ESTIMACIN PUNTUAL

INTRODUCCIN:
Supongamos que (x1, .,xn) es una muestra aleatoria de una poblacin X con distribucin dada por la funcin de masa P , o por la funcin de densidad f , donde es un parmetro cuyo valor desconocemos. El objetivo en la estimacin puntual es decidir, en funcin del modelo que estemos aceptando para la poblacin y en funcin de la muestra concreta (x1, .,xn) que hayamos obtenido, cul es el valor de que nos parece ms aceptable.

ESTIMADORES PUNTUALES:
Definicin: Un estimador puntual de es una funcin T que a cada posible muestra (x1, .,xn) le hace corresponder una estimacin T(x1, .,xn) de . p Adems de estimar el parmetro , tambin puede interesar, cuando X N( estimar la la 2. p T=T(xn) es una variable aleatoria. p A continuacin daremos las propiedades que debe tener un estimador puntual para ser razonable: ERROR CUADRTICO MEDIO: El error cuadrtico medio de un estimador T, para estimar , se define como:  p Siendo Una manera de eliminar completamente el sesgo es trabajar con estimadores insesgados. ESTIMADORES INSESGADOS: Un estimador T es insesgado (o centrado) cuando verifica:

Los estimadores insesgados, no solo son interesantes porque contribuyan a reducir el error cuadrtico medio; son interesantes por s mismos, ya que, en promedio, sus estimaciones aciertan con el objetivo de estimar .

EJEMPLOS: p Ejemplo 1: Sea una muestra aleatoria (X1, ,Xn) de X Bernoulli (p) (Modelo utilizado para estimar una proporcin p). Un estimador razonable para p podra ser:  Este estimador es insesgado para p:  

Tambin es muy sencillo hallar su error cuadrtico medio: 

p Ejemplo 2: Sea una variable aleatoria (X1, ,Xn) de N ( Un buen estimador para podra ser:  Tambin es un estimador insesgado para , ya que E( Y es muy sencillo hallar su error cuadrtico medio:

= .

MTODOS DE CONSTRUCCIN DE ESTIMADORES:

MTODO DE LOS MOMENTOS:
Definicin: Sea (X1, .,Xn) una muestra aleatoria de una poblacin X con funcin de masa P funcin de densidad f , donde = ( 1, ., k). El estimador de por el mtodo de los momentos es el formado por los valores que se obtienen al resolver en 1, ., k el sistema de ecuaciones:

METODO DE MXIMA VEROSIMILITUD:

p EJEMPLO: Sabemos que en una urna hay 4 bolas (que pueden ser negras o blancas). Por tanto, la proporcin de bolas blancas es desconocida, y puede tomar los valores = 0, , , , 1. Para obtener ms informacin, extraemos de la urna dos bolas con reemplazamiento (observaciones independientes). Supongamos que la primera bola observada es blanca y la segunda negra, de modo que la muestra obtenida es (B, N); la probabilidad que tenamos de obtener precisamente esta muestra, dependiendo de la proporcin de bolas blancas de la urna, era:    
      La idea del mtodo de mxima verosimilitud es muy sencilla: tomar como estimacin de aquel valor que daba ms probabilidad a la muestra obtenida. Por tanto, si la muestra obtenida era (B, N), la estimacin de mxima verosimilitud sera . Definicin: Sea (X1, ,Xn) una muestra aleatoria de una poblacin X con funcin de masa P o funcin de densidad f , donde =( 1, , k). El estimador de mxima verosimilitud de es el formado por los valores que maximizan lo que llamaremos funcin de verosimilitud de la muestra (x1, ,x n) obtenida:  Observaciones: a) La funcin de verosimilitud expresa la probabilidad (o la densidad) que los diferentes valores de dan a la muestra obtenida. Lo que hacemos, por tanto, es maximizar esa probabilidad (o densidad). b) En muchas ocasiones, la forma ms cmoda de encontrar el estimador de mxima verosimilitud es la siguiente: y Consideramos log L( ) en vez de L( ), ya que es ms fcil de manejar y presenta los mismos mximos y mnimos. y Despejamos 1, , k del siguiente sistema de ecuaciones:
   

c) Sealemos, finalmente que si es el estimador de mxima verosimilitud (e.m.v) de , si hemos obtenido que es el e.m.v de , el e.m.v de 2 es

INTERVALOS DE CONFIANZA
INTRODUCCIN:
La estimacin puntual analizada en el captulo anterior tiene un problema evidente: si damos un nico unto como estimacin del parmetro, esa estimacin difcilmente acertar con el valor exacto del parmetro. Por otra parte, no acertar por completo, seguramente no nos va a importar demasiado; normalmente, lo que buscamos es que el verdadero valor del parmetro quede cerca de nuestra estimacin. Esta idea se recoge perfectamente en la nocin de intervalo de confianza.

CONCEPTOS BSICOS:
Tenemos una muestra aleatoria de una caracterstica X de la poblacin. Pensamos que esa caracterstica puede ser adecuadamente modelizada mediante un modelo de probabilidad. En cualquier caso lo nico que no conocemos es el valor del parmetro . Lo que vamos a intentar hacer es encontrar intervalos que sirvan para estimar ese parmetro, fijando el nivel de confianza que queremos que tenga dicha estimacin. INTERVALO DE CONFIANZA: Sea (X1, ,Xn) una muestra aleatoria de una poblacin X con funcin de masa P o funcin de densidad f donde =( 1, , k). Un intervalo de confianza para estimar i, con un nivel de confianza 1- , es una funcin que a cada posible muestra (x1, ,x n) le hace corresponder un intervalo. NIVEL DE CONFIANZA: Si un nivel de confianza 1- = 95%, significa que la probabilidad de que el intervalo contenga al verdadero (y desconocido) valor de i, es igual a 0,95. Es decir, el 95% de las veces vamos a obtener una buena estimacin del parmetro i. Por lo tanto, el nivel de confianza mide la probabilidad de que los intervalos sean buenos estimadores y, por ese motivo, el nivel de confianza siempre se elige prximo a 1.

MTODO DE LA CANTIDAD PIVOTAL:

Una cantidad pivotal para estimar i es una funcin C(X1, Xn; i) tal que su distribucin es fija y no depende de . El procedimiento que hay que seguir para construir un intervalo de confianza es el siguiente: 1. Fijamos un nivel de confianza 1- prximo a 1. 2. Construimos una cantidad pivotal (ya estn construidas en la hoja de frmulas).

3. A partir de la cantidad pivotal obtenemos un intervalo, cuyo contenido de probabilidad sea 1- , y que deje a ambos lados la misma cantidad de probabilidad, /2. 4. Despejamos i del intervalo anterior obteniendo as el intervalo de confianza buscado.

DISTRIBUCIONES ASOCIADAS A LA NORMAL:

X2 DE PEARSON:
La distribucin x2 de Pearson con n grados de libertad:

La distribucin x2 de Pearson solo tiene valores positivos. p En la tabla: Se busca como en una tabla normal siendo = n-1.

t DE STUDENT:
La distribucin t de Student con n grados de libertad:

Siendo s = cuasidesviacin tpica y s2 = cuasivarianza:

*Si n es grande tn-1

N(0; 1)

(z /2)

p En la tabla: Se busca como en una tabla normal siendo r = n-1.

F DE FISHER:
La distribucin F de Fisher con m y n grados de libertad:
 

 

p La normal en la tabla: Para buscar en la tabla Z /2, se busca /2 en el interior de la tabla. Su valor es el nmero de dos decimales que coincida con /2.