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

5. y buscar propiedades que hagan a unos más deseables que a otros. . y por tanto. Por ejemplo.s.Como hemos visto en el apartado anterior. 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. y en principio es lo más coherente. en estas cuatro realizaciones hemos obtenido cuatro valores diferentes para p. .p)) tomamos una muestra de tamaño 4. Un estimador es siempre una función de los valores muéstrales cuyo resultado debe ser siempre un posible valor del parámetro. Pero otra alternativa podría ser la media geométrica p*=0. tomar la media: p*=0. que son 0. la elección de la muestra es un proceso aleatorio. . el método del selección de estimadores mediante el ECM no es útil en todos los casos pues éste depende en ocasiones del parámetro desconocido.Propiedades de los estimadores. Todas estas funciones (estadísticos) nos dan siempre valores aceptables para p.TEMA 3 ESTIMACIÓN PUNTUAL Ejemplo: Si ξ≈B(3. 3. de F(x. Una vez que la muestra ha sido elegida.a.2.2.25. ξ2 .ξn) una m. Claro que.θ). Todo esto indica dos cosas: No todos los estadísticos son estimadores. 0.2. se denomina estimación el valor numérico que toma el estimador sobre esa muestra. Obsérvese que el estimador no es un valor concreto sino una variable aleatoria. pongamos (2.1.1. .2). ya que aunque depende unívocamente de los valores de la muestra observados (ξi = xi). . Vamos a presentar las cuatro propiedades más importantes: GARCÍA CÓRDOBA 2 . .Sea (ξ1..p) tendremos que el espacio paramétrico es el intervalo Θ = [0. 0. con el fin de estimar la proporción de éxitos p (desconocido) en un experimento que se repite 3 veces (modelo B(3. 0≤p≤1} Definición. si que será posible estudiar los estimadores como v.a.5.ξn) se dice que es un estimador puntual de θ si θ* aplica Rn en Θ. No todos los estimadores asignan el mismo valor al parámetro desconocido. Al ser desconocido el valor real del parámetro no podemos a priori indicar el estimador que nos ofrezca el valor más próximo al parámetro.21 o quizás el mínimo valor muestral p*=0.. ¿Qué valor asignamos a p? Podemos pensar. . nunca sabremos exactamente cual es el error que estamos cometiendo al realizar nuestra predicción. ξ2 .1 y 0. 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. Un estadístico θ* = f (ξ1.p) . . Y la familia de distribuciones será {B(3. es decir.1].

1. Sabemos que: E[μ*] E[μ**] = nμ/(n-1) su sesgo será b(μ) = nμ/(n-1) . θ*-θ.μ = . el estimador tenderá a infravalorar el valor a estimar.Sea ξ una v.4 0.μ = 0 Estimador Insesgado. Gráficamente. las funciones de densidad de cada uno de estos estimadores será: 0. 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. el estimador μ** es un estimador insesgado..TEMA 3 ESTIMACIÓN PUNTUAL 3. y tenderá a sobreestimar la media de la población.1 0 -1 0 1 2 3 4 5 GARCÍA CÓRDOBA 3 .3 0. 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. Frente a éstos.5 0.2 0.a. mientras que el segundo tiene sesgo negativo y tenderá a asignar a la media valores inferiores a su valor real.μ/(n+1) El primero de estos estimadores tiene un sesgo positivo.μ = μ/(n-1) = μ su sesgo será b(μ) = μ . Ejemplo: Consideremos los tres estimadores de la media de una población normal que presentamos en el apartado anterior. El error es una v.θ Si el sesgo de un estimador es positivo.a. si se verifica que: E[θ*] = θ. 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. este tenderá a sobreestimar el valor del parámetro. y Fθ su función de distribución. mientras que si el sesgo es negativo. E[μ***] = nμ/(n+1) su sesgo será b(μ) = nμ/(n+1) . Diremos que θ* es un estimador insesgado de θ.

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

Ejemplo: Supongamos que estamos estudiando un fenómeno aleatorio que suponemos que se ajusta a una v.nμ/(n-1))2 = (30n+μ2)/(n-1)2 ECM(μ**) = 30 /n + (μ. pero quizás sí las más importantes. 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. Veamos esto en una gráfica (tomando n=3): 2.μ)2 = 30/n ECM(μ***) = 30 n/(n+1)2 + (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.nμ/(n+1))2 = (30n+μ2)/(n+1)2 Como podemos observar. Ahora bien dependiendo del valor del parámetro desconocido μ unas veces GARCÍA CÓRDOBA 5 .a. el error cuadrático medio queda en función de dos valores: El tamaño muestral y el valor desconocido del parámetro. Normal N(μ.TEMA 3 ESTIMACIÓN PUNTUAL Estas no van a ser las únicas propiedades que observemos sobre la calidad de los distintos estimadores.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. ξ.s.5 1 ECM[µ**] 0.5 ECM[µ*] 2 ERROR CUADRATICO MEDIO ECM[µ***] 1. deducimos sin ningún problema que el estimador μ* es el peor de los tres. Con el fin de determinar el valor medio desconocido de la población se toma una m.3).a.

Sean θ* y θ** dos estimadores insesgados de θ.TEMA 3 ESTIMACIÓN PUNTUAL será mejor μ** y otras μ***. 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?). ya que será un estimador más preciso. entonces se dice que θ* es el estimador insesgado de mínima varianza de θ.. y Fθ su función de distribución. 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.Sea ξ una v.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.Sea ξ una v. 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. Si θ* es un estimador insesgado de θ. GARCÍA CÓRDOBA 6 .. Claro esto nos lleva a una situación difícil pues este valor es desconocido. Definición. Entre los dos elegiremos a aquel que presente una menor variación entorno al valor medio. y Fθ su función de distribución. y no hay ningún otro que tenga menor varianza.2. Esta situación hace disminuir la aplicación universal de este método para determinar la calidad de un estimador.a.a. Ejemplo: Estas dos primeras propiedades las podemos relacionar con el ECM de un estimador.

Entonces: Var( θ* ) ≥ [ 1 + b′(θ) ]2 ⎡ ∂ ln f (x. el estimador no daría el resultado correcto. si: lim P(| θ n→∞ * n .(Cota de Cramér-Rao) Sea ξ una v. Este factor. parece lógico exigir a un estimador que al aumentar el tamaño de la muestra su precisión aumente. Si θ*n es un estimador de θ para una muestra de tamaño n. Por otra parte no podemos asegurar la existencia de un estimador que alcance Ejemplo: La media muestral en poblaciones normales. Si se verifica que: GARCÍA CÓRDOBA 7 . esta cota. Sea θ*n es un estimador de θ para una muestra de tamaño n. y f(x. Definición. y Fθ su función de distribución. La Cota de Cramér-Rao (CCR) permite determinar el valor mínimo que puede alcanzar la varianza de un estimador de un parámetro desconocido. 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. Es decir.TEMA 3 ESTIMACIÓN PUNTUAL El problema de obtener estimadores de varianza mínima está solucionado por el siguiente resultado: Proposición. Propiedad de Consistencia.θ) su función de densidad.θ | ≥ ε) = 0 De esta manera un estimador será inconsistente si al utilizar toda la población como muestra (teóricamente una muestra infinita). Tomemos una m. Sin demostración. y Fθ su función de distribución.a.Sea ξ una v.s.Sea ξ una v. debe también ayudarnos a determinar la calidad de un buen estimador. 3.3. Así.Las dos propiedades anteriores tienen vigencia independientemente de cual sea el tamaño muestral..2. de tamaño n y sea θ* un estimador de θ. Una caracterización de los estimadores consistentes que resulta más simple de aplicar en la práctica es la siguiente: Proposición. θ) ⎤ nE⎢ ⎥ ∂θ ⎣ ⎦ 2 Siendo b´(θ) la primera derivada del sesgo del estimador..a..a. Diremos que θ*n es un estimador consistente si la sucesión de estimadores {θ*n} converge en probabilidad a θ. el tamaño de la muestra.a.

Propiedad de Suficiencia.4. De esta manera. un estimador consistente será aquel que. el valor esperado del estimador tiende hacia el verdadero valor del parámetro (se vuelve insesgado).1) al aumentar el tamaño muestral. y la varianza del estimador se hace despreciable (la varianza tiende a cero).2 MEDIA MUESTRAL 0 -0.Definición.6 0. Hemos simulado m.Se dice que un estimador es suficiente si incluye toda la información que la muestra puede suministrar sobre el parámetro desconocido. Gráficamente.a.s.4 0.2.lim E [ θ n→∞ TEMA 3 ESTIMACIÓN PUNTUAL n * ]= θ lim Var [ θ n→∞ * n ]= 0 Entonces θ* es un estimador consistente.2 -0. Hay definiciones más formales pero no entraremos en ellas. Sin demostración. de tamaños de 1 a 1. Gráficamente el resultado es el siguiente: 0.000 y hemos calculado a cada una de las muestras su media aritmética. Esta definición de estimador suficiente no es muy formal y tampoco operativa. a medida que la muestra se hace más grande. estimador: Si veremos un procedimiento más operativo para determinar la suficiencia de un GARCÍA CÓRDOBA 8 .4 -0. podemos observar que le ocurre a la media muestral de una población N(0..6 0 200 400 600 800 1000 TAMAÑO MUESTRAL Ejemplo: Como ejemplos de estimadores consistentes μ* μ** μ*** 3.

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

Fue. Fisher (1. Este es el caso de las situaciones a) y f).2 aquí p=0 Tomaremos una muestra de tamaño 3.TEMA 3 ESTIMACIÓN PUNTUAL Propiedades de los estimadores obtenidos por el método de los momentos.8 aquí p=0. 3. 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 (+. Ejemplo: Estimación de una proporción.4 aquí p=0.A.890-1. pero su ejecución y la traducción de ésta a fórmulas estadística es un poco más compleja. Para explicar este galimatías pondremos un ejemplo. Para empezar la muestra ya nos hace imposible (con probabilidad cero) determinadas proporciones.*.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. cuantas hay de cada clase).3. Parece que lo normal sería que la composición de la urna fuera d) ya que la GARCÍA CÓRDOBA 10 .El método de la máxima verosimilitud. Es más de forma lógica podemos aventurarnos a indicar cuál de las anteriores opciones es más coherente con la muestra elegida.. Insesgadez: No tienen porqué ser insesgados aunque si lo son asintóticamente. 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. unas llevan marcada una cruz u otras un asterisco y desconocemos la proporción (p) de cruces (+) (esto es.*) 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. La filosofía que sustenta el método es muy simple. Consistencia: Son consistentes Normalidad: Son asintóticamente normales.920.d. R.6 aquí p=0. Debemos elegir como parámetro aquel que hace máxima la probabilidad de observar lo que en realidad hemos visto. en la década de 1. 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. independientes e identicamentes distribuidas (e.2. Tengo aquí 5 papeletas. Intentaremos realizar esta transición mediante un sencillo ejemplo.

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

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

Sign up to vote on this title
UsefulNot useful