterior es plana, x = ( D ' D ) - 1 D ' y es el "posterior" medios minimiza la pérdida media bayesiano para cualquier función de pérdida convexa.
Aquí, parece ser conocida como matriz de datos / diseño en la jerga frecuentista / bayesiana, respectivamente.