Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Departamento de Estadı́stica
Universidad Carlos III de Madrid
Estimación de Parámetros
1. Estadı́sticos (estimadores)
Pretendemos obtener información acerca de los parámetros de la población
(media, varianza, proporción, . . . ) a partir de una muestra.
Un estadı́stico es cualquier función de las observaciones de una muestra
aleatoria, es por lo tanto una variable aleatoria.
Se llama estimador de un parámetro θ a cualquier función de una mues-
tra θ̂ = f (X1 , X2 , . . . , Xn ) que conduce a la obtención de valores aproximados
de θ. Un estimador es un estadı́stico.
Al valor que toma un estimador en una muestra especı́fica, lo denomina-
mos estimación.
La estimación es puntual cuando el estimador θ̂ toma como valores núme-
ros reales.
1
1.1. Propiedades de los estimadores
Estimador insesgado o centrado. Un estimador de un parámetro θ es
insesgado si su valor esperado es θ, es decir, θ̂ es insesgado si E[θ̂] = θ.
A la diferencia E[θ̂] − θ se le llama sesgo del estimador,
sesgo[θ̂] = E[θ̂] − θ .
Eficiencia[θ̂2 ] var[θ̂1 ]
ER[θ̂2 ; θ̂1 ] = = .
Eficiencia[θ̂1 ] var[θ̂2 ]
2
2. Distribuciones en el muestreo
2.1. Distribución en el muestreo de la media
Sea X una variable aleatoria con media µ y desviación tı́pica σ conocida.
Podemos tomar una muestra aleatoria simple de X de tamaño n, obteniendo
X1 , X2 , . . . , Xn , n variables aleatorias independientes distribuidas como X.
La media muestral será n
1X
X= Xi
n i=1
que es claramente una variable aleatoria.
Se trata de un estimador centrado de µ, es decir, E[X] = µ y su varianza
es var[X] = σ 2 /n
Si X sigue distribución normal, encones X también seguirá distribución
normal.
Además, por el Teorema Central del Lı́mite (si n ≥√30) la distribución de
X se aproxima a la de una variable aleatoria N(µ, σ/ n).
3
2.2. La varianza en el muestreo
Tenemos dos alternativas para estimar la varianza poblacional σ 2 . La primera
es la varianza muestral que se define como
n
2 1X
S = (Xi − X)2 ,
n i=1
y la segunda, la cuasivarianza muestral que es
n
1 X
Ŝ 2 = (Xi − X)2 .
n − 1 i=1
La cuasivarianza muestral es un estimador insesgado de σ 2 y, en consecuencia,
la varianza muestral no lo es,
n − 1
2 2 2
E[Ŝ ] = σ ; E[S ] = σ2 .
n
4
Distribución del cociente de varianzas Tomamos dos muestras in-
dependientes procedentes de dos poblaciones normales. Es decir, a partir
de una variable X ∼ N(µX , σX ) obtenemos una muestra aleatoria suya
X1 , X2 , . . . , Xn y a partir de otra variable Y ∼ N(µY , σY ) obtenemos también
una muestra aleatoria de ella misma Y1 , Y2 , . . . , Ym , de tal modo que las X’s
y las Y ’s son independientes. Tenemos entonces que la distribución de sus
cocientes de varianzas muestrales cumple,
2
2
nSX 2
/[(n − 1)σX ] SˆX /σX2
= 2 ∼ Fn−1,m−1
mSY2 /[(m − 1)σY2 ] SˆY /σY2
donde Fn−1,m−1 es una distribución de Fisher-Snedecor con n − 1 y m − 1
grados de libertad.
5
2. Función soporte. L(θ|x) = ln l(θ|x)