Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MUESTREO:
• INTRODUCCIÓN
• ESTIMACIÓN PUNTUAL
• MÉTODOS PARA OBTENER ESTIMADORES
• MODELO DE REGRESIÓN LINEAL
• METODO DE LOS MINIMOS CUADRADOS
• ESTIMACIÓN POR MÁXIMA VEROSIMILITUD
• PROPIEDADES DEL ESTIMADOR DE MÁXIMA
VEROSIMILITUD
• DÓCIMA DE HIPÓTESIS
INTRODUCCIÓN
Inferencia estadística La inferencia estadística es el conjunto de métodos
que permiten inducir, a través de una muestra estadística, el comportamiento
de una determinada población.
Importante los conceptos:
POBLACION
MUESTRA ESTADÍSTICO
UNIDAD DE
ESTIMACIÓN:
MUESTREO
PARÁMETRO ESTIMADOR
INFERENCIA, ESTIMACIÓN Y CONTRASTE DE
HIPÓTESIS
CONTRATE DE HIPÓTESIS NIVEL DE CONFIANZA
Consiste en determinar si es
aceptable, partiendo de datos Indica la proporción de veces que
muestrales, que la característica o el acertaríamos al afirmar que
parámetro poblacional estudiado tome el parámetro θ está dentro del
un intervalo al seleccionar muchas
determinado valor o esté dentro de muestras
unos determinados valores.
ESTIMACIÓN PUNTUAL
Un estimador de un parámetro poblacional es una función de los datos muéstrales. En pocas
palabras, es una fórmula que depende de los valores obtenidos de una muestra, para realizar
estimaciones. Lo que se pretende obtener es el valor exacto de un parámetro.
A) Insesgadez E[θ* ] = θ
B) Eficiencia V[θ1 * ] < V[θ2 * ].
C) Suficiencia
D) Consistencia Limn∞→ = {P [ο − ε ≤ ο ≤ o+ ε]}.
MÉTODOS PARA OBTENER
ESTIMADORES
MÉTODO DE MÁXIMA
VEROSIMILITUD
MINIMOS DE
METODOS
CUADRADOS
MÉTODO DE LOS
MOMENTOS
MODELO DE REGRESIÓN LINEAL
PROPIEDADES DE Yi, Y i y ei.- Yi.
Si Yi = α + βXi + Ui (1) Tomando esperanza matemática miembro a miembro en (1), se
tendrá.
E (Yi) = E (α + βXi + Ui) = E(α) + E(βXi) + E(Ui) E (Yi) = α + βXi
(2) F.R.P.
V (Yi) = E{[Yi – E(Yi)]2 } = E[(α + βXi + Ui – α – βXi) 2 ] = E(Ui) 2 = 2
u V (Yi) = E(Ui) 2 = 2
u (3) Resumiendo tendremos, que:
Yi ∼ N [(α + βXi), 2 u
METODO DE LOS MINIMOS CUADRADOS
El método de los mínimos cuadrados, consiste en minimizar la sumatoria de los
cuadrados de los errores o más explícitamente minimizar lo siguiente.
Sí Σ℮ 2 i = Σ (Yi – Ŷi) 2 = Valor residual min.
Σ℮ 2 i = min. Σ (Yi – Ŷi) 2
Cuando las variables son idénticamente distribuidas, Se escribe como el producto de la una misma función
evaluando cada factor de x1 hasta xn
𝐿(𝜃) = 𝑓(𝑥1 , 𝜃)
… … 𝑓(𝑥𝑛 ; 𝜃)
Propiedades del estimador de máxima verosimilitud
Consistencia,
Normalidad asintótica,
Eficiencia e incluso eficiencia de segundo orden tras corregir el sesgo.
DÓCIMA DE HIPÓTESIS
En primera instancia mostraremos un gráfico que nos
proporcione los elementos para dar un concepto de “Docima”, que es el siguiente.
Donde:
𝜆 = 𝛼 = Nivel de significación.
𝛾 = Nivel de confianza.
Tercero.- Determinar el Valor Crítico Calculado (VCC = tc) mediante el estadístico que
corresponda, que en nuestro caso será.