Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROFESORA
M. ELISA IRARRÁZAVAL
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes
EN ESTA CLASE:
*
*
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes
* PARÁMETRO:
Constante que caracteriza una población
Es un valor desconocido e
Ejemplos son 𝜇,
imposible de conocer
𝜎2, 𝑝
* ESTIMACIÓN DE PARÁMETROS:
Cualquier estadístico que se utilice para la
obtención de un parámetro
≠
Función que permite Valor concreto
obtener estimaciones
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes
* ESTIMACIÓN PUNTUAL:
El estimador entrega un solo valor
Método de los momentos
Estimador de máxima
verosimilitud
* INSESGAMIENTO:
Sea 𝑋1 , … , 𝑋𝑛 una muestra aleatoria de X cuya
distribución depende del parámetro 𝜽. Se define
sus sesgo como:
Parámetro
Sesgo 𝐵 𝜃 =𝐸 𝜃 −𝜃
Esperanza del estimador
𝐵 𝜃 =0 𝐸 𝜃 =𝜃 𝜃 es un estimador
insesgado de 𝜃
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes
* EFICIENCIA:
Sean 𝜇1 𝑦 𝜇2 dos estimadores insesgados de 𝜇, 𝜇1 será más eficiente que 𝜇2 si
𝑉𝑎𝑟 𝜇1
𝑉𝑎𝑟 𝜇2
* CONSISTENCIA:
Sea 𝜃 un estimador obtenido de una muestra aleatoria de tamaño n de X.
lim 𝐸 𝜃 = 𝜃
𝑛→∞
lim 𝑉𝑎𝑟 𝜃 = 0
𝑛→∞
sesgo
𝐸. 𝐶. 𝑀 𝜃 = 𝑉𝑎𝑟 𝜃 + 𝐵2 (𝜃)
Error Varianza del estimador
cuadrático medio
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes
PROFESORA
M. ELISA IRARRÁZAVAL
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes
EN ESTA CLASE:
*
*
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes
* MOMENTO DE ORDEN K:
Recordando del capítulo 2:
𝜇=𝐸 𝑋
Momento de orden
1: posición
Momento de
orden k
= 𝜇𝑘 = 𝐸(𝑋 𝑘 ) 𝜇2 + 𝜎 2 = 𝐸 𝑋2
Momento de orden
2: dispersión
UN
1
𝜃
𝑦 𝜃+1 1 𝜃
𝜇1 = 𝐸 𝑌 = 𝜃𝑦 𝑑𝑦 = 𝜃 =
0 𝜃+1 0 𝜃+1
𝑛
1
𝑚1 = 𝑌𝑖 = 𝑌 𝜃 𝑌
𝑛 𝑌= → 𝑌𝜃 + 𝑌 = 𝜃 → 𝜃 =
𝑖=1
𝜃+1 1−𝑌
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes
FUNCIÓN DE MÁXIMA
* VEROSIMILITUD:
Sea 𝑋1 , … , 𝑋𝑛 una muestra aleatoria de X cuya
distribución depende del parámetro 𝜽. Se define
la función de verosimilitud como la función de
probabilidad (o densidad) conjunta entre la
muestra y el parámetro:
𝑛
ℒ 𝑋1 , … , 𝑋𝑛 𝜃 = 𝑓(𝑋𝑖 , 𝜃)
𝑖=1
ESTIMADOR DE MÁXIMA
* VEROSIMILITUD (EMV):
El EMV de 𝜃 es aquel 𝜃 que maximiza ℒ(𝑋1 , … , 𝑋𝑛 |𝜃)
Encuentra el 𝜃 que hace más
probable haber obtenido lo que se
obtuvo en la muestra
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes
EMV,
03
Log-Verosimilitud
DERIVO RESPECTO AL PARÁMETRO
APLIQUÉMOSLO EN UN EJEMPLO
Sea 𝑋1 , 𝑋2 , … , 𝑋𝑛 una muestra aleatoria de la función de densidad de
probabilidad:
2
2𝑥 −𝑥𝛽
𝑓 𝑥 = 𝛽 𝑒 , 𝑝𝑎𝑟𝑎 𝑥 ≥ 0 𝑦 β > 0
0, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
𝑛 𝑛 2
2𝑥 −𝑥𝛽 2𝑛 ( 𝑛𝑖 𝑋𝑖 ) −
1 𝑛 2
𝑋
𝛽 𝑖 𝑖
ℒ 𝛽 = 𝑓(𝑥𝑖 ) = 𝑒 = ∙𝑒
𝛽 𝛽𝑛
𝑖=1 𝑖=1
𝑛
𝑛 1
𝑙 𝛽 = ln ℒ 𝛽 = ln 2𝑛 + ln( 𝑋𝑖 ) − 𝑛𝑙𝑛 𝛽 − 𝑋𝑖2
𝑖 𝛽
𝑖
𝑛 𝑛
𝑑 𝑙(𝛽) 𝑛 1 1
=0→− + 2 𝑋𝑖2 = 0 𝛽= 𝑋𝑖2
𝑑𝛽 𝛽 𝛽 𝑛
𝑖 𝑖=1