[Escribir texto]

CONSULTA DE LOS METODOS DE ESTIMACION

POR:

VICTOR HUGO RIVERA


MATERIA:

PROBABILIDAD Y ESTADISTICA

PROFESOR:

SOL MERY ALVAREZ







[Escribir texto]

ESTIMACIN DE PARMETROS

El estudio de poblaciones estadsticas supone en general el conocimiento de la
funcin de probabilidad que gobierna el comportamiento aleatorio de la variable de
inters. En muchos casos sabemos o presumimos conocer la familia distribucional
de una poblacin. Sabemos por ejemplo que la poblacin es aproximadamente
normal; pero desconocemos la media y la varianza poblacionales. Sabemos que
la variable de inters es binomial pero desconocemos la probabilidad de xito
poblacional o el nmero de pruebas de Bernoulli. Sabemos que se trata de un
proceso de Poisson pero desconocemos el nmero de eventos raros por
intervalos. Presumimos que la variable es exponencial pero desconocemos el
parmetro que precisa la distribucin exponencial poblacional.
Lgicamente en todas estas situaciones la funcin de probabilidad de la variable
en estudio se concreta determinando los parmetros poblacionales
correspondientes y para lograrlo se utilizan los denominados mtodos de
estimacin de parmetros.
La estimacin de uno o varios parmetros poblacionales desconocidos es posible
construyendo funciones de probabilidad de variables aleatorias muestrales, mas
conocidos como estimadores muestrales.
Dichos estimadores garantizaran un clculo o una aproximacin satisfactoria del
parmetro poblacional desconocido siempre que cumplan propiedades de:
insesgamiento o mxima simetra, varianza mnima o mxima concentracin de
los datos alrededor del parmetro estimado y mxima probabilidad.
1


Estimacin puntual
Cuando en una poblacin con familia distribucional conocida ) f(x, queremos
estimar el verdadero valor del parmetro poblacional utilizando como lente
para determinarlo al estimador muestral

; procedemos a seleccionar una

1
www.unalmed.edu.co/~estadist/.../Estimacion%20de%20parametros.doc
[Escribir texto]

muestra de tamao n de dicha poblacin, calculamos a partir de ella un valor y
afirmamos entonces que k = es una estimacin puntual de con un error,
por exceso o defecto, de valor k.
K depende en general de la variable aleatoria muestral

y de su desviacin

.
En los casos de muestras grandes, cuando los valores de la muestra
corresponden a variables aleatorias estadsticamente independientes (iid) y por lo
tanto se dan las condiciones del TLC, se tiene que:
30 n , n / Z Maxk
/2 /2
> = =

Pero como escoger el estimador

que mejor precisa el parmetro ?

Hay dos mtodos generales: el mtodo de momentos y el mtodo de mxima
verosimilitud.
2


Mtodo de mxima verosimilitud
El mtodo de estimacin de mxima verosimilitud permite, en el caso de un
parmetro o n vector de parmetros poblacionales desconocidos, determinar el
estimador o vector de estimadores que maximizan la funcin de probabilidad
conjunta de una muestra de n v.a. seleccionadas de la poblacin en estudio.
Sea ) f(x, la fdp de una poblacin en la cual queremos determinar .
Sea x
1
,x
2
,.,x
n
una muestra de v.a. iid seleccionadas de dicha poblacin, a la
funcin de probabilidad conjunta L( ) de las n v.a. de la muestra la llamaremos
funcion de verosimilitud muestral, es decir:
L ( )=L(x
1
,x
2
,.,x
n;
)
Pero como las v.a. son independientes tenemos: L( ) = f(x
1
, ) f(x
2
, ).f (x
n,
).
Es decir:
L ( )=
[
=
n
1 i
i
) , f(x



2
ciberconta.unizar.es/leccion/ecoreg/regresionlineal.doc
[Escribir texto]




Estimador de mxima verosimilitud -EMV-
El EMV del parmetro es

siempre que L(

) sea el valor de mxima

probabilidad de la funcin de verosimilitud L es decir:

es el EMV de si y solo si L(

) es mximo
En la expresin L( )=
[
=
n
1 i
i
) , f(x la funcin de verosimilitud varia con el parmetro
y para el proceso de optimizacin se considera que las x
i
son constantes luego
de haber determinado la muestra aleatoria.

Observe que como la funcin logaritmo natural es siempre creciente el EMV de
L( ) tambin optimiza a Ln (L( )) y podemos definir:

l( )=Ln (L( ))= Ln (
[
=
n
1 i
i
) , f(x )=

=
n
1 i
i
) , f(x ln

y optimizar as: ( )

=
=
'
= '
n
1 i i
i
0
) , f(
) , ( f
l
x
x
. Si

= maximiza a l( ) es claro que 0 ) ( l = '


y ) ( l

' ' <0.

3









3
www.unalmed.edu.co/~estadist/.../Estimacion%20de%20parametros.doc
[Escribir texto]

Estimacin Por Intervalos
Estamos en una poblacin conocida y desconocemos ( ) E =

pero queremos
hallar un intervalo de valores que contenga a , adems conocemos

o
podemos estimarla con un error pequeo. Para ello seleccionaremos una muestra
aleatoria ( )
n 3 2 1
,... , ,

. El Teorema Del Lmite Central permite afirmar que
( )
( ) z,0,1 n

E
Z

y podemos afirmar con un nivel que P(-z
/2 o
<Z< z
/2 o
)=1-


Equivalentemente,
P
( )
|
|
.
|

\
|

< <
/2

/2
z

E
z -

=1-
P ( ( )
/2
z E

< )=1-

Sustituyendo E (

)= , 1 z P
2
=
|
.
|

\
|
<

Al efectuar la estimacin puntual =

afirmamos con confianza al 1 , que la

diferencia absoluta entre el parmetro y el valor muestral u est acotada por
2
z


[Escribir texto]

2
z

<
Denominado intervalo Z para , es decir,
( ) = < 1 z P
2

|
.
|

\
|

2
z

con confianza 1-.




Intervalo para la proporcin p en una poblacin Binomial

Seleccionamos una muestra aleatoria conformada por (p
1
, p
2
, p
3
,,p
n
) donde las
p
i
son v.a iid que cumplen E(p
i
)=p. Es claro que si
n
x
p = , ( ) p p E = y ( ) p 1 np
p
=

,
segn el resultado previo de una poblacin binomial se tendr:
( )
( ) z,0,1 n

E
Z
p
p p

siempre que np y n(1-p) >10
y que con un nivel de significacin
1 ) z Z P(-z
2 2
= < <
1 ) z

) E(
P(-z
2 2
p
p p
= <

<

1 ) z E(p) - p P(
P 2
= <
[Escribir texto]

Como ( ) p p E = afirmamos con probabilidad 1- que
( ) 1 z P
p
2
p p = <


p
z K
2

= es el error de estimacin
( )
n
p 1 p

p

=

es la desviacin estndar de la distribucin binomial

Al hacer la estimacin puntual p = afirmamos con confianza 1- que.
( )
n
1
z p
2

<
O sea
( ) = < 1 z p p P
p 2
p
|
|
.
|

\
|

e
n
) (1
z
2
con confianza 1-

Intervalo para la media en una poblacin normal

Intervalos Z para la media



Sea (x
1
, x
2
, x
3
,,x
n
) una muestra
aleatoria, o sea que las x
i
son i.i.d.,
esto es la fdp conjunta de la muestra
es
f(x
1
,x
2
,,x
n
;)= ( )
[
n
1
2
i
, , n x
As el EMV de es X y tambin
E( X)= y
n

2
x
=
2

Si en una muestra con n>30 preestablecemos un nivel de significacin
podemos afirmar con probabilidad 1- que:
1
n

z X P
2
=
|
.
|

\
|
<
[Escribir texto]

Es decir que con probabilidad 1- la diferencia absoluta mxima entre y x es,
n

z
2
o sea , si estimamos x X = afirmamos que
= |
.
|

\
|
< 1
n

z X P
2
1- confianza con
n

z x
/2
|
.
|

\
|
e .
Si
2
es desconocida se debe estimar mediante s
2
calculado en la muestra
particular as afirmamos que:
=
|
.
|

\
|
< 1
n
s
z X P
2
1 al confianza con
n
s
z x
/2

|
.
|

\
|
e
Aunque en Z=
n S
X
se introduce variabilidad en el numerador con X y en el
denominador con S este efecto se contrarresta con n grande.
Que pasa si
2
es desconocida y n<30?, que ahora si aumenta la variabilidad y
necesitamos una distribucin acampanada con colas robustas que permitan
mayor variabilidad, o sea, una distribucin T.

[Escribir texto]



P(T>t o ,v )=o E(T)=0 V(T)=
2 n
n

n>2
Si la poblacin es normal entonces T=
n S
X
se distribuye segn Gosset como una
t-student con n-1 grados de libertad. Observe que S se basa en el clculo de
x x ,..., x x , x x
n 2 1
de forma que en el clculo de

x x
i
=0 slo hay n-1
variables libremente determinadas. La n-sima depende de ellas, a este nmero
se le denomina grados de libertad v =n-1.
Si de una poblacin normal seleccionamos una muestra pequea n<30 y
calculamos x X= y S=s preestableciendo un nivel de significacin podemos
construir un intervalo T bilateral de confianza 1- con v=n-1 grados de libertad
para as:
4

1
n
s
t X P
1 n
2
=
|
|
.
|

\
|
<

) n s t x (
1 n 2,
e con confianza 1-


4
www.unalmed.edu.co/~estadist/.../Estimacion%20de%20parametros.doc