5.

Estimacin puntual
Curso 2011-2012
Estadstica

Probabilidad

Conocido p
cuanto vale X ?

Poblacin
p
% DEFECTUOSA

Muestra n
X N Defectuosa

Conocido X
cuanto vale p ?
Inferencia
Estimacin puntual

MUESTRA n

X N ( , )

X 1 , X 2 ,..., X n

Parmetros
, ?

Datos Conocidos

?
Estimacin puntual

Espesores de 150 obleas de Silicio (micras)

X
240
243
250
253
248
238
242
245
251
247
239
242
246
250
248
Estimacin puntual

235
237
246
249
246
240
241
246
247
249
240
243
244
248
245

240
243
244
249
246
245
250
250
247
248
238
240
245
248
246

240
242
246
249
248
240
243
246
250
248
241
245
243
247
245

247
245
255
250
249
237
239
243
247
246
242
244
245
248
245

237
239
242
247
245
242
244
246
251
248
243
245
247
252
249

243
245
248
251
250
244
246
246
250
246
241
239
244
250
246

242
245
248
251
249
242
245
248
243
246
241
244
245
249
247

236
239
241
246
242
243
246
247
252
247
241
243
245
248
246

239
240
242
243
244
239
240
250
252
250
241
243
249
255
253
4

Histograma para Espesor

frecuencia

40

30

20

10

0
230

235

240

245

250

255

260

Espesor

Estimacin puntual

Distintos problemas de inferencia

Dado un modelo para los datos:

X 1 , X 2 ,..., X n

Estimar y
Dar un intervalo de confianza para y
Elegir entre (contraste de hiptesis):
250 o < 250
Comprobar la validez del modelo (contraste
de bondad de ajuste).

Estimacin puntual

Mtodos de Estimacin
X f X ( x,1 , 2 ,..., r )
fX

conocida

Parmetros desconocid os
1 , 2 ,..., r

Dada una muestra aleatoria simple de X

x1 , x2 , , xn

1 , 2 ,..., r ?
1. Mtodo de los momentos
2. Mtodo de mxima verosimilitud
Estimacin puntual

Mtodos de los momentos

DATOS
x1, x2 , , xn
a1 =
a2 =

n
x
i =1 i

n
2
x
i
i =1

r
x

i
= i =1

VAR. ALEATORIA
f X ( x,1 , 2 ,..., r )

1 = E[ X ] = g1 (1, 2 ,..., r )
2 = E[ X 2 ] = g 2 (1, 2 ,..., r )


ar

r = E[ X r ] = g r (1 , 2 ,..., r )

g1 (1,2 , ,r ) = a1

Estimadores g 2 (1,2 , ,r ) = a2

1 , 2 , , r


g ( , , , ) = a
r
r
r 1 2
Estimacin puntual

Mtodo de los momentos: Distribucin normal

f X ( x) =

1 x 2
1
exp
,
2
2

Parmetros : , ?

x1 , x2 , , xn
a1 =
a2

n
x
i =1 i

n
2
x
i =1 i

Estimacin puntual

f X ( x, , )

1 = E[ X ] =
2 = E[ X 2 ] = 2 + 2

= x
n
1
2 = xi2 x2 = s2
n i=1

Mtodo de mxima verosimilitud

(Introduccin)
Una fuente radiactiva emite partculas segn un proceso
de Poisson con media desconocida. Durante 10 minutos
se han contado el nmero de partculas emitidas:
12, 6, 11, 3, 8, 5, 3, 9, 7, 5
P( X 1 = 12, X 2 = 6,..., X 10 = 5) = e

=e

12!

6
6!

 e

12+6++5

10

l ( ) = e
Estimacin puntual

12

12!6! 5!
10

=e

10

5
5!

69
12!6! 5!

69
12!6! 5!
10

Funcin de verosimilitud

l ( ) = e 10

6,9

10

69
12!6! 5!

Estimador mximo-verosmil: = 6,9

Estimacin puntual

11

Funcin de verosimilitud
0

1,6E-11

-5

1,4E-11

-10

1,2E-11

-15

1E-11

-20

8E-12

-25

6E-12

lambda

6,9

69
12!6! 5!

L() = log l()

10

9,4

8,8

8,2

7,6

-40
7

0
6,4

-35
5,8

2E-12
5,2

-30

4,6

4E-12

l ( ) = e 10
log probabilidad

1,8E-11

probabilidad

verosimilitud

Estimador mximo-verosmil: = 6,9

Estimacin puntual

12

Estimacin por mxima verosimilitud

X f X ( x,1 , 2 ,..., r )
fX

conocida

Parmetros desconocidos : 1 , 2 ,..., r

Muestra aleatoria simple : X 1, X 2 ,..., X n
Distribucin conjunta :
f ( x1 , x2 ,..., xn ;1 ,..., r ) =
= f X ( x1 ,1 , 2 ,..., r ) f X ( x2 ,1, 2 ,..., r )  f X ( xn ,1, 2 ,..., r )
n

log f ( x1 , x2 ,..., xn ) = log f X ( xi ,1 , 2 ,..., r ) = L(1, 2 ,..., r )

i =1

1 ,2 ,...,r

Estimacin puntual

L(1 ,2 ,...,r ) = max L(1 , 2 ,..., r )

13

Mx. verosimilitud: Distribucin normal

1 x 2
1
f X ( x) =
exp
, x
2
2

Parmetros : , ?

X 1 , X 2 ,..., X n : muestra aleatoria simple

f ( x1 , x2 ,..., xn ) =
=

1
e 2
2

( 2 )

(x )

1
n/2

e 2

in=1
2

1
e 2
2
( x )

(x )
2

( x )
1
2

e

2

L ( , 2 ) = log f ( x1 , x2 ,..., xn )
n
n
1
n ( x )2
= log( 2 ) log 2

=1 i
i
2
2
2 2
1 n
L

=
(
x

)
=
0

2 i =1

= x
max L :
2
= s 2

1
n 1
n ( x )2 = 0

2 = 2 2 +

i
=1 i

2 4

Estimacin puntual

14

Mx. Verosimilitud: Poisson

P( X = x) = e

x!
Muestra aleatoria simple : x1 , x2 ,..., xn

, x = 0,1,2,... Parmetro

p ( x1 , x2 ,..., xn ) = P( X 1 = x1 , X 2 = x2 , , X n = xn )
=e

x1!

x2 !

e

xn !

=e

x1! x2! xn !

L( ) = n + ( xi ) log log xi !

max L( ) :

Estimacin puntual

x
dL( )
= n + i = 0 = x
d

15

Mx. verosimilitud: Binomial(n,p)

Proporcin defectuosas = p ?

Muestra (Bernoulli ) :
x1 , x 2 ,..., x n

0 si es Aceptable
xi =
1 si es Defectuosa
p( x1 , x 2 ,..., x n ) = P( X 1 = x1 , X 2 = x 2 ,..., X n = x n )
= P( X 1 = x1 ) P ( X 2 = x 2 )  P ( X n = x n )
x
n x
= p i (1 p ) i
= p r (1 p ) nr

donde r = xi es el n de defectuosas

L(p) = r log p + (n r ) log(1 p )

dL( p ) r n r
r
=
= 0 p =
dp
p 1 p
n
Estimacin puntual

16

Distribucin de media (normal)

X N ( , )

X 1 , X 2 ,..., X n
X1 + X 2 +  + X n
X =
n

E[ X 1 ] + E[ X 2 ] +  + E[ X n ] + +  +
=
=
n
n
Var[ X 1 ] + Var[ X 2 ] +  + Var[ X n ] 2 + 2 +  + 2 2
=
=
Var[ X ] =
2
2
n
n
n
E[ X ] =

X N ( ,
Estimacin puntual

)
17

Histograma de Espesores
1000

frecuencia

800

600

400

200

0
230

235

240

245

250

255

260

Espesores

Frecuencia/Probabilidad

Distribucin de la Media de 5 observaciones

1200
1000
800
600
400
200
0
230

235

240

245

250

255

260

Media

Estimacin puntual

18

Distribucin de S2 (Normal)

X N ( , )
S2 =

X 1 , X 2 ,..., X n
( X1 X )2 + ( X 2 X )2 +  + ( X n X )2
S =
n
2

1 n
1 n 2
2
2
X
X
X
X
(

)
=

i
i
n 1
n 1

2
1
1
n 1 2
2
2
2
2
E[ S ] = E[ X i ] E[ X ] = ( + ) (
+ 2) =

n
n
n
n
2

( X1 X )2 + ( X 2 X ) 2 +  + ( X n X ) 2
2

S =
n 1
n 2
S 2 =
S
E[ S 2 ] = 2
n 1
Estimacin puntual

19

Distribucin 2
Z1 , Z 2 ,..., Z n N (0,1) independientes
Z12 + Z 22 +  + Z n2 n2
Propiedades
E[ n2 ] = n
Var[ n2 ] = 2n
n2 + m2 = n2+ m

Estimacin puntual

( n2 y m2 indep.)

20

Distribucin Chi-cuadrado con 4 g.l.

0.2

densidad

0.16

0.12

0.08

0.04

0
0

Estimacin puntual

12

16

20

21

Tabla 2

,1-
: grados de libertad (g.l.)

EJEMPLO
P(9 19,02) = 0,025
Estimacin puntual

g.l.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
120

0,995
,00004
,01002
,0717
0,207
0,412
0,676
0,989
1,344
1,735
2,156
2,603
3,074
3,565
4,075
4,601
5,142
5,697
6,265
6,844
7,434
8,034
8,643
9,260
9,886
10,520
11,160
11,808
12,461
13,121
13,787
20,707
27,991
35,534
43,275
51,172
59,196
67,328
83,852

0,990
,00016
,0201
0,115
0,297
0,554
0,872
1,239
1,647
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
8,897
9,542
10,196
10,856
11,524
12,198
12,878
13,565
14,256
14,953
22,164
29,707
37,485
45,442
53,540
61,754
70,065
86,923

0,975
,00098
0,051
0,216
0,484
0,831
1,237
1,690
2,180
2,700
3,247
3,816
4,404
5,009
5,629
6,262
6,908
7,564
8,231
8,907
9,591
10,283
10,982
11,689
12,401
13,120
13,844
14,573
15,308
16,047
16,791
24,433
32,357
40,482
48,758
57,153
65,647
74,222
91,573

0,950
,00393
0,103
0,352
0,711
1,145
1,635
2,167
2,733
3,325
3,940
4,575
5,226
5,892
6,571
7,261
7,962
8,672
9,390
10,117
10,851
11,591
12,338
13,091
13,848
14,611
15,379
16,151
16,928
17,708
18,493
26,509
34,764
43,188
51,739
60,391
69,126
77,929
95,705

0,500
0,455
1,386
2,366
3,357
4,351
5,348
6,346
7,344
8,343
9,342
10,341
11,340
12,340
13,339
14,339
15,338
16,338
17,338
18,338
19,337
20,337
21,337
22,337
23,337
24,337
25,336
26,336
27,336
28,336
29,336
39,335
49,335
59,335
69,334
79,334
89,334
99,334
119,334

0,050
3,841
5,991
7,815
9,488
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,68
25,00
26,30
27,59
28,87
30,14
31,41
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77
55,76
67,50
79,08
90,53
101,88
113,15
124,34
146,57

0,025
5,024
7,378
9,348
11,14
12,83
14,45
16,01
17,53
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17
35,48
36,78
38,08
39,36
40,65
41,92
43,19
44,46
45,72
46,98
59,34
71,42
83,30
95,02
106,63
118,14
129,56
152,21

0,010
6,635
9,210
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,73
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
63,69
76,15
88,38
100,43
112,33
124,12
135,81
158,95

0,005
7,879
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
46,93
48,29
49,65
50,99
52,34
53,67
66,77
79,49
91,95
104,21
116,32
128,30
140,17
163,65

22

Distribucin de S2 (Normal)
n

Xi

2n

i=1

i=1

i=1

Xi 2 =Xi X + X 2
n

i=1

i=1

i=1

= Xi X2 + X 2 + 2 Xi XX
n

= Xi X2 + nX 2
i=1
n

X i 2
i=1

X i X 2
=

2n

Estimacin puntual

i=1

2
2n1

X 2
+
2 /n
21

23

Distribucin de S2 (Normal)
nS

Xi X
=

i =1
n

(n 1) S 2

Estimacin puntual

dist

n21

Xi X
=

i =1
n

dist

n21

24

Histograma de Espesores
1000

frecuencia

800

600

400

200

0
230

235

240

245

250

255

260

Espesores

Histograma para Varianzas

500

frecuencia

400

300

200

100

0
0

20

40

60

80

varianza muestral

Estimacin puntual

25

Distribucin de la media (general)

X i f ( x, ) : Var[ X i ] <
X = ( X 1 , X 2 ,..., X n )T , Vector de n variables aleatorias independientes
X1 + X 2 +  + X n
n
E[ X 1 ] + E[ X 2 ] +  + E[ X n ]
E[ X ] =
n
Var[ X 1 ] + Var[ X 2 ] +  + Var[ X n ]
Var[ X ] =
n2
Si las variables tienen la misma media y varianza
X=

= E[X i ] i

2 = Var[X i ] i

n
E[ X ] =
X + X2 ++ Xn

2 X N ( , )

X= 1

n
Var
[
X
]
=
n

n
Estimacin puntual

26

Binomial
Binomial : X 1 , X 2 ,..., X n
E[ X i ] = p
0 si es Aceptable
Xi =

Var[ X i ] = p (1 p )
1 si es Defectuosa
X1 + X 2 +  + X n
p =
n

p N ( p,
n

Estimacin puntual

E[ p ] = p

p (1 p )

Var[ p ] =

n
p (1 p )
)
n

27

Poisson
Poisson : X 1 , X 2 ,..., X n
E[ X i ] =

P( X i = k ) = e
k!
Var[ X i ] =
E[ ] =
X1 + X 2 +  + X n

=
] =
[
Var

)
N ( ,
n
n

Estimacin puntual

28

Propiedades de los estimadores

X 1 , X 2 ,..., X n m.a.s de f ( x, ) : ( X 1 , X 2 ,..., X n )

(Sesgo[] = E[] )
Centrados: E[] =
Varianza mnima: ': Var[] Var[' ]
Error cuadrtico medio mnimo

ECM[] = E[( ) 2 ]
= Sesgo 2 () + Var()

Consistentes
lim E[] =

n
Estimacin puntual

lim Var[] = 0

29

Ejemplo 1
1 n
X 1 , X 2 ,..., X n m.a.s de N ( , ) : X = X i
n i =1

Es centrado : E[ X ] =
Es de varianza mnima
Es consistente :
lim E[ X ] = y
n

Estimacin puntual

lim Var[ X ] = 0

30

Ejemplo 2
1 n
X 1 , X 2 ,..., X n m.a.s de N ( , ) : S = ( X i X ) 2
n i =1
n 1 2
2

No es centrado : E [ S ] =
n
2

Sesgo ( S ) =

2
n

Varianza :
nS 2
2 ( n 1) 4
2
2

Var 2 = Var n 1 = 2( n 1) Var [ S ] =

2
n

Es consistent e :

lim

E[ S 2 ] = 2

n
Estimacin puntual

lim

Var[ S 2 ] = 0

n
31