14.

Estimación Puntual
Definición 14.1 Un estimador puntual corresponde a cualquier función de la muestra

g(X1 , X2 , . . . , Xn )

14.1. Método de Momentos

Definición 14.2 Sea X1 , X2 , . . . , Xn una muestra aleatoria de una variable X, proveniente de una
población con función de densidad fθ , con

θ = (θ1 , θ2 , . . . , θk )

El estimador de momentos θe de θ corresponde a la solución del sistema de ecuaciones

n
1X 1
E(X 1 ) = X
n i=1 i
n
2 1X 2
E(X ) = X
n i=1 i
.
= ..
n
1X k
E(X k ) = X
n i=1 i

Debiéndose plantear tantas ecuaciones como parámetros se desea estimar.

iid
Ejercicios 13 Si X1 , X2 , . . . , Xn ∼ f , encuentre los estimadores de momentos si f es

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)

2. Γ(α, β), con α conocido.

3. Bin(n, p) con n conocido.

4. P oisson(λ)

Definición 14.4 Un estimador máximo verosı́mil, EMV, de θ, basado en una muestra X

corresponde a
θ(X)
b

el cual se obtiene al resolver

∂
log(L(θ, x)) = 0 j = 1, . . . , k
∂θj

iid
Ejercicios 15 Si X1 , X2 , . . . , Xn ∼ f , encuentre los estimadores de máxima verosimilitud si f es

1. exp(λ)

2. Γ(α, β), con α conocido.

3. Bin(n, p) con n conocido.

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

con h y c funciones positivas definidas en R

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.

Determine si f(x) pertenece a la familia exponencial.

Ejemplo 14.2 Sea X1 , . . . , Xn una muestra aleatoria de X cuya densidad es

 
1 1 2
f (x) = √ exp − 2 (x − µ)
2πσ 2 2σ

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

Si θb no es insesgado , se denomina sesgo de θb a

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)

2. Γ(α, β), con α conocido.

3. Bin(n, p) con n conocido.

4. P oisson(λ)

Definición 15.2 El error cuadrático medio de un estimador θb de θ corresponde a

b = E(θb − θ)2
ECM(θ)
= V(θ) b 2
b + (b(θ))

iid
Ejemplo 15.1 Sea X1 , . . . , Xn ∼ exp(θ) y consideremos θb = 1/x. Calcule el ECM(θ).
b

Definición 15.3 Se define la matriz de información de Fisher como

 2
∂
I(θ) = E logL(θ, x)
∂θ

Lema 2 Sea la función fθ tal que

  Z   
d ∂ ∂ ∂
E logL(θ, x) = logfθ (x) fθ (x) dx,
dθ ∂θ ∂θ ∂θ
entonces,  2  2 
∂ ∂
E logL(θ, x) = −E logL(θ, x)
∂θ ∂θ2

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.

Es claro que si g(X) es un estimador insesgado para θ entonces se cumple que

1
V(g(X)) ≥
2
∂
E ∂θ
log L(θ, x)

es decir, la cota de Cramér- Rao es igual a I(θ)−1 .

Definición 15.4 Un estimador g(X) de θ se dice eficiente si

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)

2. Sea X1 , . . . , Xn una muestra aleatorio con función densidad

x −x/θ
fX (x) = e x > 0, θ>0
θ2
a) Determine el estimador de momentos y el EMV de θ.
b) Determine si θb es insesgado, calcule su varianza y compárela con la cota de Cramér-
Rao. ¿Es este estimador eficiente?

5
 iid
3. Sea X1 , . . . , Xn ∼ N (θ, σ 2 ). Calcule el ECM(θ)
b si θb = x.

4. Suponga que el tiempo de duración X de un cierto componente electrónico posee distribución

Rayleigh de parámetro θ, con función densidad dada por
2 2
fX (x) = xex /θ , x>0 θ>0
θ
Para realizar la inferencia acerca de θ se considera una muestra aleatoria X = (X1 , . . . , Xn )
que representa los tiempos de duración de n de esos componentes.

a) Determine la función de verosimilitud.

b) Determine el estimador de máxima verosimilitud θb de θ.
c) Determine si el EMV es insesgado.
d) Calcule el ECM(θ).
b
iid
5. Sea X1 , . . . , Xn ∼ N (µ, σ 2 ) y consideremos los estimadores para σ 2
n
1 X n−1 2
s21 = (Xi − X)2 y s22 = s
n − 1 i=1 n 1

Determine el ECM de ambos estimadores.