PRELIMINARES

ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
ESTIMADORES
JOAN JESUS AMAYA TRIANA
Universidad Distrital "Francisco Jos de Caldas"
Bogot
May 15, 2012
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Contenido
1
PRELIMINARES
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
2
ESTIMACIN PUNTUAL
Denicin
Propiedades deseables para un estimador
3
MAXIMA VEROSIMILITUD
Denicin
Exponencial estimador MLE
4
MOMENTOS
Denicin
Ejemplo
5
GENERACIN DE VARIABLES ALEATORIAS
Generacion de v.a
Ejemplo
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Contenido
1
PRELIMINARES
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
2
ESTIMACIN PUNTUAL
Denicin
Propiedades deseables para un estimador
3
MAXIMA VEROSIMILITUD
Denicin
Exponencial estimador MLE
4
MOMENTOS
Denicin
Ejemplo
5
GENERACIN DE VARIABLES ALEATORIAS
Generacion de v.a
Ejemplo
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Contenido
1
PRELIMINARES
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
2
ESTIMACIN PUNTUAL
Denicin
Propiedades deseables para un estimador
3
MAXIMA VEROSIMILITUD
Denicin
Exponencial estimador MLE
4
MOMENTOS
Denicin
Ejemplo
5
GENERACIN DE VARIABLES ALEATORIAS
Generacion de v.a
Ejemplo
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Contenido
1
PRELIMINARES
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
2
ESTIMACIN PUNTUAL
Denicin
Propiedades deseables para un estimador
3
MAXIMA VEROSIMILITUD
Denicin
Exponencial estimador MLE
4
MOMENTOS
Denicin
Ejemplo
5
GENERACIN DE VARIABLES ALEATORIAS
Generacion de v.a
Ejemplo
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Contenido
1
PRELIMINARES
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
2
ESTIMACIN PUNTUAL
Denicin
Propiedades deseables para un estimador
3
MAXIMA VEROSIMILITUD
Denicin
Exponencial estimador MLE
4
MOMENTOS
Denicin
Ejemplo
5
GENERACIN DE VARIABLES ALEATORIAS
Generacion de v.a
Ejemplo
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
Estadistico
Denicin
Sea X
1
, . . . , X
n
variables aleatorias independientes con funcin de
probabilidad f (x), un estadstico es una funcin g(X
1
, . . . , X
n
) que no
contine ningun parametro desconocido de las variables aleatorias.
Los estadsticos mas usados son la media muestral, la varianza muestral, la
proporcin muestral y la cuasivarianza muestral.
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
Muestra aleatoria
Denicin
Sean X
1
, X
2
, ..., X
n
variables aleatorias independientes, cada una con la
misma distribucin de probabilidad f (x). Denimos entonces a X
1
, X
2
, ..., X
n
como una muestra aleatoria de tamao n de la poblacin f (x) y escribimos
su distribucin de probabilidad conjunta como:
f (x
1
, x
2
, ..., x
n
) = f (x
1
)f (x
2
) f (x
n
)
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
Media Muestral
Denicin
Se dene la media muestral como la variable aleatoria

X =
X
1
+ X
2
+ X
n
n
Donde cada X
i
con i = 1, 2, 3, . . . n, es el valor obtenido de la v.a X en la
realizacin de un experimento.
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
Esperanza de la media muestral E[

X]
Se tiene que
E[

X] = E

X
1
+ X
2
+ + X
n
n

=
1
n
E[X
1
+ X
2
+ + X
n
]
=
1
n
(E[X
1
] + + E[X
n
])
Puesto que la distribucin de cada X
i
es la misma que la distibucin X, se deduce que
E[X
1
] = = E[X
n
] = , y por lo tanto,
E[

X] =
1
n
(n) =
es decir el centro de la distribucin de media muestral coincide con el centro de la
distribucin X.
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
Varianza de la media muestral V[

X]
Utilizando la frmula de propagacin de los errores se obtiene
V[

X] = V

X
1
+ + X
n
n

=
1
n
2
V[X
1
+ + X
n
]
=
1
n
2
(V[X
1
] + + V[X
n
])
Lo que implica que
V[

X] =
n
2
n
2
=

2
n
o de forma equivalente

X
=

n
Observacin
La dispersin que presentan los valores de

X es

n ms pequea que la dispersin

de X
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
Varianza muestral
Denicin
Sea X
1
, X
2
, . . . , X
n
variables aleatoria independientes, cada una con la misma
distribucin de probabilidad f (x). La varianza muestral representada por S
2
, es el
promedio del cuadrado de las desviaciones de las variables aleatorias con repecto a
la media muestral, es decir,
S
2
=
1
n
n

i=1
(X
i

X)
2
Observacin
No se debe confundir la varianza muestral (S
2
) con la varianza de la media muestral
(
2

X
). La primera se reere a una muestra y mide la dispersin entre los datos de esa
muestra con respecto a su media; y la segunda mide la dispersin de las medias de
distintas muestras con respecto a media de la poblacin; por lo tanto S
2
es un
estadstico, mientras que
2

X
no lo es pues contiene el parmetro desconocido
2
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
Cuasivarianza
Denicin
La cuasivarianza muestral esta denida como
S
2
c
=
1
n 1
n

i=1
(X
i

X)
2
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Esperanza Y Varianza de

X
Varianza muestral, cuasivarianza y proporcin muestral
Proporcin muestral
Denicin
Dada una muestra aleatoria de tamao n de una poblacin con parmetro p, la
proporcin muestral denotada por p, se dene como el nmero de elementos de la
muestra que tiene la caracterstica, dividido por el tamao de la muestra, es decir,
p =
N
n
siendo N el nmero de elementos de la muestra que presentan la caracterstica de
estudio.
EJEMPLO: Cuando est bien ajustada, una mquina produce piezas con slo 1% de
defectuosos. Para realizar un control de la calidad de la produccin, se extrae
diariamente una muestra de 100 piezas, y se calcula la proporcin muestral de
defectuosos. Si la mquina est bien ajustada, cual es la probabilidad de que, en una
de estas muestras, haya ms de 2% de defectuosos?.En este caso lo que se quiere
calcular es la
P(p > 0.02) = p(N/100 > 0.02) = P(N > 2)
siendo N B(100, 0.001) si la mquina est bien ajustada.
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Denicin
Propiedades deseables para un estimador
Estimador puntual
Estimar un parmetro consiste en obtener una aproximacin de su valor en
base a los datos de la variable aleatoria correspondiente a varias
realizaciones de un experimento.
Denicin
Cualquier estadstico diseado para aproximar el valor de un parmetro
del modelo, se llama estimador puntual del parmetro .
Un aspecto fundamental de un estimador es que es una variable a aleatoria:
su valor correcto depende de la muestra escogida.
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Denicin
Propiedades deseables para un estimador
Estimador insegado
Denicin
Un estimador es insegado si el centro de la distribucin de los valores que
puede tomar coinciden con el valor del parmetro que se quiere aproximar.
Es decir si

es un estimador del parmetro , decimos que

es un
estimador insegado de si
E[

] =
EJEMPLOS:
La media muestral

X: Como se vio en diapositivas anteriores, sea cual sea la
distribucin de X, se cumple que E[

X] =
X
. Por lo tanto

X es un estimador
insegado.
Proporcin muestral p: ya que la caracterizacin de p es N/n donde N es el
nmero de elementos de la muestra con la caractrstica de inters, adems como
N B(n, p), se deduce que
E[p] =
E[N]
n
=
np
n
= p
por lo tanto p es insesgado.
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Denicin
Propiedades deseables para un estimador
Estimador consistente
Denicin
Cuando la varianza de un estimador tiende a cero si el nmero de
observaciones n crece hacia innito, se dice que el estimador es consistente.
EJEMPLOS:
La media muestral: ya que la V[

X] =

2
n
, se ve claramente que si n es
grande la varianza es cero.
Proporcin muestral: ya que V[p] =
p(1 p)
n
, se ve claramente que la
varianza es cero si n se hace muy grande.
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Denicin
Propiedades deseables para un estimador
Estimador eciente
Denicin
Se dice que un estimador

2
es ms ecaz que otro

1
, si para cualquier
tamao muestral se cumple que

2

2

1
Es decir , es ms eciente el que tenga menor varianza.
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Denicin
Propiedades deseables para un estimador
Estimador Robusto
Denicin
El estimador

es un estimador rubusto del parmetro si la violacin de
los supuestos en la que se basa la estimacin ( normalmente atibuir a la
poblacin un tipo determinado de distribucin que en realidad no es la
correcta), no altera de manera signicativa los resultados que est
proporciona.
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Denicin
Exponencial estimador MLE
Estimador de mxima verosimilitud
Denicin
Dadas las observaciones independientes x
1
, x
2
, ..., x
n
de una funcin de
densidad de probabilidad f (x; ) el estimador de mxima verosimilitud
(MLE)

del parmetro es el que mximiza la funcin:
L(x
1
, x
2
, . . . , x
n
; ) =
n

i=1
f (x
i
; ) (1)
Observacin
En algunas ocasiones para alivianar el proceso de mximizar la funcin en (1) se
procede a mximizar su logaritmo. Al logaritmo de la verosimilitud se le conoce con
el nombre de logverosimilitud
L(x
1
, x
2
, ..., x
n
; ) = ln L(x
1
, x
2
, ..., x
n
; ) =
n

i=1
ln f (x
i
; )
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Denicin
Exponencial estimador MLE
MLE de la exponencial
Suponga que la variable aleatoria X se distribuye exponencial con parmetro
> 0, esto es,
f (x; ) =

e
x/
si x > 0
0 en otros casos
Algunas de sus grcas se observan en la siguiente gura:
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Denicin
Exponencial estimador MLE
Para esta distribucin su verosimilitud esta dada por
L(x
1
, x
2
, ..., x
n
; ) =
n

i=1
f (x
i
; )
=
n

i=1
1

e
x
i
/
=
1

n
e

n
i=1
x
i
Para la logverosimilitud, simplemente tomamos logaritmo a ambos lados y se tiene
L(x
1
, x
2
, ..., x
n
; ) =
1

i=1
x
i
n ln
Para mximizar la funcin derivamos con respecto al parmetro , igualamos a cero y
solucionamos, as,
L

=
1

2
n

i=1
x
i

= 0
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Denicin
Exponencial estimador MLE
de donde,

=
1
n
n

i=1
x
i
= x.
Se tiene adems que

2
L

2
=
2

3
n

i=1
x
i
+
n

2
,
se debe probar que

2
L

=x
es menor que cero, de donde efectivamente
= x es un mximo. Veamos,

2
L

=x
=
2

3
n

i=1
x
i
+
n

=x
=
2
x
3
n

i=1
x
i
+
n
x
2
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Denicin
Exponencial estimador MLE
=
2
x
3
nx +
n
x
2
=
n
x
2
< 0.
De esta forma se ha probado que el estimador de mxima verosimilitud
(MLE) del parmetro para una distribucin exponencial coincide con el
promedio muestra,

= x.
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Denicin
Ejemplo
Denicin
Denicin
Sean X
1
, X
2
, , X
n
variables aleatorias independientes cada una de ellas
con distribucin f (X, ). El resimo momento muestral al rededor del cero
se dene como:
M

r
=
1
n
n

i=1
X
r
i
As podemos estimar los parmetros igualando los momentos con el
correspondiente momento muestral y despejando de ella dichos parmetros.
E[X
r
] = M

r
Observacin
El parmetro es posiblemete multidimensional, de dimensin p, donde p es
el nmero de parmetros desconocidos.
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Denicin
Ejemplo
EJEMPLOS:
X N(,
2
). En este caso = (,
2
), por lo tanto se debe igualar
los dos primeros momentos con sus equivalentes muestrales. Los dos
primeros momentos de la distribucin N(,
2
) son

1
() =

2
() = E[X
2
] =
2
+
2
Por lo tanto los estimadores de los momentos son la solucin del
sistema:

X =

X
2
=
2
+
2
es decir
=

X,
2
=

X
2
(

X)
2
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Generacion de v.a
Ejemplo
Generacin de variables aleatorias
Teorema
Si F
1
(x) es la funcin percentil de una variable aleatoria X y U es una
variable aleatoria uniforme (0, 1) entonces Y = F
1
(U) tiene la misma
distribucin de X.
Corolario
Si U
1
, U
2
, ..., U
n
son variables aleatorias uniformes independientes en (0, 1)
entonces
X
1
= F
1
(U
1
), X
2
= F
1
(U
2
), ..., X
n
= F
1
(U
n
)
son variables aleatorias independientes cada una con la misma distribucin
de X.
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Generacion de v.a
Ejemplo
Ejemplo
Si X se distriuye exponencial con parmetro , se tiene que su fdp esta dada por
f (x; ) =

e
x/
si x > 0
0 en otros casos
de esta forma su fda puede obtenerse a partir de la integral
F(x) =

f (t; )dt =

x
0
1

e
x/
dt
= 1 e
x/
con x > 0
Su funcin percentil, que se obtiene calculando la inversa de la fda es,
F
1
(x) = ln(1 x).
De donde, utilizando el resultado del Corolario (8), si U
1
, U
2
, ..., U
n
son variables
aleatorias uniformes independientes en (0, 1) entonces
X
i
= F
1
(U
i
) = ln(1 U
i
),
con i = 1, ..., n son variables aleatorias independientes cada una con distribucin
exponencial con parmetro .
Joan Amaya ESTIMADORES
PRELIMINARES
ESTIMACIN PUNTUAL
MAXIMA VEROSIMILITUD
MOMENTOS
GENERACIN DE VARIABLES ALEATORIAS
Generacion de v.a
Ejemplo
Bibliografa I
Kessler Mathieu, Mtodos estadisticos de la ingenieria. Universidad
Politecnica de Cartagena.
Casuso Lopez Rafael, Calculo de Probabilidades e Inferencia
Estadistica con topicos de Econometria. Universidad Catolica Andrs
Bello
Moreno-Gil Jaime, Manual de estadistica universitaria intuitiva. ESID
EDITORIAL.
Vargas Sabadias Antonio, Estadstica descriptiva e inferial. Universidad
de Catilla.
Paul L. Meyer. Probabilidad y Aplicaciones estadisticas.
Addison-Wesley.
Joan Amaya ESTIMADORES