Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INFERENCIA ESTADÍSTICA:
Ejemplos de estimación:
ESTIMACIÓN DE PARÁMETROS:
1.-ESTIMACIÓN PUNTUAL.
𝐸(𝑌𝑖 ) = 𝜇 𝑦 𝑉𝑎𝑟(𝑌𝑖 ) = 𝜎 2 .
= 𝑎𝐸(𝜃̂1 ) + (1 − 𝑎)𝐸(𝜃̂2 )
= 𝑎𝜃 + (1 − 𝑎)𝜃 = 𝜃
∑𝑛𝑖=1 𝑌𝑖2
𝜃̂ =
𝑛
Es un estimador insesgado de 𝜎 2 .
𝑌~𝑁(0, 𝜎 2 )
Pero:
𝑛
∑𝑛𝑖=1 𝑌𝑖2 1
̅
𝐸(𝜃) = 𝐸 ( ) = ∑ 𝐸(𝑌𝑖2 )
𝑛 𝑛
𝑖=1
𝑛
1
= ∑{𝑉𝑎𝑟(𝑌𝑖 ) + [𝐸(𝑌𝑖 )]2 }
𝑛
𝑖=1
𝑛
1
= ∑ 𝜎2 = 𝜎2
𝑛
𝑖=1
𝑛 2
∑ 𝑌
Por lo tanto; 𝜃̂ = 𝑖=1 𝑖 es un estimador insesgado de 𝜎 2 .
𝑛
Ejemplo: Para 𝑌̅
𝑛
1 𝜎2
̅
𝑉𝑎𝑟(𝑌) = 𝑉𝑎𝑟 ( ∑ 𝑦𝑖 ) =
𝑛 𝑛
𝑖=1
y B(𝑌̅) = 0
𝜎2
Entonces; ECM =
𝑛
es un estimador sesgado de 𝜎 2 .
Solución:
𝑛
1
𝑆2 = ∑(𝑌𝑖 − 𝑌̅ )2
𝑛−1
𝑖=1
Es un estimador insesgado de 𝜎 2 .
𝐲 = 𝜷𝟎 + 𝜷𝟏 𝒙𝟏 + 𝜷𝟐 𝒙𝟐 + . . . + 𝜷𝒌 𝒙𝒌 + 𝝐
MÉTODO DE MÁXIMA VEROSIMILITUD
Method of Maximun Likelihood
3.-Se deriva parcialmente con respecto a cada parámetro que se desea estimar
y se iguala a cero.
Ejemplo 1: Sean Y1, Y2, . . . . . , Yn los valores de una muestra aleatoria de una
población distribuida exponencialmente con parámetro desconocido θ. Usar
el método de MÁXIMA VEROSIMILITUD para estimar θ.
Aplicando logaritmos:
𝑛
1
𝑙𝑛(𝐿(𝜃)) = −𝑛 ln(𝜃) − ∑ 𝑦𝑖
𝜃
𝑖=1
Derivando respecto a 𝜃
𝑛
𝑑(𝑙𝑛(𝐿(𝜃))) 𝑛 1
= − + 2 ∑ 𝑦𝑖
𝑑𝜃 𝜃 𝜃
𝑖=1
Igualando a cero:
𝑛
𝑛 1
− + 2 ∑ 𝑦𝑖 = 0
𝜃 𝜃
𝑖=1
Entonces:
𝑛
1
𝜃 = ∑ 𝑦𝑖
𝑛
𝑖=1
Por lo tanto:
𝑛
1
𝜃̂ = ∑ 𝑦𝑖 = 𝑌̅
𝑛
𝑖=1
𝐸(𝑌 𝑘 ) , k= 1, 2, …., n.
𝑛
1
𝑚1′ = ∑ 𝑌𝑖 = 𝑌̅
𝑛
𝑖=1
MÉTODO DE LOS MOMENTOS:
3.-Sea Y1, Y2, ….. , Yn , una muestra aleatoria proveniente de una variable aleatoria
“Y”, con función de densidad:
2 (𝜃 − 𝑦)
𝑓(𝑦) = ; 0<𝑦<𝜃
𝜃2
4.-Si X1, X2, ….. , X6, es una muestra aleatoria de una variable normal de media "", y
varianza 2, ambos desconocidos.
2
𝑓(𝑦) = { 𝜃 2 ) (𝜃 − 𝑦)
( 0<𝑦<𝜃
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜