Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Region de Confianza
Region de Confianza
Stalyn Guerrero1
Mayo de 2020
Observación
Para probar que un parámetro es de escala, es necesario encontrar la
función de distribución de X /θ o θX .
Observación
Si fX (x) depende de más de un parámetro y se desea verificar que un
parámetro especifico sea de localización o escala, los demás parámetros se
consideran constantes.
Nota
Si se conoce la función de distribución de X , hay tres alternativas para
encontrar la distribución de X /θ o θX :
• Utilizar directamente la función de distribución o la función de
densidad cuando estas sean fáciles.
• Utilizar el teorema de la transformación cuando las funciones de
distribución y de densidad sean complicadas.
• Utilizar la función generadora de momentos.
Definición
Sea X1 , . . . , Xn una muestra aleatoria proveniente de una distribución con
función de densidad f (x, θ), y sea θ∗ el estimador de máxima verosimilitud
de θ, entonces
• Si θ es un parámetro de localización, entonces θ∗ − θ o θ∗ + θ es un
pivote para θ
• Si θ es un parámetro de escala, entonces θ∗ /θ o θ∗ θ es un pivote para
θ
Solución
Se tiene que Xθ ∼ exp (1) y por consiguiente, θ es un parámetro de escala.
Para encontrar la distribución de θ/X usamos directamente la función de
distribución como sigue:
Z xθ
X 1 −t t xθ
FX /θ (x) = P ≤ x = P (X ≤ xθ) = e θ dt = e − θ 0
θ 0 θ
−x
= FX (θx) = 1 − e
Proposición
Si X1, , . . . , Xn son una muestra variables aleatorias independientes
proveniente de una población exp (θ), entonces Y = ni=1 Xi tiene
P
distribución Gamma (n, θ)
Ejercicio
Si X1, , . . . , Xn son una muestra variables aleatorias independientes
Pn
Xi
proveniente de una población exp (θ), entonces Y = i=1 θ tiene
distribución Gamma (n, 1)
Si V θ̂ no se conoce, podemos usar su estimación.
Solución
θ2
Sabemos que el estimador θ̂MV = x̄ con V θ̂MV = n, la estimación de
la varianza está dada por
x̄ 2
V̂ θ̂MV =
n
Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 16 / 35
Intervalos de confianza para muestras grandes
Solución (Continuando)
Para la muestra obtenida tenemos que x̄ = 2.14 y V̂ θ̂MV = 0.045796,
luego un intervalo de confianza al 90% para θ viene dado por
√ √
2.14 − 1.64 0.045796 , 2.14 + 1.64 0.045796
[2.105, 2.491]
θ̂ − θ
r ∼ N (0, 1)
Vb θ̂
Ejemplo
Sea X1 , . . . X30 una muestra aleatoria proveniente de una población
exponencial dada por
1 −x
f (x; θ) = e 10 , x ≥ 0
10
determine el intervalo de confianza Bootstrap del 95% para el parámetro θ.
> set.seed(123)
> n = 30; theta = 1/10
> x <- rexp(n, theta); round(x,2)
[1] 8.43 5.77 13.29 0.32 0.56 3.17 3.14 1.45 27.26 0.
[13] 2.81 3.77 1.88 8.50 15.63 4.79 5.91 40.41 8.43 9.
[25] 11.69 16.06 14.97 15.71 0.32 5.98
>
Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 20 / 35
Intervalos de confianza Bootstrap
> set.seed(123)
> Ftheta <- function(x){
+ xi <- sample(x, length(x), replace = TRUE); mean(xi) }
> thetai <- replicate(1000, Ftheta(x))
0.2
^ ^
f θ
0.1
0.0
5.0 7.5 10.0 12.5 15.0
θ^b
●●
●
●
●●
●
●
9 ●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●●
●
●
●●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●●
●
●●
●●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●●
●
●●
●
●
●
●●
●●
●
●●
●
●
●●
●
●●
●
6 ●●●
●●
●
●●●
●●●
●●
●
−2 0 2
θ
¿Qué se concluye?
¿Qué se concluye?
Ejercicio
Para la muestra X1 , . . . X30 construir un intervalo de confianza para la
mediana.
30
20
^ ^
f θ
10
0
0.050 0.075 0.100 0.125 0.150
θ^b
●
●
●
●●
●
0.12 ●●
●●
●
●
●●
●●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
θ^
●
●
●
●●
●
●
●
●
0.09 ●
●
●
●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
●
●
●
●●
●
●●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●
●
●●
●
●●
●
●
●●
●●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
0.06 ●
●
●●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
●
●●
●
●
●●
●
●●
●
●
●●
●●
●
●●
●●
●
●●●●●
● ● ●●●
0.03
−2 0 2
θ
data: thetai
W = 0.96951, p-value = 1.229e-13
Dado que p − valor ≤ 0.05, entonces se rechaza la hipótesis de normalidad,
por lo tanto, los observaciones no siguen una distribución normal.
Intervalos bootstrap t
Intervalos bootstrap t
• El método consiste en generar B muestras bootstrap X∗1 , . . . , X∗B . A
continuación, para cada una de ellas se calcula
θ̂∗ − θ̂
Zb∗ = rb
V̂ θ̂b∗
∗ ∗
donde,
r θ̂ b a la estimación de θ obtenida a partir de Xb y
V̂ θ̂b∗ = seb θ̂b∗ es el valor estimado del error estándar de θ
obtenida a partir de X∗b
• El α-esimo percentil de Zb∗ se estima mediante el valor t̂α tal quec
# Zb∗ ≤ t̂α
= α
B
Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 30 / 35
Intervalos de confianza Bootstrap Intervalos bootstrap t
Intervalos bootstrap t
Intervalos bootstrap t
1.00
Acumulada empírica
0.75
0.50
0.25
0.00
−2 0 2
t
Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 33 / 35
Intervalos de confianza Bootstrap Intervalos bootstrap t
¿Qué se concluye?
Bibliografı́a