Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2.2.estimadores (Probbilidad y Estadistica)
2.2.estimadores (Probbilidad y Estadistica)
Estimacion puntual
Estadstica
Ingeniera Inform
atica
Curso 2009-2010
8. Estimaci
on puntual
Curso 2009-2010
1 / 30
Contenidos
Introduccion
Construccion de estimadores
Metodo de los momentos
Metodo de maxima verosimilitud
8. Estimaci
on puntual
Curso 2009-2010
2 / 30
Introducci
on
puntual
on
estimaci
por intervalos
de confianza
Inferencia estadstica
sobre parametros
otesis
constrastes de hip
de Bondad de Ajuste
estimaci
on de los parametros de una distribuci
on: elegir el valor
(desconocido) de un parametro de la poblaci
on
constrastes de hipotesis: decidir entre rechazar o no una hipotesis
I
sobre par
ametros - para determinar si un parametro de una
distribuci
on toma o no un determinado valor
de Bondad de Ajuste - para definir si un conjunto de datos se puede
modelar mediante una determinada distribuci
on o no
8. Estimaci
on puntual
Curso 2009-2010
3 / 30
Introducci
on
Estimacion puntual
Estimacion mediante un solo valor de los parametros de una distribucion.
La estimaci
on puntual consiste en utilizar el valor de un estadstico para
inferir el parametro de una poblaci
on.
para estimar la media de una poblacion
usamos la media muestral X
usamos la proporci
on de una muestra p para estimar la proporcion
poblacional p
Un estimador de un par
ametro es un estadstico T = T (X1 , ..., Xn )
usado para estimar el valor del parametro de una poblacion.
El valor observado del estadstico t = T (x1 , ..., xn ) es la estimaci
on de ,
y la representamos por .
puede ser un solo parametro o un conjunto de parametros desconocidos
= (1 , ..., k )
Estadstica (Aurora Torrente)
8. Estimaci
on puntual
Curso 2009-2010
4 / 30
Introducci
on
no hay ning
un estimador perfecto: siempre habra alg
un error en el
proceso de estimacion
deben estudiarse las distintas propiedades de los estimadores para
decidir cual es el m
as apropiado...
Como construir un estimador?
8. Estimaci
on puntual
Curso 2009-2010
5 / 30
Construcci
on de estimadores
M
etodo de los momentos
Construccion de estimadores
Objetivo: construir un estimador del parametro poblacional = (1 , ..., k )
8. Estimaci
on puntual
Curso 2009-2010
6 / 30
Construcci
on de estimadores
M
etodo de los momentos
ar =
Xir
i=1
8. Estimaci
on puntual
Curso 2009-2010
7 / 30
Construcci
on de estimadores
M
etodo de los momentos
Ejemplo 1. X Exp():
Sea una variable aleatoria con distribuci
on exponencial de
par
ametro ; queremos encontrar el estimador del par
ametro
usando el m
etodo de los momentos.
Como solo existe un parametro, sera : 1 = a1
1
El primer momento es la media, y en la exponencial es , por lo que:
n
X
1
=
i=1
Xi
n
n
X
Xi
1
= ,
X
i=1
8. Estimaci
on puntual
Curso 2009-2010
8 / 30
Construcci
on de estimadores
M
etodo de los momentos
Ejemplo 2. X N(, ):
Estimar por el m
etodo de los momentos los par
ametros y 2 de
una distribuci
on normal.
Necesitamos estimar dos parametros usaremos los dos primeros
momentos ordinarios de la distribuci
on normal:
1 = ;
2 = 2 + 2 .
i=1
n
X
Xi
;
=X
2 =
8. Estimaci
on puntual
Xi2
i=1
2
X
Curso 2009-2010
9 / 30
Construcci
on de estimadores
M
etodo de los momentos
Resolviendo el sistema:
p =
1P
X
2
Xi2 X
r =
1P
2
X
2 X
Xi2 X
8. Estimaci
on puntual
Curso 2009-2010
10 / 30
Construcci
on de estimadores
M
etodo de m
axima verosimilitud
en el caso discreto
en el caso continuo
Se maximiza la funci
on de verosimilitud.
El EMV de es el formado por los valores (1 , ..., k ) que maximizan
la funcion de verosimilitud de la muestra (x1 , ..., xn ) obtenida.
8. Estimaci
on puntual
Curso 2009-2010
11 / 30
Construcci
on de estimadores
M
etodo de m
axima verosimilitud
Propiedad de invarianza:
Si es el EMV de , y g es una funci
on biyectiva y diferenciable, entonces
g () es el EMV de g ().
Estadstica (Aurora Torrente)
8. Estimaci
on puntual
Curso 2009-2010
12 / 30
Construcci
on de estimadores
M
etodo de m
axima verosimilitud
Ejemplo 1. X P():
Vamos a calcular el EMV del par
ametro de una distribuci
on de
Poisson P(), para una muestra de tama
no n.
Construimos la funcion de verosimilitud de la muestra:
P
n
n
Y
n ni=1 xi
xi
Y
e
e
=
L
p(xi ) =
= Qn
xi !
i=1 xi !
i=1
i=1
log L = n + log
xi
log xi !
i=1
i=1
log L
i=1
i=1
=
= n +
=0
n
Estadstica (Aurora Torrente)
8. Estimaci
on puntual
Curso 2009-2010
13 / 30
Construcci
on de estimadores
M
etodo de m
axima verosimilitud
2 log L
2
xi
i=12
< 0,
8. Estimaci
on puntual
Curso 2009-2010
14 / 30
Construcci
on de estimadores
M
etodo de m
axima verosimilitud
n
Y
i=1
8. Estimaci
on puntual
Curso 2009-2010
15 / 30
Construcci
on de estimadores
M
etodo de m
axima verosimilitud
Ejemplo 3. X N(, ):
Vamos a calcular el EMV del par
ametro = (, 2 ) de una N(, ).
La verosimilitud de la muestra (x1 , . . . , xn ) es:
n
n
P
Y
2
1
1
1
2
L() = L(, ) =
... =
e 22 (xi )
2
2
2
2
i=1
Su logaritmo es:
n
n
1 X
log(L()) = log( 2 ) log(2) 2
(xi )2
2
2
2
Las derivadas parciales con respecto a los parametros y 2 son:
log(L(x1 , . . . , xn , ))
1 X
= 2
(xi )
log(L(x1 , . . . , xn , ))
n
1 X
= 2 +
(xi )2
2
2
2( 2 )2
que se anulan en:
b=
xi
n
c2 =
P
(xi
b)2
n
8. Estimaci
on puntual
Curso 2009-2010
16 / 30
Construcci
on de estimadores
M
etodo de m
axima verosimilitud
2 log(L(x1 , . . . , xn , ))
n
= 2
2
X
log(L(x1 , . . . , xn , ))
1
= 2 2
(xi )
2
( )
log(L(x1 , . . . , xn , ))
n
1 X
=
2 3
(xi )2
2
2
2
2
( )
2( )
( )
H =
n
c
2
0
n
2
c
2 2
(Matriz hessiana en )
c2 ) es un
Determinante positivo y autovalores negativos el punto (b
,
maximo Si (X1 , . . . , Xn ) N(, ), los EMV de y 2 son
respectivamente la media y la varianza empricas de la muestra (como era
de esperar)
Estadstica (Aurora Torrente)
8. Estimaci
on puntual
Curso 2009-2010
17 / 30
Estimadores insesgados
8. Estimaci
on puntual
Curso 2009-2010
18 / 30
Ejemplo 1.
Sabemos que, en cualquier poblaci
on:
= ,
E X
n1 2
,
E sn2 =
n
2
E sn1
= 2,
8. Estimaci
on puntual
Curso 2009-2010
19 / 30
xn
n
n+1
0
Estadstica (Aurora Torrente)
8. Estimaci
on puntual
Curso 2009-2010
20 / 30
Estimadores eficientes
8. Estimaci
on puntual
Curso 2009-2010
21 / 30
Estimadores eficientes
V
"
nE
log f (X ; )
cota de Cramer-Rao
2 #
V
nE
2 log f (X ; )
8. Estimaci
on puntual
Curso 2009-2010
22 / 30
Estimadores eficientes
8. Estimaci
on puntual
Curso 2009-2010
23 / 30
Estimadores eficientes
Ejemplo:
Consideremos una poblaci
on Bernouilli de par
ametro desconocido.
Supongamos que tenemos dos estimadores 1 y 2 dados por
+1
nX
2 =
.
n+2
,
1 = X
Por una parte:
h i
E 1 =
h i n + 1
E 2 =
n+2
1 es insesgado y 2 es sesgado
Por otra parte:
(1 )
V 1 =
n
n(1 )
V 2 =
(n + 2)2
V 1 > V 2
8. Estimaci
on puntual
Curso 2009-2010
24 / 30
Estimadores eficientes
Ejemplo (cont.):
Calculemos la cota de Cramer-Rao (CCR): como f (X ; ) = x (1 )1x :
log f (X ; ) = x log + (1 x) log(1 )
Derivando dos veces:
2 f (X ; )
x
1x
= 2
,
2
(1 )2
y tomando esperanzas:
2
1
1
1
f (X ; )
=
=
,
E
2
1
(1 )
1
CCR =
nE
2 f (X ; )
=
(1 )
= V (1 )
n
8. Estimaci
on puntual
Curso 2009-2010
25 / 30
Estimadores eficientes
= V ()
+ B()
ECM()
Exigir un estimador con ECM peque
no implica minimizar
simultaneamente su sesgo y su varianza.
Para los estimadores insesgados, el criterio coincide con minimizar la
varianza (acotada por CCR), es decir, se busca el estimador eficiente.
8. Estimaci
on puntual
Curso 2009-2010
26 / 30
8. Estimaci
on puntual
Curso 2009-2010
27 / 30
Ejemplo:
Vamos a calcular el EMV de para la distribuci
on uniforme en
(0, ), utilizando una muestra aleatoria de tama
no n.
n
n
1
1
I{0Xi , i} =
I{X(n) } I{X(1) >0} ,
L(X1 , ..., Xn ; ) =
n
1
que toma el valor
en el intervalo [ X(n) , +) y toma el valor 0
8. Estimaci
on puntual
Curso 2009-2010
28 / 30
Ejemplo (cont.):
Como vimos anteriormente, la funci
on de distribuci
on del estimador X(n)
es:
FX(n) (x) = P(X(n) < x) = P(X1 < x, ..., Xn < x) =
0,
x <0
x n
n
, 0x
= P(X1 < x) P(Xn < x) = [P(X1 < x)] =
1,
x >
y su densidad es:
x n1
,
n
fX(n) (x) =
0,
0x
en el resto
8. Estimaci
on puntual
Curso 2009-2010
29 / 30
Ejemplo (cont.):
Tambien sabemos que:
Z
E X(n) =
xn
n
x n1
dx =
n
n+1
V X(n) =
0
x n1
x n n dx
n
n+1
2
=
n2
0
(n + 1)2 (n + 2)
8. Estimaci
on puntual
Curso 2009-2010
30 / 30