Documente Academic
Documente Profesional
Documente Cultură
Estimación Puntual
Introducción
n n n n n n
E ( X i ) E ( X i ) i Var ( X i ) Var ( X i ) i2
i 1 i 1 i 1 i 1 i 1 i 1
n n
1. E ( X i ) n 2. Var ( X i ) n 2
i 1 i 1
n n
Xi Xi
2
3. E ( X ) E i 1 4. Var ( X ) Var i 1
n n n
Vamos a demostrar 3. Y 4.
1
Breve apunte sobre estimación puntual
Estadística para Administradores-Girimonte
Demostración de 3.
1 n 1 n 1 n 1 n 1
E(X ) E( i (1)
X ) E ( i (2) i
X ) E ( X ) n
n i 1 n i 1 n i 1 n i 1 n
(1) a, b R E(aX b) aE (X ) b
n n
(2) E ( X i ) E ( X i )
i 1 i 1
Demostración de 4.
n n n n
2
2
1 1 1 1 1
Var( X ) Var( Xi ) 2
Var ( Xi ) 2 Var( X i ) n 2
n i 1
(1) n i 1
(2) n
i 1 n2 i 1 n2 n
2
2- X ~ N( , )
n
2
Breve apunte sobre estimación puntual
Estadística para Administradores-Girimonte
La estadística provee diversas técnicas que permiten obtener conclusiones generales a partir de un
conjunto limitado de datos.
Cuando realizamos una inferencia a partir de estas técnicas no tenemos “certeza” de que la conclusión
que obtenemos sea correcta, pero la estadística nos va a permitir también cuantificar el error asociado
a la estimación.
A menos que estos parámetros se conozcan debemos estimarlos a partir de un conjunto de datos.
El objetivo de la estimación puntual es usar una muestra (muestra representativa de la población de
interés) para obtener “valores numéricos ” que, en algún sentido, sean los que mejor representan a los
verdaderos valores de los parámetros de interés.
Si se selecciona una muestra de tamaño n de una población, antes de obtener la muestra no sabemos
cuál será el valor de cada observación. Entonces cada una de las observaciones puede ser considerada
una variable aleatoria.
Antes de obtener una muestra, cualquier función de ella será también una muestra aleatoria, por
ejemplo máx( X1 , X 2 , X n ), Mín( X1 , X 2 , X n ), med( X1 , X 2 , X n ),el promedio muestral X , la
3
Breve apunte sobre estimación puntual
Estadística para Administradores-Girimonte
Método de máxima verosimilitud: Se basa en la idea de hallar los valores de los parámetros que
hacen que la probabilidad de obtener una muestra dada sea máxima.
Nota: un estimador es insesgado si su distribución tiene como valor esperado al parámetro a estimar.
ˆ
p
( ˆ converge en probabilidad a )
Es decir 0 P( ˆ 0) n
0
4
Breve apunte sobre estimación puntual
Estadística para Administradores-Girimonte
Entre todos los estimadores insesgados de , elegir el de menor varianza. El estimador resultante se
denomina IMVU (insesgado de mínima varianza uniformemente).
Existe una metodología que permite hallar estimadores IMVU en muchas situaciones.
Principio de estimación de menor error cuadrático medio: Dados dos o más estimadores del parámetro
, elegir el de menor ECM.
Nota: Observar que este principio nos conduce a elegir al de mínima varianza entre los insesgados por
la propiedad anterior.
Nos permite además seleccionar, por ejemplo, entre un estimador insesgado y otro que no lo es, en
base a la varianza y al sesgo. Si un estimador no es insesgado pero tiene una varianza mucho menor que
el insesgado, podría ser preferible su uso.
La varianza de un estimador insesgado es la cantidad más importante para decidir que tan bueno es un
estimador.
Eficiencia
Sean ˆ1 y ˆ2 dos estimadores insesgados de , se dice que ˆ1 es más eficiente que ˆ2 si
Var(ˆ1 ) Var(ˆ2 ) cumpliéndose la desigualdad en sentido estricto para algún valor de .
5
Breve apunte sobre estimación puntual
Estadística para Administradores-Girimonte
Para determinar la eficiencia relativa de ˆ2 respecto de ˆ1 se utiliza el cociente Var(ˆ1 ) / Var(ˆ2 ) .
Si los estimadores no son insegados se emplean los ECM para determinar la eficiencia relativa.
Si bien este teorema establece un límite inferior para la varianza de un estimador insesgado de ,no
implica que la varianza de un estimador IMVU de tenga que alcanzar la cota.
Es decir es posible encontrar un estimador insesgado de que tenga la menor varianza entre los
insesgados pero que no alcance la cota es decir que su varianza sea mayor al valor de la cota de Rao-
Cramer.
Por otro lado si un estimador insesgado alcanza la cota de Rao Cramer ese estimador es el IMVU.
Nota : un estimador sesgado puede tener tanto varianza como error cuadrático medio por debajo de la
cota inferior de Rao- Cramer .