14.

Estimaci
on Puntual

Definici
on 14.1 Un estimador puntual corresponde a cualquier funcion de la muestra
g(X1 , X2 , . . . , Xn )

14.1.

M
etodo de Momentos

Definici
on 14.2 Sea X1 , X2 , . . . , Xn una muestra aleatoria de una variable X, proveniente de una
poblacion con funcion de densidad f , con
= (1 , 2 , . . . , k )
El estimador de momentos e de corresponde a la solucion del sistema de ecuaciones
n

E(X 1 ) =

1X 1
X
n i=1 i
n

1X 2
E(X ) =
X
n i=1 i
2

.
= ..
n

E(X k ) =

1X k
X
n i=1 i

Debiendose plantear tantas ecuaciones como parametros se desea estimar.

iid

Ejercicios 13 Si X1 , X2 , . . . , Xn f , encuentre los estimadores de momentos si f es

1. U (, 2)
2. N (, 2 )

73

14.2.

M
etodo de M
axima Verosimilitud

Definici
on 14.3 Sea X1 , . . . , Xn una muestra aleatoria proveniente de una poblacion con funci
on
densidad f . Se define la funci
on de verosimilitud como la funcion densidad conjunta del vector
X1 , . . . , Xn y esta dada por
n
Y
L(, x) =
f (xi )
i=1
iid

Ejercicios 14 Si X1 , X2 , . . . , Xn f , encuentre una expresion simplificada para la funci

on de
verosimilitud si f es
1. exp()
2. (, ), con conocido.
3. Bin(n, p) con n conocido.
4. P oisson()
Definici
on 14.4 Un estimador m
aximo verosmil, EMV, de , basado en una muestra X
corresponde a
b
(X)
el cual se obtiene al resolver

log(L(, x)) = 0
j

j = 1, . . . , k

iid

Ejercicios 15 Si X1 , X2 , . . . , Xn f , encuentre los estimadores de maxima verosimilitud si f es

1. exp()
2. (, ), con conocido.
3. Bin(n, p) con n conocido.
4. P oisson()
Definici
on 14.5 Consideremos una familia de distribuciones con parametro para una variable aleatoria X y con funcion de verosimilitud asociada L(, x). Se dice que la log- verosimiltud
de X pertenece a una familia exponencial ssi existen funciones 1 , . . . , k y t1 , . . . , tk R,
tales que
k
X
log L(, x) = log h(x) + log c() +
j ()tj (x)
j=1

con h y c funciones positivas definidas en R

74

Ejemplo 14.1 Sea la variable aleatoria X con funcion densidad


(1 )x1 , x = 1, 2, . . . , (0,1);
f (x) =
0,
e.o.c.
Determine si f(x) pertenece a la familia exponencial.
Ejemplo 14.2 Sea X1 , . . . , Xn una muestra aleatoria de X cuya densidad es


1
1
2
f (x) =
exp 2 (x )
2
2 2
con x R, = (, 2 ), < < , 2 > 0, desconocidos. Determine si esta distribucion pertenece
a la familia exponencial.

75

15.

Insesgamiento y eficiencia

Definici
on 15.1 Un estimador puntual b de es insesgado si
b =
E()

Si b no es insesgado , se denomina sesgo de b a

b = E()
b
b()
Por lo tanto, un estimador es insesgado si su distribucion tiene como valor esperado al parametro
que se desea estimar.
iid

Ejercicios 16 Si X1 , X2 , . . . , Xn f , determine si los estimadores de momentos y maxima verosimilitud son insesgados para f
1. exp()
2. (, ), con conocido.
3. Bin(n, p) con n conocido.
4. P oisson()
Definici
on 15.2 El error cuadr
atico medio de un estimador b de corresponde a
b = E(b )2
ECM()
b + (b())
b 2
= V()
iid
b
Ejemplo 15.1 Sea X1 , . . . , Xn exp() y consideremos b = 1/x. Calcule el ECM().

Definici
on 15.3 Se define la matriz de informaci
on de Fisher como

2

I() = E
logL(, x)

Lema 2 Sea la funcion f tal que


 Z



d

E
logL(, x) =
logf (x) f (x) dx,
d

entonces,
2
 2


E
logL(, x) = E
logL(, x)

2


76

Teorema 15.1 Cramer - Rao.

Sea X1 , . . . , Xn una muestra con funcion densidad f que satisface la conmutatividad entre el operador integral y diferencial y sea g(X) = g(X1 , . . . , Xn ) un estimador donde E(g(X)) es diferenciable
como funcion de . Entonces
d
( d
E(g(X))2
V(g(X))

2

E
log L(, x)
Observacion: La cantidad

d
E(g(X))2
( d

log

L(, x)

2

se llama cota de Cram

er-Rao y todo estimador que alcance esta cota sera llamado eficiente.
Es claro que si g(X) es un estimador insesgado para entonces se cumple que
1

V(g(X))
E

log

2
L(, x)

es decir, la cota de Cramer- Rao es igual a I()1 .

Definici
on 15.4 Un estimador g(X) de se dice eficiente si
I()1
=1
b
V()
b
Teorema 15.2 Si b es el EMV de , entonces para cualquier funcion g(), el EMV de g() es g()

Ejercicios 17 .
iid

1. Si X1 , X2 , . . . , Xn f , encuntre los estimadores de momentos si f es

a) exp()
b) (, )
c) U (0, )
d) U (, )
2. Sea X1 , . . . , Xn una muestra aleatorio con funcion densidad
fX (x) =

x x/
e
2

x > 0,

>0

a) Determine el estimador de momentos y el EMV de .

b) Determine si b es insesgado, calcule su varianza y comparela con la cota de CramerRao. Es este estimador eficiente?
77

iid
b si b = x.
3. Sea X1 , . . . , Xn N (, 2 ). Calcule el ECM()

4. Suponga que el tiempo de duracion X de un cierto componente electronico posee distribuci

on
Rayleigh de parametro , con funcion densidad dada por
2
2
fX (x) = xex / ,

x>0 >0

Para realizar la inferencia acerca de se considera una muestra aleatoria X = (X1 , . . . , Xn )

que representa los tiempos de duracion de n de esos componentes.
a) Determine la funcion de verosimilitud.
b) Determine el estimador de maxima verosimilitud b de .
c) Determine si el EMV es insesgado.
b
d) Calcule el ECM().
iid

5. Sea X1 , . . . , Xn N (, 2 ) y consideremos los estimadores para 2

n

s21

1 X
(Xi X)2
=
n 1 i=1

Determine el ECM de ambos estimadores.

78

s22 =

n1 2
s
n 1