Académique Documents
Professionnel Documents
Culture Documents
Estimacin de
Parmetros
Estadstica Computacional
Algunas consideraciones
previas
Conceptos bsicos
Distribuciones usadas en Inferencia
Teoremas relevantes
Estimacin puntual
Estimacin por intervalos
Distribuciones usadas en Inferencia
1.- Ji-Cuadrado con n grados de libertad.
Sea X
1
, X
2
,...,X
n
n v.a. continuas independientes
tal que X
i
~ N (0,1) i = 1,n (i.i.d.)
~ donde
) (n
n
i
i
X Y
2
1
2
_
=
=
) ( ) ( y I
n
e y
y f
R
n
y n
Y
+
|
.
|
\
|
I
=
2
2
2
2
1
2
donde
OBS:
1.
2.
3.
( )
}
= + I
0
1 dy e y
y o
o
| | n Y E = | | n Y Var 2 =
|
.
|
\
|
I 2
2
2
;
) (
n
n
_
2
) 2 1 ( ) (
n
Y
t t
=
| | n Y E =
| | n Y Var 2 =
y
) ( y f
Y
TABLA
Distribuciones usadas en Inferencia
2.- t-Student
Sea X v.a.c. tal que X ~ N (0,1)
Y v.a.c. tal que Y ~ _
2
(n)
Sea
~
) (n Student t
n
Y
X
t =
) ( ) ( t I
n
n
n
t n
t f
R
n
T
|
.
|
\
|
I
|
|
.
|
\
|
+
|
.
|
\
|
+
I
=
+
2
1
2
1
2
1
2
t
OBS:
1.
2.
3.
| | 0 = t E
| |
2
=
n
n
t Var
| | t T P t F
T
s = ) (
existe no t
T
) (
TABLA
t
) ( y f
T
Distribuciones usadas en Inferencia
3.- F-de Fisher
Sea X v.a.c. tal que X ~ _
2
(n)
Y v.a.c. tal que Y ~ _
2
(m) independientes
Sea
~
) , ( m n F
m
Y
n
X
Z =
) ( ) ( z I
z
m
n
z K
z f
R
m n
n
Z
+
+
|
.
|
\
|
+
=
-
2
1
2
1
siendo
OBS:
1.
2.
2
2 2
2
n
m
n
m n
m n
K
|
.
|
\
|
|
.
|
\
|
I +
|
.
|
\
|
I
|
.
|
\
|
+
I
=
| |
2
=
m
n
Z E | |
) ( ) (
) (
4 2
2 2
2
2
+
=
m m n
m n m
Z V
TABLA
| | z Z P z F
Z
s = ) (
| |
2
=
m
n
Z E
z
) (z f
Z
Teoremas Lmites
Convergencia en Distribucin:
x pto. continuidad
Convergencia en Probabilidad:
c>0
Nota:
) ( ) ( x F x F lim ssi X X
X X n
D
n
n
=
( ) 0 = >
c X X P lim ssi X X
n n
P
n
X X X X
D
n
P
n
Desigualdad de Chebyshev:
Sea X v.a. /
Entonces
| | < X E | | < X V ;
| | ( )
| |
2
c
c
X V
X E X P s >
Ley dbil de los grandes nmeros:
suc. de v.a.i.i.d. /
entonces:
| | R X E e =
| | < =
2
o X V
{ }
N n
n
X
e
( ) 0 = >
c
n
n
X P lim
Teorema Central de Lmite:
Sea {X} suc. de v.a.i.i.d /
finitas. Entonces:
| | = X E
| |
2
o = X V ;
) 1 , 0 ( N
n
X
Y
D
n
n
|
|
|
|
.
|
\
|
=
o
El objetivo de la estimacin de parmetros es proveer de
mtodos que permitan determinar con cierta precisin, el
valor de los parmetros desconocidos de un modelo
estadstico a partir de una muestra extrada al azar de una
Poblacin.
1. Mtodo de estimacin Puntual
2. Mtodo de estimacin por Intervalos
Estimacin de Parmetros
Definicin de Estimador
Un estimador es una regla que nos indica cmo obtener un
parmetro de un modelo, basndose en la informacin
contenida en una muestra ( M={ f ( x , u ) : u e O } modelo )
T : _ t c O
x T (x) = T (X
1
, X
2
,...., X
n
)
T (x) : Estimador de u, variable aleatoria, funcin de la
muestra, que no depende del parmetro u.
(Estadstica basada en la Informacin )
_={x : x es una muestra aleatoria} Espacio de Informacin
+ En lo que sigue = T (X
1
, X
2
,...., X
n
) estimador de u.
u
1
u
| | | | u u u =
E B u
( ) | | ( ) u u u
2
B Var ECM + =
( ) 1
lim = s
c u u P
n
u
( ) u u
W
E u
( ) ( ) u u
~
Var Var s
u
~
| | | |
1
2
(
(
|
.
|
\
|
c
c
> =
u
u
u u u
) , ( ln
x f
nE Var E
u
| | u
u
u
u
) , ( ln
(
(
|
.
|
\
|
c
c
=
1
2
x f
nE Var
7. Sean dos estimadores de . Se llama
eficiencia relativa de a:
8. es un estimador suficiente si usa toda la informacin
contenida en la muestra.
2 1
u u
~
y
u
( )
( )
( )
1
2
1 2
u
u
u u
,
~
ECM
ECM
ef =
u
1 2
u u
/
~
r c
Propiedades de los estimadores puntuales
Mtodos de estimacin puntual
+ Mtodo de Momentos
+ Mtodo de Mxima Verosimilitud
+ Mtodo de Mnimos Cuadrados
Momentos (K. Pearson)
| |
= =
r
i r
r
x
n
m X E
1
La idea es simple. Consiste en
igualar los momentos de la
poblacin y de la muestra
Mxima Verosimilitud
Consideremos X = (X
1
, X
2
,..., X
n
) m.a. f ( x , u ). Se
llama funcin de verosimilitud a:
Adems se define:
+ funcin soporte:
+ funcin score:
El valor (vector) de u que maximiza se llama
estimador mximo verosimil, i.e.
(caso univariado)
( ) ( ) ( )
[
=
= =
n
i
i
x f x f
1
0
u u u , ,
( ) ( ) | | u u ln = L
( )
u
u
c
cL
( ) ( ) | | u u L
( ) ( )
0 0
2
2
<
c
c
. =
c
c
u
u
u
u L L
Propiedades de los Estimadores
Mximo Verosmiles
Los estimadores mximo verosmiles son:
Asintticamente insesgados
Asintticamente normales
Asintticamente eficientes
Invariantes bajo transformaciones biunvocas
Si - estimador suficiente, es suficiente
MV
u
Sea X
1
, X
2
,..., X
n
m.a. N ( , o
2
).
Encontrar el EMV de
( ) ( )
=
2
2
2 2
2
1
2
o
o o
i X
X
n
L ln ,
( ) | |
( )
(
=
2
2
2
1
2
2 2
o
o o
i
X
n
X
e ,
( )
|
|
|
.
|
\
|
=
4
2
2
2
0
0
S
n
S
n
S X H ,
( )
2
o u , =
( )
2
2 2
0
n
n
X
S X L = . = = V o o
,
En general:
( )
( )
( )
( )
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
c
c
c c
c
c
c
=
6
2
4
4 2
2
2
2
2
2
2
2
2
1
2 o
o
o
o
o
o
o
i
X
n
X n n
L
L L
H ,
:= Matriz de Informacin de Fisher
esperada.
:= Matriz de Informacin observada
en la muestra.
( ) | |
2
o , H E
( )
2
S X H ,
( ) u IE
( ) u IO
OBS: Caso u escalar
Se dice que es un
estimador eficiente de u
. .R C
L
E =
)
`
c
c
1
2
2
u
( ) . .
~
R C V = u
u
~
Estimacin por Intervalos
En la prctica, interesa no slo dar una estimacin
de un parmetro, sino que adems, un intervalo
que permita precisar la incertidumbre existente en
la estimacin.
Definicin: Sea x m.a. f ( x , u ). Sean u
1
=T
1
(x),
u
2
=T
2
(x) dos estadsticas de u : T
1
s T
2
. x e_ ;
P |u
1
s u s u
2
| = 1 - o =
Entonces el I = |u
1
; u
2
| se llama intervalo aleatorio
de confianza del 100 % para u ( 0 < o < 1 ).
Fijado o, el problema de determinar u
1
y u
2
puede
resolverse encontrando una variable aleatoria
Q(x,u) cuya distribucin est totalmente definida,
que sea independiente de u.
La variable Q(x,u) se denomina Cantidad Pivotal
Estimacin por Intervalos
Ejemplo: X
1
, X
2
,..., X
n1
N (
1
,o
2
1
)
Q(x,u)=
Q(x,u)= ) 1 , 0 ( ~
1 1
1
1
N
n
X
o
) 1 (
1 1
1 1
~
n
t
n S
X
1. Encontrar una cantidad Q.
2. P |q
1
s Q s q
2
| = 1 - o =
3. Invertir P |u
1
s u s u
2
| = , obteniendo as un
intervalo I=|u
1
; u
2
| de confianza para u de nivel
100 %.
Observacin: Para muestras grandes la v.a. Q
siempre existe, ya que si , entonces
tiene distribucin asintticamente normal estndar.
MV
u
( )
MV
MV
u o
u u
n
S n
_
o
( )
) ( 1
2
2
2
2
2 2
2
1
n
S n
_
o
~
~
~
~
( ) ( )
) ( 2
2
2
2
2
2 2
2
1
2
1 1
2 1
1 1
+
n n
S n S n
_
o o
( )
) ( 2
2
2
2
2 1
2 1
2
+
+
n n
P
S n n
_
o
~
~
Asumiendo independencia de las muestras :
2
2
2
1
o o = Si
( ) ( )
( ) 2
2 1
2 1
2 1
2 1
1 1
+
+
=
n n
P
t
n n
S
X X
Q
~
( )
( )
(
+ =
+
2 1
2
2
2 1
2 1
1 1
2 1
n n
S t X X I
P
n n ,
) (
o
Finalmente:
Es un Intervalo de confianza de nivel para
1
-
2
( )
( )
(
(
+ =
2
2
2
1
2
1
2
2 1
2 1
n
S
n
S
t X X I
g ,
) (
o
Supongamos que
Siendo g = n
1
+ n
2
- 2 - A grados de libertad
2
2
2
1
o o =
( ) ( ) | |
( ) ( )
2
2
1
2
1
2
2
2
1
1
2
1 1
1 1
' '
' '
S n S n
S n S n
= A
2 1,
'
= = i
n
S
S
i
i
i
Intervalo de Confianza para o
1
2
/o
2
2
( )
. .
,
l g F
S
S
F
n n 1 1
2
2
2
2
2
1
2
1
2 1
=
o
o
~
Recordemos que:
( )
) ( 1
2
2
1
2
1 1
1
1
n
S n
_
o
( )
) ( 1
2
2
2
2
2 2
2
1
n
S n
_
o
~
~
(
< < =
|
|
.
|
\
|
2
1
2
2
2
1
2
2
2
1
2
2
2
1
2
2
S
S
F
S
S
F I
b a
o
o
o
o
donde
| | o = = s s 1
b a
F F F P
2 o
F F
a
=
2 o
F F
b
= Si
Se obtiene el intervalo
de iguales colas ;
Resumen: Intervalos de Confianza
Poblaciones Normales
Poblaciones no Normales
Parmetro Estadstica Distribucin Intervalo
, o
conocido
, o
desconocido
1
-
2
o
1
= o
2
1
-
2
o
1
= o
2
u
muestra grande
N (0,1)
N (0,1)
2
2 1
A +n n
t
1 n
t
2
2 1
+n n
t
1
2
n
_
2
o
( ) ( )
2 1
2 1
2 1
1 1
n n
S
X X
P
+
( ) ( )
2
2
2
1
2
1
2 1
2 1
n
S
n
S
X X
+
( )
MV
MV
u o
u u
( )
2
2
1
o
S n
( )
S
X n
( )
o
X n
n
z X
o
o 2
n
S
t X
2 o
( ) ( )
(
2
2
2
2 1
2
2
1 1
o o _ _
S n S n
;
( )
2 1
2
2 1
1 1
n n
S t X X
P
+
o
( )
2
2
2
1
2
1
2
2 1
n
S
n
S
t X X +
o
( )
MV MV
z u o u
o
2