Escolar Documentos
Profissional Documentos
Cultura Documentos
Y DEL FORTALECIMIENTO DE LA
EDUCACIN
NDICE
ESTIMACIN
En inferencia estadstica se llama estimacin al conjunto de tcnicas que
permiten dar un valor aproximado de un parmetro de una poblacin a partir de
los datos proporcionados por una muestra. Por ejemplo, una estimacin de
la media de una determinada caracterstica de una poblacin de tamao N
podra ser la media de esa misma caracterstica para una muestra de tamao n.
La estimacin estadstica se divide en dos grandes grupos: la estimacin puntual
y la estimacin por intervalos.
I.
ESTIMACIN PUNTUAL
=g (
=g(
Estimador
Estimacin
Media
Varianza
Proporcin
Para la eleccin de estos estimadores puntuales nos hemos basado,
principalmente en la intuicin y en la posible analoga de los parmetros
poblacionales con sus correspondientes valores muestrales, pero ste no ser el
mtodo ms adecuado para la obtencin de estimadores puntuales, aunque en
este caso se obtienen estimadores satisfactorios para los parmetros
poblacionales. En general, el problema de obtener estimadores puntuales no
ser tan sencillo, por ello tenemos que dar propiedades que seran deseables
que se cumplieran por los diferentes estimadores puntuales obtenidos, aunque
no existe un mecanismo o mtodo nico que nos permita obtener el mejor
estimador puntual en todas las circunstancias.
Nuestro objetivo ahora ser dar algunas propiedades deseables de los
estimadores puntuales, con el fin de poder conocer la bondad de los mismos,
pues cuantas ms propiedades verifiquen los estimadores puntuales mejores
sern.
E [T(X1,. . ., Xn)] =
Es decir, si tomamos repetidas muestras, EN MEDIA, el valor del
estadstico estar cerca del verdadero valor del parmetro.
Y por lo tanto, su sesgo es:
E [ ]- = Var [ ]
ECM [
] = Var [ ] +
(E[ ])2
Estimador
Es insesgado?
Si
Media
Si
Varianza
Desviacin
tpica
s2
No
Si
Proporcin
I.2. Estimador asintticamente insesgado
Var [T 2]
Var [T 1]
Var [T 1]
Var [T 2]
I.4. Suficiencia
Un estimador es suficiente cuando no depende del parmetro a estimar
.
En trminos ms simples, cuando se aprovecha toda la informacin
muestral.
I.5. Consistencia
Se dice que un estimador T(X1,. . ., Xn) de es consistente si, adems de
carecer de sesgo, se aproxima cada vez ms al valor del parmetro a medida
que aumenta el tamao de muestra. Si el tamao n se hace indefinidamente
grande, los valores de T(X1,. . ., Xn) se concentran cada vez ms en torno al
valor del parmetro, hasta que con un tamao muestral infinito obtenemos
una varianza del estimador nula. Por lo tanto, un estimador es consistente si
cuando n tiende a infinito se cumple
T ( X 1,.. . , Xn)
Var
lim
n
] =0
2. MTODOS DE ESTIMACIN
2.1.
px
(x) en el caso
X k f x dx
E(
p x (X )
xk
)=
M. muestrales
1
X ik
n i=1
3
E( X )
E( X
M x (t)
=E(
e tx
Siempre que el valor esperado exista para todo t (h, h), h > 0. Esta
ltima es una condicin tcnica necesaria para que M x (t) sea
diferenciable en 0.
Se denomina funcin generadora de momentos porque los momentos
de
n
X (E ( X
E(
2.3.
Xn
M x (t)
n
t
t=0
[ X 1, X 1 +dx 1 ]
X2
en
*probabilidad de que
X1
[ X 2, X 2 + dx2 ] ,
est en
X1
est en
es:
[ X 1, X 1 +dx 1 ] ,
para todo
i=
f (x 1, )dx 1
i=1
Funcin de verosimilitud
f ( x i , )dxi
L( )
Ser mxima para la funcin de probabilidad y parmetros correctos.
En estadstica clsica L () no es la funcin de probabilidad de sino
la funcin de probabilidad conjunta de los x.
i=1
ln [ L() ]
ln[ f ( x i , ) dx i ]
i=1
2.4.
P ( [a, b]) = 1-
O en otros trminos:
P (a b) = 1-
III. EJERCICIOS
Ejercicio 1: Suponga que de una poblacin se saca una muestra de
tamao 3: X 1 , X 2 , X 3
2
Se conoce E(x) = y VAR (x) =
RESOLUCIN
E(
1
1
1
X + X + X
4 1 2 2 4 3
( 14 X + 12 X + 14 X )
1
)=E
E(
)=
E(
)=
E(
)=
E(x) =
1
1
1
X 1 ) + E ( X 2 )+ E ( X 3 )
(
4 E
2
4
1
1
1
+ +
4
2
4
n= 3
E () = E
1
n
E () = E
1
3
E () =
1
3
E () =
1
3
es insesgado
)
)
[ E ( x 1 ) + E ( x 2) + E ( x3 ) ]
E(x) =
es insesgado
E () =
1
3
(+ + )
E () =
1
3
(3) = E () =
VAR (
VAR (
1
1
1
X1+ X2+ X3
4
2
4
( 14 X + 12 X + 14 X )
1
) = VAR
VAR (
VAR (
)=
1
1
1
( X 1 ) + 2 VAR ( X 2 ) + 4 VAR ( X 3 )
4 VAR
)=
1
1 2 1
2+
+
2
4
2
4
() () ()
)=
1 2 1 2 1 2
+ +
16
4
16
)=
3 2
VAR (
n= 3
VAR () = E
1
n
VAR () = E
1
3
VAR () =
1
3
)
)
X
( i )
()
VAR
X
i=1
VAR( i )
VAR () =
1
9
VAR () =
1
9
E () =
1
9
E () =
1
9
2
(3 ) =
VAR (
VAR (
3 2
<
8
3
0.375 2 <0.3 2
que
2 es
ms eficiente que
Ejercicio 2: Sea
X
, 0< X < 2 , >0
2
2
Ff(x) =
0 en otro caso
Sea
3
4 . Determine si
lim E()
E( )
E( )
E( )
es consistente
3
4
3
4 )
E
3
E
4
3 1
E( )
4 n
E( )=
3
4n
[ E()]
E( )=
3
4n
[ E ( x 1+ x 2 + x 3 ++ x n ) ]
E( )=
3
4n
[ E ( x 1 ) + E ( x 2) + E ( x3 ) + E ( x n ) ]
x f ( x ) dx
E( )=
E( )=
x 2x2 dx
E( )=
1 x3
2 2 3
( )|
E ( )=
3
1 (2 ) 03
3
2 2 3
E ( )=
E( )=
3
4n
[ E ( x 1 ) + E ( x 2) + E ( x3 ) + E ( x n ) ]
E( )=
3
4n
E( )=
3
4n
[ ]
E( )=
4
4
4
4
+ + +
3
3
3
3
4
n
3
Reemplazando
lim
n
lim Var ()
lim
3
4 )
Var ( ) = Var (
3
4
Var ( ) =
()
Var ( ) =
3
4
()
Var ( ) =
( )
Var ()
( i )
3
1
n2 i=1
X
3 Var
(
4 n i )
i=1
Var
1 2
8n
2
1
lim
8 n n
=0
3
4n
( )
Var ( ) =
Var (x) =
E ( x1
)]
[ Var ( x1 + x 2 + x 3+ + x n ) ]
[ E ( x1 )]
[ 2 2 ]
[ ]
4
2 2
E(
Var ( ) =
x 2 2x2 dx
) =0
9
16 n2
2
=2
Var ( ) =
9 2 2 2 2
2
+ + + 2
2
9
9
16 n 9
Var ( ) =
9
2
n 2
2
9
16 n
Var ( ) =
1 2
8n
[ ]
*Como se cumple
lim E()
lim Var ()
entonces es eficiente
= 0,
6.72
0.0237<P<0.0376
Se sabe con un nivel de confianza del 90% que la proporcin de
discos defectuosos que no pasan la prueba en esa poblacin est
entre 0.0237 y 0.0376.