capítulo 7 estimación de parámetros
DESCRIPTION
Capítulo 7 Estimación de Parámetros. Estadística Computacional. Algunas consideraciones previas. Conceptos básicos Distribuciones usadas en Inferencia Teoremas relevantes Estimación puntual Estimación por intervalos. Distribuciones usadas en Inferencia. - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/1.jpg)
Capítulo 7 Capítulo 7 Estimación de Estimación de ParámetrosParámetros
Estadística Computacional
![Page 2: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/2.jpg)
Algunas consideracionesprevias
Conceptos básicos Distribuciones usadas en InferenciaTeoremas relevantesEstimación puntualEstimación por intervalos
![Page 3: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/3.jpg)
Distribuciones usadas en InferenciaDistribuciones usadas en Inferencia
1.- Ji-Cuadrado con “n” grados de libertad.Sea X1, X2,...,Xn n v.a. continuas independientes tal que Xi ~ N (0,1) i = 1,n (i.i.d.)
~ donde)(n
n
iiXY 2
1
2
)()( yIn
eyyf
Rn
yn
Y
22 2
21
2
![Page 4: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/4.jpg)
donde
OBS:
1.
2.
3.
0
1 dyey y
nYE nYVar 2
2
22 ;)(
nn
2)21()(n
Y tt
nYE
nYVar 2
y
)( yfY
TABLA
![Page 5: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/5.jpg)
Distribuciones usadas en InferenciaDistribuciones usadas en Inferencia
2.- t-Student Sea X v.a.c. tal que X ~ N (0,1)
Y v.a.c. tal que Y ~ 2(n)
Sea ~
)(nStudentt
nY
Xt
)()( tIn
n
ntn
tf R
n
T
2
12
1 2
12
![Page 6: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/6.jpg)
OBS:
1.
2.
3.
0tE 2
n
ntVar
tTPtFT )(
existenotT )(
TABLA
t
)( yfT
![Page 7: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/7.jpg)
Distribuciones usadas en InferenciaDistribuciones usadas en Inferencia3.- F-de FisherSea X v.a.c. tal que X ~ 2(n)
Y v.a.c. tal que Y ~ 2(m) independientes
Sea ~ ),( mnF
mYnX
Z
)()( zI
zmn
zKzf
Rmn
n
Z
2
12
1
![Page 8: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/8.jpg)
siendo
OBS:
1.
2.
2
22
2n
mn
mn
mn
K
2
m
nZE
)()()(42
222
2
mmnmnm
ZV
TABLA zZPzFZ )(
2
m
nZE z
)(zfZ
![Page 9: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/9.jpg)
Teoremas LímitesTeoremas Límites•Convergencia en Distribución:
x pto. continuidad
•Convergencia en Probabilidad:
>0•Nota:
)()( xFxFlimssiXX XXnD
n n
0 XXPlimssiXX nnP
n
XXXX Dn
Pn
![Page 10: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/10.jpg)
Desigualdad de Chebyshev:
Sea X v.a. /
Entonces
XE XV ;
2
XVXEXP
Ley débil de los grandes números:
suc. de v.a.i.i.d. /
entonces:
RXE
2XV
NnnX
0 nn XPlim
![Page 11: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/11.jpg)
Teorema Central de Límite:
Sea {X} suc. de v.a.i.i.d /
finitas. Entonces:
XE 2XV;
)1,0(N
n
XY Dn
n
![Page 12: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/12.jpg)
El objetivo de la estimación de parámetros es proveer de métodos que permitan determinar con cierta precisión, el valor de los parámetros desconocidos de un modelo estadístico a partir de una muestra extraída al azar de una Población.
1. Método de estimación Puntual2. Método de estimación por Intervalos
Estimación de ParámetrosEstimación de Parámetros
![Page 13: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/13.jpg)
Definición de EstimadorDefinición de EstimadorUn estimador es una regla que nos indica cómo obtener un parámetro de un modelo, basándose en la información contenida en una muestra ( M={ f ( x , ) : modelo )
T :
x T (x) = T (X1, X2,...., Xn)
T (x) : Estimador de , variable aleatoria, función de la muestra, que no depende del parámetro .
(Estadística basada en la Información )
={x : x es una muestra aleatoria} Espacio de Información
En lo que sigue = T (X1, X2,...., Xn) estimador de .
![Page 14: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/14.jpg)
Propiedades de los estimadores puntualesPropiedades de los estimadores puntuales
Un estimador es una v.a. y todo juicio sobre él, se basará en su ley de Probabilidad, y más específicamente sobre su Esperanza y Varianza.
1. se dice que es insesgado
2. se llama sesgo de
3. se llama error cuadrático medio del estimador
4. se dice que es consistente
nXXTEE ,...,ˆ1
ˆEB
ˆˆˆ 2BVarECM
1ˆlim Pn Wˆ
![Page 15: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/15.jpg)
Propiedades de los estimadores puntualesPropiedades de los estimadores puntuales
5. Si , decimos que es un estimador insesgado de varianza mínima para . Si todo otro estimador insesgado de , digamos , se verifica que:
6. Sea X1, X2,..., Xn m.a. f ( x , ). Si es:
Nota: Si es eficiente
ˆE
~ˆ VarVar ~
1
2
),(lnˆˆ xf
nEVarE
ˆ),(lnˆ
12
xfnEVar
![Page 16: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/16.jpg)
7. Sean dos estimadores de . Se llama
eficiencia relativa de a:
8. es un estimador suficiente si usa toda la información contenida en la muestra.
21 ~ˆ y
1
212
ˆ
~ˆ,~
ECMECM
ef
12 ˆ/~ rc
Propiedades de los estimadores puntualesPropiedades de los estimadores puntuales
![Page 17: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/17.jpg)
Métodos de estimación puntual
Método de Momentos Método de Máxima Verosimilitud Método de Mínimos Cuadrados
![Page 18: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/18.jpg)
Momentos (K. Pearson)Momentos (K. Pearson)
rir
r xn
mXE1
La idea es simple. Consiste en igualar los momentos de la población y de la muestra
![Page 19: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/19.jpg)
Máxima VerosimilitudMáxima VerosimilitudConsideremos X = (X1, X2,..., Xn ) m.a. f ( x , ). Se llama función de verosimilitud a:
Además se define:
función soporte:
función score:
El valor (vector) de que maximiza se llama estimador máximo verosimil, i.e.
(caso univariado)
n
iixfxf
1
0 ,,
lnL
L
L
00 2
2
LL
![Page 20: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/20.jpg)
Propiedades de los Estimadores Máximo Verosímiles
Propiedades de los Estimadores Máximo Verosímiles
Los estimadores máximo verosímiles son:
Asintóticamente insesgadosAsintóticamente normalesAsintóticamente eficientesInvariantes bajo transformaciones biunívocasSi estimador suficiente, es suficienteMV
![Page 21: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/21.jpg)
Sea X1, X2,..., Xn m.a. N ( , 2 ).
Encontrar el EMV de
2
222
21
2
iX X
nL ln,
2
22
1222
iXn
X e,
4
22
20
0
Sn
Sn
SXH ,
2 ,
222 0 nnX SXL
,
![Page 22: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/22.jpg)
En general:
6
2
4
42
22
2
2
2
2
2
2
12
iXn
Xnn
L
LL
H ,
:= Matriz de Información de Fisheresperada.
:= Matriz de Información observadaen la muestra.
2 ,HE
2SXH ,
IE
IO
![Page 23: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/23.jpg)
OBS: Caso escalar
Se dice que es un estimador eficiente de
..RCL
E
1
2
2
..~ RCV ~
![Page 24: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/24.jpg)
Estimación por IntervalosEstimación por Intervalos
En la práctica, interesa no sólo dar una estimación de un parámetro, sino que además, un intervalo que permita precisar la incertidumbre existente en la estimación.Definición: Sea x m.a. f ( x , ). Sean 1=T1(x),
2=T2(x) dos estadísticas de : T1 T2 x ;
P 1 2 = 1 - =
Entonces el I = 1 ; 2 se llama intervalo aleatorio
de confianza del 100 % para ( 0 < < 1 ).
![Page 25: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/25.jpg)
Fijado , el problema de determinar 1 y 2 puede resolverse encontrando una variable aleatoria Q(x,) cuya distribución esté totalmente definida, que sea independiente de .
La variable Q(x,) se denomina “Cantidad Pivotal”
Estimación por IntervalosEstimación por Intervalos
Ejemplo: X1, X2,..., Xn1 N ( 1 ,21)
Q(x,)= Q(x,)=)1,0(~11
11N
n
X
)1(
11
11 ~
ntnS
X
![Page 26: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/26.jpg)
1. Encontrar una cantidad Q.2. P q1 Q q2 = 1 - =
3. Invertir P 1 2 = , obteniendo así un intervalo I=1 ; 2 de confianza para de nivel
100 %.
Observación: Para muestras grandes la v.a. Q siempre existe, ya que si , entonces
tiene distribución asintóticamente normal estándar.
MV MV
MV
ˆ
ˆ
Método de la Cantidad PivotalMétodo de la Cantidad Pivotal
![Page 27: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/27.jpg)
Intervalo de Confianza para diferencia de medias
Intervalo de Confianza para diferencia de medias
P1: X1, X2,..., Xn1 N ( 1 ,21)
P2: Y1, Y2,..., Yn2 N ( 2 ,22)
Supuesto: Poblaciones Normales
)1,0(11
11N
n
X
),( 1022
22N
n
Y
)( 1
22
1
211
1
1
n
Sn
)( 1
22
2
222
2
1
n
Sn
~
~
~
~
![Page 28: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/28.jpg)
)( 2
22
2
222
21
211
21
11
nn
SnSn
)( 2
22
221
21
2
nn
PSnn
~
~
Asumiendo independencia de las muestras :
22
21 Si
2
21
2121
2111
nn
P
t
nnS
XXQ
~
![Page 29: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/29.jpg)
21
222121
1121 nn
StXXI Pnn,)(
Finalmente:
Es un Intervalo de confianza de nivel para 1 - 2
![Page 30: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/30.jpg)
2
22
1
21
22121 n
SnS
tXXIg,
)(
Supongamos que
Siendo g = n1 + n2 - 2 - grados de libertad
22
21
2
212
12
22112
11
11''
''
SnSn
SnSn
21,' i
nS
Si
ii
![Page 31: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/31.jpg)
Intervalo de Confianza para 12/2
2Intervalo de Confianza para 12/2
2
.., lgFS
SF nn 112
22
2
21
21
21
~
Recordemos que:
)( 1
22
1
211
1
1
n
Sn
)( 1
22
2
222
2
1
n
Sn
~ ~
2
1
22
21
22
21
22
21
22
S
SF
S
SFI ba
donde 1ba FFFP
2FFa 2FFb Si Se obtiene el intervalo de iguales colas;
![Page 32: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/32.jpg)
Resumen: Intervalos de Confianza
Poblaciones NormalesPoblaciones no Normales
![Page 33: Capítulo 7 Estimación de Parámetros](https://reader036.vdocuments.site/reader036/viewer/2022081418/56813a6a550346895da262b2/html5/thumbnails/33.jpg)
Parámetro Estadística Distribución Intervalo
, conocido
, desconocido
1 - 2 1 = 2
1 - 2 1 2
muestra grande
N (0,1)
N (0,1)
221 nnt
1nt
221 nnt
12n2
21
2121
11nn
S
XX
P
2
22
1
21
2121
nS
nS
XX
MV
MV
ˆˆ
2
21
Sn
S
Xn
Xnn
zX 2
nStX 2
2
2
2
212
2 11
SnSn
;
21
22111nn
StXX P
2
22
1
21
221nS
nS
tXX
MVMV z ˆˆ
2