Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Notas de clase
Profesores:
A. Leonardo Bauelos S.
Nayelli Manzanarez Gmez
TEMA II
ESTIMACIN PUNTUAL DE PARMETROS
POBLACIONALES
S)))))))))))))))))))))))))))))))))))))))
Ejemplo 2.1
Sea
y variancia
extrada de una
c)
Resolucin
a) Para determinar si tiene o no sesgo debe obtenerse
es insesgado.
Fig. 2.1
b)
Definicin 2.1
Sea
. Entonces si
es un estimador insesgado de
, de
INFERENCIA ESTADSTICA
Tema II
Pg. 2
Recordando que
c)
entonces:
y de forma similar
Pero
es insesgado, es a travs de
A.L.B.S./N.M .G
, si
INFERENCIA ESTADSTICA
Parmetroobjetivo
Tamao de
las muestras
Tema II
Pg. 3
Estimador
puntual
Tabla 2.1
EFICIENCIA
prefiere al estadstico
Definicin 2.2
y
con variancias
, respectivamente,
con respecto de
de una
. Sean
y
,
dos estimadores de
Explicar la seleccin.
Resolucin
y
A.L.B.S./N.M .G
Sean
Fig. 2.2
INFERENCIA ESTADSTICA
mientras
Tema II
que
se concluye que
ms eficiente que
puesto
Pg. 4
que
es un estimador
La eficiencia relativa de
se define como
S)))))))))))))))))))))))))))))))))))))))
Error Cuadrtico M edio
si
Cuando se desean comparar dos estimadores, de los cuales al menos uno no es
insesgado, entonces la eficiencia relativa no se calcula como el cociente de las
variancias, sino como el cociente de los errores cuadrticos medios,
entonces
S)))))))))))))))))))))))))))))))))))))))
Ejemplo 2.3
Supngase que
sabe que
. Si se
,
Definicin 2.3
El error cuadrtico medio de un estimador
, del parmetro
se define como:
medio,
, es:
, se tiene:
Por lo que el mejor estimador es
donde a la cantidad
y se denota mediante la letra
A.L.B.S./N.M .G
cuadrtico medio.
S)))))))))))))))))))))))))))))))))))))))
CONSISTENCIA
Mientras mayor sea el tamao de la muestra, la estimacin deber ser ms
precisa. Si el estimador cumple con la caracterstica anterior entonces se llama
consistente. Por ejemplo
es un estimador consistente de
INFERENCIA ESTADSTICA
Tema II
Pg. 5
Puesto que
Definicin 2.4
El estimador
es consistente al estimar a
si para cualquier
, entonces
se cumple:
los estimadores.
es
es insesgado
consistente si:
sea consistente. Esto es, el lmite del error cuadrtico medio cuando
n tiende a infinito debe ser cero. Existen estimadores consistentes que son
sesgados.
S)))))))))))))))))))))))))))))))))))))))
Ejemplo 2.4
Sea
Resolucin
A.L.B.S./N.M .G
es insesgado
INFERENCIA ESTADSTICA
Tema II
Pg. 6
es un estimador suficiente para
o no.
Resolucin
Por lo que:
es
No depende de
S)))))))))))))))))))))))))))))))))))))))
SUFICIENCIA
Un estimador es suficiente si toma en cuenta toda la informacin de la muestra
de manera adecuada. Adems no dar la mxima informacin que pueda
obtenerse del parmetro desconocido.
S)))))))))))))))))))))))))))))))))))))))
Definicin 2.5
Sea
un parmetro desconocido y
MTODOS PARA
PUNTUALES
una
DETERMINAR
ESTIMADORES
es suficiente para
dado
si la distribucin condicional de
no depende de
S)))))))))))))))))))))))))))))))))))))))
Ejemplo 2.5
Considrese una muestra aleatoria de tamao
poblacin Bernoulli con parmetro
A.L.B.S./N.M .G
. Determinar si
INFERENCIA ESTADSTICA
Tema II
Pg. 7
El estimador es
y
S)))))))))))))))))))))))))))))))))))))))
Ejemplo 2.6
Sea
S)))))))))))))))))))))))))))))))))))))))
En la prctica, es mucho ms sencillo igualar momentos con respecto a
la media. Es decir, se pueden igualar momentos con respecto al origen, o bien,
momentos con respecto a la media, respectivamente, segn sea ms conveniente.
En el ejemplo anterior basta entonces con igualar los primeros momentos
con respecto al origen (poblacional y muestral, respectivamente):
El estimador es
INFERENCIA ESTADSTICA
Tema II
Pg. 8
S)))))))))))))))))))))))))))))))))))))))
Ejemplo 2.7
Sea
parmetros
Estimador de
S)))))))))))))))))))))))))))))))))))))))
M TODO DE M XIM A VEROSIM ILITUD
Y los momentos muestrales son:
por lo que al igualar con los momentos poblacionales con los muestrales
se tiene:
. . . (a)
Definicin 2.7
Sea
. . . (b)
es el
a estimar definida
como sigue:
de (b)
. . . (c)
pero de (a)
y sustituyendo en (c)
A.L.B.S./N.M .G
es la distribucin conjunta de
INFERENCIA ESTADSTICA
Tema II
Pg. 9
Definicin 2.8
Un estimador de mxima verosimilitud es aquel que maximiza la
funcin de verosimilitud.
En la prctica, para maximizar la funcin de verosimilitud se utiliza el
cambio de variable de
por
S)))))))))))))))))))))))))))))))))))))))
Ejemplo 2.8
Construir un estimador de mxima verosimilitud para el parmetro
de una distribucin Bernoulli, utilizando una muestra de tamao
Resolucin
La distribucin de Bernoulli es
El estimador de mxima verosimilitud de
es
La funcin de verosimilitud es
S)))))))))))))))))))))))))))))))))))))))
Ejemplo 2.9
Obtener un estimador de mxima verosimilitud para el parmetro
de
maximiza a
tambin
.
Resolucin
La distribucin geomtrica es
Maximizando
A.L.B.S./N.M .G
INFERENCIA ESTADSTICA
Tema II
Pg. 10
S)))))))))))))))))))))))))))))))))))))))
Si se desconocen dos o ms parmetros de una distribucin entonces se
plantea la funcin de verosimilitud como una funcin de todos los parmetros
desconocidos; y se optima aplicando logaritmos y resolviendo el sistema de
ecuaciones que se obtiene de las derivadas parciales de la funcin logaritmo de
la funcin de verosimilitud.
Tomando logaritmos
S)))))))))))))))))))))))))))))))))))))))
Ejemplo 2.10
Considere que
distribucin normal con media
y variancia
desconocidas.
despejando a
,
Por lo que la funcin de verosimilitud es
Tomando logaritmos
es
. . . (a)
A.L.B.S./N.M .G
INFERENCIA ESTADSTICA
Tema II
Pg. 11
es un estimador sesgado de
es un estimador insesgado de
S)))))))))))))))))))))))))))))))))))))))
Tpico especial:
Uso de la funcin de verosimilitud para determinar la suficiencia de un
estimador
. . . (c)
Y las ecuaciones (b) y (c) forman un sistema de dos ecuaciones con dos
incgnitas.
De (b)
Teorema 2.1
Sea
aleatoria
para
. Entonces
si y slo si la verosimilitud
, basado en la muestra
es un estimador suficiente
se puede factorizar en dos
. . . (d)
funciones no negativas
El estimador para
A.L.B.S./N.M .G
, i.e.
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 2.11
El estimador para
es
es
Sea
INFERENCIA ESTADSTICA
Tema II
Pg. 12
BIBLIOGRAFA
Demostrar que
es suficiente para
.
Hines, William W. y Montgomery, Douglas C., et al .- Probabilidad y Estadstica para
Ingeniera y Administracin, Cuarta Edicin..- CECSA.- Mxico, 2004.
Resolucin
La funcin de verosimilitud es
Si
Scheaffer, Richard L y McClave, James T.- Probabilidad y Estadstica para Ingeniera.Grupo Editorial Iberoamrica.- Mxico 1993.
entonces
y puesto que la funcin de verosimilitud puede factorizarse en dos
funciones no negativas
Y
es suficiente para
y
.
S))))))))))))))))))))))))))))))))))))Q
Evidentemente, existen varias factorizaciones de la funcin de
verosimilitud
es igualmente vlida.
A.L.B.S./N.M .G