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 este capítulo aprenderán a estimar

puntualmente y mediante el uso de intervalos.
Es parte también de los aprendizajes de este
capítulo los métodos que nos permitirán
determinar diferentes características de los
estimadores.
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

𝜇 = estimador del parámetro 𝜇

≠
Función que permite Valor concreto
obtener estimaciones
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes

EXISTEN DOS TIPOS DE

ESTIMACIONES:

* ESTIMACIÓN PUNTUAL:
El estimador entrega un solo valor
Método de los momentos

Estimador de máxima
verosimilitud

* ESTIMACIÓN POR INTERVALO:

Se entrega un rango de valores donde se puede encontrar
el valor real del parámetro y que dependerá de una
probabilidad asociada

Estos son los conocidos

Intervalos de confianza
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes

* 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 Es preferible elegir

estimadores con menor
varianza

Eficiencia de un estimador respecto a otro:

𝑉𝑎𝑟 𝜇1
𝑉𝑎𝑟 𝜇2

> 1 → 𝜇2 es más eficiente =1 → ambos estimadores < 1 → 𝜇1 es más eficiente

son igual de eficientes
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes

* CONSISTENCIA:
Sea 𝜃 un estimador obtenido de una muestra aleatoria de tamaño n de X.

𝜃 será un estimador consistente de 𝜃 si cumple las siguientes

condiciones:

lim 𝐸 𝜃 = 𝜃
𝑛→∞

lim 𝑉𝑎𝑟 𝜃 = 0
𝑛→∞

* ERROR CUADRÁTICO MEDIO E.M.C:

Se elige siempre el estimador que presente un menor E.M.C. que se define como:

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 este capítulo aprenderán a estimar

puntualmente y mediante el uso de intervalos.
Es parte también de los aprendizajes de este
capítulo los métodos que nos permitirán
determinar diferentes características de los
estimadores.
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

* MÉTODO DE LOS MOMENTOS:

Para encontrar el estimador mediante este
método, se debe resolver el sistema de
ecuaciones: Momento de
Momento muestral orden k
de orden k
𝑚 𝑘 = 𝜇𝑘
• 𝜇𝑘 = 𝐸 𝑋 𝑘 k indica la
cantidad de
1 𝑛 𝑘
• 𝑚𝑘 = 𝑖=1 𝑋𝑖 parámetros
𝑛
Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes

UN

Sea 𝑌1 , 𝑌2 , … , 𝑌𝑛 una muestra aleatoria de la función de densidad de

probabilidad:

𝜃𝑦 𝜃−1 , 0<𝑦<1 𝐷𝑜𝑛𝑑𝑒 𝜃 > 0

𝑓 𝑦 =
0, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜

ENCONTRAR EL ESTIMADOR DE Θ MEDIANTE EL MÉTODO DE LOS MOMENTOS

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,

01 ENCUENTRO LA FUNCIÓN DE MÁXIMA VEROSIMILITUD

02 VEO SI ES POSIBLE SIMPLIFICARLA APLICANDO LOGARITMO

Esta función se llama

03
Log-Verosimilitud
DERIVO RESPECTO AL PARÁMETRO

04 MAXIMIZO IGUALANDO A 0 Y DESPEJANDO

Facultad de Ingeniería y Ciencias Aplicadas
Universidad de Los Andes

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

ENCONTRAR EL ESTIMADOR DE 𝜷 MEDIANTE EL MÉTODO DE MÁXIMA VEROSIMILITUD EN

BASE A UNA MUESTRA DE TAMAÑO N

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