Estadística II

2. Estimación Puntual

ADMINISTRACIÓ I DIRECCIÓ D'EMPRESES

Introducción
Introducción
Análisis Inferencial:
• Estimación: (a) Puntual – (b) Por Intervalos
• Contrastación

Estimación puntual
• Propiedades de los estimadores puntuales

• Métodos de Estimación

Conceptos Básicos:
• Estadísticos muestrales
• Estimador puntual de un parámetro
• Estimación del parámetro
• Error de estimación ( e )
2.1. Propiedades de los estimadores
puntuales
1. INSESGADEZ


ˆ es el estimador Insesgado de  si E ˆ  
 
Sesgo ˆ  E ˆ  

Sesgo ˆ  0 es Insesgado
2.1. Propiedades de los estimadores
puntuales
Estimador Sesgado:

ˆ Sobreestima el parametro 
 
si E ˆ   o Sesgo ˆ  0

ˆ Infraestima el parametro 
 
si E ˆ   o Sesgo ˆ  0
2.1. Propiedades de los estimadores
puntuales
2. EFICIENTE EN TÉRMINOS ABSOLUTOS

¿Cuál de los dos estimadores será más adecuado como

estimador del parámetro?
2.1. Propiedades de los estimadores
puntuales

  
V ˆ  V ˆ*
COTA de CRAMER-RAO: varianza mínima

 
CCR ˆ  min V ˆ 
1
  ln f  X ;   2 
nꞏE   
   

Estimador es ELIO (Estimador, Lineal, Insesgado, Óptimo)

[BLUE (“Best Linear Unbiased Estimator”)]
2.1. Propiedades de los estimadores
puntuales
Ejemplo de cálculo de la COTA CRAMER-RAO
Sea (X1, X2……..Xn) una muestra aleatoria simple de tamaño n,
procedente de una población descrita por una variable aleatoria X que
se distribuye según una Poisson de parámetro λ. Obtener el estimador
eficiente en términos absolutos.
 x
P( X ;  )  e ꞏ  ln P( X ;  )    xꞏln   ln( x!)
x!
 ln f  X ;  1 x
 1  xꞏ ꞏ1 
  
  ln f  X ;   2   x    2   1  2
E 

   E   2

V (X )  1
     ꞏE x     2  2 
            
1 1  V (X )
  
  ln f  X ;   2  nꞏ1 n n
nꞏE    
    


CCR ˆ  min V ˆ   V (X )
n
 V X 

El estimador eficiente del parámetro  de Poisson es la media muestral, X

2.1. Propiedades de los estimadores
puntuales
ERROR CUADRÁTICO MEDIO :E.C.M.

Error CuadráticoMedio: E.C.M .(ˆ)  E(e2 )  E[(ˆ)2 ]  ...  V(ˆ )  Sesgoˆ    2

Demostracción :
  
E.C.M.( ˆ )  E e 2  E[(ˆ  )2 ]  E  ˆ E (ˆ )  E (ˆ )    

2



         
 E  ˆ E (ˆ )  E (ˆ )     E  ˆ E (ˆ )  E (ˆ )    2ꞏ ˆ E (ˆ ) ꞏ E (ˆ )  

2

 
2 2
 
 E ˆ E (ˆ )    E E (ˆ )      2ꞏE ˆ E (ˆ ) ꞏ E (ˆ )    
2 2

   

 V ˆ   E Sesgo ˆ    2ꞏE ˆ E (ˆ ) 

ꞏ E (ˆ )    
2

 
 V(ˆ )  Sesgo ˆ   2ꞏE (ˆ )   ꞏE ˆ E (ˆ )  
2

 V(ˆ )  Sesgo ˆ   2ꞏE (ˆ )   ꞏE ˆ  E E (ˆ )  

2

 V(ˆ )  Sesgo ˆ   2ꞏE (ˆ )   ꞏE ˆ  E ˆ 

2

E.C.M.( ˆ )  V(ˆ )  Sesgo ˆ 

2
2.1. Propiedades de los estimadores
puntuales

3. EFICIENTE EN TÉRMINOS RELATIVOS

Criterio de selección entre dos estimadores de un mismo

parámetro:


 
ECM ˆ1
 
ECM ˆ2

Si   1 ˆ1 es más eficiente y es el seleccionado

Si   1 ˆ2 es más eficiente y es el seleccionado
2.1. Propiedades de los estimadores
puntuales
4. PROPIEDADES ASINTÓTICAS
• Se define un estimador asintóticamente insesgado, si
cuando el tamaño muestral tiende a infinito, el sesgo tiende
a cero, es decir, cada vez se aproxima más el valor
esperado al del parámetro:


Lim Sesgo ˆ  0 
Lim E ˆ  
n n
• Un estimador es asintóticamente eficiente si su
varianza, a medida que se incrementa el tamaño muestral,
se aproxima al valor de la mínima varianza, es decir, se
aproxima a la Cota de Cramer-Rao


Lim V ˆ  CCR ˆ 
n
2.1. Propiedades de los estimadores
puntuales
5. CONSISTENCIA EN ERROR CUADRÁTICO MEDIO
Un estimador Consistente en Error Cuadrático Medio


Lim ECM ˆ  0 Lim E[(ˆ ) 2 ]  0
n n
2.1. Propiedades de los estimadores
puntuales

Si se traslada la propiedad a los dos sumandos

 


Lim ECM ˆ  Lim V(ˆ )  Sesgo ˆ  
2


 
n n


Lim V(ˆ )

    0
Lim Sesgo ˆ
2

n n
2.2. Métodos de Estimación

1-Método de los Momentos

• Se estiman los parámetros a

través de igualar los
momentos poblacionales con
los momentos muestrales
• Los estimadores siempre
cumplen la propiedad de la
consistencia.
• Si el parámetro coincide con
un momento poblacional,
cumple la insesgadez.
2.2. Métodos de Estimación
2.2. Métodos de Estimación
2.2. Métodos de Estimación

2-M. Máxima Verosimilitud

2.2. Métodos de Estimación
• Definir la función de verosimilitud asociada a la muestra.

L (1 ,...,k | x1 ,.., xn )  f ( x1 ,.., xn )  f ( x1 )  ...  f ( xn )

• Los estimadores máximos verosímil son aquellos que

maximizan la función de verosimilitud.

 L  L  L
0 ;  0 ;........; 0
 1  2  k

• Trasformar la función logarítmicamente (monotómica)

  
  ln L 0 ;  0 ;........; 0
 1  2  k
2.2. Métodos de Estimación

Los estimadores máximos verosímiles:

- siempre verifican la propiedad de la consistencia

- siempre son también asintóticamente eficientes

Se verifica:

ˆ siempre
 ˆMV
Eficiente (Abs)  
no siempre Máx. Veros
2.2. Métodos de Estimación
EJERCICIO-Calcular los estimadores de los dos parámetros
de una distribución Normal, por el método de la Máxima
Verosimilitud 2
(x)
1 
f ( x)  e 2 2

2  2

 ( xi   ) 2
1 
L( , 2 ) 
2
2

 
n
e
2  2

n n 1
  ln L   ln2  ln 2  2 ( xi  ) 2
2 2 2
 1  xi
 2 2 ( xi   )  xi  n   0  MV  x
  2 n
 n 1 (xi  x)2
 2
  
2 2 2 4
 i( x   ) 2
 n 2  (xi  )2  0  MV
2

n
2.2. Métodos de Estimación
EJERCICIOCalcular el estimador del parámetro de una
distribución Poisson, por el método de la Máxima Verosimilitud

 xi
P ( xi )  e 
xi !

 xi

L()  e n   ln L  xi  ln  ln( xi )  n

 xi !

  xi
 n
 

̂MV  x