Documentos de Académico
Documentos de Profesional
Documentos de Cultura
- Estimacin Puntual
Prof.: Dr. Marco Riquelme A.
1 / 32
Estimadores Puntuales
Denicin (Estimacin puntual)
La estimacin puntual, es un mtodo inferencial, en la cual se calcula un nico valor (estadstico) con los datos muestrales para estimar un parmetro poblacional.
2 / 32
Estimadores Puntuales
Denicin (Estimacin puntual)
La estimacin puntual, es un mtodo inferencial, en la cual se calcula un nico valor (estadstico) con los datos muestrales para estimar un parmetro poblacional.
Denicin (Estimador)
Un estimador
de un parmetro
Un estimador es en s mismo
n X1 , X2 , ..., Xn
2 / 32
Estimadores Puntuales
Observacin:
k dimensional, k = 2.
digamos
= (1 , 2 , . . . , k )t .
3 / 32
Sea
variable aleatoria
f (x ; ); = (1 , 2 , . . . , k )t Rk ,
X
X1 , . . . , Xn una muestra aleatoria de tamao n de una distribucin con f (x ; ). El mtodo de los momentos para encontrar estimadores de ; (M )
consiste en resolver k-ecuaciones de la forma:
r () = Mr , r = 1, . . . , k ,
donde del 0
r () = E (X r ) denota el r simo momento poblacional alrededor n r 1 y Mr = n i =1 Xi el r simo momento muestral alrededor del 0.
4 / 32
Ejemplo:
Sea
distribucin Normal
X1 , . . . , Xn
(; 2 ).
Solucin.
M1 M2
X
i n
= =
X 1 1
n i
2 =1 X
= =
n i
2 =1 X
= =
n i
2 + 2
2
E (X) E (X2 )
X2
i
2 =
=1
=1 (Xi X)
= 2 =
( 1)
n S n
X = 2 = = 2. (n 1)S 2
n i
=1
X2 nX
M = X
2M =
5 / 32
X1 , . . . , Xn
se dene como la
f .d .p
y no de los
xi .
para
x1 , . . . , xn .
fX (x , ),
X1 , . . . , Xn
L() =
Prof.: Dr. Marco Riquelme A. (UCM)
n i =1
fX (xi ; ).
Primer Semestre - 2014
(1)
6 / 32
L()
= (X1 , . . . , Xn ) es
el E.M.V de
(2)
Muchas funciones de verosimilitud satisfacen ciertas condiciones de regularidad de manera que el E.M.V es la solucin de la ecuacin (en este caso)
L() = 0. Tambin L( ) y l ( ) = log L( ) = (log-verosmilitud, usaremos Ln ) tienen su mximo en el mismo valor de y esto muchas veces facilita el clculo de
un E.M.V.
Prof.: Dr. Marco Riquelme A. (UCM) Pgina web: www.mriquelme.com Primer Semestre - 2014 7 / 32
l ( ) = U (), = (1 , 2 , . . . , k )t ,
parmetros,
es decir:
L() =
entonces los E.M.V de aleatorias, valores en
n i =1
f (xi ; 1 , 2 , . . . , k ),
1 , 2 , . . . , k son, respectivamente, las variables 1 (X1 , . . . , Xn ), . . . , k (X1 , . . . , Xn ), en que 1 , . . . , k son los Rk , que maximizan L() y el punto de Rk donde la F.V es
8 / 32
L() = 0, 1
. . .
L() = 0. k
Nota
Tambin en este caso se puede usar el
ln
L() = l ().
9 / 32
Sea
Si
g () = g ()
Observacin:
= (1 , 2 , . . . , k )t .
10 / 32
A continuacin deniremos algunas propiedades, las cuales puede o no poseer un estimador, que nos ayudarn a decidir cuando en estimador es mejor que otro en algn sentido.
11 / 32
A continuacin deniremos algunas propiedades, las cuales puede o no poseer un estimador, que nos ayudarn a decidir cuando en estimador es mejor que otro en algn sentido.
T = T (X1 , . . . , Xn ) T
un etimador de a la expresin:
g ().
(3)
en
g ()
si y solo si:
T = T (X1 , . . . , Xn )
E (T ) = g (), .
(4)
Propiedad
ECM (T ) = V (T ) + {g () E (T )}2 .
Nota:
Si
ECM (T ) = V (T ).
Prof.: Dr. Marco Riquelme A. (UCM) Pgina web: www.mriquelme.com Primer Semestre - 2014 12 / 32
Demostracin Propiedad:
ECM (T ) = E ({T g ()}2 ) = E ({(T E (T )) (g () E (T ))}2 ) = E ({T E (T )}2 ) 2{g () E (T )}E ({T E (T )}) + {g () E (T )}2 = E ({T E (T )}2 ) + {g () E (T )}2 = = V (T ) + {g () E (T )}2 .
(5)
13 / 32
Consistencia
Hasta el momento hemos denimos conceptos para tamaos de muestras jas. A continuacin deniremos un concepto para un tamao de muestra creciente. En la notacin usaremos
Tn = Tn (X1 , . . . , Xn )
como estimador de
g ( ).
14 / 32
Consistencia
T1 , T2 , . . . , Tn , . . .
g ( ),
donde
Tn
g ()
ssi:
) = 0
que el SESGO y la VARIANZA
(Tn )
tienden a 0.
15 / 32
Consistencia
Ejemplo
Sea una muestra aleatoria de tamao n desde una distribucin normal
S2
con media
n = n 1
{X}n
, cuando
n .
Por
2 ECM (S2 n ) = E ({S2 n 2 }2 ) = V(S2 n) = n 1 0 cuando n . lo tanto, la sucesin {Sn } es una sucesin consistente en E.C.M. de
4
Por
estimadores de
2.
E.C.M. del promedio y la varianza muestral bajo cualquier f.d.p asociada a la poblacin.
Prof.: Dr. Marco Riquelme A. (UCM) Pgina web: www.mriquelme.com Primer Semestre - 2014 16 / 32
Denicin
Una familia uniparamtrica de densidades como sigue:
f (x ; )
se
f (x ; ) F .exp .
17 / 32
X exp(); f (x ; ) = ex I(0,) (x ),
donde:
X Poisson; f (x ; ) = e x ! I{0,1,...} (x ),
x
donde:
a() = e ; b(x ) =
f (x ; ) F.exp.
Prof.: Dr. Marco Riquelme A. (UCM)
x!
I{0,1,...} (x ) ; c () = ln ; d (x ) = x
18 / 32
Denicin
Una familia de densidad
f (x ; 1 , 2 , . . . , k )
f (x ; 1 , . . . , k ) = a(1 , . . . , k )b(x )e
para elecciones convenientes de las funciones:
=1
c ( ,..., )d (x ) ,
j
a(, . . . , ) ; b() ; cj (, . . . , ) y dj () ; j = 1, . . . , k ,
se dene como que pertenece a F.exp. k paramtrica.
19 / 32
X N(; 2 );
f (x ; ; 2 ) =
=
1 2 1 2 1 2
e 22 (x ) ; x R
1 2
e 22 e 22 + 2 ; e 22 ; b(x ) = 1;
2
x 2
a(; 2 ) =
2
c1 (; ) = 1/2 2 ; c2 (; 2 ) = / 2 ; d1 (x ) = x 2 ; d2 (x ) = x ;
f (x ; ; 2 ) F.exp.
Prof.: Dr. Marco Riquelme A. (UCM)
bi-paramtrica.
20 / 32
Suciencia
Antes de continuar con nuestro propsito de hallar buenos estimadores, introduciremos el concepto de suciencia. En muchos problemas de estimacin que encontraremos, nos ser posible resumir la informacin en la muestra muestra que nos diga tanto cerca de
X1 , X2 , . . . Xn ,
S = S(X1 , X2 , . . . , Xn )
f (x ; ) (
X1 , X2 , . . . , Xn
una muestra aleatoria de tamnao(n) desde una se dene como un estadstico suciente ssi la no depende de
f .d .p .
para
21 / 32
Suciencia
Ejemplo
Considere una muestra aleatoria de tamao los estadsticos:
(3)
S = X1 + X2 + X3 y T = X1 X2 + X3 .
A continuacin probaremos que
es suciente y
no lo es:
22 / 32
Suciencia
(x1 , x2 , x3 )
(0,0,0) (0,0,1) (0,1,0) (1,0,0) (0,1,1) (1,0,1) (1,1,0) (1,1,1)
Rec S
0 1 1 1 2 2 2 3
Rec T
0 1 0 0 1 1 1 2
/1 + 1 /1 + 2 /1 + /1 + 1 + /1 + 2 1 + /1 + 2 1 + /1 + 2
1
23 / 32
Suciencia
El clculo de
( )fX1 ,X2 ,X3 /S=s (0, 1, 0/1) = P(X1 = 0, X2 = 1, X3 = 0/S = 1) = = P(X1 = 0, X2 = 1, X3 = 0, S = 1) P(S = 1)
3 1
(1 )2 y
P(X1 = 0, X2 = 1, X3 = 0, S = 1) = P(X1 = 0, X2 = 1, X3 = 0). fX1 ,X2 ,X3 /S=s (0, 1, 0/1) = = P(X1 = 0, X2 = 1, X3 = 0) = P(S = 1)
Suciencia
( )fX1 ,X2 ,X3 /T=t (0, 1, 0/0) = =
donde
P(X1 = 0, X2 = 1, X3 = 0, /T = 0) P(T = 0)
P(X1 = 0, X2 = 1, X3 = 0) , P(T = 0)
(1 )2 = (1 )2 + (1 )3 + (1 )2
. +
Suciencia
Teorema (Factorizacin de Neyman-Fisher)
Sea X1 , X2 , . . . , Xn una muestra aleatoria de tamao (n) de una distribucin con f .d .p dada por f (x , ) con = (1 , . . . , k )t Rk . Un estadstico p-dimensional T = T (X1 , . . . , Xn ) = = [T1 (X1 , . . . , Xn ), T2 (X1 , . . . , Xn ), . . . , Tp (X1 , . . . , Xn )]t es suciente para (por lo general k = p) si y solo si la f .d .p . conjunta de X1 , . . . , Xn puede factorizarse como sigue: fX1 ,...,X (x1 , . . . , xn , ) = g (T (x1 , . . . , xn ); )h(x1 , . . . , xn ),
n
donde g depende de (x1 , . . . , xn ) solo a travs de T y h es totalmente independiente de y puede ser constante.
Observacin: Es posible demostrar que una funcin 1-1 de un estadstico
26 / 32
Suciencia
Nota
n i =1
d1 (Xi );
n i =1
d2 (Xi ); . . . ;
n i =1
dk (Xi )
27 / 32
X1 , . . . , Xn una muestra aleatoria de tamao (n) desde f (x ; ). Un estimador T = T (X1 , . . . , Xn ) de g ( ) se dene como un estimador insesgado de varianza uniformemente mnima de g ( ) si y solo si:
i.
i.
28 / 32
X1 , . . . , Xn una muestra aleatoria de tamao (n) desde f (x ; ). Un estimador T = T (X1 , . . . , Xn ) de g ( ) se dene como un estimador insesgado de varianza uniformemente mnima de g ( ) si y solo si:
i.
i.
A continuacin se presenta una cota inferior para la varianza de estimadores insesgados y mostraremos como sta puede ser til algunas veces en la bsqueda de E.I.V.U.M.
28 / 32
nE
ln f
(X; )
(6)
29 / 32
nE
ln f
(X; )
(6)
donde T = T (X1 , . . . , Xn ) es un estimador insesgado de g (). El lado derecho de la desigualdad anterior es llamado Cota inferior de Cramer-Rao para la varianza de los estimadores insesgados de g ().
29 / 32
Observacin
El teorema anterior tiene 2 usos: Primero, ste entrega una cota inferior para la varianza de los estimadores insesgados. Segundo, si un estimador insesgado cuya varianza coincide con la cota inferior de Cramer-Rao puede ser encontrado, entonces ste es un E.I.V.U.M.
30 / 32
ln f (X; )
= E
2 ln f (X; ) 2
La igualdad anterior es, a veces, de gran ayuda en el clculo de la cota inferior de C-R.
31 / 32
Teorema (Lehmann-Sche)
Sea X1 , . . . , Xn una muestra aleatoria de tamao (n) desde f (x ; ) F.exp. Sea S = n i =1 d (Xi ) un estadstico suciente (tambin es completo; asumiremos que esta propiedad se cumple en la familia exponencial) y si T (S), una funcin de S, es un estimador insesgado de g (), entonces: T es el nico E.I.V.U.M para g ()
32 / 32