1

Tema 3 - Introducción

Tema 2. Distribuciones en el muestreo

Estadı́sticos y distribución muestral.
Ejemplos: X y S 2.

Tema 3. Estimación puntual

Criterios de comparación de estimadores:
• Insesgadez.
• Estimadores de mı́nima varianza.
• Error cuadrático medio.

Estadı́stica I Andrés M. Alonso

 2

Distribución temporal del temario

1 2 3 4 5 6 7 8 9
Tema 1 T T T P
Tema 2 T T T P T T T P P
Tema 3 T T T P T T T P P
Tema 4 T T T P T T T P P
Tema 5 T T T P T T T P P
Tema 6 T T T P T T T P P
Tema 7 T T T P T T T P P

7 7 7 7 6 6 6 6 6 58
T denota una hora
0
de clase
0
de 0teorı́a 7 0 0 0 6 6 19
P denota una hora de clase práctica

Estadı́stica I Andrés M. Alonso

 3

Tema 3. Estimación puntual

Los contenidos a desarrollar en este tema son los siguientes:

Planteamiento del problema.

Criterios de comparación de estimadores:

• Insesgadez.
• Estimadores de mı́nima varianza.
• Error cuadrático medio.

Criterios en muestras grandes:

• Insesgadez asintótica.
• Consistencia.

Lecturas recomendadas: Secciones 7.3 y 7.5 del libro de Peña (2005) y el

capı́tulo 7 de Newbold (2001).

Estadı́stica I Andrés M. Alonso

 4

Definición 1. Sea (X1, X2, . . . , Xn) una muestra aleatoria de una población
X con función de distribución FX . Sea θ un parámetro o una caracterı́stica
de FX . Un estimador puntual de g(θ) es una función T que a cada posible
muestra (x1, x2, . . . , xn) le hace corresponder una estimación T (x1, x2, . . . , xn)
de g(θ).

Observación 1: Generalmente lo que estimaremos es θ, esto es, g(θ) = θ.

Observación 2: Notar que T (X1, X2, . . . , Xn) 6= T (x1, x2, . . . , xn) .

Observación 3: Un estimador puntual es simplemente un estadı́stico

cuya función es “aproximarse” (estimar) al valor verdadero de g(θ).

Observación 4: Para un mismo parámetro g(θ) podemos definir

tantos estimadores como queramos. Algunos serán mejores que
otros ¿Cuál utilizar?

Estadı́stica I Andrés M. Alonso

 5

Ejemplo 1. Tomando una muestra de tamaño 5 queremos estimar cuántos

individuos de esta comunidad están de acuerdo con la nueva L.O.U.:

En este ejemplo ideal, sabemos a priori que la respuesta es θ = 10

10.

Estadı́stica I Andrés M. Alonso

 6

Pn
Ejemplo 1. Podemos utilizar el estadı́stico suma: S = i=1 Xi y un esti-
n
mador del “total”, es T = N
P
n i=1 Xi donde n = 5 y N = 20.

Estadı́stica I Andrés M. Alonso

 7

Ejemplo 1. Supongamos que hemos tomado una muestra aleatoria simple,

por tanto, Xi es una v.a. que se distribuye Bernoulli(p). Entonces:

La distribución muestral del estimador total, T = 4S, podemos obtenerla a

partir de la de S que es Binomial(n = 5,p):
 
5
• Pr(T = t) = Pr(S = t/4) = pt/4(1 − p)5−t/4,
t/4
donde t toma valores en {0, 4, 8, 12, 16, 20}.

Notemos que T solo toma valores en {0, 4, 8, 12, 16, 20}, ¿se os ocurre algún
otro estadı́stico?

Excel

Observación 4: Para un mismo parámetro g(θ) podemos definir

tantos estimadores como queramos. Algunos serán mejores que
otros ¿Cuál utilizar?

Estadı́stica I Andrés M. Alonso

 8

Utilizando un total ponderado que tiene en cuenta las repeticiones en la

muestra:

Estadı́stica I Andrés M. Alonso

 9

Ejemplo 2. Sea X el gasto de un estudiante universitario en la com-

pra de libros de texto. Supongamos que deseamos estimar el gasto medio
µ = E[X]. Para ello planificamos la obtención de una m.a.s. de tamaño
n: (X1, X2, . . . , Xn). Una vez obtenida la muestra tenemos n valores:
(x1, x2, . . . , xn).

(a) Proponga cuatro estimadores del parámetro poblacional µ.

1
Pn
T1(x1, x2, . . . , xn) = µ
b1 = n i=1 xi .

1
Pn
T2(x1, x2, . . . , xn) = µ
b2 = n−1 i=1 xi .

x1 +xn
T3(x1, x2, . . . , xn) = µ
b3 = 2 .

b4 = x2 − x1. W Pueden haber estimadores absurdos.

T4(x1, x2, . . . , xn) = µ

Estadı́stica I Andrés M. Alonso

 10

Ejemplo 2. (b) Suponga que n = 3 y que la muestra es: 30, 20 y 10. Calcule
las estimaciones con cada uno de los estimadores propuestos en (a).

T1 = 13 (30 + 20 + 10) = 20.

1
T2 = n−1 (30 + 20 + 10) = 30.

30+10
T3 = 2 = 20.

T4 = 30 − 20 = −10.

¿Cuál estimación utilizo?

Una respuesta es utilizar aquella estimación cuyo estimador tenga mejores

propiedades.

Estadı́stica I Andrés M. Alonso

 11

Propiedades de los estimadores - 1

Definición 2. Un estimador T de θ es insesgado si verifica que: E[T ] = θ.

Ejemplo 2. (c) ¿Cuáles de los estimadores propuestos son insesgados?

Pn Pn Pn
E[T1] = E[ n1 i=1 Xi ] = 1
n i=1 E[Xi ] = 1
n i=1 µ = µ.

1
Pn 1
Pn n
E[T2] = E[ n−1 i=1 Xi ] = n−1 i=1 E[Xi ] = n−1 µ.

E[X1 ]+E[Xn ] µ+µ

E[T3] = E[ X1+X
2
n
]= 2 = 2 = µ.

E[T4] = E[X2 − X1] = E[X2] − E[X1] = 0.

Definición 3. El sesgo de estimador T de θ es: bT (θ) = E[T ] − θ.

Estadı́stica I Andrés M. Alonso

 12

Propiedades de los estimadores - 2

T1 y T3 son insesgados, ¿cuál utilizo?

Definición 4. Sean θb1 y θb2 dos estimadores insesgados de θ. Diremos que θb1
es más eficiente que θb2 si se verifica que: Var(θb1) < Var(θb2).

Definición 5. Sean θb1 y θb2 dos estimadores insesgados de θ. La eficiencia

relativa de θb1 respecto a θb2 es: E.R. = Var( θb2 )
Var(θb )
.
1

Ejemplo 2. (d) Calcule la eficiencia relativa de T1 y T3 y decida cuál es más

eficiente.
σ2
Var(T1) = n W ¿Por qué?

2
σ2
Var(T2) = 14 (Var(X1) + Var(X1)) = σ
2 y E.R. = 2
σ2
= n2 .
n

Estadı́stica I Andrés M. Alonso

 13

Propiedades de los estimadores - 2

T3 es insesgado y T2 no lo es. ¿Puedo compararlos?

Definición 6. Sea θb un estimador de θ. El error cuadrático medio de θb es:

h i
ECM = E (θb − θ)2 .

Proposición 1. Sea θb un estimador de θ. Se cumple que:

h i
ECM = E (θb − θ)2 = Var(θ) b − θ)2 = Var(θ)
b + (E[θ] b + b b(θ)2.
θ

Estadı́stica I Andrés M. Alonso

 14

Ejemplo 2. (d) Calcule el ECM de T2 y T3, y compárelos.

σ2
ECM(T3) = Var(T3) + Sesgo(T3)2 = 2 .

2
 2
nσ n
ECM(T2) = Var(T2) + Sesgo(T2)2 = (n−1)2
+ n−1 µ−µ .
Supuestos: µ = 1 y σ = 10
250
ECM de T3
ECM de T2

200

150

100

50

0
0 10 20 30 40 50 60 70 80 90 100

Estadı́stica I Andrés M. Alonso

 15

Propiedades de los estimadores - 3

Definición 7. Sea T un estimador de θ. Diremos que T es un estimador

consistente de θ si se verifica que:

lı́mn→∞ FT (t) = 0 para t < θ
,
lı́mn→∞ FT (t) = 1 para t > θ

donde FT es la distribución de T (X1, X2, . . . , Xn).

Ejemplo 3. Sean X1, X2, . . . , Xn v.a. i.i.d. N (µ, σ 2). Sabemos que X̄ ∼
2
N (µ, σn ).
Si t < µ:
n o
lı́mn→∞ FT (t) = lı́mn→∞ Pr X̄−µ
2 < σt−µ
2 /n
n σ /n o
= lı́mn→∞ Pr N (0, 1) < σt−µ
2 /n

= Pr {N (0, 1) < −∞} = 0.

Estadı́stica I Andrés M. Alonso

 16

Ejemplo 3. Si t > µ: n o
lı́mn→∞ FT (t) = lı́mn→∞ Pr X̄−µ
2 < σt−µ
2 /n
n σ /n o
= lı́mn→∞ Pr N (0, 1) < σt−µ
2 /n

= Pr {N (0, 1) < +∞} = 1.

4 1

0.9
3.5
0.8

3
0.7

2.5 0.6

0.5
2

0.4
1.5
0.3
n = 10
n = 25
1 0.2 n = 50
n = 75
0.1 n = 100
0.5 Límite

0
0
-4 -2 0 2 4 -4 -2 0 2 4

Estadı́stica I Andrés M. Alonso

 17

¿Qué hacer si conozco FT ? Una posible solución es:

Proposición 2. Sea T un estimador de θ. Si se verifica que:

( i) lı́mn→∞ E[T ] = θ. W Insesgadez asintótica

( ii) lı́mn→∞ Var(T ) = 0.

Entonces T es un estimador consistente de θ.

Ejemplo 3. Demuestre utilizando la proposición anterior que X̄ y S 2 son

estimadores consistentes de µ y σ 2, respectivamente.

Ayuda: Recordar el Lema de Fisher.

Estadı́stica I Andrés M. Alonso

 18

Ejemplo 4. El consumo de un cierto producto en una familia de cuatro

miembros durante los meses de verano, es una variable aleatoria con distribución
uniforme en el intervalo (α, α + 1). Sea (X1, ..., Xn) una muestra aleatoria de
consumos de distintas familias.

a) Demostrar que la media muestral es un estimador sesgado de α y que sus

sesgo es 21 .

b) Calcular el error cuadrático medio de X̄.

c) Obtener un estimador insesgado de α (a partir de X̄).

Estadı́stica I Andrés M. Alonso

 19


1 x ∈ (α, α + 1)
a) f (x) =
0 resto

R α+1
E(X̄) = α
x dx = α + 12 6= α

sesgo = d 12

1 1 3n + 1
b) ECM (X̄) = V (X̄) + sesgo2(X̄) = + =
12n 4 12n

1
c) E(α̂) = α =⇒ α̂ = X̄ =
2

Estadı́stica I Andrés M. Alonso

 20

Ejemplo 5. Supongamos que los rendimientos de las acciones de la empresa

SEGURA.SL siguen una distribución normal de media µ euros y varianza σ 2. Se
toma una m.a.s. de 20 rendimientos y se tiene:

5,29 3,66 5,71 6,62 4,30 5,85 6,25 3,40 3,55 5,57
4,60 5,69 5,81 5,71 6,29 5,66 6,19 3,79 4,98 4,84

(a) Calcular los valores de los estimadores X̄ y S 2 en esa muestra.

1
x̄ = (5,29 + 3,66 + · · · + 4,84) = 5,188,
20
2 1 2 2 2


s = (5,29 − 5,188) + (3,66 − 5,188) + · · · + (4,84 − 5,188) = 0,9929.
19

I ¿µ = 5,188 y σ 2 = 0,9929? ¿X̄ = 5,188 y S 2 = 0,9929?

Estadı́stica I Andrés M. Alonso

 21

Ejemplo 5.

(b) El VaR (value at risk) es una medida de la máxima pérdida esperada en

una cartera, durante perı́odo de tiempo especı́fico con una probabilidad dada,
α. Una manera de calcular el VaR es suponiendo que los beneficios diarios de
un valor se distribuyen de acuerdo a la distribución normal.

Esta simplificación permitió un importante avance de la teorı́a de carteras, y es

frecuentemente empleada en cálculos estadı́sticos financieros.

La empresa SEGURA.SL considera como pérdidas todos los rendimientos infe-

riores a 5 euros por acción. Es decir, los beneficios siguen una distribución
N (µ − 5, σ 2). En ese caso, las pérdidas máximas esperadas para un nivel α
son: V aR = µ − 5 − zασ.

I Suponiendo conocida σ. Calcule la media y la varianza del siguiente estimador

del VaR
V]aR = X̄ − 5 − zασ.

Estadı́stica I Andrés M. Alonso

 22

Ejemplo 5.

(c) ¿Es V]
aR un estimador insesgado del V aR? N(0,1)

(d) ¿Es V]
aR un estimador consistente del V aR?

α
z
α

I El supuesto de σ conocida es poco realista pero simplifica mucho los cálculos.

(d) ¿Es V[
aR un estimador insesgado del V aR?

aR = X̄ − 5 − zαS.
V[
χ2
n

(e) ¿Es V[
aR un estimador consistente del V aR?

Estadı́stica I Andrés M. Alonso

α
 23

Recapitulación

Tema 12. Estimación puntual

W Conceptos clave en
Estimadores y estimaciones.
inferencia.

Criterios de comparación de
estimadores:
W ¿Cómo elegir un
• Insesgadez.
estimador?
• Estimadores de mı́nima varianza.
• Error cuadrático medio.

Criterios en muestras grandes:

W ¿Cómo elegir un
• Insesgadez asintótica.
estimador? Asintótica.
• Consistencia.

Estadı́stica I Andrés M. Alonso

 24

Tema 3. Estimación puntual

Criterios de comparación de estimadores:
• Insesgadez.
• Estimadores de mı́nima varianza.
• Error cuadrático medio.
• Consistencia.

¿Cómo obtener
estimadores?

Tema 4. Estimadores de máxima verosimilitud

Métodos de cálculo.
Propiedades.

Estadı́stica I Andrés M. Alonso