Professional Documents
Culture Documents
Estimadores puntuales
Georgina Flesia
FaMAF
2 de mayo, 2013
Anlisis estadstico
Modelizacin estadstica:
Estimador puntual.
).
)
2
].
] = .
i =1
X
i
n
_
=
n
i =1
E[X
i
]
n
=
n
n
= .
Media muestral
Dadas n observaciones: X
1
, X
2
, . . . , X
n
, con una misma distribucin
con media nita ,
X(n) =
X
1
+ X
2
+ + X
n
n
.
Estimador consistente.
lim
n
[X(n)] = .
por la ley de los grandes nmeros.
Media muestral
Dadas n observaciones: X
1
, X
2
, . . . , X
n
, con una misma distribucin
con media nita y varianza nita
X(n) =
X
1
+ X
2
+ + X
n
n
.
Z =
n(X(n) )/.
Estimador asintticamente normal.
lim
n
[F
Z
(n)(x)] = (x).
por el teorema central del lmite.
Mtodos de estimacin mas comunes
Estimador de momentos
Estimador de mxima verosimilitud
Si la distribucin supuesta es discreta para los datos observados, y
se desconoce un parmetro .
Sea p
(X
1
) p
(X
2
) p
(X
n
).
El estimador de mxima verosimilitud es el valor
que maximiza L():
L(
(X
1
) f
(X
2
) f
(X
n
).
El estimador de mxima verosimilitud es el valor
que maximiza L():
L(
).
4. La distribucin asinttica es la normal.
5. Es fuertemente consistente: lim
n
= .
Distribucin exponencial
Ejemplo
Para la distribucin exponencial, = 1/ ( > 0) y f
(x) = e
x
para x 0.
L() =
_
e
X
1
_ _
e
X
2
_
_
e
X
n
_
=
n
exp
_
i =1
X
i
_
Distribucin exponencial
ln(L()) = ln(
n
exp
_
i =1
X
i
_
)
= n ln()
n
i =1
X
i
d
d
ln(L()) =
n
i =1
X
i
= 0
=
1
1
n
n
i =1
X
i
=
1
X(n)
=
1
Media muestral.
=
1
=
1
n
n
i =1
X
i
= X(n) = Media muestral.
Distribucin geomtrica
Ejemplo
Para la distribucin geomtrica, = p y p
p
(x) = p(1 p)
x1
para
x = 1, 2, . . . .
L(p) = p(1 p)
X
1
1
. . . p(1 p)
X
n
1
= p
n
(1 p)
n
i =1
(X
i
1)
= p
n
(1 p)
n
i =1
X
i
(1 p)
n
=
_
p
1 p
_
n
(1 p)
n
i =1
X
i
ln(L(p)) = n ln(
p
1 p
) + ln(1 p)
n
i =1
X
i
= n ln(p) n ln(1 p) + ln(1 p)
n
i =1
X
i
Distribucin geomtrica
d
dp
ln(L(p)) =
d
dp
[n ln(p) + ln(1 p)[
n
i =1
X
i
n]]
=
n
p
1
1 p
(
n
i =1
X
i
n) = 0
n
p
=
1
1 p
(
n
i =1
X
i
) n
1 p = p(
1
n
X
i
1)
1 = p + p(
1
n
X
i
) p
p =
_
1
n
X
i
_
1
Estimadores de mxima verosimilitud:
Distribuciones continuas:
Uniforme:
a = min{X
i
},
b = max{X
i
}.
Exponencial:
= X(n).
Gamma, Weibull: y
se resuelven numricamente.
Normal:
= X(n), =
_
n 1
n
S
2
(n)
_
1/2
=
_
1
n
n
i =1
(X
i
X)
2
_
1/2
.
Lognormal:
=
n
i =1
log(X
i
)
n
, =
_
n
i =1
(log(X
i
) )
2
n
_
1/2
.
Estimadores de mxima verosimilitud
Distribuciones discretas:
Geomtrica:
p =
1
X(n)
.
Poisson:
= X(n).
Error cuadrtico medio
: estimador del parmetro de una distribucin F
, ) = E[(
)
2
].
E[(
)
2
] = E[(
E[
] + E[
] )
2
]
= E[(
E[
])
2
] + (E[
] )
2
= Var(
) + (E(
) )
2
i =1
Var(X
i
) =
2
n
La media muestral es un buen estimador de E[X] si /
n es
pequeo.
n
> c
_
P{|Z| > c}.
Varianza muestral
El indicador
2
n
como estimacin del error en la media muestral, tiene
el inconveniente que es en general desconocida.
Para estimar la varianza se utiliza el estimador
S
2
(n) =
n
i =1
(X
i
X(n))
2
n 1
.
Frmula a utilizar:
E
_
S
2
(n)
= Var(X)
n
i =1
(X
i
X(n))
2
=
n
i =1
X
2
i
nX
2
(n)
Varianza muestral
E[X
2
i
] = Var(X
i
) + (E[X
i
])
2
=
2
+
2
.
E[X
2
(n)] =
2
n
+
2
.
(n 1)E[S
2
(n)] = nE[X
2
1
] nE[X
2
(n)] = n(
2
+
2
) n(
2
n
+
2
)
E[S
2
(n)] =
2
Utilizaremos S(n) =
_
S
2
(n) como estimador de la desviacin
estndar.
n < d. (S/
n < d)
X(1) = X
1
,
S
2
(1) = 0.
X(j + 1) = X(j ) +
X
j +1
X(j )
j + 1
S
2
(j + 1) =
_
1
1
j
_
S
2
(j ) + (j + 1)(X(j + 1) X(j ))
2
Estimacin de una proporcin
El estimador X(n) puede utilizarse tambin para estimar la
proporcin de casos en una poblacin.
X
i
=
_
1 probabilidad p
0 probabilidad 1 p.
E[(X(n) p)
2
] = Var(X(n)) =
p(1 p)
n