Documentos de Académico
Documentos de Profesional
Documentos de Cultura
02 Inferencia
02 Inferencia
Inferencia
2: estadística
Objetivos
ˆ(x1,... xn )
Ejemplo
• T = X1 es un estimador de
• T = X1 + 3 X2 es otro estimador de
Ejemplos
var(T ) var(T )
Desigualdad de Cramer-Rao
Ejemplo 1
2
var(T )
n
Teorema de factorización
n
con L(x1 ,... xn ;) f(xi , )
i1
Propiedades de un estimador
Sea X una variable aleatoria con una densidad de probabilidad f(x,) que
depende de un parámetro desconocido , (X1,... Xn) una muestra de X, T =
(X1,... Xn) un estimador insesgado de .
h(1,..., r )
T h(M1 ,..., M r )
n
1
donde M k ∑X k
i es el k-ésimo momento muestral.
n i1
Método de los momentos
Ejemplo
Una muestra de tamaño n se selecciona desde una población con
distribución uniforme sobre el intervalo (0,), en que es desconocido.
n
1
h(1 ) 21 y M1 ∑
n i1
Xi X
T 2M1 2 X
Máximo de verosimilitud
n
L(x1 ,... xn ;) f(xi ,
buscar ˆque maximiza la función
)
i1
Para este valor ˆ, la muestra observada era la más probable a priori, o la más
“verosímil”. En otras palabras, lo que se realizó era lo que tenía la mayor
probabilidad de realizarse
Observaciones
2) En caso de existir varios máximos locales, se elige entre ellos aquel que
proporciona la máxima verosimilitud.
Máximo de verosimilitud
n
L(x1 ,... xn ;) f(xi , )
i1
∑
n
xi
exp(n n i1
) x! i
i1
ˆf (U )
f (ˆ) ˆ
exp( X )
Máximo de verosimilitud
ˆ si n
SI
SI
Ejemplo
Se desconoce la proporción p de piezas defectuosas en una población. Sin
embargo se dispone de una muestra de 100 piezas elegidas al azar, entre las cuales
se observa k = 3 piezas defectuosas. Se supone además que los estados pi
posibles para p son:
Prob(k 3 | pi )
Prob( pi | k 3) 7
Prob( pi )
∑Prob(k 3 | p j ) Prob( p
j)
j1
con (distribución binomial de tamaño 100 y parámetro pi):
Prob(k 3 | p ) C3
p3 (1 p )97
i
100
i
i
Estimación Bayesiana
pˆ 4%
Este estimador difiere del estimador sin sesgo de varianza mínima, que hubiese
sido la proporción observada en la muestra (3%)
Estimación Bayesiana
1
[a,b], ()
ba
T (x1 ,... xn )
Para superar esta etapa, puede ser útil recurrir a la distribución asintótica
como aproximación de la distribución real.
Intervalos de confianza
Prob(u1 (T ) u2 (T )) 1
X
/ n~ N (0,1)
Intervalos de confianza
Intervalos de confianza
Comentarios
Tn1 X n
S
sigue una distribución de Student con n – 1 grados de
libertad.
Intervalos de confianza
S ∑ Xi
i1
2) La muestra es grande: n 50
con
Intervalos de confianza
con
Intervalos de confianza
p [0,1], p(1 p) 1/ 4
Probu1 ( X i ) i u2 ( X i ) 1
Al suponer que las variables (X1,… Xp) son independientes, se puede refinar el
método de Bonferroni. Para asegurar una confianza conjunta de 1 – , basta
con utilizar intervalos de confianza (1 – )1/p para cada variable.
La variable
2n n(X )t C1 (X
)
tiene una distribución del chi cuadrado de n grados de
libertad.
Caso multivariable:
regiones de confianza
Observaciones
Box, G.E.P., Hunter, W.G., Hunter, J.S., 1978. Statistics for Experimenters. John
Wiley and Sons, New York, 653 p.
Montgomery, D.C., Runger, G.C., 1999. Applied Statistics and Probability for
Engineers. John Wiley and Sons, New York.
Ejercicios