Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
siempre que L(
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
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 =
|
.
|
\
|
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
=
\
|
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