Sesion 2 No para 2014 I

1
Estimacin de Parmetros
La Inferencia Estadstica comprende:
Estimacin Puntual
Estimacin por Intervalos.
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
Pruebas de Hiptesis
ESTIMACION DE PARAMETROS
Estimacin Puntual
2
Es la estimacin de un valor nico de un
t d l bl i
Estimacin Puntual:
parmetro de la poblacin.
Esto es, la estimacin por puntos o puntual es
una seleccin nica para el valor de un parmetro
desconocido.
Comparaciones entre Estimadores
Supongamos que un dirigente deportivo debe escoger un tirador de tiro al blanco para los
prximos Juegos Olmpicos.
Para ello el dirigente convoca a 3 participantes y los somete a pruebas de tiro, obteniendo los
siguientes resultados:
Claramente el tirador 3 es nuestra mejor carta, ya que en promedio le da al blanco
y la dispersin de sus tiros es baja.
3
Qu sucede si se enferma este ltimo tirador?. Es claro quin es mejor
tirador entre el 1 y el 2?
V ti d
Veamos por tirador:
-El tirador 1 llega menos al blanco (2 de 8 en el blanco), pero sus tiros son menos
dispersos.
-El tirador 2 llega en 4 de 8 veces al blanco, es decir, en promedio llega ms al
blanco, pero sus tiros son ms dispersos.
Este problema es anlogo al tipo de problemas que vamos a
tratar:

Sean y dos estimadores de , tales que es sesgado
pero de varianza pequea, y insesgado pero de varianza
grande.
Cul escojo?
1

4
ESTIMACION PUNTUAL
La estimacin puntual consiste en utilizar datos muestrales
para estimar el valor del parmetro desconocidos de una
poblacin mediante un solo valor obtenido de un estadstico
determinado.
Por ejemplo, si se pretende estimar la talla media de un
determinado grupo de individuos, puede extraerse una
muestra y ofrecer como estimacin puntual la talla media de
la muestra de individuos
la muestra de individuos.
Estimador Puntual: Sea X una v.a. con funcin de densidad de
probabilidad f(x;), ( denota al parmetro desconocido de la poblacin).
Sea X
1
, X
2
,, X
n
una m.a. extrada de esta poblacin.
Un estimador puntual del parmetro es una funcin de las
observaciones X
1
, X
2
,,X
n
y se escribe:
) ,..., , (
2 1 n
X X X G =
cuyo valor numrico particular
se toma como una aproximacin de , este valor se llama
estimador puntual de .
) ,..., , (
2 1 n
x x x G =
5
Por ejemplo : Un estimador puntual de la media poblacional
(esto es =), es la estadstica media muestral (esto es, )
cuyo valor numrico es la estimacin puntual del parmetro,
esto es, .
x
X
X =
x =
Algunas observaciones a ser consideradas:

Un estimador (en particular el estimador puntual) es una funcin de n
v.a. independientes observables (valores muestra). Las estimaciones
obtenidas de tal funcin variarn de una muestra a otra. Por lo
tanto , cada estimador tiene su propia estimacin:
( ) ( ) ( )
n n X X X
x f x f x f x x x f
n
... ) ,..., , (
2 1 2 1 ,..., ,
2 1
=
Puede haber varios posibles estimadores diferentes para un
parmetro.
Por ejemplo: si queremos estimar la media de una variable
aleatoria se puede considerar La media muestral o la aleatoria, se puede considerar. La media muestral o la
mediana muestral, como estimadores puntuales.
Entonces, para estimar debe escogerse una funcin de la
muestra que d el mejor estimador de .
La distribucin de un buen estimador debera concentrarse lo
ms cerca posible del erdadero alor del parmetro de la
ms cerca posible del verdadero valor del parmetro de la
poblacin.
6
Ejemplo: supongamos que es el valor verdadero de un
parmetro poblacional y que y son diferentes
estimadores de con funciones de densidad de probabilidad
que muestra en la grfica:
2 1
,
) )
3
)
( )
3
f
( )
2
f
( )
1
f
Para decidir, que estimador puntual de un parmetro particular
es mejor, se necesita estudiar sus propiedades estadsticas.
PROPIEDADES DE UN BUEN ESTIMADOR

Supongamos que tenemos dos estimadores del mismo
parmetro poblacional .
Nos preguntamos : Cul de los dos estimadores es mejor?
2 1

y
Surgen dos situaciones :
a) No es posible conocer el verdadero valor del parmetro ,
siendo as no podremos afirmar que es ms adecuado que
, o viceversa
2

b) Si tuviramos dos estimadores de , , trataremos
de encontrar algn criterio para decir cul de ellos es mejor.
2 1

y
Para poder determinar dichos criterios es necesario considerar
las siguientes definiciones:
7
ERROR CUADRATICO MEDIO
El error cuadrtico medio tiene la siguiente definicin:
Sea X
1
,,X
n
una m.a. extrada de una poblacin con funcin
1 n
p
de densidad f(x,), y sea
un estimador del parmetro .
Se denomina error cuadrtico medio (E.C.M) del estimador
T al valor dado por:
) ,..., (
n
X X t T
1
= =
ECM [ T ]= Var[ T ] + (E( T ) - )
2
Dicha expresin se obtiene de :
ECM [T]= E[e
2
]=E[(T- )
2
] =
Luego:
E[[ T-E(T +E(T)- ]
2
]= E[(T-E(T))
2
+ 2(T-E(T))(E(T)-) + (E(T)-)
2
]=
constante
-E(T) +E(T) ( ) ( ) + (E(T)-)
2
(T-E(T))
2
+ 2(T-E(T)) (E(T)-)
Luego:
=
=E[(T-E(T))
2
] + 2 (E(T)-) E[(T-E(T))] + (E(T)-)
2
=
= E[( T - E(T) )
2
] + ( E(T) - )
2
= {E(T
2
)-E
2
(T)} + (E(T)-)
2
E(T
2
-2TE(T)+E
2
(T) )
constante
=0
Entonces: ECM [T]= Var[T] + (E(T) - )
2
+ (E(T)-)
2
E[(T - E(T))
2
] + 2 (E(T)-) E[ ( T - E(T))] + ( E(T) - )
2
E[( T - E(T) )
2
]
+ (E(T)-)
2
(E(T
2
)-E
2
(T)) T
2
2 T E(T) + E
2
(T) + ( E(T) - )
2
[ ] [ ] ( ( ) )
Donde : Sesgo(T) = E[T] - , (sesgo del estimador)
8
Lo que buscamos es mnimizar ECM ( ) y esto se obtiene si:
V( )
T =
ECM [T]= Var[T] + (E(T) - )

2
mn V( ) y
(E(T)-)
2
=0
T =
Sesgo(T) = E[T] - = 0 ,.. insesgado
Entonces estaremos interesados en un estimador con mnima varianza y que
sea insesgado
sea insesgado.
Distribucin Chi-cuadrado (X
2
) : Sea X una v.a. que
tiene una distribucin Chi-cuadro con r grados de libertad.
MEDIA Y VARIANZA DE LA FUNCION DE
DISTRIBUCIN X
2
g
La media y varianza de la variable aleatoria chi-cuadrado con
r grados de libertad son:
r X E E ) ( ) (
2
= = =
r X Var V 2 ) ( ) (
2 2
= = =
9
PROPIEDADES DE UN BUEN ESTIMADOR
Un buen estimador, es aquel que est ms cerca del parmetro
que se estima.
Para que un estimador puntual sea un buen estimador debe
cumplir con ciertas propiedades, 3 de las cuales son:
Insesgabilidad,
consistencia,
eficiencia
ESTIMADOR INSESGADO
Definicin :
Sea X
1
, X
2
,,X
n
una m.a.s extrada de una poblacin con
f( ) funcin de densidad f(x;).
Sea un estimador puntual de .
Se dice que el estadstico es un estimador insesgado
del parmetro si:
) ,..., , (
2 1 n
X X X t T = =
T =

[ ] = ,
E
10
Ejemplo:
Sea X
1
,X
2
,,X
n
una m.a.s extrada de una poblacin N(,
2
)
a) Probar que es un estimador insesgado de
b) Probar si es un estimador sesgado de
2
X
1
) (
1
2
2
=
n
X X
S
n
i
i
c) Probar si es un estimador sesgado de
2
n
X X
n
i
i
=

=
1
2
2
) (

a) Sabemos X
1
,X
2
,,X
n
2
)
[ ]

=
=
=
n
n
i
i
X E
X
E X E
1
1
[ ]
[ ]

= =
=
= = =
=
=
n
i
n
i
i
i
i
n
n
n
X E
n
X E
n n
E X E
1 1
1
1 1


X es un estimador insesgado de
11
Donde el Esperado de una variable que se distribuye como una
chi-cuadrado es: n-1
b) Sabemos que :
2
) 1 ( 2
2
) 1 (
n
S n
chi-cuadrado es: n-1

[ ]
2 2 2
2
2 2
2
2 2
2
) 1 (
) 1 (
1 ) 1 (
) )( 1 (
=
S
S n
n
E
n
S n
E S E
Entonces:
2
2
2
2 2
) 1 (
) 1 (
) 1 (
) 1 (

n
n
S n
E
n
Por tanto, S
2
es un estimador insesgado de
2
ESTIMADOR CONSISTENTE
Generalmente, un estimador puntual no es idntico al
parmetro que se estima, esto debido a la presencia del error
de muestreo :
=

e
Pero esperamos que un buen estimador tenga su valor muy
cercano al valor verdadero del parmetro o por lo menos tenga
una alta probabilidad de acercarse.
Es decir un buen estimador debe tener la propiedad de
consistencia.
12
Consistencia: se dice que
es una sucesin consistente de estimadores de si:
) ,..., , (
2 1 n n n
X X X t T = =
[ ] 0
lim =

n
n
Var
[ ] =

n
n
E

lim
n
Si es un estimador insesgado, obviamente la primera

condicin estar satisfecha.
1)
2)
Ejemplo:
Sea X
1
,X
2
,X
n
2
).
) (
2
X X
n
a) Demostrar que es un estimador
consistente de
2
.
b) Demostrar que es un estimador
consistente de
2
.
n
X X
n
i
i
=

=
1
2
2
) (

1
) (
1
2
2
=
n
X X
S
i
i
13
a) i)
[ ]
2 2 2
2
2 2
2
2 2
2
) 1 (
) 1 (
1 ) 1 (
) )( 1 (
=
S
S n
n
E
n
S n
E S E
Entonces, aplicando el limite:
2
2
2
2 2
) 1 (
) 1 (
) 1 (
) 1 (

n
n
S n
E
n
[ ]
2 2 2
lim lim = =
n n
S E
Cumple con la primera condicin:
Ahora analizaremos si cumple con la segunda condicin:
Sabemos que , entonces ) 1 ( 2 ]
) 1 (
[
2
2
=
n
S n
Var
2
) 1 ( 2
2
) 1 (
n
S n
ii)
]
) 1 (
[
) 1 (
]
) 1 (
1
[ ] [
2
2
2
4
2
2
2
2
S n
Var
n
S
n
n
Var S Var

=
1
2
)] 1 ( 2 [
) 1 (
] [
4
2
4
2
=
n
n
n
S Var

2
4
Luego:
Aplicando limite:
0
1
2
lim ] [ lim
2
=
=

n
S Var
n n
Por tanto, S
2
es un estimador consistente.
14
Definicin:
Sea X
1
X
2
X una m a s extrada de una poblacin con
ESTIMADOR EFICIENTE
Sea X
1
,X
2
,,X
n
una m.a.s. extrada de una poblacin con
funcin de densidad de probabilidad f(x,).
Sean dos estimadores insesgados del mismo
parmetro .
Se dice que el estimador es ms eficiente que
'
2 1

n n
T y T = =
1

]
[ ]
[
2 1
Var Var <
Si y slo si :
Ejemplo:
Sea X
1
,X
2
,,X
n
una m.a.s. extrada de una poblacin N(,
2
).
] [x Med = (media Poblacional = mediana Poblacional, simetra)
de la media poblacional).
Adems se sabe que la mediana muestral es aproximadamente
~
2

X y X
~
= =
(media muestral, mediana muestral dos Estimadores
Cul de los dos estimadores es ms eficiente para la mediana
poblacional?
)
2
], [ (
~
n
X Med N X

15
Por el enunciado sabemos que:
) , (
2
n
N X

= ) (X E
Luego:
Son estimadores insesgados
)
2
], [ (
~
2
n
X Med N X

1
2
2
] [
]
~
[
2
2
> = =

n
n
X Var
X Var
= )
~
(X E
g
de la mediana poblacional
Usando la razn de varianza:
entonces, , luego es un estimador ms
eficiente que
n
]
~
[ ] [ X Var X Var < X
X
~
1.Mtodo de Mxima verosimilitud
Consiste en tomar como valor estimado de , el valor que hace
mxima la funcin de verosimilitud L().
METODOS DE ESTIMACION PUNTUAL DE PARAMETROS
( )
Definicin: Sea X una variable aleatoria cuya funcin de probabilidad
f(x) depende de un parmetro (f(x;)).
Sea X
1
,,X
n
una m.a.s de X y sean x
1
,x
2
,,x
n
los valores observados
de la muestra. La funcin de verosimilitud de la muestra se define asi:
n
f ) (
L()=f(x
1
,x
2
,,x
n
;)=f(x
1
;) f(x
2
;) f(x
n
;)=
= i
i
x f
1
) ; (
Observacin: si hace mxima a L(), entonces tambin hace mxima
a su logaritmo ln(L()).
16
Para convertir el producto de la funcin de mxima verosimilitud en
suma, se aplica la funcin L=ln(L()) y determinar por la
ecuacin :
0
) ; ( ln
n
i
x f L
Si, la distribucin de probabilidad tiene varios parmetros
desconocidos, , entonces en lugar de una ecuacin,
tendremos k ecuaciones.
k
,..., ,
2 1
0
1
=

= i
i

0 ,..., 0 , 0
2 1
=
n
L L L

En resumen:
para hallar el Estimador Mximo verosmil (EMV) se procede del
siguiente modo:
1) Hallamos la funcin de verosimilitud L():
n
f L ) ( ) (
2)Se observa que si hace mxima la funcin de verosimilitud
L(), entonces tambin hace mxima a su logaritmo
natural, entonces se toma ln(L()).
=
=
i
i
x f L
1
) , ( ) (
3) d i i l fi d l l l l d l
3) derivamos e igualamos a cero, a fin de calcular el valor del
estimador :
0
) ( ln
=
L
17
Ejemplo:
Sea X una v.a. con f.d.p , x > 0 , >0
x
e x f

= ) (
n n

1)
n i
x x x
i
x
i
i
e e e e x f L

=
=
= = =

... ) ( ) (
2 1
1 1
=
=
n
i
i
x
n
e L
1
) (
2)

=
=
=
n
i
i
x
n
x n e L
n
i
i
1
1

) ln( ] ln[ )] ( ln[
3)
0
1
1 1
= =

=
= =
n
i
i
n
i
i
n
i
i
x
n
x
n
x n
L

) (
) ln (
) ln (
)] ( ln[
por lo tanto:
0
1
=
=
n
i
i
x
n
=
n
x
n
i
i
1
1
= =
=
n
i
i
x
n
1
x
1
x
1
=
18
1) Sea X una v.a. con funcin de densidad f(x;
1
,
2
,,
k
) o con distribucin de
probabilidad p(x;
1
,
2
,,
k
) caracterizado por k parmetros desconocidos.
METODO DE LOS MOMENTOS
Es el mtodo ms intuitivo. Consiste en utilizar la relacin que tienen los parmetros con
los momentos de la poblacin
Donde los primeros k momentos de la variable poblacional alrededor del origen son
respectivamente :
- Si X es continua :
- Si X es discreta :
x x f x X E
k
R
r r
r
x
= =

) ,..., , ; ( ) (
'

2 1
, r = 1,2,3,..,k
Si X es discreta :
Los momentos
r
(r = 1,2,3,,k) de la poblacin son en general funcin de los k parmetros
desconocidos
1
,
2
,..,
k
.
) ,..., , ; ( ) (
'
k
R
r r
r
x p x X E
X

2 1
= =
, r = 1,2,3,..,k
2)Sea X
1
, X
2
, ,X
n
una m.a.s de tamao n, los primeros k momentos
muestrales alrededor del origen se define como:
=
n
i
r
i r
X
n
M
1
'
1
, r = 1,2,3,..,k
= i
n
1
El mtodo de los momentos consiste en igualar los momentos muestrales y
momentos poblacionales, obteniendo k ecuaciones simultaneas, con k
parmetros desconocidos
1
,
2
,..,
k
.
Es decir :
r
=M
r
, r = 1,2,3,.. ,k
Las soluciones de las ecuaciones en
r
=M
r
denotados por constituyen
los momentos estimados de respectivamente.
k

,...,
2 1
k
,..., ,
2 1
19
Ejemplo:
Sea X
1
, X
2
, ,X
n
una m.a.s de tamao n, donde los , con
y
2
desconocidos. Encuentre los estimadores para y
2
por el
mtodo de los momentos.
E t d l i d b l t t
) , ( ~
2
N X
i
) ( ~
2
N X
Entonces , del enunciado sabemos que , por lo tanto:
corresponde al 1er. momento poblacional, sabemos tambin que:
, expresin que contiene el 2do. momento:
, 2do. Momento poblacional
) , ( ~ N X
i
= ) (X E
) ( ) ( ) (
2 2
X E X E X V =
2 2 2 2
) ( ) ( ) ( + = + = X E X V X E
Luego de la muestra obtendremos los momentos muestrales:
=
=
n
i
i
X
n
M
1
1
1
'
=
=
n
i
i
X
n
M
1
2
2
1
'
Igualando los momentos poblacionales y muestrales obtendremos un
sistemas de ecuaciones mediante el cual hallaremos los estimadores de
los parmetros:
= = =

=
) (
1
1
'
1
X E X
n
M
n
i
i
2 2 2
1
2 '
2
) (
1
+ = = =

=
X E X
n
M
n
i
i
Luego la primera ecuacin obtenemos:
de la segunda ecuacin :
1 = i
X X
n
n
i
i
= =

=1
1
2 2 2
2 2
1
2
1
1
X
n
n
n
i
i
+ =
=

2
1
2 2
2 2
1
2
1
1
X X
n
X X
n
n
i
i
i
i
=
+ =
=
=
=
= =
n
i
n i
S X X
n
1
2 2
) (
1
20
=
+ =
n
i
i
X n X n X
n
1
2 2 2
2
1
] [
Observacin:

= =
= =
n
i
i
n
i
i
X n X
n
X X
n
1
2 2
1
2 2 2
] [
1 1

2 2
: X n X n artificio +
n
X
) (
2 2
2
1
X X X X
n
+
) ( ) ( 2 [
1
1
2
1
1
2

=
=
=
+ =
n
i
n
i
i
X n
i
i
X X n X
n
] [

= = =
+ =
n
i
n
i
i
n
i
i
X X X X
n
1 1
2
1
2
2
1
) (
1
2 X X X X
n
i
i
i
+ =

=
=
= =
n
i
n i
S X X
n
1
2 2
) (
1

Sesion 2 No para 2014 I

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Sesion 2 No para 2014 I

Diunggah oleh

Hak Cipta:

Format Tersedia

1

LIC. RITA GUZMAN LOPEZ

Algunas observaciones a ser consideradas:

PROPIEDADES DE UN BUEN ESTIMADOR

LIC. RITA GUZMAN LOPEZ

ECM [T]= Var[T] + (E(T) - )

LIC. RITA GUZMAN LOPEZ

LIC. RITA GUZMAN LOPEZ

chi-cuadrado es: n-1

Si es un estimador insesgado, obviamente la primera

LIC. RITA GUZMAN LOPEZ

Anda mungkin juga menyukai