TEMA 3 ESTIMACIÓN PUNTUAL

ESQUEMA 3.1.- Planteamiento del problema: La Estimación Puntual. 3.2.- Propiedades de los estimadores. 3.2.1.- Insesgadez. 3.2.2.- Eficiencia. La cota de Cramér-Rao. EIMV. 3.2.3.- Consistencia. 3.2.4.- Sufuciencia. Criterio de Factorización. 3.3.- Métodos de obtención de estimadores. 3.3.1.- El método de los momentos. Propiedades. 3.3.2.- El método de la máxima verosimilitud. Propiedades. 3.1.- Planteamiento del problema: La Estimación Puntual. Recordemos que a la hora de estudiar un fenómeno aleatorio básicamente podemos encontrarnos con dos problemas: Puede resultar que desconozcamos el modelo de probabilidad al que se ajusta la v.a. que estemos estudiando. (inferencia no paramétrica) O bien conozcamos el modelo de probabilidad, pero desconozcamos el parámetro (o parámetros) que lo definen. (inferencia paramétrica) Este segundo problema va ha ser el objeto de nuestro estudio en los próximos temas. Este primer tema dedicado a la inferencia estadística lo dedicaremos a la Estimación Puntual. Básicamente estudiaremos la forma en que debemos hacer uso de la información muestral para determinar el valor de los parámetros que determinan un modelo de probabilidad. Por ejemplo, en un proceso industrial de llenado de paquetes de detergentes, sabemos que esta variable se ajusta a una distribución Normal, y debido a la larga experiencia podemos afirmar que en términos medios cada paquete es llenado con 5 Kgr. de detergente, pero desconocemos la regularidad del proceso (la desviación típica). Con el fin de determinar este valor desconocido debemos seleccionar una muestra y en función de los valores obtenidos asignar un valor a este parámetro. términos: Desde un punto de vista teórico el problema lo vamos a plantear en los siguientes

Sea ξ una v.a. que tiene asociada una función de distribución F que depende de un parámetro θ. Supongamos que conocemos la forma funcional de F a falta de este parámetro. A partir de ahora nombraremos la función de distribución como F(x;θ) ó Fθ para hacer referencia a que desconocemos el valor de este parámetro. Definición.- El conjunto de todos los valores admisibles de los parámetros de una función de distribución se llama espacio paramétrico. Este conjunto lo simbolizaremos por Θ. Para cada posible valor que tome θ tendremos una función de distribución distinta. El conjunto {Fθ ; θεΘ} se llama familia de distribuciones de ξ
GARCÍA CÓRDOBA

1

ya que aunque depende unívocamente de los valores de la muestra observados (ξi = xi). si que será posible estudiar los estimadores como v.ξn) una m.. la elección de la muestra es un proceso aleatorio. Todo esto indica dos cosas: No todos los estadísticos son estimadores. .2. y buscar propiedades que hagan a unos más deseables que a otros. .1]. Y la familia de distribuciones será {B(3. Por ejemplo. .p) .Propiedades de los estimadores.21 o quizás el mínimo valor muestral p*=0. nunca sabremos exactamente cual es el error que estamos cometiendo al realizar nuestra predicción.Sea (ξ1. 3. . en estas cuatro realizaciones hemos obtenido cuatro valores diferentes para p. Una vez que la muestra ha sido elegida. . Pero otra alternativa podría ser la media geométrica p*=0. Todas estas funciones (estadísticos) nos dan siempre valores aceptables para p. que son 0.1 y 0.2.p) tendremos que el espacio paramétrico es el intervalo Θ = [0. .1.a. y por tanto. ¿Qué valor asignamos a p? Podemos pensar. es decir. ξ2 .1.s. Al ser desconocido el valor real del parámetro no podemos a priori indicar el estimador que nos ofrezca el valor más próximo al parámetro.25.p)) tomamos una muestra de tamaño 4.TEMA 3 ESTIMACIÓN PUNTUAL Ejemplo: Si ξ≈B(3. . Claro que. Obsérvese que el estimador no es un valor concreto sino una variable aleatoria.2. el método del selección de estimadores mediante el ECM no es útil en todos los casos pues éste depende en ocasiones del parámetro desconocido. Vamos a presentar las cuatro propiedades más importantes: GARCÍA CÓRDOBA 2 . . Un estimador es siempre una función de los valores muéstrales cuyo resultado debe ser siempre un posible valor del parámetro. 0. 0. Un estadístico θ* = f (ξ1.ξn) se dice que es un estimador puntual de θ si θ* aplica Rn en Θ. de F(x. con el fin de estimar la proporción de éxitos p (desconocido) en un experimento que se repite 3 veces (modelo B(3. se denomina estimación el valor numérico que toma el estimador sobre esa muestra. y en principio es lo más coherente.θ)..Como hemos visto en el apartado anterior.a. tomar la media: p*=0.2). ξ2 .5. pongamos (2. 0≤p≤1} Definición. Con el fin de seleccionar el mejor o los mejores estimadores de un parámetro vamos a presentar algunas propiedades que en principio parezca aceptable exigir a un estimador para que realice su función de estimar un valor desconocido. No todos los estimadores asignan el mismo valor al parámetro desconocido.5. En cambio si tomamos la suma de todos los valores muéstrales p*=1 (que también es un estadístico=función de la muestra) este no será un estimador pues no siempre da valores posibles para p.

y Fθ su función de distribución. Sabemos que: E[μ*] E[μ**] = nμ/(n-1) su sesgo será b(μ) = nμ/(n-1) .TEMA 3 ESTIMACIÓN PUNTUAL 3. el estimador tenderá a infravalorar el valor a estimar.μ/(n+1) El primero de estos estimadores tiene un sesgo positivo. si se verifica que: E[θ*] = θ. La primera propiedad que vamos a requerir de un estimador es que en términos medios el error que se cometa al estimar un parámetro sea cero Definición.5 0.4 0.1 0 -1 0 1 2 3 4 5 GARCÍA CÓRDOBA 3 . este tenderá a sobreestimar el valor del parámetro.2 0. Ejemplo: Consideremos los tres estimadores de la media de una población normal que presentamos en el apartado anterior. E[μ***] = nμ/(n+1) su sesgo será b(μ) = nμ/(n+1) . El error es una v.μ = 0 Estimador Insesgado. Gráficamente. Frente a éstos.θ Si el sesgo de un estimador es positivo. A la diferencia entre la esperanza matemática del estimador de un parámetro y el parámetro a estimar se llama sesgo del estimador que escribiremos como b(θ): b(θ) = E[θ*] . el estimador μ** es un estimador insesgado. las funciones de densidad de cada uno de estos estimadores será: 0.1.μ = . θ*-θ.μ = μ/(n-1) = μ su sesgo será b(μ) = μ . y tenderá a sobreestimar la media de la población.Sea ξ una v.2. mientras que si el sesgo es negativo. Diremos que θ* es un estimador insesgado de θ. mientras que el segundo tiene sesgo negativo y tenderá a asignar a la media valores inferiores a su valor real.a. Propiedad de insesgadez: Hemos dicho en el apartado anterior que al realizar una estimación de θ mediante un determinado estimador θ* unas veces cometeremos errores por exceso y otras por defecto..a.3 0.

a. Definimos así: Definición. podrá tomar diversos valores dependiendo de la muestra seleccionada.{ θ -E[θ*] } ) 2 ] = = E[ ( θ*.1. si el ECM es un número grande. En segundo lugar el tamaño del error vendrá determinado por la diferencia entre el valor medio que tome el estimador y el parámetro desconocido.a. En primer lugar el tamaño del error vendrá determinado por la varianza del estimador.TEMA 3 ESTIMACIÓN PUNTUAL 3. A partir de esta idea vamos a deducir las propiedades más importantes que debe cumplir un estimador para ser considerado aceptable. ξ que sabemos que se ajusta a un modelo probabilístico con función de distribución F conocida que depende de un parámetro θ desconocido. por ejemplo. Si el estimador tiene poca capacidad de variación para los distintas muestras que podamos tomar esto contribuirá de forma positiva a la obtención de un error más pequeño.2. función de la m. por su precisión. θ* es una v. Observamos finalmente que las propiedades que nos van a permitir medir la calidad de un estimador están en función de sus dos primeros momentos: la media y la varianza de un estimador.E[θ*] )( θ -E[θ*] ) ] = = Var (θ*) + ( θ -E[θ*] ) = Var (θ*) + ( θ -E[θ*] ) 2 .El estimador de mínimo error cuadrático medio. es decir.E[θ*] ) 2 ] + E[ ( θ -E[θ*] ) 2 ] .2 E[( θ*.E[θ*] } .2( θ -E[θ*] ) E[( θ*.Se llama error cuadrático medio del estimador a: ECM(θ*) = E[ (θ*-θ)2 ] Si el error cuadrático medio es un número pequeño. si para los distintos valores muéstrales la media del estimador coincide con θ habremos obtenido un buen estimador.a. que nos informa del error que estamos cometiendo al realizar la estimación. Unas veces esta diferencia será positiva (cometiendo un error por exceso) y otras veces la diferencia será negativa (cometiendo un error por defecto). e inversamente. Con el fin de obtener una medida global de este error vamos a eliminar el signo de los errores considerando la diferencia al cuadrado (θ*-θ)2 (error cuadrático). Vamos ahora a encontrar otra expresión para el ECM de un estimador: ECM(θ*) = E[ (θ*-θ)2 ] = E[ ( { θ*..a. Así. El error que cometemos al estimar θ mediante θ* será la diferencia θ*-θ. podríamos asegurar que error que estamos cometiendo en la estimación es pequeño (en media). Supongamos que estamos estudiando una v.1. Como tal v. De esta manera podemos obtener una medida del error medio que estamos cometiendo al realizar la estimación mediante la esperanza matemática del error cuadrático.. GARCÍA CÓRDOBA 4 .E[θ*] ) ] = 2 De esta manera podemos observar que el error cuadrático medio que cometemos al realizar una estimación es la suma de dos contribuciones positivas.s. Por tanto la diferencia θ*-θ será también una v. cabe esperar que la estimación que realicemos no sea muy precisa.a. Con el fin de estimar el valor de este parámetro consideramos el estimador θ*.

nμ/(n-1))2 = (30n+μ2)/(n-1)2 ECM(μ**) = 30 /n + (μ. Normal N(μ.5 ECM[µ*] 2 ERROR CUADRATICO MEDIO ECM[µ***] 1.TEMA 3 ESTIMACIÓN PUNTUAL Estas no van a ser las únicas propiedades que observemos sobre la calidad de los distintos estimadores. deducimos sin ningún problema que el estimador μ* es el peor de los tres. el error cuadrático medio queda en función de dos valores: El tamaño muestral y el valor desconocido del parámetro.a. pero quizás sí las más importantes. Con el fin de determinar el valor medio desconocido de la población se toma una m. ξ. para lo cual necesitamos saber cuales son sus dos primeros momentos: E[μ*] E[μ**] = nμ/(n-1) = μ Var(μ*) Var(μ**) = 30 n/(n-1)2 = 30 / n E[μ***] = nμ/(n+1) De tal forma que: Var(μ***) = 30 n/(n+1)2 ECM(μ*) = 30 n/(n-1)2 + (μ.3).5 1 ECM[µ**] 0. Veamos esto en una gráfica (tomando n=3): 2. Ejemplo: Supongamos que estamos estudiando un fenómeno aleatorio que suponemos que se ajusta a una v.a.μ)2 = 30/n ECM(μ***) = 30 n/(n+1)2 + (μ. de tamaño n y se plantean tres posibles estimadores: μ* μ** = ∑ξi / (n-1) = ∑ξi / n = la media muestral μ*** = ∑ξi / (n+1) Con el fin de saber cual de ellos es mejor se calcula el ECM de cada uno de ellos.nμ/(n+1))2 = (30n+μ2)/(n+1)2 Como podemos observar.5 -11 -10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 VALOR CONJETURABLE PARA LA MEDIA POBLACIONAL Observando la gráfica.s. Ahora bien dependiendo del valor del parámetro desconocido μ unas veces GARCÍA CÓRDOBA 5 .

Sea ξ una v. Propiedad de eficiencia: Una vez que tengamos dos estimadores insesgados de un parámetro para determinar cuál de los dos es más adecuado debemos fijarnos en su varianza.a.a.. Esta situación hace disminuir la aplicación universal de este método para determinar la calidad de un estimador. Sean θ* y θ** dos estimadores insesgados de θ. Definición. GARCÍA CÓRDOBA 6 .2. Si θ* es un estimador insesgado de θ. Entre los dos elegiremos a aquel que presente una menor variación entorno al valor medio.. Ejemplo: Estas dos primeras propiedades las podemos relacionar con el ECM de un estimador. Claro esto nos lleva a una situación difícil pues este valor es desconocido. El error cuadrático medio depende en ciertos casos del parámetro desconocido En los tres casos el ECM disminuye conforme aumenta el tamaño muestral (algo que comentaremos mas adelante) 15 µ* ERROR CUADRATICO MEDIO 10 5 µ** µ*** 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 TAMAÑO MUESTRAL 3. Se dice que θ* es más eficiente que θ** si: Var(θ*) < Var(θ**) En este sentido hablaremos de la eficiencia relativa como: eficiencia relativa = Var(θ*) / Var(θ**) Definición. Como vimos en el apartado correspondiente: ECM(θ*) = Var (θ*) + ( θ -E[θ*] ) 2 = Var (θ*) + b(θ*) 2 De tal forma que entre todos los estimadores insesgados aquel que presente una varianza mínima será el que presente un error cuadrático mínimo (¿podemos encontrar un estimador sesgado con menor ECM?). entonces se dice que θ* es el estimador insesgado de mínima varianza de θ. y Fθ su función de distribución. ya que será un estimador más preciso. y Fθ su función de distribución.Sea ξ una v.2.TEMA 3 ESTIMACIÓN PUNTUAL será mejor μ** y otras μ***. y no hay ningún otro que tenga menor varianza.

Propiedad de Consistencia. el estimador no daría el resultado correcto.a. Tomemos una m. parece lógico exigir a un estimador que al aumentar el tamaño de la muestra su precisión aumente.(Cota de Cramér-Rao) Sea ξ una v. debe también ayudarnos a determinar la calidad de un buen estimador. Sin demostración. Diremos que θ*n es un estimador consistente si la sucesión de estimadores {θ*n} converge en probabilidad a θ. y Fθ su función de distribución.Sea ξ una v. Definición. θ) ⎤ nE⎢ ⎥ ∂θ ⎣ ⎦ 2 Siendo b´(θ) la primera derivada del sesgo del estimador. Por otra parte no podemos asegurar la existencia de un estimador que alcance Ejemplo: La media muestral en poblaciones normales.a. Si la varianza de un estimador coincide con la cota sabremos que de la clase de estimadores con ese sesgo (quizás insesgados) ninguno tendrá menor varianza. 3. Entonces: Var( θ* ) ≥ [ 1 + b′(θ) ]2 ⎡ ∂ ln f (x. esta cota..Las dos propiedades anteriores tienen vigencia independientemente de cual sea el tamaño muestral. de tamaño n y sea θ* un estimador de θ.TEMA 3 ESTIMACIÓN PUNTUAL El problema de obtener estimadores de varianza mínima está solucionado por el siguiente resultado: Proposición. Así. y f(x.2.s.a.Sea ξ una v. Si se verifica que: GARCÍA CÓRDOBA 7 . Es decir. si: lim P(| θ n→∞ * n . Este factor. y Fθ su función de distribución. Una caracterización de los estimadores consistentes que resulta más simple de aplicar en la práctica es la siguiente: Proposición.θ | ≥ ε) = 0 De esta manera un estimador será inconsistente si al utilizar toda la población como muestra (teóricamente una muestra infinita).. el tamaño de la muestra.3. Sea θ*n es un estimador de θ para una muestra de tamaño n. Si θ*n es un estimador de θ para una muestra de tamaño n.a.θ) su función de densidad.. La Cota de Cramér-Rao (CCR) permite determinar el valor mínimo que puede alcanzar la varianza de un estimador de un parámetro desconocido.

1) al aumentar el tamaño muestral. De esta manera.Se dice que un estimador es suficiente si incluye toda la información que la muestra puede suministrar sobre el parámetro desconocido.s..6 0 200 400 600 800 1000 TAMAÑO MUESTRAL Ejemplo: Como ejemplos de estimadores consistentes μ* μ** μ*** 3.a. Gráficamente el resultado es el siguiente: 0.4.6 0. de tamaños de 1 a 1. estimador: Si veremos un procedimiento más operativo para determinar la suficiencia de un GARCÍA CÓRDOBA 8 . a medida que la muestra se hace más grande. Hay definiciones más formales pero no entraremos en ellas. podemos observar que le ocurre a la media muestral de una población N(0.2.lim E [ θ n→∞ TEMA 3 ESTIMACIÓN PUNTUAL n * ]= θ lim Var [ θ n→∞ * n ]= 0 Entonces θ* es un estimador consistente.000 y hemos calculado a cada una de las muestras su media aritmética.2 MEDIA MUESTRAL 0 -0. y la varianza del estimador se hace despreciable (la varianza tiende a cero). Sin demostración.4 -0.4 0.Definición. un estimador consistente será aquel que. Hemos simulado m. Gráficamente.2 -0. el valor esperado del estimador tiende hacia el verdadero valor del parámetro (se vuelve insesgado). Propiedad de Suficiencia. Esta definición de estimador suficiente no es muy formal y tampoco operativa.

(Criterio de factorización de Fisher-Neyman) Si un estimador θ* de θ es suficiente si la función de densidad de la m.Métodos de obtención de estimadores. aunque quizás sí las más importantes. una de ellas g(θ*. Sería otro objetivo presentar exhaustivamente las propiedades deseables de un estimador. La forma de operar para obtener estimadores mediante este método es la de plantear un sistema de ecuaciones en la que el término independiente sea el momento muestral E[ξ] = ξ En el caso de que se desconozcan más de un parámetro de la población se presentarán tantas ecuaciones como parámetros se desconozcan. los momentos muéstrales y poblacionales deben coincidir. L(ξ. Ahora bien. En este apartado estudiaremos dos de estos métodos: El método de los momentos y el método de la máxima verosimilitud. Otras propiedades. Como ya comentamos.El método de los momentos. 3. Para solucionar este problema la Estadística ha desarrollado métodos matemáticos que permiten obtener estimadores aceptables. h(ξ) no dependiente de θ. No obstante podríamos haber hablado de propiedades como: invarianza. 3. igualando siempre los primeros momentos poblacionales a los muéstrales.θ) dependiente del parámetro y de la muestra a través de θ*..Hemos estudiado en el apartado anterior las diversas propiedades que debe cumplir un estimador para poder considerarlo adecuado para predecir un valor desconocido de la población.TEMA 3 ESTIMACIÓN PUNTUAL Proposición. que cumplen determinadas propiedades.3.Estas cuatro propiedades sobre los estimadores no son ni mucho menos las únicas.θ) se puede descomponer en el producto de dos funciones. sería desmesurado buscar entre esta infinidad aquél que mejores propiedades tenga.θ) = g(θ*. Si desconocemos dos parámetros plantearemos el sistema: E[ξ] = ξ Var(ξ) = s2 GARCÍA CÓRDOBA 9 ..θ) h(ξ) Este criterio es el habitualmente utilizado para la búsqueda de estimadores suficientes. El método de los momentos está sustentado por la siguiente idea: Si una muestra representa perfectamente a una población. y otra.3.s.1. esto es.a. si no somos capaces de descomponer la función de verosimiltud como indica el criterio de factorización no podemos afirmar que el estimador en cuestión no sea eficiente. robustez y propiedades asintóticas.. al existir una infinidad de estimadores de un parámetro. (función de Verosimilitud) L(ξ.

El método de la máxima verosimilitud consiste en elegir (entre todos los estimadores del parámetro desconocido) aquel estimador que haga máxima la probabilidad de haber obtenido la muestra que hemos encontrado. Ejemplo: Estimación de una proporción.*.El método de la máxima verosimilitud. Tengo aquí 5 papeletas. Este es el caso de las situaciones a) y f).. Fue. Antes de nada veamos que posibilidades pueden plantearse: a) 5 + 0 * b) 4 + 1 * c) 3 + 2 * d) 2 + 3 * e) 1 + 4 * f) 0 + 5 * aquí p=1 aquí p=0. en la década de 1.3. Para empezar la muestra ya nos hace imposible (con probabilidad cero) determinadas proporciones.*) El objetivo del método es determinar el valor de p (la proporción) que haga máxima la probabilidad de haber seleccionado esta muestra y no otra.d.890-1.8 aquí p=0. Para explicar este galimatías pondremos un ejemplo. La filosofía que sustenta el método es muy simple.A. cada vez que realizo una extracción devuelvo la papeleta a la urna (independientes) y las mezclo muy bien antes de cada extracción (idénticamente distribuidas)) Supongamos que las tres extracciones sucesivas han sido (+.4 aquí p=0. Consistencia: Son consistentes Normalidad: Son asintóticamente normales. Fisher (1.962) quien desarrollo el método de la máxima verosimiltud como técnica para la obtención de estimadores que cumplieran (quizás no todas) las propiedades presentadas anteriormente.920. Debemos elegir como parámetro aquel que hace máxima la probabilidad de observar lo que en realidad hemos visto. independientes e identicamentes distribuidas (e. unas llevan marcada una cruz u otras un asterisco y desconocemos la proporción (p) de cruces (+) (esto es. Insesgadez: No tienen porqué ser insesgados aunque si lo son asintóticamente. Parece que lo normal sería que la composición de la urna fuera d) ya que la GARCÍA CÓRDOBA 10 .2 aquí p=0 Tomaremos una muestra de tamaño 3.2. Intentaremos realizar esta transición mediante un sencillo ejemplo. pero su ejecución y la traducción de ésta a fórmulas estadística es un poco más compleja.6 aquí p=0. R.TEMA 3 ESTIMACIÓN PUNTUAL Propiedades de los estimadores obtenidos por el método de los momentos. cuantas hay de cada clase). 3. Es más de forma lógica podemos aventurarnos a indicar cuál de las anteriores opciones es más coherente con la muestra elegida.

θ*) = máx (en θ) L(x. en cuyo caso se procese de forma directa partiendo del fundamento del método: lo sucedido es lo más probable que puede suceder.θ) El método de la máxima verosimilitud consiste en elegir. de ξ de tamaño n.θ) . L(x. así es la realidad) será la que se corresponda con el valor más próximo a 1/3.*. conjunta) de la muestra la llamaremos función de verosimilitud que denotaremos como L(x1. Propiedades de los estimadores máximo verosímiles.a.p. la función de verosimiltud es complicada. y a su forma funcional θ* estimador máximo-verosimil L(x.): L(x:θ) = L(x1.. en este caso d).s. Tomamos una m..θ) (o f.θ) No siempre se puede obtener el estimador máximo-verosímil por el método analítico que hemos expuesto.. aquel que hace máxima la función de verosimiltud.p.A la función de densidad conjunta ( o f. El planteamiento operativo del método de estimación máximo-verosímil es el siguiente: Tenemos una v..p...p...p.xn. Como ejemplo de esta situación el caso de la distribución uniforme. . Definición.p. f(xn. La razón por la que este método es útil para la obtención de estimadores es debido a que los estimadores así obtenidos cumplen una serie de propiedades que los hacen deseables: GARCÍA CÓRDOBA 11 .a.*)) debido a la independencia Máx (en p) P(+)P(*)P(*) = Max (en p) p(1-p)(1-p) el valor de p que hace máxima esta función es p=1/3=0.θ*) = máx (en θ) ln L(x.El valor de θ que maximice la función de verosimiltud se llama estimación máximo-verosimil. y con el fin de simplificar el cálculo del máximo. maximizar: En este caso el método de la máxima verosimilitud nos indica que debemos Máx (en θ) P(obtener una muestra determinada) en nuestro ejemplo Máx (en p) P(obtener (+.θ) = f(x1. Otras veces es necesario recurrir a métodos numéricos para determinar este valor máximo. de entre los posibles valores del parámetro desconocido. ξ con función de densidad f(x.θ)) siendo θ el parámetro desconocido de la población.. . Definición. se calcula el máximo al logaritmo (función monótona creciente) de la función de verosimilitud.xn.TEMA 3 ESTIMACIÓN PUNTUAL proporción de cruces que tenemos en este caso es la más parecida a la proporción que encontramos en nuestra muestra.33 Por tanto y tal y como habíamos aventurado la composición que ustedes desconocen (y no van a conocer. Como estamos siempre trabajando con muestras independientes resulta que la función de verosimilitud es igual al producto de las funciones de densidad (o f.θ) En general.θ) o de forma abreviada como L(x:θ). P(ξ=x..

: "Curso Práctico de Estadística" Ed: Cívitas. Palacios Sánchez. "Problemas de Probabilidad" Ed: AC. Ruiz Maya: "Estadística: I Probabilidad . Ceura Para saber más o comprobar dudas: http://thales. Garín A: "Problemas de Probabilidad e Inferencia Estadística" Ed:Tebar Flores.pdf GARCÍA CÓRDOBA 12 .TEMA 3 ESTIMACIÓN PUNTUAL Insesgadez: Los estimadores máximo verosímiles no tienen porque ser insesgados (aunque si lo son asintóticamente) Eficiencia: Si existe un estimador de mínima varianza. Ruiz Marín: “Probabilidad e Inferencia Estadística: Una Introducción”. Martín Pliego F.M. R.html www. Fernández Abascal: "Cálculo de Probabilidades y Estadística" Ed: Ariel. Delta ** Sierra. ESIC.es/~mperea/T13_APD.html http://halweb. “Estadística y Econometría” Ed: Mc Graw Hill.J. y otros.pdf http://matematicasbachiller. Montero Lorenzo J.es/rd/Recursos/rd99/ed99-0018-04/ed99-0018-04. Tussel F.: "Manual de Estadística Universitaria" Ed. **Newbold P. Ed. Consistencia: Los estimadores máximo verosímiles son consistentes Normalidad: Los estimadores máximo verosímiles son asintóticamente normales Suficiencia: El estimador máximo verosímil no tiene porque ser suficiente.S. II Inferencia Estadística" Ed: AC.M. Ed. ** Palacios González y otros.com/temario/estadistica/es%20II/tema_03/indice. J. Miguel Ángel. "Estadística para la Economía y Administración de Empresas" Ed: Purchades. Evans J.uv.. "Estadística para los Negocios y la Economía" Ed: Prentice Hall **Novales A.es/esp/Personal/personas/amalonso/esp/e1tema3. este es el obtenido por el método de la máxima verosimilitud. Ruiz Maya: "Problemas de Estadística" Ed:AC Sarabia Alegría J. Riuz-Maya Pérez L. Serret Moreno-Gil J. Horacio Escarabajal.ppt http://www. "La estadística: una orquesta hecha instrumento" Ed: Ariel Ciencia.R y Olson D. Gutiérrez Jaímez R.cica. “Ejercicios resueltos de estadística”. el estimador máximo verosímil es función de éste.ugr. “Ejercicios resueltos de inferencia estadística…”.L.uc3m. Martín Pliego. "Introducción a la Teoría de la Probabilidad" Ed: tirant to blanch economía. Problemas: Murgui. pero si un parámetro tiene un estimador consistente. “Statistics. Llopis Perez J. Data análisis and decisión modeling” Prentice Hall. BIBLIOGRAFÍA: **García Córdoba. Durá Peiró: "Fundamentos de Estadística" Ed: Ariel Escuder.: "Curso Básico de Probabilidad" Ed: Pirámide.es/~jsalinas/activi/C10.

Sign up to vote on this title
UsefulNot useful