ESTIMACION DE PARMETROS El proceso de estimacin en inferencia estadstica puede ser descrito como el proceso de estimar un parmetro a partir del

estadstico correspondiente, tal como usar una media muestral X poblacional (parmetro). La estimacin de parmetros puede ser: Puntual. Por Intervalo. (Estadstico) para estimar la media

Estimacin Puntual La estadstica provee tcnicas que permiten obtener conclusiones generales a partir de un conjunto limitado pero representativo de datos. Cuando inferimos no tenemos garanta de que la conclusin que obtenemos sea exactamente correcta. Sin embargo, la estadstica permite cuantificar el error asociado a la estimacin. La mayora de las distribuciones de probabilidad dependen de cierto nmero de parmetros. Por ejemplo: P(), N(,2), Bi(n,p), etc. Salvo que estos parmetros se conozcan, deben estimarse a partir de los datos. El objetivo de la estimacin puntual es usar una muestra para obtener nmeros que, en algn sentido, sean los que mejor representan a los verdaderos valores de los parmetros de inters. Supongamos que se selecciona una muestra de tamao n de una poblacin. Antes de obtener la muestra no sabemos cul ser el valor de cada observacin. As, la primera observacin puede ser considerada una v.a. X1, la segunda una v.a. X2, etc. Por lo tanto, antes de obtener la muestra denotaremos X1, X2,...., Xn a las observaciones y, una vez obtenida la muestra los valores observados los denotaremos x1, x2,...., xn. Del mismo modo, antes de obtener una muestra, cualquier funcin de ella ser una v.a., por ejemplo: X , X ,S2, max(X1,...,Xn), etc. Una vez obtenida la muestra los valores calculados sern denotados x , x ,s2, max(x1,...,xn), etc.
~ ~

Definicin: Un estimador puntual de un parmetro es un valor que puede ser considerado representativo de y se indicar . Se obtiene a partir de alguna funcin de la muestra. Mtodos de estimacin puntual Cmo obtener estimadores para un problema dado? Estudiaremos dos mtodos que proporcionan estimadores puntuales: el mtodo de momentos y el mtodo de mxima verosimilitud. Mtodo de momentos La idea bsica consiste en igualar ciertas caractersticas muestrales con las correspondientes caractersticas poblacionales. Recordemos la siguiente definicin. Definicin: Sea X una v.a. con funcin de probabilidad puntual p (x) X en el caso discreto o funcin de densidad f (x) X en el caso continuo. Se denomina momento de orden k (k N) o momento poblacional de orden k a E(Xk), es decir

Propiedades De Los Estimadores Puntuales: Insesgabilidad Eficiencia

Consistencia Suficiencia

Estimador In sesgado: Sea sesgado. un estimador puntual de un parmetro , entonces es un

estimador insesgado si E (

) = . De lo contrario se dice que es

Distribucin muestral de un estimador insesgado.

Distribucin muestral de un estimador sesgado positivamente, para el

cual

Si el estimador es sesgado, la magnitud del sesgo es: Sesgo =

Suponga que X es una variable aleatoria con media y varianza 2, sea X1, X2, X3, X4,, Xn una m. a. de tamao n de X. Es posible probar que la media muestral y la varianza muestral S 2 son estimadores insesgados de y 2 respectivamente.

Sin embargo S1 (Desviacin estndar muestral) es un estimador sesgado de . (: Desviacin estndar poblacional). Error estndar de un estimador de un parmetro .

Medida usual de la precisin de una estimacin puntual. Error cuadrado medio (ECM) de un estimador .

Se puede demostrar que:

Si

es un estimador puntual insesgado de ; entonces:

Ya que el sesgo

Varianza de Error de estimacin. El error de estimacin es la distancia entre el estimador y su

parmetro. Es decir; = f (X1, X2,, Xn)

m. a. Cantidad aleatoria.

Nota: La condicin de que es insesgado, supone que el valor promedio de (promedio de los valores de ) es exactamente correcto. No dice que un solo valor sea exactamente correcto. Eficiencia Relativa: La eficiencia relativa entre dos estimadores , con ECM respectivos ECM ( ) y ECM ( y de un parmetro ) se define como:

Si la eficiencia relativa es menor que 1 entonces concluimos que un mejor estimador de que Si y son dos estimadores insesgados de , entonces:

es

Eficiencia Relativa =

Si consideramos todos los posibles estimadores insesgados de algn parmetro , el de menor varianza se llama Estimador mas Eficiente de .

Estimador Consistente: Si es un estimador insesgado de , basado en una m. a. de es consistente para , si:

tamao n, decimos que

La consistencia es una propiedad de muestras grandes. Los estimadores cuyo ECM (o varianza si el estimador es insesgado) tiende a cero cuando el tamao de la muestra tiende al infinito, son consistentes. Por ejemplo: Si X N (, 2) y X1, X2,, Xn

Es

una

muestra

aleatoria

de

tamao

de

X,

entonces

es un estimador consiente de .

Es un estimador insesgado de .

ESTIMACION POR INTERVALOS

TAMAO DE LA MUESTRA