Estimacin puntual

Poblacin
p
% DEFECTUOSA

Probabilidad

Conocido p
cuanto vale X ?

Muestra n
X N Defectuosa

Conocido X
cuanto vale p ?

Inferencia
Estimacin 2

POBLACIN
X

MUESTRA n

X 1 , X 2 ,..., X n

X N ( , )
Parmetros
, ?

Datos Conocidos

?
Estimacin 3

Espesores de 150 obleas de Silicio (micras)

X
240
243
250
253
248
238
242
245
251
247
239
242
246
250
248

235
237
246
249
246
240
241
246
247
249
240
243
244
248
245

240
243
244
249
246
245
250
250
247
248
238
240
245
248
246

240
242
246
249
248
240
243
246
250
248
241
245
243
247
245

247
245
255
250
249
237
239
243
247
246
242
244
245
248
245

237
239
242
247
245
242
244
246
251
248
243
245
247
252
249

243
245
248
251
250
244
246
246
250
246
241
239
244
250
246

242
245
248
251
249
242
245
248
243
246
241
244
245
249
247

236
239
241
246
242
243
246
247
252
247
241
243
245
248
246

239
240
242
243
244
239
240
250
252
250
241
243
249
255
253
Estimacin 4

Histograma para Espesor

frecuencia

40

30

20

10

0
230

235

240

245

250

255

260

Espesor

Estimacin 5

Distintos problemas de inferencia

Dado un modelo para los datos:

X 1 , X 2 ,..., X n

Estimar y
Dar un intervalo de confianza para y
Elegir entre (contraste de hiptesis):
250 o < 250
Comprobar la validez del modelo (contraste
de bondad de ajuste).
Estimacin 6

Mtodos de Estimacin
X f X ( x,1 , 2 ,..., r )
fX

conocida

Parmetros desconocidos
1, 2 ,..., r

Dada una muestra aleatoria simple de X

x1 , x2 , K , xn

1 , 2 ,..., r ?
1. Mtodo de los momentos
2. Mtodo de mxima verosimilitud
Estimacin 7

Mtodos de los momentos

DATOS

x1, x2 ,K , xn
a1 =
a2 =

n
x
i =1 i

n
2
x
i
i =1

ar

r
x

i
= i =1
n

VAR. ALEATORIA
f X ( x,1 , 2 ,..., r )

1 = E[ X ] = g1 (1 , 2 ,..., r )
2 = E[ X 2 ] = g 2 (1, 2 ,..., r )
M

r = E[ X r ] = g r (1 , 2 ,..., r )

g1 (1 ,2 ,K ,r ) = a1

Estimadores g 2 (1 ,2 ,K,r ) = a2

1 , 2 ,K, r
M

g ( , ,K, ) = a
r
r
r 1 2

Estimacin 8

Mtodo de los momentos: Distribucin normal

1 x 2
1
f X ( x) =
exp
, x
2
2

Parmetros : , ?

x1, x2 , K , xn
a1 =
a2

n
x
i =1 i

n
2
x
i =1 i

f X ( x, , )

1 = E[ X ] =
2 = E[ X 2 ] = 2 + 2

= x
n
1
2 = xi2 x2 = s2
n i=1

Estimacin 9

Mtodo de mxima verosimilitud

(Introduccin)
Una fuente radiactiva emite partculas segn un proceso
de Poisson con media desconocida. Durante 10 minutos
se han contado el nmero de partculas emitidas:
12, 6, 11, 3, 8, 5, 3, 9, 7, 5
P( X 1 = 12, X 2 = 6,..., X 10

5
12 6

= 5) = e
e
L e
12!
6!
5!
12+ 6+L+5
69
10
10
=e
=e
12!6!L 5!
12!6!L 5!

l ( ) = e

10

69
12!6!L 5!
Estimacin 10

Funcin de verosimilitud
69

l ( ) = e 10
12!6!L 5!

6,9

Estimador mximo-verosmil: = 6,9

10

Estimacin 11

Funcin de verosimilitud
0

1,6E-11

-5

1,4E-11

-10

1,2E-11

-15

1E-11

-20

8E-12

-25

6E-12

lambda

L() = log l()

10

9,4

6,9

8,8

8,2

7,6

-40
7

0
6,4

-35
5,8

2E-12
5,2

-30

4,6

4E-12

69

l ( ) = e 10
12!6!L 5!
log probabilidad

1,8E-11

probabilidad

verosimilitud

Estimador mximo-verosmil: = 6,9

Estimacin 12

Estimacin por
mxima verosimilitud
X f X ( x,1 , 2 ,..., r )
fX

conocida

Parmetros desconocidos : 1 , 2 ,..., r

Muestra aleatoria simple : X 1 , X 2 ,..., X n
Distribucin conjunta :
f ( x1 , x2 ,..., xn ;1 ,..., r ) =
= f X ( x1 ,1 , 2 ,..., r ) f X ( x2 ,1 , 2 ,..., r ) L f X ( xn ,1 , 2 ,..., r )
n

log f ( x1 , x2 ,..., xn ) = log f X ( xi ,1 , 2 ,..., r ) = L(1 , 2 ,..., r )

i =1

1,2 ,...,r

L(1 ,2 ,...,r ) = max L(1 , 2 ,..., r )

Estimacin 13

Mx. verosimilitud: Distribucin normal

1 x 2
1
f X ( x) =
exp
, x
2
2

Parmetros : , ?

X1, X 2 ,..., X n : muestra aleatoria simple

1
f ( x1, x2 ,..., xn ) =
e
2
=

1
( x )
2

1
(2 )

n/2

1
2

in=1
2

1
e
2
( x )

1
( x )
2
2

1
L
e
2

1
( x )
2
2

L( , 2 ) = log f ( x1, x2 ,..., xn )

n
n
1
= log(2 ) log 2 2 in=1 ( xi ) 2
2
2
2
L 1 n

x
(
)
0
=

i
1
i
=

= x
max L :
2
= s 2

n 1
1
2
n
2 = 2 2 + 4 i =1 ( xi ) = 0
Estimacin 14
2

Mx. Verosimilitud: Poisson

x
P( X = x) = e
, x = 0,1,2,... Parmetro
x!
Muestra aleatoria simple : x1, x2 ,..., xn
p ( x1, x2 ,..., xn ) = P ( X 1 = x1, X 2 = x2 , L , X n = xn )

=e

x
x x
x

n
e
Le
=e
x1!
x2 !
xn !
x1! x2!L xn !
1

L( ) = n + ( xi ) log log xi !
max L( ) :

x
dL( )
= n + i = 0 = x
d

Estimacin 15

Mx. verosimilitud: Binomial(n,p)

Proporcin defectuosas = p ?

Muestra :
x1 , x 2 ,..., x n
0 si es Aceptable
xi =
1 si es Defectuosa

p ( x1 , x 2 ,..., x n ) = P( X 1 = x1 , X 2 = x 2 ,..., X n = x n )
= P( X 1 = x1 ) P( X 2 = x 2 ) L P( X n = x n )

= p xi (1 p) n xi
= p r (1 p) nr

donde r = xi es el n de defectuosas

L(p) = r log p + (n r ) log(1 p)

dL( p) r n r
r
=
= 0 p =
dp
p 1 p
n

Estimacin 16

Distribucin de media (normal)

X N ( , )

X 1 , X 2 ,..., X n
X1 + X 2 + L + X n
X =
n

E[ X 1 ] + E[ X 2 ] + L + E[ X n ] + + L +
=
=
n
n
Var[ X 1 ] + Var[ X 2 ] + L + Var[ X n ] 2 + 2 + L + 2 2
=
=
Var[ X ] =
2
2
n
n
n
E[ X ] =

X N ( ,
)
n

Estimacin 17

Histograma de Espesores
1000

frecuencia

800

600

400

200

0
230

235

240

245

250

255

260

Espesores

Frecuencia/Probabilidad

Distribucin de la Media de 5 observaciones

1200
1000
800
600
400
200
0
230

235

240

245

250

255

260

Media

Estimacin 18

Distribucin de S2 (Normal)

X N ( , )
S2 =

X 1 , X 2 ,..., X n
( X1 X )2 + ( X 2 X )2 + L + ( X n X )2
S =
n
2

1 n
1 n 2
2
2
(
)
X
X
X
X

i
i
n 1
n 1

1
1
n 1 2
2
2
2
2
2
E[ S ] = E[ X i ] E[ X ] = ( + ) (
+ 2) =

n
n
n
n
2

( X1 X )2 + ( X 2 X )2 + L + ( X n X )2
2

S =
n 1
n 2
E[ S 2 ] = 2
S
S 2 =
n 1
Estimacin 19

Distribucin 2
Z1 , Z 2 ,..., Z n N (0,1) independientes
Z12 + Z 22 + L + Z n2 n2
Propiedades
E[ n2 ] = n
Var[ n2 ] = 2n
n2 + m2 = n2+ m

( n2 y m2 indep.)

Estimacin 20

Distribucin Chi-cuadrado con 4 g.l.

0.2

densidad

0.16

0.12

0.08

0.04

0
0

12

16

20

Estimacin 21

Distribucin de S2 (Normal)
2

Xi
2
n

i =1

n
(Xi
i =1

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

6444
4=704444
8
n
n
2
2
= i =1 ( X i X ) + i =1 ( X ) + 2in=1 ( X i X )( X )
= i =1 ( X i X ) 2 + n( X ) 2
n

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

1442443

1442443

n21

2
n

nS 2

2
142n4
3

12

X X
= i

i =1

(n 1) S 2

dist

n21

X X
= i

i =1

dist

n21

Estimacin 22

Histograma de Espesores
1000

frecuencia

800

600

400

200

0
230

235

240

245

250

255

260

Espesores

Histograma para Varianzas

500

frecuencia

400

300

200

100

0
0

20

40

60

80

varianza muestral

Estimacin 23

Distribucin de la media (general)

X i f ( x, ) : Var[ X i ] <
X = ( X 1 , X 2 ,..., X n )T , Vector de n variables aleatorias independientes
X1 + X 2 + L + X n
n
E[ X 1 ] + E[ X 2 ] + L + E[ X n ]
E[ X ] =
n
Var[ X 1 ] + Var[ X 2 ] + L + Var[ X n ]
Var[ X ] =
n2
Si las variables tienen la misma media y varianza
X=

= E[X i ] i

2 = Var[X i ] i

E[ X ] =
X1 + X 2 + L + X n

X=
2 X N ( , )
n
n
Var[ X ] = n
Estimacin 24

Binomial
Binomial : X 1 , X 2 ,..., X n
E[ X i ] = p
0 si es Aceptable

Xi =
Var[ X i ] = p (1 p )
1 si es Defectuosa
X1 + X 2 + L + X n
p =
n

p N ( p,
n

E[ p ] = p

p (1 p )

Var[ p ] =

n
p (1 p )
)
n

Estimacin 25

Poisson
Poisson : X 1 , X 2 ,..., X n
E[ X i ] =

P( X i = k ) = e
Var[ X i ] =
E[ ] =
X
X
X
L
+
+
+

2
n

= 1
] =
Var
[

k
k!

)
N ( ,
n
n

Estimacin 26

Propiedades de los estimadores

X 1 , X 2 ,..., X n m.a.s de f ( x, ) : ( X 1 , X 2 ,..., X n )

Centrados: E[] =
(Sesgo[] = E[] )
Varianza mnima: ': Var[] Var[' ]
Error cuadrtico medio mnimo
ECM[] = E[( ) 2 ]
= Sesgo 2 () + Var ()

Consistentes
lim E[] =

lim Var[] = 0

Estimacin 27

Ejemplo 1
1 n
X 1 , X 2 ,..., X n m.a.s de N ( , ) : X = X i
n i =1

Es centrado : E[ X ] =
Es de varianza mnima
Es consistente :
E[ X ] =
lim

Var[ X ] = 0
lim

Estimacin 28

Ejemplo 2
1 n
X 1 , X 2 ,..., X n m.a.s de N ( , ) : S = ( X i X ) 2
n i =1
2

n 1 2
No es centrado : E[ S ] =

n
2

Sesgo( S 2 ) =
n
Varianza :

nS 2
2(n 1) 4
2
Var 2 = 2(n 1) Var[ S ] =

2
n

Es consistente :
2
2
E[
S
]
=

lim
n

2
Var[
S
]=0
lim
n

Estimacin 29