Estimación Puntual

ESTIMACIN PUNTUAL
En la vida diaria siempre hablamos de estimacin: Ejemplo, estimo que hoy llover,
estimo que no vendrn, estimo que mi nota ser cercano a15
Sin embargo, cuando buscamos precisin estadstica, se presentan algunas
dificultades. El problema de la "estimacin" de parmetros surge porque en
muchos casos, la poblacin que desea estudiarse es, o muy grande, o infinita, o
resulta difcil acceder a su conocimiento total por diversos motivos.
Entonces se recurre al muestreo. Naturalmente, cuando se desea conocer el valor Entonces se recurre al muestreo. Naturalmente, cuando se desea conocer el valor
de algn parmetro de una poblacin, por ejemplo la media, la varianza, la
proporcin y resulta inviable el estudio de toda la poblacin, surge la idea de
"estimar" el valor de ese o esos parmetros.
Y cmo puede estimarse el valor de un parmetro? Es necesario poseer alguna
informacin sobre la poblacin ya que sera imposible intentar alguna estimacin
de un parmetro poblacional sin informacin alguna de la poblacin de que se
trata. Entonces se toma una muestra de esa poblacin, se calculan estimadores o
estadsticos a partir de la muestra, que servirn para proporcionar una idea de los
valores posibles de esos parmetros poblacionales desconocidos.
INFERENCIA PARAMETRICA LIC. NEL QUEZADA LUCIO
Definicin: Una estimacin puntual consiste en calcular en una muestra el valor de
un estadstico y considerar que el mismo es la mejor aproximacin que se tiene a
la magnitud del parmetro poblacional correspondiente.
Ejemplo, un valor cualquiera de una media muestral ( ) es una estimacin puntual
de la media poblacional (). Igualmente un valor determinado de la varianza
muestral (S) es una estimacin puntual de la varianza poblacional ( ).
Un mismo parmetro puede tener varios estimadores. As la media poblacional ()
adems de poder ser estimada por la media muestral ( ), tambin es estimada por
la mediana ( ) y por la moda (Mo) para una variable que se distribuye en forma la mediana ( ) y por la moda (Mo) para una variable que se distribuye en forma
simtrica
Parmetros Estimadores
Poblacionales (estadsticos)
Escoger el mejor estimador de un parmetro se dificulta, porque adems de
existir varios estimadores para un mismo parmetro, ellos son variables aleatorias
que pueden tener una amplia distribucin de valores.
El mejor estimador siempre ser aquel que est ms cerca del valor del
parmetro que se estima. Como esto no se puede conocer, la calidad de un
estimador se debe evaluar en trminos de algunas de sus propiedades como son:
la insesgabilidad, la consistencia, la eficiencia y suficiencia.
Supongamos que se est estimando un parmetro poblacional cualquiera, que
ser representado por la letra griega y su respectivo estimador ser ser representado por la letra griega y su respectivo estimador ser
representado por la misma letra griega con un sombre
Propiedades de los buenos estimadores
Se realiza un concurso de tiro al blanco entre cuatro estudiantes del curso, cada
uno tira seis veces al blanco, con los siguientes resultados, el que pegue ms cerca
del blanco ser el Ganador .
Pablo: en promedio sus tiros dan en el blanco, y la dispersin no es muy grande.
Adriana: presenta un promedio igual al de Pablo, pero tienen mucha dispersin.
Juan: tiene poca dispersin, pero en promedio sus tiros pegan lejos del blanco.
Martn: ni en promedio se acerca, y adems su dispersin es muy grande.
Si cada estudiante es como un estimador y cada tiro como una estimacin, y el
blanco como el parmetro que se desea alcanzar.
Las propiedades nos permiten elegimos a Pablo porque es insesgado y eficiente.
Adriana o Juan? Para decidir, diremos en principio que Adriana es insesgada
pero ineficiente, y Juan eficiente pero sesgado. Quin de los dos tiene ms
chance de corregir su problema...
a) Estimador Insesgado
Sesgo: es la diferencia entre el valor esperado del estimador y el parmetro

Est.
Por lo tanto la varianza no es insesgado, pero es asintticamente insesgado ya que
su esperanza tiende a
2
cuando el tamao de la muestra tiende a infinito.
Definicin: Sea
un estimador de , su error cuadrtico medio es

[ ]
2
)
( )
( = E ECM [ ]
2
)
( )
(

= E ECM

Si el estimador
es insesgado el error cuadrtico medio es igual a la varianza del

estimador.

b) Estimador consistente
Un estimador es consistente cuando al tomar muestras grandes (n tiende a
infinito), es seguro que el estimador se aproximar al parmetro. Dicho de otra
manera, hay una probabilidad igual a 1 de que la diferencia (error) entre el
estimador y el parmetro ser inferior a un nmero arbitrario (pequeo).
La media y la mediana muestrales son estimadores insesgados de , pero son La media y la mediana muestrales son estimadores insesgados de , pero son
igualmente consistentes, si la distribucin de la variable es simtrica. Pero si la
variable se distribuye asimtricamente la mediana muestral se aproximar mas al
valor de la mediana poblacional cuando n aumenta y la media muestral se
acercar mas a la media poblacional (). De lo dicho anteriormente se puede
concluir que la media muestral es ms consistente que la mediana muestral como
estimador de la media poblacional (). Si comparamos la media y la mediana en
trminos de la insesgabilidad y consistencia, ambas son buenos estimadores de ,
siempre y cuando las muestras provengan de poblaciones con una distribucin
simtrica. En cambio, si la poblacin se distribuye en forma asimtrica, la media es
mejor estimador de , porque adems de ser insesgada es ms consistente.
Simtrica si:

Simtrica a la derecha o positiva si:

Simtrica a la derecha o positiva si:

c) Estimador eficiente (Relativa)
Eficiencia absoluta (Acotacin de Cramer- Rao)
Ejemplo
Suficiencia
Un estimador es suficiente cuando utiliza toda la informacin que surge
de la muestra con respecto al parmetro a estimar.
Estimador Suficiente:
Un estimador es suficiente Si el Estadstico T= T(X
1
,X
n
) es suficiente para
el parmetro Si Solo Si.
) ,.... ( ). ; ,.... ( ) ; ,.... (
1 1 1 n n n
x x h x x g x x f = ) ,.... ( ). ; ,.... ( ) ; ,.... (
1 1 1 n n n
x x h x x g x x f =
Teorema de Factorizacin:
Si X
1
,X
n
v.a. con funcin de densidad f(.; )= (
1
,
2

n
) es un vector
de parmetros y T
1
= T
1
(X
1
,X
n
) ,. ,T
k
= T
k
(X
1
,X
n
), es suficiente si
) ,.... ( ). ,...., , ; ,.... ( ) ,..... , ; ,.... (
1 2 1 1 2 1 1 n k n k n
x x h x x g x x f =
Suficiente Mediante Exponencial
) ( ) ; (
) ( ) ( ) ( ) (
X I e x f
n
x S d x T c + +
=

4 4 4 4 3 4 4 4 4 2 1
4 4 3 4 4 2 1
2 1
) ,.., , ( ) ( ) ,.., , ( ) (
2 1 2 1
) ,.., , ( ) ; (
n n
n n
x x x S d x x x T c
x x x I e e x f

+
=
C(), d(), S(x) y T(x) no son nicos
4 4 4 4 3 4 4 4 4 2 1
4 4 3 4 4 2 1
) ,.., , (
2 1
) ); ,.., , ( (
2 1
2 1
n
n
x x x h
n n
x x x T g
Luego T es estadstico suficiente de
Nota:
) ; ,.., , (
2 1
2 1
) ; ,.., , (

n
x x x Lnf
n
e x x x f =
Ejemplo, se comprender cundo un estimador no es suficiente. Si en una
poblacin se desea estimar la media poblacional, se toma una muestra de
tamao n y se define como estimador de la media, la siguiente funcin de las
observaciones muestrales:
Es decir, el promedio de las dos primeras observaciones. Puede comprobarse que
este estimador es insesgado, pero no utiliza la informacin proporcionada por las
n-2 observaciones restantes; por ello decimos que no es un estimador suficiente. n-2 observaciones restantes; por ello decimos que no es un estimador suficiente.
Algunos autores mencionan otras propiedades (que el lector interesado puede
consultar en la bibliografa), tales como estimadores asintticamente normales,
refirindose a aquellos estimadores cuya distribucin es normal al crecer el
tamao muestral -tal como ocurre con todos los casos donde se aplica el
Teorema Central del Lmite- o estimadores robustos aqullos que no se ven
muy afectados ante pequeos desvos respecto del cumplimiento de ciertos
supuestos
Ejercicios 1: Sea X
1
,X
2
,...X
n
una muestra aleatoria de una poblacin con media y
varianza
2
, considere los siguientes estimadores:
2 2
2 1
1
x x
+ = ;
4 ) 2 ( 2
...
4
1 2 1
2
n n
x
n
x x x
+
+
+ =

; x =
3

Cual es mas eficiente

Solucin:

Paso 1: Veamos si son insesgados.
( ) = + = ) ( ) (
2
1
)
(
2 1 1
x E x E E ;
=
+
+ =

4 ) 2 ( 2
...
4
)
(
1 2 1
2
n n
x
n
x x x
E E
= = ) ( )
(
3
x E E SI
Se observa que las tres ecuaciones son insesgados
Paso 2: Verificar la eficiencia:
( )
2 4
1
)
(
2
2 2
1

= + = Var ;
) 2 ( 8
)
(
2
2
=
n
n
Var

n
Var
2
3
)
(

=
Sera ms eficiente el que tiene menor varianza Sera ms eficiente el que tiene menor varianza

Paso 3: Eficiencia Relativa:

n
n
Var
Var ) 2 ( 4
)
(
)
(
2
1
1

= =
Si n>3,
2

) 2 ( 8 )
(
)
(
2
3
2
2
= =
n
n
Var
Var
Si n>4
32
, si n=4
3 2

y
Ejercicio
Ejercicio 1
Ejercicio 2
Ejercicio 3 Ejercicio 3
Se dispone de los siguientes estimadores:
) (
2
1
2 1 1
X X + = y
2 1 2
4
X X
=

Determinar la eficiencia de dichos estimadores.
Ejercicio 5
Ejercicio 4
Sea X
1
, X
2
,...X
n
una muestra aleatoria de una poblacin con media y
varianza
2
. Cul de los estimadores es ms eficiente.
1 1
X
= ,
X
=
2

Ejercicio 5

Estimación Puntual

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estimación Puntual

Uploaded by

Copyright:

Available Formats

ESTIMACIN PUNTUAL

Sesgo: es la diferencia entre el valor esperado del estimador y el parmetro

un estimador de , su error cuadrtico medio es

es insesgado el error cuadrtico medio es igual a la varianza del

You might also like