Tema 3 Estimación Puntual - Propiedades - Métodos

Tema 3: Estimacin puntual de parmetros. Propiedades.
Mtodos de obtencin de estimadores Estadstica Empresarial II

1
Tema 3: Estimacin puntual de parmetros. Propiedades.
Mtodos de obtencin de estimadores

3.1. Concepto de estimador. Error cuadrtico medio del estimador

Sea un fenmeno aleatorio o Poblacin que se puede representar por la variable aleatoria
con distribucin de probabilidad descrita por la funcin de probabilidad (de cuanta o de
densidad): ( )
; f x

Donde representa a un parmetro de valor desconocido o a un vector de parmetros con
valores desconocidos { }
1 2
: , ,...,
k

. Debemos ser conscientes de que si su valor es
desconocido siempre ser desconocido. Los mtodos de Inferencia Estadstica tratarn, a
partir de la informacin suministrada por una muestra aleatoria, o bien aproximarse a su ver-
dadero valor (Estimacin) o bien llegar a rechazar o aceptar que puedan tomar ciertos valo-
res y siempre con un determinado margen de error valorado en probabilidad (Contrastes de
hiptesis).

Para realizar cualquier inferencia acerca de alguna caracterstica desconocida de la Pobla-
cin supondremos que se va obtener por un procedimiento de muestreo aleatorio simple una
muestra de tamao n: ( )
1 2
: , ,..., ,...,
i n
X x x x x

De tal forma que:
( ) ;
i i
x f x
1,..., i n = (independientes en probabilidad)

Concepto de estimador: Ser un estadstico elaborado de tal forma que, para una muestra
concreta, el valor que tome dicho estadstico se asignar al parmetro () de valor descono-
cido. Sin objeto de descubrir, ni averiguar, ni revelar su cuanta, dado que es imposible, sino
con el objeto de aproximarse o estimar su verdadero valor, que se mantendr desconocido. A
la cantidad as obtenida se le denomina estimacin del parmetro.

Distinguiremos, por tanto:

PARMETRO: (Con valor fijo desconocido)
Se puede considerar el conjunto de posibles valores que puede tomar,
constituyendo el espacio paramtrico ( ).
ESTIMADOR:
1
( ,..., )
n
t x x =

Es un estadstico y, por tanto, variable aleatoria con su correspondiente dis-
tribucin de probabilidad que depender de los valores paramtricos desco-
nocidos.
ESTIMACIN:
0 10 0
( ,..., )
n
t x x =

Para una muestra determinada, ( )
0 10 0 0
: ,..., ,...,
i n
X x x x
, es la concrecin o
valor obtenido por el estadstico
1
( ,..., )
n
t x x =
, estimador de .
Tema 3: Estimacin puntual de parmetros. Propiedades. Mtodos de obtencin de estimadores Estadstica Empresarial II
2
Criterios:
-Estimacin puntual: Buscar el mejor estadstico,
1
( ,..., )
n
t x x = , que para una muestra
concreta, ( )
0 10 20 0 0
: , ,..., , ...,
i n
X x x x x
, determine el valor estimado para el parme-
tro,
0 10 0
( ,..., )
n
t x x = .

-Estimacin por intervalo: Buscar los estadsticos, ( ) ( )
1 2
y T X T X , ms adecuados
para que dada una muestra concreta, ( )
0 10 20 0 0
: , ,..., , ...,
i n
X x x x x
, se determine un inter-
valo de valores de gran fiabilidad para el parmetro, [ ]
1 0 2 0
( ) ; ( ) T X T X .

Este Tema est dedicado a la estimacin puntual. Para llegar a identificar los mejores esti-
madores de un parmetro entre los posibles estadsticos que se pudieran considerar nos fija-
remos en diversas propiedades de sus distribuciones de probabilidad.

Una medida bsica que mide, en la distribucin de probabilidad de un posible estimador, la
distancia o divergencia entre su posible valor y el valor desconocido del parmetro es el
error cuadrtico medio.

Error Cuadrtico Medio del estimador

Mide, en media y al cuadrado, la diferencia entre el posible valor del estimador y el valor des-
conocido del parmetro. Se define como el momento de segundo orden respecto a , valor
desconocido del parmetro, en la distribucin del estimador
:
( )
2

- ECM E
(
=

Es decir, lo que se espera (en media) que pueda medir la diferencia al cuadrado entre el ver-
dadero valor del parmetro y la estimacin que vamos a obtener a partir de la muestra

Se puede demostrar que (ver Anexo 1):
( ) ( ) ( ) ( )
( )
2
2

ECM V sesgo V b
(
= + = + (

Donde
( )
V es la varianza en la distribucin de probabilidad del estimador
:
( ) ( )
2

- V E E
(
=

Y ( ) b el sesgo del estimador, definido como:
( )
( ) ( )

- b sesgo E
(
= =

. Esto es,
la diferencia entre el verdadero valor del parmetro y el valor medio del estimador.

( ) ( ) ( ) ( )
( )
2
2

ECM V sesgo V b
(
= + = + (

3

Por tanto, los mejores estimadores de un parmetro desconocido , sern aquellos con un
sesgo ms pequeo y con la menor varianza en su distribucin de probabilidad. A estas ca-
ractersticas atienden las propiedades de los estimadores que a continuacin se definen y es-
tudian.

3.2. Estimador insesgado o centrado

Un estimador del parmetro se dice que es insesgado, si en su distribucin de probabili-
dad el valor medio o esperanza matemtica coincide con el valor desconocido del parmetro.

( )
E =

Si no fuera insesgado, entonces:
( ) ( )
( )

E sesgo b = + = +
siendo el sesgo, por tanto ( )
( )
- b E =

Grficamente:

Estimador insesgado

( )
E =

Estimador sesgado (sesgo negativo)

( )
( )
- 0 b E = <

( )

Un estimador se dice que es insesgado asintticamente, cuando siendo sesgado se pue-
de demostrar que el sesgo converge a cero cuando el tamao muestral, n, tiende a infinito.
Es decir, que segn se consideren muestras con tamaos crecientes el sesgo se va redu-
ciendo.
4
( )
( )
( )

0
n n
sesgo b E

=

( )

lim 0
n
b

=
( )

lim
n
E

=

Un estimador insesgado tambin recibe el nombre de estimador centrado.

Ejemplos:

Como hemos estudiado en el Tema anterior, el estadstico que parece que mejor informa
acerca del comportamiento medio del fenmeno es la media muestral (
1
n
i
i
x
x
n
=
=
). Y respecto
a la dispersin los mejores estadsticos parecen ser la varianza muestral (
( )
2
2 1
n
i
i
n
x x
S
n
=
)
y la cuasivarianza muestral (
( )
2
2 1
1
1
n
i
i
n
x x
S
n
=
), descartado el que parece el ptimo, esta-

dstico V
(
( )
2
1
n
i
i
x
V
n
) al desconocerse habitualmente el valor de la media poblacional.

En el siguiente cuadro aparecen estos estadsticos y su cumplimento o no de la propiedad de
insesgo:

parmetro estimador propiedad de insesgo

1
n
i
i
x
x
n
=
=

( )
E x =
(insesgado)

2

( )
2
2 1
n
i
i
n
x x
S
n
=

2
2 2
n
E S
n
( =

(sesgado)
( ) ( )
2
2 2
sesgo s b
n
= =
(negativo)
( )
2
2

lim lim 0
n n
b
n

| |
= =
|
\

(insesgado asintticamente)

5

parmetro estimador propiedad de insesgo

2

( )
2
2 1
1
1
n
i
i
n
x x
S
n
=

2 2
1 n
E S
( =

(insesgado)

Para introducir el planteamiento de la siguiente propiedad (Eficiencia) analizaremos el resul-
tado de las siguientes comparaciones entre estimadores:

I II
dos estimadores insesgados:
1
y
2
dos estimadores sesgados:

1
~
y
2
~

1

( ) 1
E = ( )
1
~
E

2

( ) 2
E = ( )
2
~
E

6
En la comparacin I, en donde los dos estimadores son insesgados, se ve claramente que el
mejor estimador es
2
, que posee la menor varianza y, por tanto, se tiene una probabilidad

mayor de acercarse al valor desconocido del parmetro.
Respecto a la comparacin II, en la que los dos estimadores son sesgados, si se escogiera al
estimador
2
porque tiene la menor varianza y, al ser el sesgo igual en los dos casos, menor
error cuadrtico medio, se puede observar que existira una probabilidad muy pequea de
acercarse al valor desconocido del parmetro. Mientras que si se emplease el estimador
1
,
aunque hay alguna posibilidad de aproximarse al valor desconocido del parmetro, tiene ms
probabilidad de alejarse bastante de dicho valor, al tener una varianza excesivamente gran-
de. De tal forma que ninguno de los estimadores propuestos, los dos con fuerte sesgo, pare-
ce correcto.

Por lo tanto, al considerar la propiedad de menor varianza, exigiremos previamente que el
estimador sea insesgado para evitar posibles conclusiones no acertadas.

3.3. Estimador eficiente. Cota de Cramr-Rao

Un estimador del parmetro se dice que es eficiente, si:

1: Es insesgado.

2: Es el que posee el menor valor de varianza (mnima varianza) entre todos
los estimadores insesgados del parmetro .

La primera condicin ya se ha estudiado en el anterior apartado. Respecto a la segunda, slo
en determinados casos podremos identificar al estimador eficiente. Ser cuando comprobe-
mos que la varianza del estimador insesgado que se considere, coincida exactamente con la
expresin obtenida para la cota de Cramr-Rao correspondiente a la varianza de cualquier
estimador insesgado que se pudiera contemplar. Pasamos a definir dicha cota.

Cota de Cramr-Rao:

Bajo las siguientes condiciones:

- El campo de variacin de las
i
x
no depende del valor de
- (Espacio abierto)
- La funcin de verosimilitud ( ) ; L X admite primera derivada respecto a
- Las operaciones de integracin y derivacin sobre ( ) ; L X son intercambiables
Se demuestra que, representando por
a cualquier estimador del parmetro , y suponien-

do que la muestra es aleatoria simple, se cumple:

7
( )
( )
( )
2
2
1 '

log ;
b
V CR
f x
nE
+ (

=
(
(

Siendo ( ) b el sesgo del estimador
y ( ) ; f x la funcin de cuanta o de densidad de la

variable que representa a la Poblacin. Por tanto, CR ser la expresin del menor valor posi-
ble que pudiera tomar la varianza de un estimador con sesgo igual a ( ) b .
Si los estimadores que se consideran son insesgados y representando por
a cualquier es-
timador insesgado del parmetro , la expresin de la cota de Cramr-Rao queda:

( )
( )
2
1

log ;
.
V CR
f x
n E
=
(
(

Ejemplo: Obtencin de la cota de Cramr-Rao para la varianza de los estimadores insesga-
dos del parmetro de una Poblacin que se distribuye segn el modelo de Poisson ().

1)
( ) ;
!
x
e
f x
x
=
para > 0 y x = 0, 1, 2, ...

2) ( ) ( ) log ; log log ! f x x x = +
3)
( ) log ; 1
1
f x x
x

= + =

4)
( )
( ) ( )
2
2
2
2 2 2
log ; 1 1 1 1 f x x
E E E x V x

| |
| |
= = = = =
| |
\
\

Y, por tanto, la cota de Cramr-Rao:
( )
2
1 1

1
log ;
.
CR
n
f x
n
n E
= = =
(
(

Si recordamos, el parmetro en la distribucin de Poisson es la media poblacional. Un es-
timador insesgado de es la media muestral
1

n
i
i
x
x
n
=
=
. Su varianza es igual a:
( )
2
V x
n n

= =
Al ser tambin el valor de la varianza poblacional en la distribucin de Poisson.
8

Como se puede observar hemos obtenido que la varianza de x es la menor posible y, por
tanto, la media muestral resulta ser un estimador eficiente del parmetro de la distribucin
de Poisson.

Al estimador eficiente se le considera el estimador ptimo, dado que optimiza el error
cuadrtico medio, al anular el sesgo y hacer mnimo el otro trmino (varianza del estima-
dor). Es difcil encontrar estimadores eficientes y, a veces, nos tenemos que contentar con
comparar las expresiones de las varianzas de los dos o tres estimadores insesgados pro-
puestos o comparar las expresiones de los errores cuadrticos medios, si los estimadores
propuestos no son insesgados.

Una propiedad que rene ambas caractersticas (menor sesgo y menor varianza) y con la
que es ms fcil encontrar estimadores que la verifiquen, es la propiedad de consistencia.
Esta propiedad se estudia, nicamente, para muestras grandes, es decir, considerando el
comportamiento de la sucesin aleatoria definida por el estimador cuando el tamao de la
muestra va aumentando.

3.4. Estimador consistente

La consistencia es una propiedad asinttica, ya que se define atendiendo al comportamien-
to de la distribucin de probabilidad del estimador segn vaya aumentando el tamao de la
muestra. Si representamos al estimador por
( )
n
, teniendo en cuenta que es una funcin de
los elementos muestrales y, por tanto, depender del tamao muestral, podremos considerar
la sucesin de variables aleatorias:
{ } ( )
n
n N
y estudiar su convergencia.

Se dice que un estimador
(n)
del parmetro es consistente si el lmite en probabilidad de la

sucesin
{ } ( )
n
n N
coincide con el valor desconocido del parmetro o, lo que es lo mismo, si la

sucesin
{ } ( )
n
n N
converge en probabilidad al verdadero valor del parmetro. Se representar

as:

( )
lim
n
n
p
=

{ }
. .
( )

C P
n
n N

Significando que la sucesin
{ }
( ) n
n N
P

de las probabilidades
( ) ( ) ( )
| - |
n n
P P =
tiene como lmite 0 para cualquier valor positivo de .

( ) ( )
lim | - | 0 0
n
n
P
= >

9
Es decir, que segn crece el tamao de la muestra los valores que pudiera tomar
( )
n
tienen
una probabilidad cada vez ms pequea, tendiendo a cero, de que se desven, en una canti-
dad arbitrariamente pequea, del valor desconocido del parmetro .

A partir de ahora, continuaremos representando al estimador por
, no apareciendo explci-
tamente el subndice (n) en el smbolo del estimador.

Condicin suficiente de consistencia (consistencia en media cuadrtica)

Se puede demostrar (ver Anexo 2) que si en la distribucin de probabilidad de un estimador
se cumple que:

( )
( )
lim
C.S.
lim 0
n
n
E
V

entonces
es consistente

Como se ha visto, la C.S. supone que:
( )
2
lim - 0
n
E
=
, es decir, que el error cuadrtico
medio converge a cero cuando el tamao de la muestra tiende a infinito. Esto es lo que se
denomina consistencia en media cuadrtica que, como hemos demostrado, implica la con-
sistencia en probabilidad o simplemente consistencia del estimador. A la inversa no siempre
se cumple (un estimador consistente en probabilidad no siempre lo ser en media cuadrti-
ca).

Nosotros nicamente estudiaremos la consistencia por medio de la condicin suficiente
(C.S.), aunque mantendremos la definicin dada al principio de este apartado que se refiere
a la consistencia en probabilidad.

Ejemplos:

Vamos a exponer en el siguiente cuadro el estudio del cumplimiento de la consistencia por
parte de tres estimadores: media muestral, varianza muestral y cuasivarianza muestral, de
los que ya estudiamos si eran insesgados. El estudio lo realizamos a travs del cumplimiento
de la condicin suficiente:

parmetro estimador Condicin Suficiente (C.S.) Propiedad

1

n
i
i
x
x
n
=
=

( ) E x =
(insesgado)
( )
2
0
n
V x
n
=

x es consis-
tente

10

parmetro estimador Condicin Suficiente (C.S.) Propiedad

2

( )
2
2 1
n
i
i
n
x x
S
n
=

( )
2
2 2 2
-
n n
E S
n
=


2
2 4 4
3 3
( 1) ( 3)( 1)
0
n n
n n n
V S
n n

( =

2
n
S es consis-
tente

2

( )
2
2 1
1
1
n
i
i
n
x x
S
n
=

( )
2 2
1

n
E S
=
(insesgado)

2 4 4
1
( 3)
0
( 1)
n n
n
V S
n n n
( =

2
1 n
S

es con-
sistente

Los tres estimadores resultan ser consistentes.

3.5. Estadsticos suficientes. Teorema de factorizacin

Se dice que un estadstico ( ) ( )
1
,..., ,...,
i n
T X T x x x = es suficiente respecto al parmetro
si recoge toda la informacin que, sobre dicho parmetro, contiene la muestra. De tal forma
que la distribucin de probabilidad conjunta de la muestra, condicionada a que el estadstico
( ) T X haya tomado un determinado valor ( ( ) T X t = ), no depende del parmetro .

( ) T X es suficiente respecto a ( ) ( )
1
,..., ,..., /
X i n
f x x x T X t =
no depende de

Ejemplo:
Si la Poblacin fuera Binomial (1;) y el estadstico propuesto
1
1
( )
n
i
i
T X x
=
=

se tendra que:
- La funcin de cuanta conjunta de la muestra sera:
( )
1
1
( ; ) 1
n
n
i
i
i
i
x
n x
X
f X
=
=

= para 0 , 1
i
x = con 0 < < 1

- El estadstico
1
1
( )
n
i
i
T X x
=
=

se distribuye segn una Binomial(n;) y, por tanto, su funcin de
cuanta es:
( ) ( )
1
( ) 1
( ) 1
n t
t
T X
n
f P T X t
t

| |
= = =
|
\
para t = 0, 1, 2, ... , n con 0 < < 1

11
- La funcin de cuanta conjunta de la muestra X y el estadstico
1
1
( )
n
i
i
T X x
=
=

se puede obte-
ner como la probabilidad de la interseccin entre la muestra y el estadstico:

( ) [ ] ( )
1 1
, ( ) ( ) 1
n t
t
f X T X P X T X t

= = =

Y, por tanto, la funcin de cuanta de la muestra condicionada a que el estadstico ha tomado
un valor ser:
( )
( )
( )
( )
( )
1
1
1
, ( ) 1 1
/ ( )
( )
1
n t
t
X
n t
t
f X T X
f X T X t
n n P T X t
t t

= = = =
= | | | |

| |
\ \

Que no depende de , y as podemos reconocer que
1
1
( )
n
i
i
T X x
=
=

es un estadstico suficien-
te respecto de .

Existe otra forma, ms asequible, de establecer cuales son los estadsticos suficientes. Este
mtodo nos lo proporciona el denominado Teorema de Factorizacin.

Teorema de Factorizacin de Fisher-Neyman

La condicin necesaria y suficiente para que el estadstico ( ) T X sea suficiente respecto al
parmetro , es que la funcin de verosimilitud del parmetro ( ) ; L X se pueda descompo-
ner en producto de dos funciones:

1: ( ); g T X (

que depender del valor desconocido del parmetro y de los elementos
muestrales
i
x
nicamente a travs del estadstico ( ) T X .

2: ( ) h X
que no depender del parmetro.

( ) ( ) ( ) ; ( ); L X g T X h X =

Ejemplos:

- Binomial: Poblacin: B(1;) siendo el parmetro desconocido
Funcin de verosimilitud: ( )
1 1
-
; (1 )
n n
i i
i i
x n x
L X
= =

=
para 0 < < 1
12
El estadstico suficiente respecto de ser:
1
( )
n
i
i
T X x
=
=

que es como aparecen compues-
tos los elementos muestrales en los trminos de la funcin de verosimilitud en los que acom-
paan al valor desconocido del parmetro . La descomposicin factorial quedar:

( )
1 1
-
( ); (1 )
n n
i i
i i
x n x
g T X
= =

= y ( ) 1 h X =

- Normal: Poblacin:
2
0 ; N (

siendo el parmetro desconocido
2

Ntese que, en este caso, la media es conocida e igual a cero.
Funcin de verosimilitud: ( ) ( ) ( )
2
2
1
1

2 2 2
2
2
; 2
n
i
i
n
x n
L X e

=

=

El estadstico suficiente respecto de
2
ser:
2
1
( )
n
i
i
T X x
=
=

que es como aparecen com-
puestos los elementos muestrales en los trminos de la funcin de verosimilitud en los que
acompaan al valor desconocido del parmetro
2
. La descomposicin factorial quedar:

( ) ( )
2
2
1
1

2 2 2
2
( );
n
i
i
n
x
g T X e

=

=
y ( )
2
( ) 2
n
h X

=

3.6. Mtodo de la mxima verosimilitud

Para calcular la probabilidad conjunta de obtener una muestra determinada necesitamos co-
nocer el valor del parmetro (o parmetros) de los que depende la funcin de densidad o de
cuanta: segn el valor que utilicemos del parmetro obtendremos distintas probabilidades
para una misma muestra concreta. Un valor del parmetro ser ms verosmil que otro,
cuando con l obtengamos una mayor probabilidad de la muestra que se ha extrado que con
el otro valor. Un valor es el mximo-verosmil cuando no existe otro valor del parmetro con
el que se obtenga una probabilidad mayor para la muestra que hemos extrado.

El estimador de mxima verosimilitud (M.V.) es el estadstico que para cualquier muestra que
se pueda considerar nos proporciona los valores ms verosmiles para el parmetro desco-
nocido, esto es, los valores con los que obtendramos la mxima probabilidad para la mues-
tra concreta que se haya extrado

Para su obtencin se deber estudiar la existencia de mximo en la funcin de verosimilitud
segn los valores del parmetro y comprobar que dicho mximo es nico y que el valor del
parmetro en ese punto se puede expresar como funcin univoca de los elementos muestra-
les.
13

Este procedimiento fue propuesto y desarrollado por Ronald A. Fisher en diversos artculos
publicados entre 1912 y 1925.

Supongamos que tenemos una Poblacin representada por la variable aleatoria con fun-
cin de probabilidad (de cuanta o de densidad) ( ) ; f x
. De dicha Poblacin se va a extraer
una muestra aleatoria simple de tamao n, ( )
1 2
: , ,..., ,...,
i n
X x x x x
con ( ) ;
i i
x f x
1,..., i n = siendo independientes en probabilidad. La funcin de verosimilitud es
( )
1
; ( ; )
n
i
i
L X f x
=
=
para
Imaginemos que se han observado ya los valores muestrales y que han resultado ser:
( )
0 10 20 0 0
: , ,..., ,...,
i n
X x x x x

La funcin de verosimilitud quedar:
( )
0 0
1
; ( ; )
n
i
i
L X f x
=
=

Representando la probabilidad que se tena, antes de obtener la muestra, de que las obser-
vaciones muestrales fueran las que han resultado ser, dependiendo dicha probabilidad del
valor desconocido del parmetro. Para = C nos dar la verosimilitud de que el parmetro
tome el valor C. El valor ms verosmil que puede tomar el parmetro ser aquel con el que
la funcin de verosimilitud tome su mximo valor, para una muestra dada.

= M ser el valor ms verosmil del parmetro si se verificase que:

( ) ( )
0 0
, ; mx L X L X M
=

Procedimiento para una muestra cualquiera

Si procedemos como antes, pero dejando indeterminados los valores muestrales y, por tanto,
situndonos antes de la observacin de la muestra, analizando la existencia de mximo en la
funcin de verosimilitud segn los valores del parmetro y comprobamos que existe dicho
mximo y es nico, en este caso se podra expresar el valor del parmetro ms verosmil
como funcin unvoca de los valores muestrales:

( ) ( ) , ; mx L X L X M
=
siendo ( )
1 2
, ,..., ,...
i n
M x x x x =

( )
1 2
, ,..., ,...
i n
x x x x
ser un estadstico tal que, para una muestra en concreto, nos dar
el valor ms verosmil para el parmetro. Por tanto, ser el estimador de Mxima Verosimili-
tud que representaremos:
( )
1 2
, ,..., ,...
MV i n
x x x x =

14
Para la obtencin del estimador M.V. se deber, por tanto, estudiar la existencia de mximo,
segn los posibles valores del parmetro, en la funcin de verosimilitud y comprobar, no slo
que dicho mximo es nico, sino que el valor del parmetro en ese punto se puede expresar
como funcin unvoca de los elementos muestrales, identificndose as al estimador de
Mxima Verosimilitud.

Normalmente la funcin de verosimilitud presenta una forma analtica algo complicada para
trabajar con ella en la bsqueda de su mximo. Suele resultar ms sencillo operar con su
transformacin logartmica o segunda funcin de verosimilitud, que tendr sus mximos y
mnimos en los mismos valores paramtricos que ella, dado que es una transformacin mo-
ntona. Luego, se tratar de buscar el mximo de la funcin:

( ) ( ) ; log ; X L X =

Procedimiento usual [con 1 parmetro y siendo L(X; ) diferenciable]

Suponiendo que la funcin de probabilidad poblacional slo depende del valor desconocido
del parmetro , la funcin de verosimilitud ser:
( )
1
; ( ; )
n
i
i
L X f x
=
=

Su transformada logartmica:
( ) ( ) ( )
1
; log ; log ;
n
i
i
X L X f x
=
= =

Si esta funcin tuviera un mximo y en ese punto fuera derivable, se cumplira la condicin
necesaria o de primer orden para la existencia de un ptimo:
( ) ;
0
d X
d

Si es posible despejar en esta ecuacin de forma unvoca a :
( )
1
,..., ,...,
i n
x x x =
1

Entonces
( )
1
,..., ,...
i n
x x x
ser el estimador de Mxima Verosimilitud si verifica la condi-
cin suficiente o de segundo orden para que sea un mximo:

( )
( )
1
2
2
...
;
0
n
x x
d X
d

=
(
<
(

Y se expresar:
( )
1
,..., ,...,
MV i n
x x x =

1
Ntese que est expresin proviene de la condicin necesaria de mximo de la funcin de verosimilitud respecto a los va-
lores de . Es un resultado del algoritmo matemtico empleado para obtener el estimador MV, que no es aceptable desde el
punto de vista del modelo estadstico en el que toma un valor fijo y desconocido.
15
Procedimiento usual (con 2 parmetros y siendo L(X; ) diferenciable)

En este caso la funcin de verosimilitud se podr expresar como:
( )
1 2 1 2
1
; , ( ; , )
n
i
i
L X f x
=
=

Siendo su transformada logartmica:
( ) ( ) ( )
1 2 1 2 1 2
1
; , log ; , log ; ,
n
i
i
X L X f x
=
= =

La condicin necesaria o de primer orden para el mximo de esta funcin ser:

Condicin necesaria
( )
( )
1 2
1
1 2
2
; ,
0
; ,
0
X
X

Sistema de dos ecuaciones con dos incgnitas, en el que si es posible despejar
1
y
2
en
funcin de los elementos muestrales:

( ) ( )
( ) ( )
1 1 1 1
2 2 2 2

MV
MV
X X
X X

= =
= =

Donde
1
MV
y
2
MV
sern los estimadores de Mxima Verosimilitud si se cumpliera la condi-
cin suficiente de que la matriz Hessiana particularizada en la solucin obtenida

( ) ( )
1 1
2 2
1 2
; ,
MV
MV
X

=
=
(
sea definida negativa

Es decir, se deber cumplir que:

( )
1
''
1 2

, 0
MV MV
<

( ) ( )
( ) ( )
1 1 2
2 1 2
'' ''
1 2 1 2
'' ''
1 2 1 2

, ,
0

, ,
MV MV MV MV
MV MV MV MV

>

Ejemplo: Obtener el estimador de M.V. del parmetro de una Poblacin Binomial(1; )

Poblacin: B(1; ) siendo el parmetro desconocido
Funcin de verosimilitud: ( )
1 1
-
; (1 )
n n
i i
i i
x n x
L X
= =

=
para 0 < < 1

16
Transformacin logartmica:
( ) ( ) ( )
1 1
; log ; log log 1-
n n
i i
i i
X L X x n x
= =
| |
= = +
|
\

La condicin necesaria de mximo de esta funcin respecto al valor del parmetro :
( ) ;
0
d X
d

1 1
1 1
0
1
n n
i i
i i
x n x

= =
| |
=
|

\

1 1
1
n n
i i
i i
n x
x

= =
| |
|
\
=

1 1 1
n n n
i i i
i i i
x x n x
= = =
=

1
n
i
i
x n
=
=

1
n
i
i
x
x
n
=
= =

Para esta nica solucin comprobamos que se verifica la condicin de 2 orden:

( )
2
2

;
0
i
x
x
n
d X
d

= =
(
<
(

( )
( )
2
2 2 2
1 1
; 1 1
1
n n
i i
i i
d X
x n x
d

= =
| |
| |
=
| |
\
\

( )
( )
2
2 2 2
1 1
; 1 1
0
1
n n
i i
i i
x
d X
x n x
dp x
x
= =
=
(
| |
= <
( |
\

Y, por tanto, el estimador M.V. ser:
1

n
i
i
x
x
n
=
= =
( la media o proporcin muestral)

Propiedades de los estimadores de M.V. :

Bajo ciertas condiciones de regularidad, se demuestra que:

- Existe el estimador de M.V. y es nico.
- El estimador M.V. es siempre, al menos, insesgado asintticamente.
- El estimador M.V. es siempre consistente.
- Si existe el estimador eficiente, ser el obtenido por M.V.
- El estimador de M.V. converge en distribucin al modelo Normal, y en esa distribucin
lmite su varianza coincide con la cota de Cramr-Rao correspondiente (eficiencia
asinttica).
- Si existen estadsticos suficientes, el estimador de M.V. ser funcin de ellos.

17

3.7. Mtodo de los momentos

Este mtodo fue originalmente propuesto por Karl Pearson en 1895.

Se basa en que los momentos muestrales respecto al origen,
r
a
[
1
n
r
i
i
r
x
a
n
=
=
], son buenos
estimadores de los correspondientes momentos poblacionales,
r
[ ( )
r
r
E =
]

Consideremos, entonces, una Poblacin con funcin de probabilidad dependiente de k pa-
rmetros con valor desconocido:
( )
1 2
; , ,...,
k
f x

Se supone que existen los momentos respecto al origen
r
para r = 1, ... , k que podremos
determinar de la siguiente forma:

Si la distribucin es de tipo discreto:

( ) ( ) ( )
1 2 1 2
; , ,..., , ,...,
r r
r k r k
x
E x f x
= = =

Si la distribucin es de tipo continuo:

( ) ( ) ( )
1 2 1 2
; , ,..., , ,...,
r r
r k r k
R
E x f x dx = = =

En cualquier caso:
( )
1 2
, ,...,
r r k
=

En la muestra se establecen los momentos respecto al origen
1
n
r
i
i
r
x
a
n
=
=
para r = 1, ... , k

Igualando los momentos poblacionales con los momentos muestrales se forma el siguiente
sistema de k ecuaciones con k incgnitas (los valores desconocidos de los parmetros):

18
( )
( )
( )
1
1 1 2
1
1 2
1
1 2
, ,...,
...
, ,...,
...
, ,...,
n
i
i
k
n
r
i
i
r k
n
k
i
i
k k
x
n
x
n
x
n

=
=
=
`
=

Si este sistema tiene una solucin nica para los valores desconocidos de los parmetros:

Solucin matemtica del sistema:
( )
( )
( )
1 1 1
1
1
,...,
...
,...,
...
,...,
n
r r n
k k n
x x
x x
x x

=

Estas funciones
r
sern los estimadores de Momentos de los parmetros:

Estimadores de Momentos:
( )
( )
( )
1 1 1
1
1
,...,
...
,...,
...
,...,
n
r r n
k k n
x x
x x
x x

- Se puede demostrar que los estimadores de Momentos, si existen, son consistentes.

19

Anexo 1

Demostracin de la expresin para el Error Cuadrtico Medio del estimador

Partiendo de su definicin: ( )
2

- ECM E
(
=

Restando y sumando, dentro del corchete, la cantidad
( )
E
:
( ) ( )
{ }
2
2

- - - E E E E
( (
(
= +

=
( ) ( ) ( ) ( )
{ }
2 2

- - 2 - . - E E E E E
( ( ( (
+ +

Quedando: ( ) ( )
2 2
2

- - - E E E E
( (
(
= +

Ya que:
( ) ( )
2 2

- - E E E
( (
=

y
( )

- 0 E E
(
=

(por qu?)

y siendo
( ) ( )
2

- E E V
(
=

la varianza del estimador

y denominando a
( ) ( )
( )

- E sesgo b
(
= =

(por qu dependiendo slo de ?)

Se llega a la expresin final:
( ) ( ) ( ) ( )
( )
2
2

ECM V sesgo V b
(
= + = + (

Anexo 2

Demostracin de la condicin suficiente de consistencia (consistencia en media cuadrtica):

Recordemos como se expresa dicha condicin suficiente:

( )
( )
lim
C.S.
lim 0
n
n
E
V

entonces
es consistente
20

Para su demostracin utilizaremos la desigualdad de Markov, que se estudia previamente a
la conocida desigualdad de Tchebychev.

La desigualdad de Markov para ( ) ( )
2
g C = , siendo una variable aleatoria, C una
constante cualquiera y k un valor real positivo, es :
( )
( )
2
2
| |
E C
P C k
k

Sustituyendo por
, C por y k por :
( )
( )
2
2
| |
E
P

Tomando lmites (para n ):
( )
( )
2
2
lim | | lim
n n
E
P

Y recordando que: ( ) ( ) ( )
( )
2
2

- E ECM V b = = + (

Tendremos: ( ) ( )
( )
2
2

lim - lim lim
n n n
E V b

= + (

Y, por tanto, si se cumple la condicin suficiente quedar:
( )
2
lim - 0 0 0
n
E
= + =

Obtenindose: ( )
lim | | 0
n
P

=

Que supone que el estimador
es consistente.

21

Lecturas recomendadas para este Tema:

Ruiz-Maya, L. y F. J. Martn-Pliego Fundamentos de Inferencia Estadstica Ed. Thomson-Paraninfo:
Captulos 2, 3 y 4 ( S519.2RUI ) ( M519.2RUI )

Lpez Cachero, M. Fundamentos y Mtodos de Estadstica. Ed. Pirmide: Captulos 27 y 28 ( D519.2LOP )

Lpez de la Manzanara Barbero, J. Problemas de Estadstica. Ed. Pirmide ( D519.2LOP )

Esteban, Jess; J. Miguel Bachero; Antonia Ivars; M Isabel Lpez; Concepcin Rojo y Flix Ruiz. Inferencia
Estadstica Ed. Garceta, 2010: Tema 4 ( L519.2(07)INF )

22
EJERCICIOS RESUELTOS

EJERCICIO 3.1
Se considera una poblacin representada por la variable aleatoria de suerte que y
2
re-
presentan los parmetros media y varianza poblacional, respectivamente. Si estimamos la
media poblacional a travs de
*
, definido as:

*
1
n
i i
i
x
=
=
con 0 1, 1, ,
i
i n = y
1
1
n
i
i

=
=

esto es,
*
es cualquier combinacin lineal convexa de las componentes maestrales. Com-
probar que dicho estimador es un estimador insesgado. (Supuesto extradas muestras de
tamao n , muestreo aleatorio simple).

Poblacin:
[ ]
[ ]
2
E
V

muestra: ( )
1 2
: , ,..., ,...,
i n
X x x x x

[ ]
[ ]
2
i
i
i
E x
x
V x

Estimador de :
*
1
n
i i
i
x
=
=

Para comprobar que es insesgado:

[ ]
*
1 1 1 1
1
n n n n
i i i i i i
i i i i
E E x E x
= = = =
(
( = = = = = =
(

*
E ( =

EJERCICIO 3.2
Se considera una poblacin representada por la variante de suerte que la distribucin po-
blacional es
2
( , ) N
Si estimamos la media poblacional a travs de la media muestral x , comprobar que dicho
estimador es eficiente. (Supuesto extradas muestras de tamao n , muestreo aleatorio sim-
ple).

Poblacin:
2
; N (

muestra: ( )
1 2
: , ,..., ,...,
i n
X x x x x

2
;
i
x N (

Estimador de :
1
n
i
i
x
x
n
=
= =

[ ]
[ ]
2
E x
V x
n

23
Para que x = sea un estimador eficiente, tiene que cumplir:

1: Que sea insesgado. Efectivamente lo es, ya que [ ] [ ]
E E x = =

2: Que posea el menor valor de varianza (la mnima varianza) entre todos los estimadores
insesgados del parmetro .

Para esto deberemos comprobar si su varianza coincide exactamente con la cota de Cramr-
Rao para estimadores insesgados. Esta cota se expresar:

( )
( )
2
1

log ;
V CR
f x
nE
=
(
(

siendo
*
cualquier estimador insesgado del parmetro
Al ser
2
; N (

2
2
1 ( ) 1 1
2
2 2 2
( ; ) (2 ) ( )
x
f x e

=

Tomando logaritmos:
( ) ( )
2
2
2
1 1 1
log ; log2 log
2 2 2
f x x
=

Derivando respecto de :
( )
2 2
log ; 1
2( )( 1)
2
f x x
x

= =

Aplicando el operador esperanza:
( )
[ ]
2
2
2
2
2 4 4 2
log ; 1 1 1 f x x
E E E x

(
(
= = = =
(
(

Por tanto, la cota de Cramr-Rao para estimadores insesgados queda:

( )
2
2
2
1 1

1
log ;
CR
n
f x
n
nE
= = =
(
(

que coincide con la varianza de x

Conclusin:
x =
es un estimador eficiente

24

EJERCICIO 3.3
Se considera una poblacin representada por la variable aleatoria de suerte que y
2

representan los parmetros media y varianza poblacional, respectivamente. Si estimamos la
media poblacional , a travs de la media muestral x , comprobar que dicho estimador es
consistente. (Supuesto extradas muestras de tamao n , muestreo aleatorio simple).

Un estimador de ser consistente si
( )
lim | - | 0 0
n
P
= >

Y para su cumplimiento una condicin suficiente es:

( )
( )
lim
lim 0
n
n
E
V

En nuestro caso sabemos que efectivamente:

1) es insesgado: ( ) E x =

2) Y su varianza ( )
2
0
n
V x
n
=

Y, por tanto,
x =
es un estimador consistente

EJERCICIO 3.4
Se considera una poblacin representada por la variante , de suerte que la distribucin de
probabilidad de la poblacin viene definida por la funcin de densidad:
1

1
( , )
x
f x e

=
para 0 x y 0 >
0 ) , ( = x f para cualquier otro valor de x
Si estimamos el parmetro poblacional , a travs de la media muestral
x
, comprobar que
dicho estimador es:

a) Consistente
b) Insesgado
c) Eficiente
(Supuesto extradas muestras de tamao n , muestreo aleatorio simple).
25
Previamente calcularemos las expresiones del valor medio y la varianza poblacionales:
[ ] [ ]
2
y E V = = para obtener su relacin con el valor desconocido del parmetro

[ ] ( )
( )
1 2
2
0
2 1 1
;
1
x
E x f x dx x e dx
+ +
= = = = = =
| |
|
\

( )
( )
1 3
2 2 2 2
2 3
0
3 1 1 2
; 2
1
x
E x f x dx x e dx
+ +
( = = = = = =

| |
|
\

[ ]
2 2 2 2 2
2
2 V = = = =

Por tanto, en este caso la variable poblacional :
[ ]
[ ]
2 2
E
V

= =
= =

Estudiemos, ahora, las propiedades del estimador
x =

a)
x = es consistente ya que, como se ha comprobado en el ejercicio anterior, siempre la

media muestral es un estimador consistente del parmetro media poblacional. Y en este
caso el valor medio poblacional coincide con el parmetro a estimar

b) Tambin es insesgado al cumplirse que
( )
( )
E E x = = =

c) Al ser insesgado, para determinar si el estimador es eficiente tan slo tenemos que com-
probar que su varianza es la mnima posible entre las varianzas de todos los estimadores
insesgados. Es decir, tenemos que examinar si su varianza coincide con la cota de Cra-
mr-Rao:

( )
( )
2
1

log ;
V CR
f x
nE
=
(
(

siendo
*
cualquier estimador insesgado del parmetro

Al ser
1

1
( , )
x
f x e

=

26
Tomando logaritmos:
( ) log ; log
x
f x
=

Derivando respecto de :
( )
2 2
log ; 1 f x x x

= + =

Aplicando el operador esperanza:

( )
[ ]
2
2
2
2 2
2 4 4 4 2
log ; 1 1 1 1 f x x
E E E x

(
(
= = = = =
(
(

Por tanto, la cota de Cramr-Rao para estimadores insesgados queda:

( )
2
2
2
1 1

1
log ;
CR
n
f x
n
nE
= = =
(
(

que coincide con la varianza de
x =
ya que:
( ) ( )
2 2
V V x
n n

= = =

Luego,
x =
es un estimador eficiente.

EJERCICIO 3.5
Se considera una poblacin representada por la variante , de suerte que la distribucin po-
blacional viene definida as:
1
) 1 ( ) (

= =
x
x P para 1, 2,.... x = con 0 1 < <
Determine el estimador del parmetro poblacional , por el mtodo de mxima verosimilitud,

Como se observa la distribucin de probabilidad de la poblacin es de tipo discreto, definida
por una funcin de cuanta que se corresponde con el modelo denominado Distribucin
Geomtrica
Cada elemento muestral
i
x
tendr como funcin de cuanta:
( )
1
; (1 )
i
x
i
f x

=
para
1, 2,....
i
x =
con 0 1 < < e
1,..., i n =

27

La funcin de verosimilitud ser:

( ) ( )
1
1
1
; 1 (1 )
n
i
i
i
n x n
x
n
i
L X
=
= =
para 0 < < 1

La transformacin logartmica:
( ) ( ) ( )
1
; log ; log log 1
n
i
i
X L X n x n
=
| |
= = +
|
\

La condicin necesaria de mximo de esta funcin respecto al valor del parmetro :
( ) ;
0
d X
d

1
1
0
1
n
i
i
n
x n

=
| |
+ =
|

\

1
1
n
i
i
x n
n

=
| |
|
\
=

1
n
i
i
n n x n
=
=

1
n
i
i
x n
=
=

1
1
n
i
i
n
x
x
=
= =

Para esta nica solucin comprobamos que se verifica la condicin de 2 orden:

( )
2
2
1

;
0
x
d X
d

=
(
<
(

( )
( )
2
2 2 2
1
; 1
1
n
i
i
d X n
x n
d

=
(
=
(

Esta ltima expresin, sea cual sea el valor de ser siempre negativa ya que el valor del
trmino entre corchetes siempre ser positivo al cumplirse que
1
n
i
i
x n
=
{por qu?}
Y, por tanto, el estimador M.V. ser:
1
1
n
i
i
n
x
x
=
= =
( el inverso de la media muestral)

28
EJERCICIO 3.6
Se considera una poblacin representada por la variable aleatoria , de suerte que la distri-
bucin poblacional viene definida por la funcin de densidad:
1

1
( , )
x
f x e

=
para 0 x y 0 >

Determinar el estimador, por el mtodo de los momentos, del parmetro poblacional (Su-
puesto extradas muestras de tamao n, muestreo aleatorio simple).

Esta variable aleatoria tiene la misma distribucin de probabilidad que la del ejercicio 2.4. All
obtuvimos que su valor medio es:

[ ] ( )
( )
1 2
2
0
2 1 1
;
1
x
E x f x dx x e dx
+ +
= = = = = =
| |
|
\

Por tanto, la obtencin del estimador de momentos del parmetro es inmediata:

Ecuacin de momentos: ( )
1
1 1

n
i
i
x
a x
n

=
= = =
donde aparece ya despejado el valor

del parmetro desconocido .
El estimador de momentos ser:
1
n
i
i
x
x
n
=
= =

EJERCICIO 3.7
Determinar, por el mtodo de los momentos, los estimadores de los parmetros
, media
poblacional, y
2
, varianza poblacional de una poblacin con distribucin
2
( , ) N (Supues-
to extradas muestras de tamao n , muestreo aleatorio simple).
En este caso el sistema de ecuaciones de momentos sera:
( )
( )
2
1
1
2
2
1
2
,
,
n
i
i
n
i
i
x
n
x
n

=
=
=

)

29

Siendo ( )
2
1
, =
y ( )
2 2 2
2
, = +
{por qu?}

El sistema a resolver queda:

1
2 2 2 2 2 2 2
2 2 2 2
2 2
1
n
i
i
n
n
i
i
x
x x x
n
a x S a x a
x
n

=
=
=
= = =

` ` ` `
= = + = + =
) ) )
+ =

)

Los estimadores de momentos de los parmetros y
2
son:
2 2
n
x
S
=

`
=
)

EJERCICIOS PROPUESTOS

EJERCICIO 3.8
blacional viene definida por la funcin de densidad:
1
) ( = x f
para 0 x <
0 ) ( = x f
para cualquier otro valor de
x

Si estimamos el parmetro a travs de:
1) La media muestral x , es insesgado dicho estimador?
2)
*
kx = . Determinar el valor de k, para que
*
sea un estimador insesgado de
En ambos casos, se supone, extradas muestras de tamao n , muestreo aleatorio simple.

EJERCICIO 3.9
Si estimamos el parmetro poblacional de una poblacin
2
( , ) N , a travs de la prime-
ra componente muestral
1
x , supuesto extradas muestras de tamao n , muestreo aleatorio
simple, establecer si dicho estimador:
1) Es consistente.
2) Es eficiente.

30
EJERCICIO 3.10
Para estimar el parmetro
2
, varianza poblacional, correspondiente a una poblacin con
distribucin
2
( , ) N , se consideran como posibles estimadores: la varianza muestral
2
n
S
y
la cuasivarianza muestral
2
1 n
S

. En base a los resultados del ejercicio 2.7 del Tema 2, esta-
blezca razonadamente si verifican las propiedades de insesgadez, consistencia y eficiencia.
Cul de ellos posee menor error cuadrtico medio?
(Nota: en la obtencin de la cota de Cramr-Rao hay que tener en cuenta que en una distri-
bucin Normal ( )
4
4
4
3 E = = )

EJERCICIO 3.11
Se considera una poblacin representada por la variante , de suerte que la distribucin de
probabilidad de la poblacin viene definida as:
( )
!
x
P x e
x

= =
para
,.... 2 , 1 , 0 = x
con > 0
esto es, la distribucin poblacional es una distribucin de Poisson. Determinar el estimador
de mxima verosimilitud del parmetro poblacional (Supuesto extradas muestras de ta-
mao n , muestreo aleatorio simple).

EJERCICIO 3.12
1
) , ( = x f para x 0
Determinar el estimador, por el mtodo de mxima verosimilitud, del parmetro poblacional

EJERCICIO 3.13
Con objeto de planificar su produccin, una empresa supone que el artculo que ofrece pue-
de ser adquirido por el 40 % o por el 50% de los habitantes de una gran ciudad. Consultado
diez de estos, solo tres de ellos se muestran dispuestos a la adquisicin del producto. Qu
proporcin, de las dos contempladas, ser tomada en consideracin si la eleccin entre am-
bas la efecta la empresa, con base en el criterio de la mxima verosimilitud?

31
EJERCICIO 3.14
La funcin de densidad de una variable aleatoria viene dada por la expresin:

( )
para 0 con 0
;
0 para 0
x
e x
f x
x
>
=

<

Determinar el estimador Mximo Verosmil para el parmetro .

EJERCICIO 3.15
2
2
1 ( ) 1 1
2 2
2 2 2
( ; , ) (2 ) ( )
x
f x e

=
para
2
0 x >

donde y
2
representan el valor medio y la varianza poblacionales, respectivamente. De-
terminar los estimadores, por el mtodo de mxima verosimilitud, de los parmetros pobla-
cionales y
2

EJERCICIO 3.16
Dada la funcin de densidad:
2
) ( 2
) , (
x
x f

=
para x 0
Determinar el estimador, por el mtodo de los momentos, del parmetro poblacional (Su-
puesto extradas muestras de tamao n , muestreo aleatorio simple).

EJERCICIO 3.17
Determinar, por el mtodo de los momentos, el estimador del parmetro poblacional , y
comprobar si el estimador obtenido es o no un estimador insesgado, para los casos en que la
distribucin poblacional sea:
1) la distribucin binomial ( , ) B k
2) la distribucin de Poisson, de parmetro
3) la distribucin uniforme
1
) , ( = x f para x 0

32

EJERCICIO 3.18
Una de las distribuciones habituales para modelizar la riqueza en una sociedad es la distribu-
cin de Pareto, cuya funcin de densidad es:
1
) (
+
=
x
x f
, donde 1 x > representa los in-
gresos (en miles) de un individuo y >1 es un parmetro desconocido. El parmetro se
denomina ndice de Pareto y cuanto mayor sea su valor menor ser la proporcin de indivi-
duos ricos. Se sabe que la media de la distribucin de Pareto es:
( )
1
E

.
1. Obtener la funcin de verosimilitud de una muestra aleatoria simple de n individuos.
2. Calcular el estimador del parmetro por el mtodo de mxima verosimilitud y por el
mtodo de los momentos, basados en la citada muestra de tamao n.
3. Los ingresos (en miles) observados en una muestra de n = 10 individuos fueron los si-
guientes: 2.1; 1.7; 1.1; 2.1; 1.2; 1.5; 1.2; 1.3; 1.8; 1.3. Cul es el valor numrico de
la estimacin ms verosmil de ? Cul es el valor numrico de la estimacin de
por el mtodo de los momentos? Comentar los resultados.

EJERCICIO 3.19
Una pequea empresa, que cuenta con 5 vendedores, viene asumiendo que la distribucin
aleatoria del nmero de vendedores que no superan el objetivo de ventas mnimas asignadas
a lo largo de un mes, tiene una distribucin Binomial con funcin de cuanta
( )
5
5
( ) 1 , 0,1,..., 5
x
x
P x x
x

| |
= = =
|
\
,
donde el parmetro representa la probabilidad de que un vendedor concreto no supere el
objetivo de ventas mnimas asignadas a lo largo de un mes. Al objeto de estimar -bajo las
condiciones que impone el muestreo aleatorio simple- el valor del parmetro de dicho mo-
delo de probabilidad, se pide:
1. Obtener el estimador puntual de mxima verosimilitud del parmetro , supuesto que
se extrae una muestra aleatoria simple de tamao n proveniente de la citada pobla-
cin.
2. Es insesgado el estimador de obtenido en el apartado anterior?
3. Se controla el objetivo de ventas mnimas de los 5 vendedores de la empresa durante
n = 12 meses, obtenindose los siguientes nmeros de vendedores que no superan
dicho objetivo por mes: 1, 3, 0, 2, 1, 0, 1, 0, 0, 2, 1, 1. Cul es la estimacin puntual
ms verosmil del parmetro ? Interpretar el resultado.

33

EJERCICIO 3.20 (propuesto en examen)
De una poblacin representada por la variable aleatoria
con funcin de densidad:

( )
1

2
1
;
x
f x x e

=
para 0 x y 0 > , con ( ) ( )
2
2 y 2 E V = =
, se va a ex-
traer una muestra aleatoria simple X de tamao n.
1: Obtenga el estimador,
MV
, de mxima verosimilitud del parmetro

2: Deduzca su valor medio ( )
MV
E
y su varianza ( )
MV
V

3: Es
MV
un estimador insesgado? Por qu?

4: Es
MV
un estimador consistente? Razone el cumplimiento de la condicin suficiente.

EJERCICIO 3.21 (propuesto en examen)
De una poblacin representada por la variable aleatoria
con funcin de densidad:

( )
2
3
3
; para 0
x
f x x
=
y con ( ) ( )
2
3 3
y
4 80
E V = =
, se va a extraer una
muestra (m.a.s.) X de tamao n.
1: Obtenga el estimador
*
, por el mtodo de los Momentos, del parmetro .
2: Deduzca su valor medio ( )
*
E
y su varianza ( )
*
V
.
3: Es
*
un estimador insesgado? Por qu?
4: Es
*
un estimador consistente? Razone el cumplimiento de la condicin suficiente.

Tema 3 Estimación Puntual - Propiedades - Métodos

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tema 3 Estimación Puntual - Propiedades - Métodos

Transféré par

Droits d'auteur :

Formats disponibles

Tema 3: Estimacin puntual de parmetros. Propiedades.

Mtodos de obtencin de estimadores Estadstica Empresarial II

V es la varianza en la distribucin de probabilidad del estimador

), descartado el que parece el ptimo, esta-

) al desconocerse habitualmente el valor de la media poblacional.

dos estimadores sesgados:

, que posee la menor varianza y, por tanto, se tiene una probabilidad

a cualquier estimador del parmetro , y suponien-

y ( ) ; f x la funcin de cuanta o de densidad de la

del parmetro es consistente si el lmite en probabilidad de la

coincide con el valor desconocido del parmetro o, lo que es lo mismo, si la

converge en probabilidad al verdadero valor del parmetro. Se representar

sea definida negativa

( la media o proporcin muestral)

sern los estimadores de Momentos de los parmetros:

x = es consistente ya que, como se ha comprobado en el ejercicio anterior, siempre la

( el inverso de la media muestral)

donde aparece ya despejado el valor

con funcin de densidad:

, de mxima verosimilitud del parmetro

un estimador insesgado? Por qu?

un estimador consistente? Razone el cumplimiento de la condicin suficiente.

con funcin de densidad:

Vous aimerez peut-être aussi