Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GUÍA N° 4
ESTIMACIÓN PUNTUAL
Estimación
Valor numérico concreto que resulta de un estimador, cuando se calcula este sobre una
muestra.
Estimación Puntual
La estimación puntual del valor de un parámetro poblacional desconocido es un número
que se utiliza para aproximar al verdadero valor de dicho parámetro poblacional.
TIPO DE
FUNCIÓN MEDIA VARIANZA
FUNCIÓN
𝟏 𝟏
Exponencial 𝒇(𝒙, 𝝀) = 𝝀 ∗ 𝒆−𝝀𝒙 … … … … … … 𝒙 ≥ 𝟎 ̅=
𝑿 𝑽(𝑿) =
𝝀 𝝀𝟐
Exponencial 𝟏 −𝟏 𝒙
̅=𝝀
Negativa 𝒇(𝒙, 𝝀) = ∗ 𝒆 𝝀 ………………𝒙 ≥ 𝟎 𝑿 𝑽(𝑿) = 𝝀𝟐
𝝀
𝟏 (𝒙−𝝁)𝟐
−
Normal 𝒇(𝒙) = ∗𝒆 𝟐𝝈𝟐 ………− ∞ < 𝒙 < ∞ ̅=𝝁
𝑿 𝑽(𝑿) = 𝝈𝟐
√𝟐𝝅𝝈
𝒆−𝝀 ∗ 𝝀𝒙
Poisson 𝒇(𝒙, 𝝀) = ………………𝒙 ≥ 𝟎 ̅=𝝀
𝑿 𝑽(𝑿) = 𝝀
𝒙!
𝟏 𝒂+𝒃 (𝒃 − 𝒂)𝟐
Uniforme 𝒇(𝒙) = ………………𝒂 ≤ 𝒙 ≤ 𝒃 ̅=
𝑿 𝑽(𝑿) =
𝒃−𝒂 𝟐 𝟏𝟐
𝒏!
Binomial 𝒑(𝒙 = 𝒌) = 𝒑𝒌 𝒒𝒏−𝒌 ̅ = 𝒏𝒑
𝑿 𝑽(𝑿) = 𝒏𝒑𝒒
𝒌! (𝒏 − 𝒌)!
Verosimilitud de la Muestra
𝒏
⃗⃗⃗; 𝜽) = 𝑳(𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 … … … … , 𝑿𝒏 ; 𝜽) = ∏ 𝒇(𝑿𝒊 )
𝑳(𝑿
𝒊=𝟏
⃗⃗⃗; 𝜽𝟏 , 𝜽𝟐 , 𝜽𝟑 … … … … 𝜽𝒌 )
𝒎𝒂𝒙 𝑳(𝑿
⃗⃗⃗; 𝜽𝟏 , 𝜽𝟐 , 𝜽𝟑 … … … … 𝜽𝒌 )]
𝒎𝒂𝒙 𝒍𝒏[𝑳(𝑿
⃗⃗⃗; 𝜽𝟏 , 𝜽𝟐 , 𝜽𝟑 … … … … 𝜽𝒏 )
𝝏𝑳∗ (𝑿
=𝟎
𝝏𝜽𝟏
⃗⃗⃗; 𝜽𝟏 , 𝜽𝟐 , 𝜽𝟑 … … … … 𝜽𝒏 )
𝝏𝑳∗ (𝑿
=𝟎
𝝏𝜽𝟐
⃗⃗⃗; 𝜽𝟏 , 𝜽𝟐 , 𝜽𝟑 … … … … 𝜽𝒏 )
𝝏𝑳∗ (𝑿
=𝟎
𝝏𝜽𝒌
- Método de Momentos
Consiste en igualar los k primeros momentos ordinarios de la población con los k
primeros momentos ordinarios de la muestra.
𝒎𝟏 = 𝑴𝟏 = 𝑬[𝑿𝟏 ]
𝒎𝟐 = 𝑴𝟐 = 𝑬[𝑿𝟐 ]
𝒎𝟑 = 𝑴𝟑 = 𝑬[𝑿𝟑 ]
………………………
𝒎𝒌 = 𝑴𝒌 = 𝑬[𝑿𝒌 ]
- Métodos de Bayes
Si al parámetro a estimar es 𝜃 con función de probabilidad 𝜑(𝜃); al emplear en lugar de
𝜃 su estimador 𝜃̂, se produce una perdida que se define por la función:
̂)
𝝅 = (𝜽; 𝜽
Riesgo ̂ ) = 𝑬[𝝅(𝜽; 𝜽
𝑹(𝜽; 𝜽 ̂ )]
𝜽
̂ ) = ∫ 𝝅(𝜽; 𝜽
𝒎𝒊𝒏 𝜷(𝜽 ̂) 𝒉 ( ) 𝒅𝜽
𝑹𝜽 𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , … … … … , 𝑿𝒏
- Insesgamiento
̂ es insesgado si cumple
𝜽 ̂] = 𝜽
𝑬[𝜽
que:
De lo contrario es segado: ̂] − 𝜽
𝑺𝒆𝒔𝒈𝒐 = 𝑬[𝜽
̂ cumple:
𝜽 ̂] = 𝜽
𝐥𝐢𝐦 𝑬[𝜽
𝒏→∞
- Consistencia
Se dice que un estimador es consistente cuando a medida que crece el tamaño de la
muestra 𝑛 → ∞ el 𝜃̂ converge al 𝜃.
Para verificar la Consistencia en probabilidad se de cumplir:
̂ − 𝜽| > 𝒌) = 𝟎
𝐥𝐢𝐦 𝒑(|𝜽 ̂ − 𝜽| ≤ 𝒌) = 𝟏
𝐥𝐢𝐦 𝒑(|𝜽
𝒏→∞ 𝒏→∞
i. ̂] = 𝜽
𝐥𝐢𝐦 𝑬[𝜽 ii. ̂] = 𝟎
𝐥𝐢𝐦 𝑽[𝜽
𝒏→∞ 𝒏→∞
- Suficiencia
Se dice que un estimador es suficiente si utiliza toda la información muestral.
Para verificar la suficiencia se debe factorizar la función de verosimilitud en dos
funciones no negativas de acuerdo a lo siguiente:
̂ , 𝜽)𝒉(𝑿𝟏 , 𝑿𝟐 , … … … … , 𝑿𝒏 )
⃗⃗⃗; 𝜽) = 𝑳(𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 … … … … , 𝑿𝒏 ; 𝜽) = 𝒈(𝜽
𝑳(𝑿
- Eficiencia
Se dice que un estimador es eficiente si se cumple con las siguientes condiciones:
i. Estimador Insesgado ̂] = 𝜽
𝑬[𝜽
ii. Estimador con varianza mínima ̂ ] = 𝒎í𝒏𝒊𝒎𝒂 = 𝑽[𝜽
𝑽[𝜽 ̂]
𝑪𝑪𝑹
[𝟏 + 𝒇´(𝑿; 𝜽)]𝟐
̂]
𝑽[𝜽 ≥
𝑪𝑪𝑹
𝝏 𝐥𝐧 𝒇(𝑿; 𝜽) 𝟐
𝒏𝑬 [ ]
𝝏𝜽
𝟏
̂]
𝑽[𝜽 ≥
*Estimador insesgado 𝑪𝑪𝑹
𝝏 𝐥𝐧 𝒇(𝑿; 𝜽) 𝟐
𝒏𝑬 [ ]
𝝏𝜽
EJERCICIOS
EJERCICIO DE CLASE
PRACTICA N°1
1. Sea (X1, X2, ………, Xn) una muestra aleatoria de una población que tiene
media μ y varianza 𝜎 2