Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estimación Puntual
Definición 14.1 Un estimador puntual corresponde a cualquier función de la muestra
g(X1 , X2 , . . . , Xn )
θ = (θ1 , θ2 , . . . , θk )
1. U (θ, 2θ)
2. N (µ, σ 2 )
1
14.2. Método de Máxima Verosimilitud
Definición 14.3 Sea X1 , . . . , Xn una muestra aleatoria proveniente de una población con función
densidad fθ . Se define la función de verosimilitud como la función densidad conjunta del vector
X1 , . . . , Xn y está dada por
Yn
L(θ, x) = fθ (xi )
i=1
iid
Ejercicios 14 Si X1 , X2 , . . . , Xn ∼ f , encuentre una expresión simplificada para la función de
verosimilitud si f es
1. exp(λ)
4. P oisson(λ)
iid
Ejercicios 15 Si X1 , X2 , . . . , Xn ∼ f , encuentre los estimadores de máxima verosimilitud si f es
1. exp(λ)
4. P oisson(λ)
Definición 14.5 Consideremos una familia de distribuciones con parámetro θ ∈ Θ para una va-
riable aleatoria X y con función de verosimilitud asociada L(θ, x). Se dice que la log- verosimiltud
de X pertenece a una familia exponencial ssi existen funciones ω1 , . . . , ωk ∈ Θ y t1 , . . . , tk ∈ R,
tales que
k
X
log L(θ, x) = log h(x) + log c(θ) + ωj (θ)tj (x)
j=1
2
Ejemplo 14.1 Sea la variable aleatoria X con función densidad
θ(1 − θ)x−1 , x = 1, 2, . . . , θ ∈ (0,1);
f (x) =
0, e.o.c.
con x ∈ R, θ = (µ, σ 2 ), ∞ < µ < ∞, σ 2 > 0, desconocidos. Determine si esta distribución pertenece
a la familia exponencial.
3
15. Insesgamiento y eficiencia
Definición 15.1 Un estimador puntual θb de θ es insesgado si
E(θ)
b =θ ∀ θ
b(θ) b −θ
b = E(θ)
Por lo tanto, un estimador es insesgado si su distribución tiene como valor esperado al parámetro
que se desea estimar.
iid
Ejercicios 16 Si X1 , X2 , . . . , Xn ∼ f , determine si los estimadores de momentos y máxima vero-
similitud son insesgados para f
1. exp(λ)
4. P oisson(λ)
iid
Ejemplo 15.1 Sea X1 , . . . , Xn ∼ exp(θ) y consideremos θb = 1/x. Calcule el ECM(θ).
b
4
Teorema 15.1 Cramér - Rao.
Sea X1 , . . . , Xn una muestra con función densidad fθ que satisface la conmutatividad entre el opera-
dor integral y diferencial y sea g(X) = g(X1 , . . . , Xn ) un estimador donde E(g(X)) es diferenciable
como función de θ. Entonces
d
( dθ E(g(X))2
V(g(X)) ≥ 2
∂
E ∂θ log L(θ, x)
Observación: La cantidad
d
( dθ E(g(X))2
∂
2
E ∂θ
log L(θ, x)
se llama cota de Cramér-Rao y todo estimador que alcance esta cota será llamado eficiente.
I(θ)−1
=1
V(θ)
b
Teorema 15.2 Si θb es el EMV de θ, entonces para cualquier función g(θ), el EMV de g(θ) es g(θ)
b
Ejercicios 17 .
iid
1. Si X1 , X2 , . . . , Xn ∼ f , encuntre los estimadores de momentos si f es
a) exp(λ)
b) Γ(α, β)
c) U (0, θ)
d) U (−θ, θ)
5
iid
3. Sea X1 , . . . , Xn ∼ N (θ, σ 2 ). Calcule el ECM(θ)
b si θb = x.