Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Es decir: V (X )=σ 2
El método empleado para la estimación puntual es escoger al azar una muestra de tamaño n de una
población f(xi;θ) y luego por cierta fórmula preconcebida llegar a un número, por ejemplo θ^ , que
aceptamos como estimación de θ.
El estimador puntual (o simplemente estimador) es una función de valor real de las n observaciones
de la muestra que no depende de ningún parámetro desconocido. El estimador es una función de n
variables aleatorias independientes.
^
θ(x 1 , x 2 ,…, x n)
n
1
s 2= ⋅∑ (x − x̄)2
n−1 i=1 i
m
^ =X i (máximomuestral)
( )
i=n
x
E( x̄ )=E ∑ ni pero n no interviene en la sumatoria, de modo que sale de la misma,
i=1
i=n
1 1
E( x̄ )= ⋅∑ E( x i)= ⋅n⋅μ=μ
n i=1 n
i=n
( x i− x̄)2
s =∑
2
Otro ejemplo: la varianza muestral definida como es un estimador
i=1 n−1
insesgado de la varianza poblacional (debemos probarlo).
[∑ ] { }
n 2 n
(x i− x̄) 1
2
E(s )=E
n−1
=
n−1
⋅E ∑ [(⏟
xi −μ)−( x̄−μ) ]
2
=… (Ec.1a)
i=1 i=1
sumo y resto μ
{∑ }
n
1
…= ⋅E [(x i−μ)2−2( x̄−μ)⋅(xi −μ )+( x̄−μ)2 ]
n−1 i=1
{ }
n n n
1
…=
n−1
⋅E ∑ ( x i−μ )2−2( x̄−μ)⋅∑ ( xi −μ)+∑ ( x̄−μ)2 (Ec.1b)
i=1 i=1 i =1
Marcamos en rojo una sumatoria porque es necesario que hagamos un cálculo auxiliar para
encontrar su valor:
n
xi
∑ ( xi −μ )=∑ x i−n⋅μ= n⋅∑ −n⋅μ=n⋅x̄−n⋅μ=n⋅( x̄−μ)
i=1 ⏟n
mult . y divido por n
{∑ }
n
1
…= ⋅E ( x i−μ )2−2( x̄−μ)⋅n⋅( x̄−μ)+n⋅( x̄−μ )2 (Ec.2)
n−1 i=1
{ }
n
1
…=
n−1
⋅E ∑ ( x i−μ )2−2⋅n⋅( x̄−μ)2 +n⋅( x̄−μ )2
i=1
{∑ }
n
1
…= ⋅E ( x i−μ )2−n⋅( x̄−μ )2 (Ec.3)
n−1 i=1
{ }
n
1
2
E( s )=…= ⋅ ∑ E (xi −μ)2 −n⋅E( x̄ −μ)2 (Ec.4)
n−1 i=1
Observando la expresión obtenida, puede verse que el primer término de la sumatoria es, por
definición, la varianza poblacional. El término en verde es la varianza de la media
muestral; para demostrar esto debemos hacer nuevos cálculos auxiliares:
2
V ( x̄)=E( x̄−μ) = σ
2
(hay que demostrarlo)
n
( )
n
x
V ( x̄)=V ∑ ni =…
i=1
Pero n no interviene en la sumatoria (es una constante). Podemos aplicar las propiedades de
la varianza y simplificando:
(∑ )
n n n
xi 1 1 1 2
V ( x̄)=V = 2⋅∑ V (x i)= 2⋅∑ σ 2= 2⋅n⋅σ 2= σ =σ x̄
i=1 n n i=1 n i=1 n n
{ } { }
n n
1 1
E( s2 )=…= ⋅ ∑ E ( xi −μ)2 −n⋅E( x̄ −μ)2 = ⋅ ∑ σ 2−n⋅σ2x̄
n−1 i=1 n−1 i=1
{ } { }
n 2 n
1 1
…= ⋅ ∑ σ2−n⋅σ2x̄ = ⋅ ∑ σ2−n⋅ σ y simpificando:
n−1 i =1 n−1 i=1 n
{ }
n
2
1 1 1
E( s2 )=…= ⋅ ∑ σ2−n⋅ σ = ⋅{n⋅σ2 −σ2 }= ⋅{σ 2⋅(n−1) }=σ2
n−1 i =1 n n−1 n−1
^
1. E( θ)=θ ^
2. lim V ( θ)=0
n →∞
2. lim V ( x̄ )=lim V σ =0
1. E( x̄ )=μ ( ya demostrado)
n →∞ n→∞ n ( )
Comentario: también se puede definir que un estimador es consistente si se verifica que
^ |−ε]=1
lim P[|θ−θ con ε>0
n →∞
1
P[|x̄−μ|<ε]⩾1− 2
donde ε=k⋅σ x̄
k
1
En consecuencia: P[|x̄−μ|<k⋅σ x̄ ]⩾1− 2
k
A partir de ε=k⋅σ x̄ podemos deducir que:
ε=k⋅σ x̄ =ε=k⋅ σ
√n
… de modo que podemos escribir:
2
1 σ2
ε2=k 2⋅σ … y despejando: =
n k 2 n⋅ε2
es cero
V ( θ^ 1)
e ( θ^ 1 ; θ^ 2)=
V ( θ^ )
2
entonces, si:
e ( θ^ 1 ; θ^ 2)>1 entonces θ^ 2 es más eficiente.
4. Suficiente. Decimos que un estimador es suficiente cuando utiliza toda la información que
proporciona la muestra.
xi
x̄=∑ es un estimador suficiente porque utiliza todos los valores de xi.
n
R=(x max−x min ) (el rango) no es un estimador suficiente; sólo utiliza dos datos de la muestra.
Si seleccionamos al azar una muestra de n observaciones x1, x2, …, xn de una variable aleatoria
discreta X y si su distribución de probabilidad P(xi) es función de un solo parámetro θ, entonces la
probabilidad conjunta de observar estos n valores independientes de X es:
L=P(x 1 , x 2 ,…, x n ;θ)=P(x 1)⋅P (x2 )⋅…⋅P( x n )
A esta probabilidad, Fisher la llamó verosimilitud de la muestra y sugirió que se debería escoger
como estimación de θ, al valor de θ^ que maximiza la función L.
En el caso de que la muestra provenga de una variable contínua X, con función de densidad de
probabilidad f(xi; θ), la verosimilitud L de la muestra de n observaciones x1, x2, …, xn es:
−λ x1 −λ x2 −λ xn −n λ
∑ xi
e ⋅λ e ⋅λ e ⋅λ e ⋅λ i=1
…= ⋅ ⋅…⋅ =
x 1! x2 ! x n! x 1!x 2!… x n!
n
2. ln (L)=−n λ+ ∑ x i⋅( ln λ)−ln x 1!−ln x 2!−…−ln x n!
i=1
d ln L
∑ xi
i=1
3. =−n+
dλ λ
∑ xi
4. −n+ i=1λ =0
n n
∑ xi ∑ xi
=λ^
i=1 i=1
5. =n en consecuencia:
λ n