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

. Un estadístico θ* = f (ξ1. ¿Qué valor asignamos a p? Podemos pensar. Un estimador es siempre una función de los valores muéstrales cuyo resultado debe ser siempre un posible valor del parámetro.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. ya que aunque depende unívocamente de los valores de la muestra observados (ξi = xi). se denomina estimación el valor numérico que toma el estimador sobre esa muestra. Al ser desconocido el valor real del parámetro no podemos a priori indicar el estimador que nos ofrezca el valor más próximo al parámetro. ξ2 .θ).p) . . tomar la media: p*=0. 0≤p≤1} Definición.2.21 o quizás el mínimo valor muestral p*=0.s.Propiedades de los estimadores. si que será posible estudiar los estimadores como v. Pero otra alternativa podría ser la media geométrica p*=0.a.ξn) una m. . con el fin de estimar la proporción de éxitos p (desconocido) en un experimento que se repite 3 veces (modelo B(3. que son 0.ξn) se dice que es un estimador puntual de θ si θ* aplica Rn en Θ. Obsérvese que el estimador no es un valor concreto sino una variable aleatoria. y buscar propiedades que hagan a unos más deseables que a otros. Vamos a presentar las cuatro propiedades más importantes: GARCÍA CÓRDOBA 2 .25. .2. 0.Como hemos visto en el apartado anterior..1]. de F(x.Sea (ξ1.a. ξ2 . .1 y 0. Todas estas funciones (estadísticos) nos dan siempre valores aceptables para p. . la elección de la muestra es un proceso aleatorio.5. Todo esto indica dos cosas: No todos los estadísticos son estimadores. 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. Una vez que la muestra ha sido elegida.1. 0. es decir. y en principio es lo más coherente. pongamos (2.TEMA 3 ESTIMACIÓN PUNTUAL Ejemplo: Si ξ≈B(3. el método del selección de estimadores mediante el ECM no es útil en todos los casos pues éste depende en ocasiones del parámetro desconocido. nunca sabremos exactamente cual es el error que estamos cometiendo al realizar nuestra predicción.2. ..1. Por ejemplo.2). .p) tendremos que el espacio paramétrico es el intervalo Θ = [0. 3. en estas cuatro realizaciones hemos obtenido cuatro valores diferentes para p. No todos los estimadores asignan el mismo valor al parámetro desconocido. y por tanto. Y la familia de distribuciones será {B(3.p)) tomamos una muestra de tamaño 4. Claro que.

TEMA 3 ESTIMACIÓN PUNTUAL 3. el estimador tenderá a infravalorar el valor a estimar.μ = μ/(n-1) = μ su sesgo será b(μ) = μ .θ Si el sesgo de un estimador es positivo.μ/(n+1) El primero de estos estimadores tiene un sesgo positivo.5 0. las funciones de densidad de cada uno de estos estimadores será: 0. Gráficamente.. y Fθ su función de distribución. este tenderá a sobreestimar el valor del parámetro.3 0.4 0.a.μ = 0 Estimador Insesgado. θ*-θ.Sea ξ una v.μ = .2. Frente a éstos. el estimador μ** es un estimador insesgado.1 0 -1 0 1 2 3 4 5 GARCÍA CÓRDOBA 3 . Diremos que θ* es un estimador insesgado de θ. E[μ***] = nμ/(n+1) su sesgo será b(μ) = nμ/(n+1) .1. El error es una v. 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. Sabemos que: E[μ*] E[μ**] = nμ/(n-1) su sesgo será b(μ) = nμ/(n-1) .a. y tenderá a sobreestimar la media de la población. si se verifica que: E[θ*] = θ. Ejemplo: Consideremos los tres estimadores de la media de una población normal que presentamos en el apartado anterior. mientras que si el sesgo es negativo. 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*] .2 0. mientras que el segundo tiene sesgo negativo y tenderá a asignar a la media valores inferiores a su valor real. 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.

2..s. e inversamente. cabe esperar que la estimación que realicemos no sea muy precisa.2 E[( θ*. podrá tomar diversos valores dependiendo de la muestra seleccionada.TEMA 3 ESTIMACIÓN PUNTUAL 3.1. θ* es una v. función de la m. ξ que sabemos que se ajusta a un modelo probabilístico con función de distribución F conocida que depende de un parámetro θ desconocido. Vamos ahora a encontrar otra expresión para el ECM de un estimador: ECM(θ*) = E[ (θ*-θ)2 ] = 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.2( θ -E[θ*] ) E[( θ*. Con el fin de estimar el valor de este parámetro consideramos el estimador θ*. 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. podríamos asegurar que error que estamos cometiendo en la estimación es pequeño (en media). si el ECM es un número grande. Definimos así: Definición.a. En primer lugar el tamaño del error vendrá determinado por la varianza del estimador. Así.E[θ*] } .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.a. 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 .a. GARCÍA CÓRDOBA 4 . Por tanto la diferencia θ*-θ será también una v.. es decir. Supongamos que estamos estudiando una v. que nos informa del error que estamos cometiendo al realizar la estimación. si para los distintos valores muéstrales la media del estimador coincide con θ habremos obtenido un buen estimador. 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).{ θ -E[θ*] } ) 2 ] = = E[ ( θ*. por ejemplo. El error que cometemos al estimar θ mediante θ* será la diferencia θ*-θ. Unas veces esta diferencia será positiva (cometiendo un error por exceso) y otras veces la diferencia será negativa (cometiendo un error por defecto). A partir de esta idea vamos a deducir las propiedades más importantes que debe cumplir un estimador para ser considerado aceptable.a. Como tal v.El estimador de mínimo error cuadrático medio. por su precisión.E[θ*] ) 2 ] + E[ ( θ -E[θ*] ) 2 ] . En segundo lugar el tamaño del error vendrá determinado por la diferencia entre el valor medio que tome el estimador y el parámetro desconocido. De esta manera podemos obtener una medida del error medio que estamos cometiendo al realizar la estimación mediante la esperanza matemática del error cuadrático.1.a.

s. Ahora bien dependiendo del valor del parámetro desconocido μ unas veces GARCÍA CÓRDOBA 5 .nμ/(n-1))2 = (30n+μ2)/(n-1)2 ECM(μ**) = 30 /n + (μ. 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.5 ECM[µ*] 2 ERROR CUADRATICO MEDIO ECM[µ***] 1.nμ/(n+1))2 = (30n+μ2)/(n+1)2 Como podemos observar. el error cuadrático medio queda en función de dos valores: El tamaño muestral y el valor desconocido del parámetro. Veamos esto en una gráfica (tomando n=3): 2.5 -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. pero quizás sí las más importantes. Normal N(μ.a. 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. deducimos sin ningún problema que el estimador μ* es el peor de los tres.TEMA 3 ESTIMACIÓN PUNTUAL Estas no van a ser las únicas propiedades que observemos sobre la calidad de los distintos estimadores.μ)2 = 30/n ECM(μ***) = 30 n/(n+1)2 + (μ.a. Ejemplo: Supongamos que estamos estudiando un fenómeno aleatorio que suponemos que se ajusta a una v.3). Con el fin de determinar el valor medio desconocido de la población se toma una m. ξ.5 1 ECM[µ**] 0.

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?).Sea ξ una v. GARCÍA CÓRDOBA 6 ..Sea ξ una v.a.TEMA 3 ESTIMACIÓN PUNTUAL será mejor μ** y otras μ***. y Fθ su función de distribución. ya que será un estimador más preciso. 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. 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. Claro esto nos lleva a una situación difícil pues este valor es desconocido. y no hay ningún otro que tenga menor varianza. 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. y Fθ su función de distribución.2.. 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. Esta situación hace disminuir la aplicación universal de este método para determinar la calidad de un estimador. entonces se dice que θ* es el estimador insesgado de mínima varianza de θ. Si θ* es un estimador insesgado de θ. Sean θ* y θ** dos estimadores insesgados de θ. Definición.2.

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

Gráficamente.a. Esta definición de estimador suficiente no es muy formal y tampoco operativa.2 -0. podemos observar que le ocurre a la media muestral de una población N(0. el valor esperado del estimador tiende hacia el verdadero valor del parámetro (se vuelve insesgado). Propiedad de Suficiencia.4 0. Gráficamente el resultado es el siguiente: 0.Definición. De esta manera. estimador: Si veremos un procedimiento más operativo para determinar la suficiencia de un GARCÍA CÓRDOBA 8 . Sin demostración.2.Se dice que un estimador es suficiente si incluye toda la información que la muestra puede suministrar sobre el parámetro desconocido.6 0 200 400 600 800 1000 TAMAÑO MUESTRAL Ejemplo: Como ejemplos de estimadores consistentes μ* μ** μ*** 3.4 -0. un estimador consistente será aquel que.000 y hemos calculado a cada una de las muestras su media aritmética. Hay definiciones más formales pero no entraremos en ellas.. a medida que la muestra se hace más grande.s.4. de tamaños de 1 a 1.1) al aumentar el tamaño muestral. Hemos simulado m.lim E [ θ n→∞ TEMA 3 ESTIMACIÓN PUNTUAL n * ]= θ lim Var [ θ n→∞ * n ]= 0 Entonces θ* es un estimador consistente.2 MEDIA MUESTRAL 0 -0.6 0. y la varianza del estimador se hace despreciable (la varianza tiende a cero).

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

Tengo aquí 5 papeletas.*) 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. 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 (+. Debemos elegir como parámetro aquel que hace máxima la probabilidad de observar lo que en realidad hemos visto. Ejemplo: Estimación de una proporción. Para empezar la muestra ya nos hace imposible (con probabilidad cero) determinadas proporciones.. Insesgadez: No tienen porqué ser insesgados aunque si lo son asintóticamente.4 aquí p=0.2. pero su ejecución y la traducción de ésta a fórmulas estadística es un poco más compleja. independientes e identicamentes distribuidas (e. Intentaremos realizar esta transición mediante un sencillo ejemplo. Este es el caso de las situaciones a) y f). 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. Parece que lo normal sería que la composición de la urna fuera d) ya que la GARCÍA CÓRDOBA 10 .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.2 aquí p=0 Tomaremos una muestra de tamaño 3.920. Consistencia: Son consistentes Normalidad: Son asintóticamente normales. en la década de 1. cuantas hay de cada clase). 3. R. Para explicar este galimatías pondremos un ejemplo. Fisher (1.d. 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.A.6 aquí p=0. La filosofía que sustenta el método es muy simple.8 aquí p=0. Es más de forma lógica podemos aventurarnos a indicar cuál de las anteriores opciones es más coherente con la muestra elegida.3. Fue. unas llevan marcada una cruz u otras un asterisco y desconocemos la proporción (p) de cruces (+) (esto es.El método de la máxima verosimilitud.*.890-1.TEMA 3 ESTIMACIÓN PUNTUAL Propiedades de los estimadores obtenidos por el método de los momentos.

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

Evans J. este es el obtenido por el método de la máxima verosimilitud. **Newbold P.. Fernández Abascal: "Cálculo de Probabilidades y Estadística" Ed: Ariel.: "Curso Básico de Probabilidad" Ed: Pirámide. el estimador máximo verosímil es función de éste.J.com/temario/estadistica/es%20II/tema_03/indice. Delta ** Sierra.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. II Inferencia Estadística" Ed: AC. Ruiz Marín: “Probabilidad e Inferencia Estadística: Una Introducción”. y otros. "La estadística: una orquesta hecha instrumento" Ed: Ariel Ciencia. 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. “Statistics.html http://halweb.html www. Ed. Garín A: "Problemas de Probabilidad e Inferencia Estadística" Ed:Tebar Flores. “Ejercicios resueltos de estadística”.es/rd/Recursos/rd99/ed99-0018-04/ed99-0018-04. : "Curso Práctico de Estadística" Ed: Cívitas.uc3m. Ruiz Maya: "Estadística: I Probabilidad . Martín Pliego.: "Manual de Estadística Universitaria" Ed. ESIC.cica.ppt http://www. Ceura Para saber más o comprobar dudas: http://thales.M. BIBLIOGRAFÍA: **García Córdoba.es/esp/Personal/personas/amalonso/esp/e1tema3.pdf http://matematicasbachiller.es/~mperea/T13_APD. Tussel F. Martín Pliego F. Problemas: Murgui. Durá Peiró: "Fundamentos de Estadística" Ed: Ariel Escuder.uv.es/~jsalinas/activi/C10. "Estadística para los Negocios y la Economía" Ed: Prentice Hall **Novales A.S. Montero Lorenzo J. Data análisis and decisión modeling” Prentice Hall. J. “Ejercicios resueltos de inferencia estadística…”. Miguel Ángel.L.R y Olson D. R. Gutiérrez Jaímez R. Riuz-Maya Pérez L. Serret Moreno-Gil J. Horacio Escarabajal.pdf GARCÍA CÓRDOBA 12 . "Problemas de Probabilidad" Ed: AC. "Introducción a la Teoría de la Probabilidad" Ed: tirant to blanch economía. Ruiz Maya: "Problemas de Estadística" Ed:AC Sarabia Alegría J. pero si un parámetro tiene un estimador consistente.ugr. Llopis Perez J. ** Palacios González y otros. Palacios Sánchez. "Estadística para la Economía y Administración de Empresas" Ed: Purchades.M. “Estadística y Econometría” Ed: Mc Graw Hill.

Sign up to vote on this title
UsefulNot useful