Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
FACULTAD DE CIENCIA
DEPARTAMENTO DE MATEMÁTICA Y CIENCIAS DE LA COMPUTACIÓN
n
n 1 2
se puede probar que
E ˆ 2 , y su sesgo es:
n
2 n 1 2 2 n
Sesgo
2
0 cuando
n n
FRANCISCO VALENZUELA ROJAS 1
PROPIEDADES DE LOS ESTIMADORES
es que su valor esperado sea el parámetro que se intenta estimar. Por ello, se dice
que es un estimador insesgado para si se cumple que E
Naturalmente, si es un estimador insesgado de se tiene que
Sesgo 0
Ejemplo: Si X1, X 2 ,..., X n es una muestra aleatoria, donde E(Xi)=µ, tenemos
n
X i
que X i 1
es un estimador insesgado de µ, puesto que:
n
1 n 1
E X E X i n
n i 1 n
FRANCISCO VALENZUELA ROJAS 2
Ejemplo:
E S
2 1 n
E X i X
n 1 i 1
2 1 n
E X i X
2
n 1 i 1
1 n
2
E X i n X
n 1 i 1
2
1 n
i
n 1 i 1
E X 2
nE
X
2
Como E X i Var X i y
2 2
E X
2 2
n
Var X
1 2 2
ES 2
n 1
n n
1
n n 1
n 1 2 2
x i
10 x6 3x4
Si tenemos los estimadores de µ: ˆ1 i 1
ˆ 2
7 7
1 7
E ˆ 2 E 10 x6 3x4 10 3
1 1
E ˆ1 E xi
7 i 1 7 7
1 7 2
Var ˆ1 Var xi 7
1 2
49 i 1 49 7
Var ˆ 2
1
49
100 Var x6 9 Var x4 1 100 2 9 2
49
109 2
49
2
Var ˆ1 Var ˆ 2
109 2
En vista de lo anterior, se tiene que
7 49
2
^
^
E.C.M . E
Desarrollando la expresión anterior (ejercicio: verificar detalles):
2
2
^
^ ^ ^
E E E E
2 2
^
^ ^
E E E
2
^
^
Var sesgo
FRANCISCO VALENZUELA ROJAS 6
^
E
^
Recordando que si el estimador es insesgado, se tiene que
En consecuencia, el error cuadrático medio se convierte en:
2
^
^
^
^
E.C.M . Var sesgo Var
Ejemplo: Para los siguientes estimadores de la media μ, de una
x i 10 x6 3x4
ˆ1 i 1 ˆ 2
7 7
Ambos estimadores son insesgados (por lo visto anteriormente). Luego:
2
E.C.M .ˆ1 Var ˆ1 sesgoˆ1 Var ˆ1
2
7
E.C.M .ˆ 2 Var ˆ 2 sesgoˆ 2 Var ˆ 2
109 2
2
49
FRANCISCO VALENZUELA ROJAS 7
En general, si ˆ1 y ˆ2 son estimadores de un parámetro, se define
E.C.M . ˆ1
E.C.M . ˆ2
(si esta razón es menor que 1, ˆ1 es más eficiente que ˆ2
para estimar , puesto que E.C.M . ˆ1 E.C.M . ˆ2 )
X 1 X 10 X 1 2 X 5 X 10
ˆ1 y ˆ2
2 4
Analicemos el insesgamiento de cada estimador:
E 1 E X 1 X 10 E X 1 E X 10 2
ˆ 1
2
1
2
1
2
E ˆ2 E X 1 2 X 5 X 10 2 4
1
4
1
4
1
4
FRANCISCO VALENZUELA ROJAS 8
Esto es, ambos estimadores son insesgados. Si para cada uno de los estimadores
anteriores calculamos su varianza, tenemos:
2
Var ˆ1 Var X 1 X 10
1 1 2 2
4 4 2
Var ˆ2 Var X 1 2 X 5 X 10
1
16 16
1 2
4 2 2
1
16
3
6 2 2
8
2
ˆ 3 ˆ
Note que Var 2 Var 1
2
( ˆ2 es estimador de menor
8 2
varianza)
E.C.M . ˆ1 2 2 4
2 1 (es decir, ˆ2 es un estimador más eficiente
ˆ
E.C.M . 2 3 8 3 para estimar que ˆ1 )
~
n
L ; x f X xi |
i 1
corresponde a la función de verosimilitud de la muestra.
i 1 i 1
n
p n 1 p
X i 1
i 1
n X i 1
n
ln L p | X 1 ,..., X n ln p 1 p i1
n
n ln p ln 1 p X i 1
i 1
n
ln L p | X 1 ,..., X n n ln p ln 1 p X i 1
p p i 1
1 n
n
X i 1
p 1 p i 1
Igualando la derivada anterior a cero:
n
n1 pˆ pˆ X i 1
ln L p | X 1 ,..., X n 0 i 1
0
p pˆ 1 pˆ
n
n1 pˆ pˆ X i 1 0
i 1
n
n npˆ pˆ X i npˆ 0
i 1
1
n
n 1 pˆ E.M .V .( p)
n pˆ X i n
pˆ pˆ X
i 1
X
i 1
i
X
FRANCISCO VALENZUELA ROJAS 12
Ejemplo 2: Si (X1,X2,…,Xn) es una muestra aleatoria de tamaño n, donde
Xi ~N(µ;σ2), determinar el estimador máximo verosímil de µ y σ2.
n n
1 i
L , | X 1 ,..., X n f xi | ,
2 2
e 2
i 1 i 1 2 2
n n
X i 2
1
1 2 2 2
2
e i 1
2
El logaritmo natural de la función anterior resulta:
n
2 X i 2
1
n
ln L , 2 | X 1 ,..., X n 1 2 i1
ln
2 2
2
e
2
ln 2 2 X i
n 2 1 n
2 i 1
2
n
ln L , | X 1 ,..., X n
2
2
ln 2 2
1 n
2
2 i 1
X i 2
2 X i
1 n
2 2
i 1
ln L , | X 1 ,..., X n 0 X i ˆ 0
n
2
i 1
n
X i nˆ 0
i 1
n
X i
ˆ i 1
X E.M .V .( ) X
n
n
ln L , |X 1 ,..., X2
n 2
2
ln 2
2
1 n
2
2 i 1
X i 2
2
n
2
1 n
4
X 2
2 2 i 1
i
n
2
1 n
X
ˆ 2
0 / 2ˆ 4
2ˆ 2ˆ 4 i 1
i
X X nˆ
n
n
Xi X
2
2 2
i 1
i EMV 2 i 1
n
X X
n 2
i
i 1
ˆ 2 (note que este estimador es
n sesgado para σ2 )
Solución: x X i
pˆ M .V . i 1
nk k
n 1
Solución: ˆM .V . n
x
i 1
i
X
INVARIANZA
se tiene que:
X X
n 2 n 2
i X i X
ˆ 2 EMV 2 i 1 ˆ EMV i 1
n n
P ˆ1 ˆ2 1
Interpretación de un intervalo de confianza: si se obtienen muestras del mismo
tamaño en forma repetida, y cada vez que éstas se seleccionan, se calculan los
valores específicos del intervalo aleatorio, se espera que el 100(1-α)% de los
intervalos obtenidos, contengan al parámetro a estimar.
P z1 2 Z z1 2 1
X
P z1 2 z1 2 1
n
P z1 2 X z1 2 1
n n
P z1 2 X z1 2 X 1
n n
P X z1 2 X z1 2 1
n n
I .C. X z1 2 , X z1 2 , varianz a conocida
n n
FRANCISCO VALENZUELA ROJAS 19
Ejemplo: Se sabe que el coeficiente intelectual (CI) de la población de estudiantes
de enseñanza media es una variable aleatoria X, que se distribuye normal con
varianza 9. Se aplicó una prueba para medir el CI a una muestra aleatoria de 10
estudiantes de enseñanza media, con el siguiente resultado:
110 116 110 108 114 112 114 112 113 111
z1 2
2
z
n 1 2
n
3 3
X z1 2 , X z1 2
112 1,96 ,112 1,96
n n 10 10
110,14;113,86
2
z 1,96 3
2
b) El tamaño muestral necesario es: n 1 2 54,0225 55
0,8
(aproximamos al entero siguiente)
FRANCISCO VALENZUELA ROJAS 21
INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN
NORMAL
X
Caso 2:Varianza desconocida T ~ tn 1
S n
X
P t1 2;n 1 t1 2;n 1 1
S n
S S
P t1 2;n 1 X t1 2;n 1 1
n n
S S
P t1 2;n 1 X t1 2;n 1 X 1
n n
S S
P X t1 2;n 1 X t1 2;n 1 1
n n
S
I .C. X t1 2;n1
S
, X t1 2;n1 , varianz a desconocid a
n n
FRANCISCO VALENZUELA ROJAS 22
Ejemplo: La cámara de comercio de una ciudad se encuentra interesada en estimar
la cantidad promedio de dinero que gasta la gente que asiste a convenciones,
calculando gasto en comidas, alojamiento y entretenimiento por día. De las
distintas convenciones que se llevan a cabo en la ciudad, se seleccionaron 16 personas
y se les preguntó la cantidad que gastaban por día.
150 175 163 148 142 135 189 168 174 184 158 152 134 146 155 163
S S 16,415 16,415
X t1 2; n 1 , X t1 2;n 1
158,5 2,9467 ;158,5 2,9467
n n 16 16
146,407;170,593
2
n 1S 2
~ 2n1 , podemos construir el intervalo de
Recordando que
2
confianza para la varianza σ2:
P 2 2 2 12 2 1
2
P 2
n 1S 2
1 2 1
2
2
1 2
1
P 2 1
2 n 1S 2 12 2
n 1S 2 n 1 S 2
P 2
2 1
2
2
1 2
Por lo tanto, un intervalo de confianza del 100(1-α)% para la varianza de una
población normal, en base a una muestra aleatoria de tamaño n es:
n 1S 2 n 1S 2
I .C. 2
2
,
2
1 2 2
FRANCISCO VALENZUELA ROJAS 25
Ejemplo: Un proceso produce cierta clase de cojinetes de bola, cuyo diámetro
Interior es de 3 cm. Se seleccionan de forma aleatoria 12 de estos cojinetes, y se
midieron sus diámetros internos, que resultan ser (en cm):
3.01 3.05 2.99 2.99 3.00 3.02 2.98 2.99 2.97 2.97 3.02 3.01
Solución:
n 12 1 0,99 0,01
S 0,0005
2 2 2;n1 02,005;11 2,603
12 2;n1 02,995;11 26,757
75 275
pˆ 1 pˆ 1 0,95 0,05
350 350
z1 2 z0,975 1,96
75 275 75 275
1,96
350 350 75
1,96
350 350
I .C. p
75
,
350 350 350 350
0,1713 ; 0,2573
pˆ 1 pˆ pˆ 1 pˆ
I .C. p pˆ z1 2 , pˆ z1 2
n n
pˆ 1 pˆ
Se tiene que la precisión de estimación está dada por z1 2
n
z1 2 pˆ 1 pˆ
2
Despejando n: n
X Y X Y
P z1 2 z1 2 1
X Y
2 2
n X nY
2
2
2
2
P z1 2 X
Y
X Y X Y z1 2 X
Y 1
n X nY n X nY
2 2 2 2
P z1 2 X
Y X Y X Y z1 2 X
Y X Y 1
n X nY n X nY
2
2 2 2
P X Y z1 2 X
Y
X Y X Y z1 2 X
Y 1
n X nY n X nY
X2 Y2
IC X Y X Y z1 2
X2 Y2
X Y X Y z1 2
n X nY n X nY
FRANCISCO VALENZUELA ROJAS 30
INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE
MEDIAS DE DOS POBLACIONES NORMALES
T
X Y X Y
~ t v S 2
n X 1S X2 nY 1SY2
n X nY 2
p
1 1
Sp
n X nY
(Sp2 es el estimador combinado de la varianza)
v nX nY 2
X Y X Y
P t1 2;v t1 2;v 1
1 1
S p
n X nY
1
P X Y t1 2;v S p
1
1
n X nY
X Y X Y t1 2;v S p
1
1
n X nY
1
IC X Y X Y t1 2;v S p
1
1
n X nY
X Y X Y t1 2;v S p
1
nX nY
FRANCISCO VALENZUELA ROJAS 31
INTERVALO DE CONFIANZA PARA LA RAZÓN DE VARIANZAS
DE DOS POBLACIONES NORMALES INDEPENDIENTES
S X2 Y2
F 2 2 ~ Fn 1;n 1
SY X X Y
S X2 Y2
P F 2;n X 1;nY 1 2 2 F1 2;n X 1;nY 1 1
SY X
SY2 Y2 SY2
P F 2;n X 1;nY 1 2 2 F1 2;n X 1;nY 1 2 1
SX X SX
Y2 SY2 SY2
I .C. 2 F 2;n X 1;nY 1 2 , F1 2;n X 1;nY 1 2
X SX SX
Ciudad n n n
Yi
i 1
i
Y 2
i 1
1 25 2.700 368.775
2 25 2.240 252.780
F0,975;24;24 2,2693
368.775
2.700
2
252.780
2.240
2
2.700 2.240 v 25 25 2 48
Y1 108 Y2 89,6
25 25
243.215,625 242.169,833
S p2 2.692,729 S p 2.692,729 51,892
48
1
IC 1 2 108 89,6 2,0106 51,892 ; 108 89,6 2,0106 51,892
1 1 1
25 25 25 25
1
108 89,6 2,0106 51,892 ; 108 89,6 2,0106 51,892
1 1 1
25 25 25 25
11,110;47,910