Professional Documents
Culture Documents
X =
22
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Los problemas de estimacin se presentan con gran
frecuencia en la ingeniera. A menudo es necesario
estimar:
La media de una poblacin.
La varianza o
2
de una poblacin.
La proporcin p de objetos de una poblacin que
pertenecen a cierta clase de inters.
La diferencia entre medias de dos poblaciones,
1
2
.
La diferencia entre proporciones de dos
poblaciones, p
1
p
2
.
23
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Estimadores puntuales razonables de estos
parmetros, son los siguientes:
Para , el estimador puntual es , la media
muestral.
Para o
2
el estimador puntual es , la varianza
muestral.
Para p el estimador puntual es = x/n, la
proporcin muestral, donde x es el nmero de
objetos en una muestra aleatoria de tamao n que
pertenecen a la clase de inters.
X =
2 2
S o =
p
24
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Para
1
2
el estimador puntual es ,
la diferencia entre las medias muestrales de dos
muestras aleatorias independientes.
Para p
1
p
2
el estimador puntual es , la
diferencia entre las proporciones de las dos
muestras, calculadas a partir de dos muestras
aleatorias independientes
1 2
X Y =
1 2
p p
25
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Comnmente se cuenta con ms de un estimador
para estimar a un parmetro en particular. La
pregunta evidente que surge es: <<cul debemos
utilizar?>>. A continuacin veremos las distintas
propiedades que puede tener un estimador las
cuales nos servirn para responder la pregunta
anteriormente formulada.
1.3 Propiedades de los estimadores
26
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
El estimador puntual es un estimador insesgado
del parmetro u si:
Estimadores Insesgados
O
( )
E u O =
Si el estimador no es insesgado, entonces la
diferencia:
( )
E u O
es conocida como sesgo del estimador .
O
27
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Ejemplo 1.2
Suponga que X es una v.a. con media y varianza
o
2
. Sea X
1
, X
2
, ., X
n
una muestra aleatoria de
tamao n de una poblacin que sigue la distribucin
de X. Demuestre que y son
estimadores insesgados de y o
2
respectivamente.
X =
2 2
S o =
28
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Comnmente nos encontraremos con varios
estimadores insesgados para estimar un parmetro
en particular. Debido a esto, no podemos slo
quedarnos con esta propiedad para seleccionar al
<<mejor estimador>>. Se necesita un mtodo para
seleccionar uno de entre varios estimadores
insesgados.
Entra el concepto de precisin.
29
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
La siguiente figura ilustra las pdf de dos estimadores
insesgados donde .
( ) ( )
1 2
V V O < O
Figura 1.2 Distribuciones muestrales de dos
estimadores insesgados.
30
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Suponga que se tiene una muestra aleatoria de
tamao 2n tomada de una poblacin X, con E(X) =
y V(X) = o
2
. Sean:
Ejemplo 1.3
dos estimadores para . Demuestre que ambos
estimadores son insesgados y determine cul de
ellos es <<el mejor>>.
2
1 2
1 1
1 1
y
2
n n
i i
i i
X X X X
n n
= =
= =
31
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
La medida de precisin usual es el error estndar
del estimador empleado.
Error Estndar de un estimador
El error estndar de un estimador es su
desviacin estndar .
( ) V o
O
= O
32
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Si en el error estndar intervienen parmetros
desconocidos, cuyos valores se pueden estimar, la
sustitucin de estas estimaciones en produce el
error estndar estimado (desviacin estndar
estimada) del estimador. El error estndar estimado
se puede representar ya sea por o por .
o
O
o
O
s
O
33
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Sea X una v.a. con E(X) = y V(X) = o
2
. Dadas
dos muestras aleatorias independientes de tamao
m y n respectivamente, con medias muestrales y
m respectivamente. Considere el siguiente estimador
de :
Ejemplo 1.4
Encuentre el valor de a que minimiza el error
estndar de .
( )
1 0 1 aX a Y a = + < <
X
Y
34
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Entre todos los estimadores de u que son
insesgados, seleccione el que tenga varianza
mnima. El estimador seleccionado recibe el
nombre de estimador insesgado con varianza
mnima (MVUE, minimum variance unbiased
estimator).
Principio de estimacin insesgada con
varianza mnima
O
35
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Hasta el momento hemos analizado slo las
propiedades que cumplen los estimadores, las
cuales nos ayudan a decidir cual es <<el mejor>>.
Sin embargo, no hemos visto cmo es que se
generan estos estimadores, es decir, cmo es
posible obtenerlos. En esta seccin del captulo
revisaremos dos mtodos para obtener estimadores
puntuales: el mtodo de los momentos y el
mtodo de mxima verosimilitud.
1.4 Mtodos de Estimacin Puntual
36
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Este mtodo consiste en igualar los momentos
muestrales con los momentos poblacionales, y a
partir de los sistemas de ecuaciones resultantes
despejar los parmetros de inters. De esta forma
habremos estimado los parmetro por el mtodo de
los momentos. Deben plantearse tantas ecuaciones
como parmetros se desee estimar, es decir, si se
desean estimar dos parmetros de una poblacin, es
necesario, plantear dos ecuaciones (dos
igualaciones de momentos muestrales con
momentos poblacionales).
Mtodo de los momentos
37
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Sea X
1
, ., X
n
una muestra aleatoria de una
poblacin X. El r-simo momento muestral alrededor
del origen se define como:
Momentos muestrales alrededor del origen
y alrededor de la media
'
1
1
n
r
r i
i
m X
n
=
=
y el r-simo momento muestral alrededor de la media
se define como:
( )
1
1
n
r
r i
i
m X X
n
=
=
38
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Represente con X una poblacin con E(X) = y
V(X) = o
2
. El r-simo momento poblacional
alrededor del origen se define como:
Momentos poblacionales alrededor del
origen y alrededor de la media
( )
' r
r
E X =
y el r-simo momento poblacional alrededor de la
media se define como:
( )
r
r
E X
(
=
39
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Mtodo de los momentos
Definicin Formal
' '
r r
m =
Sea X
1
, ., X
n
una muestra aleatoria de una
poblacin cuya distribucin est representada por la
v.a. X. El (los) estimador(es) de momento(s) del
(de los) parmetro(s) de la poblacin que se
desee(n) estimar, ser(n) encontrado(s) al resolver
la(s) ecuacin(es) del tipo:
o bien
r r
m =
40
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Note que el mtodo en ninguna parte afirma que
slo pueden igualarse los momentos alrededor del
origen como pareciera indicarlo el texto
Probabilidad y estadstica para ingeniera y
ciencias; Jay L. Devore.
41
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Suponga que el nmero de goles anotados por juego
por equipos de la liga nacional de Hockey sigue una
distribucin binomial negativa con parmetros r y p
desconocidos. Los siguientes datos pertenecen a
420 juegos efectuados en la temporada 1966-1967:
Ejemplo 1.5
Estime los parmetros de esta poblacin por medio
del mtodo de los momentos.
Goles 0 1 2 3 4 5 6 7 8 9 10
Frecuencia 29 71 82 89 65 45 24 7 4 1 3
42
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Uno de los mejores mtodos para obtener un
estimador puntual de un parmetro es el mtodo de
mxima verosimilitud. La mayora de los expertos
en estadstica recomiendan este mtodo, debido a
ciertas propiedades que se enunciarn a
continuacin. Tal como su nombre lo indica, el
estimador ser el valor del parmetro que maximiza
la funcin de verosimilitud.
Mtodo de mxima verosimilitud.
43
Sea X
1
, ., X
n
una muestra aleatoria de una
poblacin cuya distribucin est representada por la
v.a. X. La funcin de verosimilitud de la muestra, la
cual equivale a la pmf o pdf conjunta de la muestra
aleatoria es:
Funcin de verosimilitud.
( ) ( ) ( )
( ) ( ) ( )
1
1
1 ,..., 1
1
1 ,..., 1
1
,..., ,...,
,..., ,...,
n i
n i
n
IID
n X X n X i
i
n
IID
n X X n X i
i
L x x f x x f x o
L x x p x x p x
=
=
= =
= =
[
[
(Trabajemos mucho con ln (L))
44
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Los estimadores de mxima verosimilitud (MLE,
maximum likelihood estimator), son los que se
obtienen al maximizar la funcin de verosimilitud, con
respecto al (a los) parmetro(s) que se desea(n)
estimar.
A continuacin se enuncian algunas de las
propiedades que cumplen estos estimadores, razn
por lo cual ha hecho de este mtodo el mayormente
usado para la estimacin de parmetros.
45
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
1. Los MLE pueden ser sesgados. Sin embargo, en
la mayora de estos casos puede evitarse el sesgo
multiplicando el MLE por una constante.
2. Bajo condiciones muy generales, los MLE son
convergentes. Es decir, si los tamaos muestrales
sobre los cuales se basan los MLE son grandes,
el MLE estar <<prximo>> al valor del parmetro
que se estima.
Propiedades de los MLE.
46
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
3. Los MLE poseen la propiedad de invarianza.
Esto significa que si es el MLE de u, entonces
el MLE de una funcin del parmetro u, digamos
g(u) es . Por ejemplo si el estadstico A toma
sus medidas en pies
2
y el estadstico B mide en
pies, y el MLE de A es , entonces el MLE de B
es . Recordemos que esta propiedad no
la tienen los estimadores insesgados.
( ) g O
A
B A =
47
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
a) Encuentre el MLE de de una distribucin
exponencial.
b) Encuentre el MLE de de una distribucin de
Poisson.
c) Parecen tener sentido los resultados
encontrados?
Ejemplo 1.6
48
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Calcule los MLE de los parmetros y o de una
distribucin normal, cuya pdf es:
Ejemplo 1.7
( )
2
2
2
1
( ; , )
2
, 0
x
X
f x e
con x y
o
o
to
o
=
e > R
49
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Calcule el MLE del parmetro u de una distribucin
uniforme continua en [0, u] cuya pdf es:
Ejemplo 1.8
1
( ; ) , [0, ], 0
X
f x x u u u
u
= e >
50
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Propiedad asinttica de los MLE.
Si es un MLE para el parmetro u, definido sobre
una muestra aleatoria X
1
, ...., X
n
de una v.a. X,
entonces para n suficientemente grande, la variable
aleatoria tiene aproximadamente una distribucin
N(, o
2
) donde:
O
( )
( )
2
2 2
2
1 1
ln ;
ln ;
X
X
nE f X
nE f X
u
o
u
u
u
u
=
= =
( (
c
c
| |
( (
|
c
c
\ .
(
(Cramr-Rao)
51
Carlos Monardes Concha, Estadstica Aplicada 2 (CC-503)
Encuentre la distribucin que sigue el MLE de p en
una distribucin geomtrica cuando .
Ejemplo 1.9
Referencias:
(1)Probabilidad y Aplicaciones Estadsticas; Paul L. Meyer,
cap. 14, seccin 14.4, pg. 298 306, 1
era
edicin en espaol
(traduccin de la 2
da
edicin en ingls).
(2) Simulation Modeling & Analysis; Averill M. Law, W. David
Kelton, cap. 6, seccin 6.5, pg. 367 371, 2
da
edicin.
n