Professional Documents
Culture Documents
Propiedades de un estimador
Insesgadez
Eciencia
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:
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
(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
= 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