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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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.
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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:
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
2 1 n
X X X G =
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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 =
)
( )
3
f
( )
2
f
( )
1
f
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
Para decidir, que estimador puntual de un parmetro particular
es mejor, se necesita estudiar sus propiedades estadsticas.
n
X X t T
1
= =
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
[ ] [ ] ( ( ) )
Donde : Sesgo(T) = E[T] - , (sesgo del estimador)
8
Lo que buscamos es mnimizar ECM ( ) y esto se obtiene si:
V( )
T =
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
una m.a.s extrada de una poblacin 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
n
S n
=
S
S n
n
E
n
S n
E S E
Entonces:
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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.
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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:
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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:
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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 ) (
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
) (
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
+ =
=
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
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
LIC. RITA GUZMAN LOPEZ
ESTADISTICA NO PARAMETRICA
) (
1
2 X X X X
n
i
i
i
+ =
=
=
= =
n
i
n i
S X X
n
1
2 2
) (
1