Oo UNIVERSIDAD NACIONAL DE INGENIERIA FACULTAD DE TECNOLOGIA DE LA CONSTRUCCION DEPARTAMENTO DE MATEMATICAS. Estadistica Tarea numero 4 Estimacién Elaborado por: "Axel Gabriel Mendoza Garcia 2019-0493U Grupo de teoria: IC-21D Profesor de teoria: Ing. Javier Ample, Fecha de entrega de investigacién: Martes , 9 de Junio de 20202Es lo mismo estimacion que estimador?. Justifique su respuesta Estimador es un estadistico (funcién de muestra usado para estimar un parémetro desconocido de la poblacién el valor de un estimador proporcién a lo que se denomina estadistica una estimacion puntual del parametro en estudio. Es decir una estimacion es un nimero especifico para un estimador que resulta de la muestra particular que se esta observando Cuadro sindptico. JB) 1 Condes gut s popeb lide | ls wot obhine ren ty |g Ebene ala xy varianza son buenos estimadores de M y r? ?. Justifique. La media muestral es un estimador inyesado de la media poblacional, en cambio la varianza es un estimador segado de la varianza de la poblacion, ya que su utilizamos como estimador de Z la varianza muestral de S* es decir 0 (X) = S' dado que la varianza no es un estimador de la varianza poblacional con propiedades de insesgadez, conviene establecer uno que silo tenga, este estimador no es otro que la varianza muestral, de ahi su importanciatre ite, Ser 08 condo dg TT Te Meena que el él) 4 a Cobsevese que 4 dubetares vipy) $ bey) Walab \o yl é fasten 58 cent to propobilide J Paicimeleo, ig elmer , tile > | 3; | Un obeede @] Ura Koes! 5: xt ch bene po Combinaces | Mata) de! len Chemin tos de q d Mal & |. “te BF sik Eki, Po | | | | Sah toon db Patt varronre | “ © fenem tla! ve vor do presenlo Arcten bs be a ra dl Femeplee ifs and | | : ote sa a | | 4) Fo Atelk | edad do Fat tel. nti3) ap | peat ee AP lebrdat ere elie, | | byl y dd]La Cota de Cramer-Rao llamada as{ en honor a Harald Cramér y Calyampudi Radhakrishna Rao, expresa una cota infarior para la varianza de un estimador Insesgado, basado en la informacién de Fisher (CCR) es la varianza minima que, dada unas condiciones de regularidad, puede alcanzar un estimador de un parémetro. En otras palabras, buscamos la varianza que esté mds cerca de este limite inferior para encontrar al mejor estimador segiin las propiedades de insesgadez y eficiencia, Formulacién Definimos: #{X; ©): funcién de densidad de probabilidad. Ef J: esperanza matematica. 1(@): Informacién de Fisher de un parametro Representa “la cantidad de informacién” acerca del valor del parametro contenida en una observacién de la variable aleatoria X. Formula ‘Teorema Neyman Fisher Teorema que permite determinar si un estadistico T cumple la propiedad de suficiencia.De forma intuitiva, este tearema permite que podamos saber si un estadistico, es un estadistico suficiente. Y, al revés, sin tener informacion de antemano, intentar determinar la existencia de un estadistico suficiente y su expresién. Ver estadistico suficiente Férmula del criterio de factorizacién de Fisher-Neyman, Formalmente, se dice que dada una muestra alealoria simple (m.a.s.)de una variable aleatoria X con funcién de densidad f(x.) con @ €. Se dice que el estadistico T = T(X1, ... Xn) es suficiente para @, si y solo si, la funcién de densidad de la muestra se puede escribir como: $09, 2. xn) = Od, ... xn) © g(T,8) Para entender lo que quieren decir cada una de las partes de este teorema, vamos a redefinislo pero con un ejemplo: Escogamos al azar a 100 estudiantes (muestra aleatoria simple) y les preguntamos cual es su gasto anual en libros (variable aleatoria X). Esta variable tendré una funcidn de densidad (ver funcién de densidad). Debemos elegir entonces, un estadistico suficiente para calcular un pardmetro (8) (El parémetro @ serd la media del gasto anual en libros). La férmula indicada se divide como sigue: f(xT, «.. »xn): Es la funcién de densidad de la muestra (funcitn de densidad de la muestra sobre la variable aleatoria X). h(t, ... xn): Es una funcién que no toma valores negatives solo de la muestra (el gasto de los 100 estudiantes). 9(7,8): Es una funcién que depende solo del estadistico elegido (media muestral) y del pardmetro a calcular (media). Realizando los calculos adecuados se obtiene la demostracion. Esta demostracién no se vera aqui ya que se necesitan conocimientos avanzados en materia de matematicas.MUESTREO Y DISTRINUCIONES EN EL MUESTREO. ol Nay u avn Xa T+—3 -—_—" = “heey fn — 19s?) S/n Vat ! |e 0) pues los estadisticos 1 y S? son independientes como veremas en el Teorema 1.6, y en consccuencia también lo son Las variables: N-u (ns? —— akin a 1.2.3. DISTRIRUCION DE LA VARIANZA MUESTRAL Asi como al estudiar la distribucién del cstadistico media muestra devia- mos que cra de gran utilidad para realizar inferencias, aqui no podemos decir lo mismo del estadistico varianza mucstral, pucs, La distribucién muestral del estadistico $? tiene pocas aplicaciones pricticas en estadistica, sin embargo, si -1 las tiene el estadistico “5 IS. por ello sed el estadistico del que nos ocupa- _ (n= NS? temos en este apartado, Daremos la distribucién del estadistice — 5 mes diante el siguiente teorema de Fisher. « Teorema 1.6 Teorema de Fisher Sea(X,,-, N,)una muestra alcatoria simple de tamano n, procedente de una poblacién Niu, ¢), Entonces se verifica que: 1. Los estadisticos X y 5? son independientes. 2 El estadisticn Yr w,- xP “ a sigue una distribucién 7? con a — 1 grados de libertad. 3, El estadisticn Syn 7 ' Sigue una distribucién t-Student con a ~ 1 grados de libertad,