UNIVERSIDAD NACIONAL AUTÓNOMA DE NICARAGUA

“A la Libertad por la Universidad”

VICERRECTORÍA ACADÉMICA
GUÍA PARA ESTRUCTURAR EL PLAN DE CLASE
I. DATOS GENERALES:

1.1 Facultad o Programa: Ciencias y Tecnología.

1.2 Carrera: Ingeniería Estadística III Año 1.3 Modalidad: Regular.
1.4. Nombre del Componente Curricular: Inferencia Estadística.
1.5. Unidad I: Estimación Puntual y Métodos de obtención de Estimadores .
1.6. Tema: Métodos de los Momentos y Máxima Verosimilitud.
1.7 Tiempo1: (Presencial): 2 horas (Clase #13)
1.8. Fecha: 15 al 19 de abril de 2024 (Semana #9)
1.9. Profesor (a): Martin J. R. Alonso Calderón.

II.COMPETENCIA DEL COMPONENTE CURRICULAR A LA QUE SE APORTA CON ESTA ACTIVIDAD2:

• Construye estimadores sobre variables aleatorias, para inferir el comportamiento de los parámetros en
modelos de distribución de probabilidad, mediante los métodos de estimación puntual y por intervalo.

III. DIMENSIONES DE LA COMPETENCIA:(CONOCIMIENTO, HABILIDADES Y ACTITUDES)3

Conocimiento
Método de los Momentos.
Método de Máxima Verosimilitud método de los momentos y el
Habilidades Actitudes
Calcula estimadores aplicando el Riguroso y ordenado en la
aplicación de propiedades y/o
método de máxima verosimilitud. teoremas. Crítico en el análisis de
resultados. Usa adecuadamente el
lenguaje y simbología matemática.
Muestra iniciativa, responsabilidad,
honestidad y buenas relaciones
humanas en la realización de
actividades de aprendizaje.

IV. ACTIVIDADES DEL DOCENTE Y DE LOS ESTUDIANTES:

a. Actividades de Iniciación:
Se hará mención al momento muestral y momento poblacional, también se habla de la distribución conjunta
de la función de distribución.

b. Actividades de Desarrollo:

1
Se escribe la hora que tiene el componente curricular a la semana, en correspondencia con su microprogramación.
2
La competencia a la que se refiere en este acápite, debe corresponder a las competencias establecidas en la microprogramación de este
componente curricular.
3
Las dimensiones de la competencia en este acápite deben corresponder a las dimensiones establecidas en la microprogramación de este
componente curricular, debidamente dosificada.
1
 UNIVERSIDAD NACIONAL AUTÓNOMA DE NICARAGUA
“A la Libertad por la Universidad”
VICERRECTORÍA ACADÉMICA
UNAN-LEÓN (ÁREA DE CONOCIMIENTO CIENCIAS Y TECNOLOGÍA)
ÁREA ESPECÍFICA DE MATEMÁTICA Y ESTADÍSTICA
CARRERA: INGENIERÍA ESTADÍSTICA, III AÑO.
COMPONENTE: INFERENCIA ESTADÍSTICA
UNIDAD II: ESTIMACIÓN PUNTUAL Y MÉTODOS DE OBTENCIÓN DE ESTIMADORES
Clase #13
TEMA: MÉTODO DE LOS MOMENTOS

MÉTODO DE LOS MOMENTOS

Fue introducido por K. Pearson y es el método más antiguo y sencillo para obtención de estimadores de
parámetros poblacionales. En algunas ocasiones se suele utilizar para obtener una primera aproximación de
los estimadores.

Este método consiste en igualar tantos momentos muestrales como parámetros haya que estimar, a los
correspondientes momentos poblaciones, que son funciones de los parámetros desconocidos, y resolviendo el
sistema de ecuaciones resultante tendríamos los estimadores de los parámetros.

Sea una población con función de probabilidad 𝑃(𝑥𝑖 ; 𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 ) o con función de densidad
𝑓(𝑥𝑖 ; 𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 ), según que se trate de una distribución de tipo discreto o de tipo continuo,
respectivamente en las cuales aparecen k parámetros desconocidos que tendremos estimar con la ayuda una
muestra aleatoria de tamaño n, (𝑋1 , 𝑋2 , 𝑋3 , ⋯ , 𝑋𝑛 ). Designamos por 𝛼1 , 𝛼2 , ⋯ , 𝛼𝑘 los k-primeros
momentos respecto al origen de la población:
∞ ∞
𝑗 𝑗
∑ 𝑥𝑖 𝑃(𝑋 = 𝑥𝑖 ) = ∑ 𝑥𝑖 𝑃(𝑥𝑖 ; 𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 ) 𝑗 = 1,2, ⋯ , 𝑘
𝛼𝑗 (𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 ) = 𝑖=1 𝑖=1
+∞
𝑗
∫ 𝑥 𝑓(𝑥𝑖 ; 𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 )𝑑𝑥
{ −∞
En general 𝛼𝑗 , sera un función de los k-parémetros 𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 ;
𝛼𝑗 (𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 ), 𝑗 = 1,2, ⋯ , 𝑘
Ahora, consideremos la muestra aleatoria (𝑋1 , 𝑋2 , 𝑋3 , ⋯ , 𝑋𝑛 ) de la población y calculemos los k-primeros
momentos respectos al origen, 𝑎1 , 𝑎2 , ⋯ , 𝑎𝑗 para estas observaciones muestrales, que son:
𝑛 𝑛 𝑗 𝑛
𝑋𝑖 𝑋 𝑋𝑖𝑘
𝑎1 = ∑ , ⋯ , 𝑎𝑗 = ∑ 𝑖 , ⋯ , 𝑎𝑘 = ∑
𝑛 𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1
Igualando los k primeros momentos poblacionales, 𝛼𝑗 a los correspondientes momentos muestrales 𝑎𝑗
tenemos un sistema de k ecuaciones con k-incognitas 𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 :
𝛼1 (𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 ) = 𝑎1
𝛼2 (𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 ) = 𝑎2
⋮
𝛼𝑗 (𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 ) = 𝑎𝑗
⋮
𝛼𝑘 (𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 ) = 𝑎𝑘
Resolviendo este sistemas de ecuaciones tendremos soluciones:
𝜃̂1 , 𝜃̂2 , ⋯ , 𝜃̂𝑘
2
 UNIVERSIDAD NACIONAL AUTÓNOMA DE NICARAGUA
“A la Libertad por la Universidad”
VICERRECTORÍA ACADÉMICA
Que son los estimadores de los parámetros: 𝜃1 , 𝜃2 , ⋯ , 𝜃𝑘 .

PROPIEDADES DE LOS ESTIMADORES OBTENIDOS POR EL MÉTODO DE LOS

MOMENTOS.

1. Insesgadez
Si los parámetros desconocidos y que pretendemos estimar son momentos poblacionales respecto al origen
(la media de la distribución normal, el parámetro p de distribución de Bernoulli, el parámetro 𝜆 de la
distribución de Poisson, etc,), entonces los estimadores obtenidos por este método son insesgados.

2. Consistencia
Bajo condiciones bastantes generales los estimadores obtenidos por este método son consistentes.

3. Normalidad Asintótica
Si los parámetros desconocidos y que pretendemos estimar son los momentos poblacionales, entonces los
estimadores obtenidos serán asintóticamente normales.

EJEMPLO 1:
Sea (𝑋1 , 𝑋2 , 𝑋3 , ⋯ , 𝑋𝑛 ) una muestra aleatoria obtenida de una población que sigue una distribución de
Poisson de parámetro 𝜆, desconocido. Obtener un estimador del parámetro 𝜆, utilizando el método de los
momentos.
SOLUCIÓN:
∞

𝛼1 (𝜆) = 𝐸[𝑋] = ∑ 𝑥𝑖 𝑃(𝑋 = 𝑥𝑖 )

𝑖=1
= 𝑥0 𝑃(𝑋 = 𝑥0 ) + 𝑥1 𝑃(𝑋 = 𝑥1 ) + 𝑥2 𝑃(𝑋 = 𝑥2 ) + ⋯ + 𝑥𝑖 𝑃(𝑋 = 𝑥𝑖 ) + ⋯
𝜆𝑥0 −𝜆 𝜆𝑥1 −𝜆 𝜆𝑥2 −𝜆 𝜆𝑥𝑖 −𝜆
= 𝑥0 𝑒 + 𝑥1 𝑒 + 𝑥2 𝑒 ⋯ + 𝑥𝑖 𝑒 +⋯
𝑥0 ! 𝑥1 ! 𝑥2 ! 𝑥𝑖 !
∞
𝜆𝑥𝑖 −𝜆
= ∑ 𝑥𝑖 ∙ 𝑒
𝑥𝑖 !
𝑖=0
Ahora como 𝜆𝑥𝑖 = 𝜆𝑥𝑖 𝜆−1 𝜆1 = 𝜆𝑥𝑖 −1 𝜆1 = 𝜆𝑥𝑖 −1 𝜆 y
𝑥𝑖 𝑖 𝑥 1
= (𝑥 −1)!.𝑥 = (𝑥 −1)!
𝑥𝑖 ! 𝑖 𝑖 𝑖
∞
𝜆. 𝜆𝑥𝑖−1
= ∑ 𝑥𝑖 ∙ 𝑒 −𝜆
(𝑥𝑖 − 1)! ∗ 𝑥𝑖
𝑖=1
∞
−𝜆
𝜆𝑥𝑖−1
=𝑒 𝜆∑
(𝑥𝑖 − 1)!
𝑖=1
Si aplicamos el desarrollo de la serie de Taylor y Maclaurin obtenemos la fórmula de Series de Potencias:
𝑥 𝑛−1
∑+∞
𝑛=1 (𝑛−1)! = 𝑒
𝑥

= 𝑒 −𝜆 𝜆𝑒 𝜆
= 𝑒 −𝜆+𝜆 𝜆
3
 UNIVERSIDAD NACIONAL AUTÓNOMA DE NICARAGUA
“A la Libertad por la Universidad”
VICERRECTORÍA ACADÉMICA
= 𝑒 0𝜆
𝛼1 (𝜆) = 𝜆 (1)
Como
𝑛
𝑋𝑖
𝑎1 = ∑ = 𝑋 (2)
𝑛
𝑖=1
Igualando (1) y (2)
𝛼1 (𝜆) = 𝑎1
Resulta que el estimador por el método de los momentos de 𝜆 es:
𝑛
𝑋𝑖
𝜆̂ = 𝑋 = ∑
𝑛
𝑖=1
Este estimador coincide con el que se obtiene por el método de máxima verosimilitud (que veremos a
continuación). ■

EJEMPLO 2:
Sea (𝑋1 , 𝑋2 , 𝑋3 , ⋯ , 𝑋𝑛 ) una muestra aleatoria procedente de una 𝐵(1 ; 𝑝). Obtenida de una población que
sigue una distribución de Bernoulli de parámetro 𝑝, desconocido. Obtener el estimador de parámetro 𝑝,
utilizando el método de los momentos.
SOLUCIÓN:
Sabemos que la distribución de Bernoulli 𝐵(1 ; 𝑝) que la media o el momento de orden uno con respecto al
origen es por definición:
𝐸[𝑋] = ∑ 𝑥𝑖 ∙ 𝑃(𝑥𝑖 )
𝑖
= 0 ∙ 𝑃(𝑋 = 0) + 1 ∙ 𝑃(𝑋 = 1)
= 0 ∙ (1 − 𝑝) + 1 ∙ 𝑝
= 0 + 𝑝
𝐸[𝑋] = 𝑝 (3)
Ahora el momento de orden uno con respecto a la muestra es:
𝑛
𝑋𝑖
𝑎1 = ∑ (4)
𝑛
𝑖=1
Luego igualando ambos momentos resulta
(3) = (4)
𝐸[𝑋] = 𝑎1
𝑛
𝑋𝑖
𝑝̂ = ∑
𝑛
𝑖=1

Y hacemos
𝑛

𝑋 = ∑ 𝑋𝑖
𝑖=1
Es igual al número de éxitos en las n pruebas independientes:
𝑋
𝑝̂ =
𝑛
4
 UNIVERSIDAD NACIONAL AUTÓNOMA DE NICARAGUA
“A la Libertad por la Universidad”
VICERRECTORÍA ACADÉMICA
Este estimador, como veremos después, es también el estimador obtenido por el método de la máxima
verosimilitud. ■

EJEMPLO 3:
Sea una muestra aleatoria formada por las observaciones (1.2; 2.6; 4.4; 3.4; 0.6; 2.2) procedente de una
población con función de densidad
1
𝑝𝑎𝑟𝑎 0 < 𝑥 < 𝜃
𝑓(𝑥) = { 𝜃
0 𝑝𝑎𝑟𝑎 𝑜𝑡𝑟𝑎 𝑝𝑎𝑟𝑡𝑒
Estimar el parámetro 𝜃 por el método de los momentos.
SOLUCIÓN:
Para aplicar el método de los momentos tendremos que calcular los momentos de orden uno respecto al origen,
tanto para la población como para la muestra e igualarlos
𝜃 𝜃
1 1 𝜃 1 𝑥 2 𝜃 1 𝜃 2 02 1 𝜃2
𝛼1 = 𝐸[𝑋] = ∫ 𝑥 ∙ 𝑓(𝑥) 𝑑𝑥 = ∫ 𝑥 ∙ 𝑑𝑥 = ∫ 𝑥 𝑑𝑥 = [ ] | = [ − ] = [ − 0]
0 0 𝜃 𝜃 0 𝜃 2 0 𝜃 2 2 𝜃 2
2
1 𝜃 𝜃
= [ ]=
𝜃 2 2
𝜃
𝛼1 =
2
Ahora el momento de orden uno con respecto a la muestra es:
𝑛
𝑋𝑖 1.2 + 2.6 + 4.4 + 3.4 + 0.6 + 2.2
𝑎1 = ∑ =
𝑛 6
𝑖=1
14.4
𝑎1 =
6
𝑎1 = 2.4
Luego resolviendo la ecuación
𝛼1 = 𝑎1
𝜃
= 2.4
2
𝜃̂ = 4.8
Entonces el estimador 𝜃̂ del parámetro 𝜃, por el método de los momentos será: 𝜃̂ = 4.8. ■

EJEMPLO 4:
Sea una población cuya distribución de probabilidad viene dada por
1
(1 − 𝜃) ; 𝑥 = −1
2
1
𝑃(𝑋 = 𝑥) ; 𝑥=0
2
1
{ 2𝜃 ; 𝑥 = 1.
En donde 0< 𝜃 < 1.
Utilizando una muestra aleatoria simple (𝑋1 , 𝑋2 , 𝑋3 , ⋯ , 𝑋𝑛 ).
1. Obtener un estimador del parámetro 𝜃 por el método de los momentos.
5
 UNIVERSIDAD NACIONAL AUTÓNOMA DE NICARAGUA
“A la Libertad por la Universidad”
VICERRECTORÍA ACADÉMICA
2. Comprobar si es insesgado.
3. Comprobar si es consistente.
SOLUCIÓN:
1. El momento de orden uno respecto al origen en la población es:

El momento muestral de orden uno será:

Igualando ambos momentos tenemos:

luego

Es el estimador obtenido por el método de los momentos

2. Veamos si es insesgado

Luego en este caso el estimador 𝜃̂ obtenido por el método de los momentos y es insesgado.

6
 UNIVERSIDAD NACIONAL AUTÓNOMA DE NICARAGUA
“A la Libertad por la Universidad”
VICERRECTORÍA ACADÉMICA
3. Para ver si es consistente, tendremos en cuanta la definición en la 2.8 (clase #11 y 12) y la expresión
[2.18]. Así pues probaremos que

O bien

Y como el estimador es insesgado

Nos queda:

Teniendo en cuenta una de las expresiones de la desigualdad de Chebychev, tenemos:

Ahora bien

Sustituyendo en la expresión de la desigualdad de Chebycheu tenemos:

Ya que Var(X), al ser un valor fijo, no depende de n.

Luedo

Por lo tanto, el estimador 𝜃̂ es consistente.

7
 UNIVERSIDAD NACIONAL AUTÓNOMA DE NICARAGUA
“A la Libertad por la Universidad”
VICERRECTORÍA ACADÉMICA
c. Orientación del Trabajo Independiente (Tareas):
Asignar ejercicios de afianzamiento en la guía de trabajo, sobre los estimadores puntuales.

V. MEDIOS O RECURSOS DIDÁCTICOS NECESARIOS:

Pizarra, borrador, crayones acrílicos, laptop, data show, puntero láser y memory flash.

VI. EVALUACIÓN DE LOS APRENDIZAJES (Criterios y Evidencias)4:

Criterios
Aplica correctamente el método de los momentos
y el método de máxima verosimilitud en la
estimación puntual y sus propiedades.
Evidencias
• Resuelve correctamente problemas
aplicados a la estimación puntual por el
método de los momentos y el método de
máxima verosimilitud.
• Informe escrito de ejercicios propuestos.

VII. CONCLUSIONES
Realizar preguntas de control de los conceptos vistos.
VIII. RECOMENDACIONES:
Revisar conceptos vistos en la bibliografía recomendada.
* Búsqueda en internet de los conceptos vistos.
IX. BIBLIOGRAFIA:
• Casas Sánchez, J.M. Estadística I: Probabilidad y distribuciones, Madrid, Centro de Estudios Ramón
Areces, 2000.
• DeGroot, Morris H., Probability and Statistics (2012), Addison-Wesley 4th ed.
• Wackerly Dennis, Mendenhall W (2008). Estadística Matemática con Aplicaciones. CENGAGE Learning
7ma ed.
• Walpole R.E., Myers R. H. (2012). Probabilidad y estadística para ingeniería y ciencias. Pearson, 9na
ed.
• Lipschutz Seymour. Probability. Series Shaum´s.
• Freund John E., Walpole Ronald E., Estadística Matemática con Aplicaciones, Prentice-Hall
Hispanopamericana, S. A., Mexico.

4
La evaluación de los aprendizajes debe ser coherente con lo establecido en la microprogramación de este componente curricular.
8