Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estimación de Parámetros
Estimación Puntual
Pruebas de Hipótesis
ESTIMACION DE PARAMETROS
Estimación Puntual
1
Estimación Puntual:
Es la estimación de un valor único de un
parámetro de la población.
Esto es, la estimación por puntos o puntual es
una selección única para el valor de un parámetro
desconocido.
Para ello el dirigente convoca a 3 participantes y los somete a pruebas de tiro, obteniendo los
siguientes resultados:
2
¿Qué sucede si se enferma este último tirador?. ¿Es claro quién es mejor
tirador entre el 1 y el 2?
¿Cuál escojo?
3
ESTIMACION PUNTUAL
ˆ G( X 1 , X 2 ,..., X n )
4
Por ejemplo : Un estimador puntual de la media poblacional “μ” es
la estadística media muestral X cuyo valor numérico x es la
estimación puntual del parámetro, esto es: ˆ x
5
Ejemplo: supongamos que “θ” es el valor verdadero de un
parámetro poblacional y que 1 , 2 y 3 son diferentes
estimadores de “θ” con funciones de densidad de probabilidad
que muestra en la gráfica:
f ˆ
3
f ˆ2
f ˆ1
6
ERROR CUADRATICO MEDIO
= E[[(T-E(T
-E(T))+E(T)
(
+E(T)-θ) ]2]= E[ 2+
(T-E(T))
(T-E(T)) 2(T-E(T))(E(T)-θ) + (E(T)-θ) ] =
2 + 2(T-E(T)) (E(T)-θ) + (E(T)-θ)22
constante
E[(T2T
= E(T –- 2E(T)
2-2TE(T)+E
)2] 2++
T E(T) (T) - θ )2 - θ )2 = (E(T
2(T) )+ ( E(T)
(EE(T) {E(T22)-E
)-E22(T)) (E(T)-θ)22
(T)}++(E(T)-θ)
7
ECM [T]= Var[T] + (E(T) - θ)2
(E(T)-θ)2 =0
E( 2 ) E( X ) r
2 V ( 2 ) Var ( X ) 2r
8
PROPIEDADES DE UN BUEN ESTIMADOR
Insesgabilidad,
consistencia,
eficiencia
ESTIMADOR INSESGADO
Definición :
E ˆ ,
9
Ejemplo:
(X i X )2
b) Probar si S 2 i 1 es un estimador sesgado de σ2
n 1
n
(X i X )2
c) Probar si ˆ 2 i 1
es un estimador sesgado de σ2
n
1 n 1 n n
E X i
n i 1 n i 1 n
X es un estimador insesgado de μ
10
b) Sabemos que : ( n 1) S 2
(2n 1 )
2
Entonces:
E S E
2 ( n 1)( 2 ) S 2 2 ( n 1) S 2
E n 1 2
( n 1)
2
2 ( n 1) S 2 2
E ( n 1) 2
( n 1) 2
( n 1)
ESTIMADOR CONSISTENTE
11
Consistencia: se dice que ˆ n T n t ( X 1 , X 2 ,..., X n )
es una sucesión consistente de estimadores de “ɵ” si:
Ejemplo:
(X i X )2
a) Demostrar que S 2 i 1
es un estimador
n 1
consistente de σ2.
n
(X i X )2
b) Demostrar que ˆ
2 i 1
es un estimador
n
consistente de σ2.
12
a) i) ( n 1)( 2 ) S 2
E S 2 E
2 ( n 1) S 2
E
( n 1) n 1
2 2
2 ( n 1) S 2 2
( n 1) 2
( n 1) 2 ( n 1)
E
n
lim E S 2 lim 2
n
2
2 ( n 1) 2 4 ( n 1) S 2
ii) Va r [ S 2 ] Va r [ S ] Va r [ ]
n 1 2
( n 1) 2
2
( n 1) S 2 ( n 1) S 2
Sabemos que (2n 1 ) , entonces V ar [ ] 2 ( n 1)
2 2
Luego:
4 2 4
V ar [ S 2 ] [ 2 ( n 1 )]
( n 1) 2 n 1
Aplicando limite:
2 4
lim V ar [ S ] lim 2
0
n n n 1
13
ESTIMADOR EFICIENTE
Definición:
Ejemplo:
~ 2
X N ( M ed [ X ], )
2 n
14
Por el enunciado sabemos que:
2 2
X N ( , ) X~ N ( M ed [ X ], )
n 2 n
Luego:
E(X ) Son estimadores insesgados
E ( X~ ) de la mediana poblacional
~
entonces, V a r [ X ] V a r [ X ] , luego X es un estimador más
eficiente que X~
15
Para convertir el producto de la función de máxima verosimilitud en
suma, se aplica la función L=ln(L(ɵ)) y determinar “θ” por la
ecuación :
L n
ln f ( x i ; )
i 1
0
L L L
0, 0 ,..., 0
1 2 n
En resumen:
para hallar el Estimador Máximo verosímil (EMV) se procede del
siguiente modo:
1º) Hallamos la función de verosimilitud L(θ):
n
L ( ) f ( x i , )
i 1
16
Ejemplo:
Sea X una v.a. con f.d.p f ( x ) e x , x > 0 , ɵ>0
n n
1º) L ( ) i 1
f ( xi ) e
i 1
xi
e x1 e x 2 ... e x n
n
xi
L ( ) n e i 1
n
xi n
2º) ln [ L ( )] ln [ n e i 1
] n ln ( ) x i
i 1
n n
( n ln x i ) ( x i )
3º) ln[ L ( )] i 1
( n ln )
i 1
n n
x 0
i 1 i
n n
x 0 ˆ
n
1
1
i 1 i n n
x i x
i 1
i
x
i 1
n
por lo tanto:
1
ˆ
x
17
METODO DE LOS MOMENTOS
Es el método más intuitivo. Consiste en utilizar la relación que tienen los parámetros con
los “momentos” de la población
1º) Sea X una v.a. con función de densidad f(x; θ1,θ2,…,θk) o con distribución de
probabilidad p(x;θ1,θ2,…,θk) caracterizado por “k” parámetros desconocidos.
Donde los primeros k momentos de la variable poblacional alrededor del origen son
respectivamente :
- Si X es continua :
r' E ( X r ) x f ( x ; 1 , 2 ,..., k ) x
r
, r = 1,2,3,..,k
Rx
- Si X es discreta :
r' E ( X r ) x
RX
r
p ( x ; 1 , 2 ,..., k ) , r = 1,2,3,..,k
Los momentos μ’r (r = 1,2,3,…,k) de la población son en general función de los k parámetros
desconocidos θ1,θ2,..,θk.
2º)Sea X1, X2, … ,Xn una m.a.s de tamaño n, los primeros k momentos
muestrales alrededor del origen se define como:
n
1
M r'
n
X
i 1
i
r
, r = 1,2,3,..,k
Las soluciones de las ecuaciones en μ’r=M’r denotados por ˆ1 , ˆ 2 , . . . ,ˆ k constituyen
los momentos estimados de 1 , 2 , . . . , k respectivamente.
18
Ejemplo:
Sea X1, X2, … ,Xn una m.a.s de tamaño n, donde los X i ~ N ( , 2 ) , con
μ y σ2 desconocidos. Encuentre los estimadores para μ y σ2 por el
método de los momentos.
1 n
Luego la primera ecuación obtenemos: ̂ Xi X
n i 1
de la segunda ecuación : 1 n
n i 1
X i2 2 2
1 n
X i2 ˆ 2 X 2
n i 1
1 n
X i2 X 2
n
ˆ 2
1
n
(X i X )2 Sn
2
n i 1 i 1
19
Observación:
a r t if ic io : n X 2 n X 2
1 n 2 1 n 2 1 n 2
ˆ 2 i
n i 1
X X 2
[ i
n i 1
X n X 2
] [ X i 2nX 2 nX 2 ]
n i 1
n
Xi
1 n n
[ X i2 2 n X ( i 1n ) ( X 2 )
n i 1 i 1
1 n 2 n n
[ X i 2 X X i X 2 ]
n i 1 i 1 i 1
n
1
n
(X
i 1
i
2
2 XX i X 2 )
n
1
n
(X
i 1
i X ) 2 S n2
20