Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ksks
Ksks
Tema 3 - Introducción
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
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).
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.
Notemos que T solo toma valores en {0, 4, 8, 12, 16, 20}, ¿se os ocurre algún
otro estadı́stico?
Excel
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 .
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).
1
T2 = n−1 (30 + 20 + 10) = 30.
30+10
T3 = 2 = 20.
T4 = 30 − 20 = −10.
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.
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).
2
σ2
Var(T2) = 14 (Var(X1) + Var(X1)) = σ
2 y E.R. = 2
σ2
= n2 .
n
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
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
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
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
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
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
Ejemplo 5.
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
(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?
Recapitulación
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.
¿Cómo obtener
estimadores?