1

Tema 2: Estimacion puntual

(basado en el material de A. Jach (http://www.est.uc3m.es/ajach/)
y A. Alonso (http://www.est.uc3m.es/amalonso/))

Planteamiento del problema: estimador y estimacion

Propiedades de un estimador

Insesgadez

Eciencia

Error cuadratico medio

Propiedades de un estimador en muestras grandes

Consistencia

Insesgadez asintotica
Estadstica I A. Arribas Gil
2
Planteamiento del problema
Objetivo: estimar un parametro desconocido de una poblacion dada.
Denicion 1.
Sea X
1
, X
2
, . . . , X
n
una m.a.s. de una poblacion. Sea un parametro de
interes de esa poblacion. Un estimador puntual (estimador) de es cualquier
funcion de la m.a.s. (y solo de muestra):
T(X
1
, X
2
, . . . , X
n
)
Observaciones:

Un estimador puntual no es mas que un estadstico cuya funcion va a ser

la de estimar (aproximar) el valor de un parametro. Un estimador es por
tanto una v. a.

Una realizacion particular del estimador, es decir, el valor del estimador en

una muestra particular, T(x
1
, x
2
, . . . , x
n
), se llama estimacion.

T(X
1
, X
2
, . . . , X
n
) = T(x
1
, x
2
, . . . , x
n
)
Estadstica I A. Arribas Gil
3
Planteamiento del problema
Ejemplos de estimadores:
Parametro Estimador Estimacion
Media X x
Varianza
2
S
2
(s
2
) s
2
Desviaci on tpica S (s) s
Proporci on p p p
NOTACI

ON: En general denotaremos por el parametro poblacional y por

(o

n
) su estimador y cualquier estimacion particular.
Estadstica I A. Arribas Gil
4
Propiedades de un estimador
Ejemplo 1.
Una camara de refrigeraci on tiene una temperatura uniformemente distribuida
entre 0 grados y b grados sobre cero, regulada mediante un termostato. Para
estimar la temperatura maxima que se puede alcanzar (b), se eligen diez
momentos distintos durante el da obteniendose temperaturas X
1
, X
2
, . . . , X
10
.
Denimos los estimadores:
T
1
(X
1
, X
2
, . . . , X
10
) = 2 X
T
2
(X
1
, X
2
, . . . , X
10
) = max{X
1
, X
2
, . . . , X
10
}
Cual de los dos es preferible? (P. Gil y S. Montes. Univ. de Oviedo.)
Cuales son las propiedades deseables para un estimador?
Ser INSESGADO, CONSISTENTE Y EFICIENTE
Estadstica I A. Arribas Gil
5
Propiedades de un estimador
Denicion 2.
Se dice que un estimador T(X
1
, . . . , X
n
) de es insesgado (o centrado) si
E[T(X
1
, . . . , X
n
)] =
Es decir, si tomamos repetidas muestras, EN MEDIA, el valor del estadstico
estara cerca del verdadero valor del parametro.
Denicion 3.
Se dice que un estimador T(X
1
, . . . , X
n
) de es asintoticamente insesgado si
lim
n
E[T(X
1
, . . . , X
n
)] =
Esta propiedad es interesante si tenemos una muestra de tama no grande.
Denicion 4.
El sesgo de un estimador T(X
1
, . . . , X
n
) de , se dene como b
T
()= E [T].
Estadstica I A. Arribas Gil
6
Propiedades de un estimador
Parametro Estimador Es Insesgado?
Media X S
Varianza
2
S
2
(s
2
) S
Desviaci on tpica S (s) No
Proporci on p p S
Observacion: La varianza muestral, V
2
=
1
n

n
i =1
_
X
i
X
_
2
, no es un
estimador insesgado de
2
_
E[V
2
] =
n1
n

2
_
, pero s es un estimador
asintoticamente insesgado
2
.
Estadstica I A. Arribas Gil
7
Propiedades de un estimador
Ejemplo 1 (cont.) Son T
1
y T
2
estimadores insesgados de b?
X = temperatura en la camara U(0, b):
f
X
(x) =
1
b
, F
X
(x) =
x
b
0 x b
E[X] =
b
2
, Var [X] =
b
2
12
X
1
, X
2
, . . . , X
10
m.a.s. de X X
1
, X
2
, . . . , X
10
F
X
i.i.d.
Recordemos la denicion de los dos estimadores:
T
1
(X
1
, X
2
, . . . , X
10
) = 2 X
T
2
(X
1
, X
2
, . . . , X
10
) = max{X
1
, X
2
, . . . , X
10
}
T
1
(X
1
, X
2
, . . . , X
10
) es insesgado?
E[T
1
(X
1
, X
2
, . . . , X
10
)] = E[2 X] = 2E[X] = 2E[X] = 2
b
2
= b S

I
Estadstica I A. Arribas Gil
8
Propiedades de un estimador
Ejemplo 1 (cont.)
T
2
(X
1
, X
2
, . . . , X
10
) es insesgado?
Para calcular la esperanza de T
2
vamos a obtener primero su distribucion:
F
T
2
(x) = P(T
2
x) = P(max{X
1
, . . . , X
10
} x) = P(X
1
x, . . . , X
10
x)
ind.
= P(X
1
x) . . . P(X
10
x) = F
X
1
(x) . . . F
X
10
(x)
i .d.
= F
X
(x)
10
f
T
2
(x) = F

T
2
(x) =
_
F
X
(x)
10
_

= 10 F
X
(x)
9
F

X
(x) = 10 F
X
(x)
9
f
X
(x)
Por tanto:
f
T
2
(x) = 10
_
x
b
_
9
1
b
= 10
x
9
b
10
si 0 x b
Ahora podemos calcular la esperanza de T
2
:
E[T
2
] =
_
b
0
x f
T
2
(x) dx =
_
b
0
x 10
x
9
b
10
dx =
10
b
10
_
b
0
x
10
dx =
10
b
10
_
x
11
11
_
b
0
=
10
b
10
b
11
11
=
10
11
b NO ES INSESGADO
Estadstica I A. Arribas Gil
9
Propiedades de un estimador
Ejemplo 1 (cont.)
Sea T
3
=
11
10
T
2
= 1.1 max{X
1
, . . . , X
10
}:
E[T
3
] = E
_
11
10
T
2
_
=
11
10
E[T
2
] =
11
10
10
11
b = b ES INSESGADO
Tenemos dos estimadores insesgados de b:
T
1
(X
1
, X
2
, . . . , X
10
) = 2 X
T
3
(X
1
, X
2
, . . . , X
10
) = 1.1 max{X
1
, X
2
, . . . , X
10
}
Cual de los dos es preferible?
Estadstica I A. Arribas Gil
10
Propiedades de un estimador
Denicion 5.
Sean T
1
(X
1
, . . . , X
n
) y T
2
(X
1
, . . . , X
n
) dos estimadores insesgados de . Se
dice que T
1
es mas eciente que T
2
si se verica que
Var [T
1
(X
1
, . . . , X
n
)] < Var [T
2
(X
1
, . . . , X
n
)]
Es decir, un estimador mas eciente que otro tiene menor dispersion.
Denicion 6.
Sean T
1
(X
1
, . . . , X
n
) y T
2
(X
1
, . . . , X
n
) dos estimadores insesgados de . Se
dene la eciencia relativa de T
1
respecto a T
2
como
E.R.[T
1
, T
2
] =
Var [T
2
]
Var [T
1
]
Algunos autores la denen al reves, es decir E.R.[T
1
, T
2
] =
Var [T
1
]
Var [T
2
]
. Da igual
que denicion se use, lo importante es interpretar correctamente el resultado.
Estadstica I A. Arribas Gil
11
Propiedades de un estimador
Ejemplo 1 (cont.)
Vamos a ver cual de los dos estimadores insesgados de b es mas eciente:
T
1
(X
1
, X
2
, . . . , X
10
) = 2 X
T
3
(X
1
, X
2
, . . . , X
10
) = 1.1 max{X
1
, X
2
, . . . , X
10
}
Calculo de la varianza de T
1
:
Var [T
1
] = Var [2 X] = 2
2
Var [X] = 4
Var [X]
n
= 4
b
2
/12
10
=
b
2
30
Calculo de la varianza de T
3
:
E[T
2
2
] =
_
b
0
x
2
f
T
2
(x) dx =
_
b
0
x
2
10
x
9
b
10
dx =
10
b
10
_
b
0
x
11
dx =
10
b
10
_
x
12
12
_
b
0
=
10
12
b
2
E[T
2
3
] = E[(1.1 T
2
)
2
] = E[1.1
2
T
2
2
] = 1.1
2
E[T
2
2
] = 1.1
2 10
12
b
2
=
121
100
10
12
b
2
=
121
120
b
2
Var [T
3
]= E[T
2
3
] E[T
3
]
2
=
121
120
b
2
b
2
=
b
2
120
Estadstica I A. Arribas Gil
12
Propiedades de un estimador
Ejemplo 1 (cont.)
Var [T
3
] =
b
2
120
<
b
2
30
= Var [T
1
]
T
3
es mas eciente que T
1
.
Podemos calcular la eciencia relativa de estos dos estimadores:
E.R.[T
1
, T
3
] =
Var [T
3
]
Var [T
1
]
=
b
2
/120
b
2
/30
=
1
4
T
3
es 4 veces mas eciente que T
1
.
Para la estimacion de la temperatura maxima (b) que se alcanza en la camara
de refrigeracion preferiremos el estimador
T
3
(X
1
, X
2
, . . . , X
10
) = 1.1 max{X
1
, X
2
, . . . , X
10
} al estimador
T
1
(X
1
, X
2
, . . . , X
10
) = 2 X.
Estadstica I A. Arribas Gil
13
Propiedades de un estimador
Ejemplo 2.
En un centro de ingeniera se dispone de un aparato de medicion de longitudes
que produce mediciones centradas con una varianza
2
. Se quieren medir las
longitudes de dos barras de metal, pero debido al coste que supone el uso del
aparato, solo se pueden hacer dos mediciones.
Se proponen los siguientes metodos:
i) medir cada una de las dos barras por separado.
ii) poner una barra a continuacion de la otra y medir la distancia total, y
luego poner una barra al lado de la otra y medir la diferencia de
longitudes. Usar estas dos medidas para estimar las longitudes de las
barras.
Cual de los dos procedimientos es preferible?
(F. Tusell y A. Garn, 1991, p. 213)
Estadstica I A. Arribas Gil
14
Propiedades de un estimador
Como comparamos un estimador insesgado con un estimador sesgado?
Denicion 7.
Sea T(X
1
, . . . , X
n
) un estimador de . Se dene el error cuadratico medio de
T como
ECM(T) = E
_
(T )
2

El error cuadratico medio de un estimador mide la cercana de ese estimador

al parametro que queremos estimar.
Estadstica I A. Arribas Gil
15
Propiedades de un estimador
Proposicion 1.
Sea T(X
1
, . . . , X
n
) un estimador de . Se cumple que:
ECM(T) = Var [T] + b
T
()
2
El ECM involucra las dos propiedades anteriormente vistas: insesgadez y
eciencia. Cuanto mas cerca este la esperanza de un estimador del parametro,
y cuanto mas peque na sea su varianza, menor sera su ECM.
En el caso de dos estimadores insesgados, comparar sus ECM es lo mismo que
comparar sus varianzas (Ejemplo 1).
Dem.:
ECM(T) = E
_
(T )
2

= E
_
T
2
+
2
2 T

= E
_
T
2

+
2
2 E[T]
= E
_
T
2

E[T]
2
+ E[T]
2
+
2
2 E[T]
=
_
E
_
T
2

E[T]
2
_
+
_
E[T]
2
+
2
2 E[T]
_
= Var [T] + (E[T] )
2
= Var [T] + b
T
()
2
Estadstica I A. Arribas Gil
16
Propiedades de un estimador
Ejemplo 3.
Sea X
1
, . . . , X
n
una muestra aleatoria simple de una variable aleatoria X con
E[X] = y Var [X] =
2
. Calcular el error cuadratico medio para los
siguientes estimadores del parametro :
T
1
= X
1
T
2
=
(3X
1
2X
2
+ X3)
6
Examen Enero 2002
Error cuadratico medio de T
1
:
E[T
1
] = E[X
1
] = b
T
1
() = 0
Var [T
1
] = Var [X
1
] =
2
ECM(T
1
) = Var [T
1
] + b
T
1
()
2
=
2
Estadstica I A. Arribas Gil
17
Propiedades de un estimador
Ejemplo 3 (cont.)
Error cuadratico medio de T
2
:
E[T
2
] = E
_
(3X
1
2X
2
+ X
3
)
6
_
=
1
2
E[X
1
]
1
3
E[X
2
] +
1
6
E[X
3
] =
1
3

b
T
2
() =
1
3
=
2
3

Var [T
2
] = Var
_
(3X
1
2X
2
+ X
3
)
6
_
ind.
=
1
4
Var [X
1
] +
1
9
Var [X
2
] +
1
36
Var [X
3
]
=
7
18

2
ECM(T
2
) = Var [T
2
] + b
T
2
()
2
=
7
18

2
+
_
2
3

_
2
=
7
18

2
+
4
9

2
Estadstica I A. Arribas Gil
18
Propiedades de un estimador
Denicion 8.
Se dice que un estimador T(X
1
, . . . , X
n
) de es consistente si T converge en
probabilidad a cuando el tama no de muestra tiende a innito, es decir, si
lim
n
P(|T(X
1
, . . . , X
n
) | < ) = 1 > 0
La consistencia de un estimador garantiza que si tenemos un tama no de
muestra grande cualquier estimacion particular va a estar cerca del valor de .
Proposicion 2.
Sea T(X
1
, . . . , X
n
) un estimador de que verica
lim
n
E[T(X
1
, . . . , X
n
)] = (Asintoticamente Insesgado)
lim
n
Var [T(X
1
, . . . , X
n
)] = 0
entonces T es un estimador consistente de .
Observacion: Consistente Insesgado
Estadstica I A. Arribas Gil
19
Propiedades de un estimador
Ejemplo 4.
Sea X
1
, . . . , X
n
una m.a.s. de X N(, ) X N(,

n
).
Cuando n tiende a innito la varianza de X tiende a 0.
Por tanto X es un estimador consistente de .
Funciones de densidad Funciones de distribucion
Estadstica I A. Arribas Gil