Escolar Documentos
Profissional Documentos
Cultura Documentos
Estadstica
(Teora y problemas)
I. Espejo Miranda
F. Fernandez Palacn
M. A. Lopez Sanchez
M. Mu noz Marquez
A. M. Rodrguez Cha
A. Sanchez Navas
C. Valero Franco
c Servicio de Publicaciones. Universidad de C
adiz
I. Espejo Miranda, F. Fern andez Palacn, M. A. L opez S
anchez, M. Mu
noz
Marquez, A. M. Rodrguez Cha, A. S
anchez Navas, C. Valero Franco
ISBN: 978-84-9828-131-6
Se concede permiso para copiar, distribuir y/o modificar este documento bajo los
t
erminos de la Licencia de Documentaci on Libre de GNU, Versi
on 1.2 o cualquier
otra versi
on posterior publicada por la Free Software Foundation. Una traducci
on
de la licencia est
a incluida en la secci
on titulada Licencia de Documentaci on
Libre de GNU.
Permission is granted to copy, distribute and/or modify this document under the
terms of the GNU Free Documentation License, Version 1.2 or any later version
published by the Free Software Foundation. A copy of the license is included in
the section entitled GNU Free Documentation License.
Inferencia Estad stica (Revisi
on: Marzo 2007)
I. Espejo Miranda, F. Fernandez Palacn, M. A. Lopez S
anchez,
M. Mu noz Marquez, A. M. Rodrguez Cha, A. Sanchez Navas,
C. Valero Franco
c
2007 Servicio de Publicaciones de la Universidad de C adiz
http://www.uca.es/teloydisren
Captulo 2
Estimaci
on puntual
1. Introducci
on
3. La funci
on de verosimilitud
L(x, ) = f (x),
4. Suficiencia
y
g(t, p) = pt (1 p)nt ,
P
se obtiene que ni=1 Xi es un estimador suficiente
para p.
Observaci on 2.1 Para poder aplicar esta cota es necesario que se cum-
plan ciertas condiciones de regularidad de f (x). Son las conocidas con-
diciones de regularidad de FisherWolfowitz:
1. El campo de variaci
on de la poblaci
on de la cual se extrajo la mues-
tra es independiente del par
ametro , y por tanto, la muestra tam-
bien lo es.
2. Existen, al menos, las dos primeras derivadas respecto al par
ame-
tro de la funci
on L(X, ).
18 Captulo 2. Estimacion puntual
3. La derivaci
on e integraci
on, as como la suma en el caso discreto,
son operaciones intercambiables.
Cuando un estimador es mas eficiente que otro pero a su vez tiene mas
sesgo, en general, se decide por aquel que tenga menor error cuadratico
medio (ECM). El error cuadr atico medio de un estimador se define como:
ECM (T ) = E (T )2 = V[T ] + ( E[T ])2 = V[T ] + b()2 ,
1. lm E(Tn ) =
n
2. lm V(Tn ) = 0
n
6. M
etodos de obtenci
on de estimadores
6.1. M
etodo de los momentos
Sea X una variable aleatoria tal que existen los r primeros mo-
mentos poblacionales con respecto al origen y cuya distribucion de-
pende de una serie de parametros 1 , . . . , k desconocidos. En el ca-
so de que el parametro i-esimo se pueda expresar en funcion de los
r primeros momentos poblacionales con respecto al origen, es decir,
i = gi (1 , . . . , r ), para una muestra (X1 , . . . , Xn ) el estimador ob-
tenido a traves del metodo de los momentos para dicho parametro viene
dado por i (X) = gi (a1 , . . . , ar ), donde
n
X
Xis
i=1
s = E[Xis ] as = .
n
6.2. M
etodo de m
axima verosimilitud
Ejemplo 2.9 Sea X una variable aleatoria que sigue una B(p).
Para encontrar el estimador maximoverosmil pa-
ra p, se construye en primer lugar la funcion de
verosimilitud:
Pn Pn
L(x, p) = p i=1 xi (1 p)n i=1 xi .
luego
n
X n
X
xi n xi
log L(x, p) i=1 i=1
= = 0.
p p 1p
22 Captulo 2. Estimacion puntual
n
1X
De donde se obtiene que p = xi .
n
i=1
7. Estimaci
on de par
ametros en poblaciones Normales
7.1.1. Distribuci
on Chicuadrado
2n definida como
n2 = Z12 + Z22 + + Zn2
sigue una distribucion Chicuadrado con n grados de libertad. Dicha
variable puede interpretarse como el cuadrado de la distancia eucldea
desde el origen de coordenadas al punto (Z1 , Z2 , . . . , Zn ). La variable se
caracteriza u
nicamente por el n
umero de Normales tipificadas que entran
en su composicion y la independencia de estas hace facil el calculo de
los momentos. As
2 2
E[n ] = n y V[n ] = 2n.
Propiedades 2.3
1. La distribuci
on Chicuadrado es un caso particular de una dis-
on Gamma, en concreto, es una ( 12 , n2 ). Recuerdese que
tribuci
X (a; p) si tiene como funci
on de densidad
p
a eax xp1 si x > 0
f (x) = (p)
0 si x 0
24 Captulo 2. Estimacion puntual
n
on caracterstica de un 2n es (t) = (1 2it) 2 .
2. La funci
3. La suma de dos Chicuadrado independientes con n1 y n2 grados
de libertad es una nueva variable Chicuadrado con n1 + n2 grados
de libertad.
4. Cuando n es mayor que 100 se verifica la siguiente aproximaci
on:
p
22n = N ( 2n 1, 1).
7.1.2. Distribuci
on t de Student
7.1.3. Distribuci
on F de SnedecorFisher
m 2m2 (m + n 2)
E[Fn,m ] = V[Fn,m ] = .
m2 n(m 2)2 (m 4)
Propiedades 2.4
1
1. De la definici
on se deduce que si X Fn,m X Fm,n .
2. La distribuci
on t de Student al cuadrado es un caso particular de
la F. Esto es, si
Z Z2
tn = q t2n = 2n
2n
n n
luego
2.7 Estimacion de parametros en poblaciones Normales 27
1 1
P (F20,7 > ) = 00 01 = 60 15.
b b
De donde b = 00 162.
7.2. Distribuci
on de la media muestral
7.3. Distribuci
on de la varianza muestral
2 n1 2 2 2(n 1) 4
E[S ] = V[S ] = .
n n2
7.4. Distribuci
on de la diferencia de medias muestrales
7.5. Distribuci
on del cociente de varianzas muestrales
7.6. Distribuci
on de la proporci
on muestral
8. Ejercicios
Solucion:
a) A partir de la m.a.s. de tama
no n, se construye la funcion
de verosimilitud:
Pn 2
2 2 n i=1 (xi )
L = L(x; , ) = (2 ) exp
2 .
2 2
Para encontrar los estimadores de maxima verosimilitud de y 2 , hay
que encontrar los maximos de la funcion de verosimilitud, L, o equiva-
lentemente, los maximos de la funcion log L:
n
X
(xi )2
n n
log L = log ( 2 ) log 2 i=1 .
2 2 2 2
Para ello, habra que resolver el siguiente sistema:
n
X
(xi )
log L i=1
= =0
2
n
X
(xi )2
log L n
2
= 2 + i=1 =0
2 2 4
cuya solucion proporciona los estimadores maximoverosmiles de y
2 :
= X
2.8 Ejercicios 31
n
X
(Xi X)2
2 = i=1
= S2.
n
1
CF CR = .
log f (X) 2
nE
Haciendo calculos,
1 (x )2
log f (x) = log log 2 ,
2 2 2
log f (x) x log f (x) 2 (x )2
= = ,
2 4
" #
log f (X) 2 1
E = 2.
1 2
CF CR = = ,
n 12 n
2
y puesto que V[T (X)] = V[X] = n , se deduce que T (X) = X es
eficiente para .
1 1
Y1 (X) = (X1 + X2 ) + (X3 + X4 )
6 3
34 Captulo 2. Estimacion puntual
X1 + 2X2 + 3X3 + 4X4
Y2 (X) =
5
X1 + X2 + X3 + X4
Y3 (X) = ,
4
estudie cuales son insesgados para .
1 x
f (x) = e , x0
f (x) = ex x > 0,
2.22. Dada una m.a.s. extrada de una poblacion que sigue una
Exp( 1 ), encuentre un estimador maximo-verosmil para el parametro .
2(a x)
fa (x) = 0 < x < a.
a2
38 Captulo 2. Estimacion puntual
P (X = x) = (1 )x1 x = 1, 2, . . . 0 1.
2.31. Sea X una variable una variable aleatoria que tiene por
funcion de densidad
f (x) = e(x) , x ,