43

CAPTULO 3
3. ESTIMACIN JACKNIFE UTILIZANDO SIMULACIN
3.1 Introduccin
En este captulo desarrollamos el modelo de simulacin del sistema
identificado y planteado, adems se explican cada una de las funciones
desarrolladas en el programa de simulacin, el cual se realiz en el
lenguaje Matlab 5.3;

as tenemos en la seccin 3.2 el desarrollo del

modelo de simulacin, en la seccin 3.3 se encuentran la descripcin de

los subprogramas realizados en el simulador, tales como, la subfuncin
Variable en la seccin 3.3.1, en la seccin 3.3.2 la subfuncin Resultados,
en la seccin 3.3.3 la subfuncin Procedimiento_Operaciones, en la
seccin 3.3.4 la subfuncin Generar_Muestra, en la seccin 3.3.5 la
subfuncin Estimador_Jacknife y en la seccin 3.3.6 la subfuncin
Grficos.

44

3.2 Modelo de simulacin

El sistema a simular es dinmico ya que sus componentes tienen un
comportamiento aleatorio, el objetivo es explorar dicho sistema,
comparando los dos mtodos de estimacin: Jacknife y Convencional.
El proceso consiste en que el investigador seleccione dependiendo de su
necesidad, una poblacin con sus respectivos parmetros poblacionales
y un estimador de algn parmetro de la misma, se generan 50 muestras
aleatorias de tamao n de la poblacin estipulada y a partir de stas
obtenemos: el valor del estimador para cada una de las muestras, su
sesgo e intervalo de confianza al 95%, tanto por el mtodo Jacknife como
por los mtodos convencionales o usualmente utilizados de estimacin.
Con los 50 estimadores y para cada uno de los mtodos, calculamos la
media del estimador, varianza, sesgo de simetra, mnimo, mximo, y
sesgo de estimacin promedio.

Adems graficamos el histograma de

frecuencia relativa de los estimadores obtenidos por cada uno de los

mtodos. El tamao muestral, n con que se trabajar es de 5, 10, 50,
100, y 500.
Con los resultados de esta simulacin podremos observar la bondad de
stos mtodos de estimacin para los parmetros poblacionales en las
situaciones dadas.

45

Para establecer el modelo de simulacin debemos identificar sus

elementos, teniendo as:
Actividad:

Obtencin de las medidas como el sesgo, media y varianza

de los estimadores obtenidos a travs de los mtodos Jacknife y

convencional.
Entidades:

Identificamos como entidad a la unidad observada de la

poblacin terica.
Atributos: Los atributos para la entidad unidad observada de la poblacin
son:
Valor de la unidad observada:

uk,i

Tamao de la muestra: n
Nmero de vueltas (# de estimadores a generarse a partir de las
muestras): nv
Parmetro Poblacional: parametro
Vector con la muestra aleatoria i-sima: mi
Valor del estimador i-simo Jacknife: VEJi
Valor del i-simo estimador obtenido por el mtodo convencional: VEC i
Intervalo de confianza para el valor del estimador Jacknife i-simo: ICJ i
Intervalo de confianza para el valor del estimador i-simo obtenido por
el mtodo convencional: ICCi
Sesgo obtenido con el valor del estimador Jacknife i-simo: SJ i

46

Sesgo obtenido con el valor del estimador i-simo obtenido por el

mtodo convencional: SCi
Media del estimador obtenido con el mtodo Jacknife: MJ
Media del estimador obtenido con el mtodo convencional: MC
Sesgo promedio obtenido con el mtodo Jacknife: SPJ
Sesgo promedio obtenido con el mtodo convencional: SPC
Varianza del estimador obtenido con el mtodo Jacknife: VEJ
Varianza del estimador obtenido con el mtodo convencional: VEC
Teniendo as las siguientes relaciones funcionales.
k 1,..., n
uk,i # aleatorio de una poblacin ; k 1,.., n
mi uk,i ; i 1,..., nv
Una vez generada la muestra i - sima de tamao n se define :
VEJi MetodoJack (mi , n)
VECi Metodocon(mi , n)
Donde MetodoJack y Metodocon son funciones evaluadas en el vector
muestral y n.
ICJi IntconJack (mi , n)
ICCi Intconcon( mi , n)
Donde IntconJack e Intconcon son funciones evaluadas en el vector
muestral y n
SJi VEJi - parametro
SCi VECi - parametro
nv

VEJi

MJ i1

nv

47

nv

MC

VEC i

i 1

nv
nv

SPJ

SJi

i 1

nv
nv

SPC

SCi

i 1

nv
nv

2
(VEJi MJ)

VEJ i 1

nv - 1

nv

2
(VECi MC)

VEC i 1

nv - 1

El programa para el modelo est desarrollado bajo la plataforma de

Matlab 5.3, y se ha utilizado programacin modular para una ejecucin
ms flexible potente y rpida del programa, la subdivisin es la siguiente:
la funcin principal, Prog_principal donde el investigador puede elegir
cualesquiera de las poblaciones y estimadores a simular.
Adems se desarrollaron subfunciones que son utilizadas en el
simulador, las cuales se explican, en la siguiente seccin.

48

3.3 Subprogramas realizados en el simulador

3.3.1 Subfuncin Variables
Est funcin es llamada por la funcin Prog_principal, y crea las
variables

necesarias

para

el

ingreso

de

los

parmetros

poblacionales, que sern utilizados en el programa.

Las poblaciones que puede seleccionar el investigador son:

Cuadro 1
Estimacin por el Mtodo Jacknife
Poblaciones Discretas y Continuas utilizadas en la simulacin
Discretas
Continuas
Binomial
Uniforme
Binomial Negativa
Exponencial
Poisson
Beta
Hipergeomtrica
Normal
Normal Bivariada
Elaboracin: R. Pla

Los estimadores que puede seleccionar el investigador para las

poblaciones indicadas son los siguientes:

Cuadro 2
Estimacin por el Mtodo Jacknife
Estimadores utilizados en la simulacin
Discretas
Continuas
Media
Media
Varianza
de
mxima
Mediana
verosimilitud
Varianza
de
mxima
Varianza muestral
verosimilitud
Primer estadstico de orden
Varianza muestral
ltimo estadstico de orden
Primer estadstico de orden
ltimo estadstico de orden
Elaboracin: R. Pla

En las distribuciones discretas con parmetros poblacionales

estipulados por el investigador; por no ser factible la obtencin de

49

la mediana poblacional mediante una frmula explcita que se

pueda implementar en el programa, el estimador de la mediana no
es trabajado.

Para el caso de la distribucin continua Normal

Bivariada el estimador que se trabaja en la simulacin es el del

coeficiente de correlacin. La funcin Variables utiliza a la vez a la
subfuncin Resultados.
3.3.2 Subfuncin Resultados
Estando creadas las variables de los parmetros de entrada para
la poblacin y el estimador seleccionado por el investigador, stas
son utilizadas para obtener los parmetros poblacionales, por
ejemplo si el investigador selecciona la distribucin exponencial y
el estimador de la varianza muestral, con el parmetro poblacional
ingresado

podemos

obtener

el

parmetro

de

la

varianza

poblacional. Est funcin a su vez define e inicializa las variables

que se utilizarn para la presentacin de los resultados, tales como
las listas en las cuales se encuentran los estimadores, sesgo e
intervalos de confianza obtenidos por el mtodo Jacknife, los
objetos figura que contienen los histogramas de las distribuciones
para los estimadores simulados y las variables que contienen la
varianza, sesgo de simetra, promedio, mnimo y mximo de los
estimadores anteriormente mencionados.
subfuncin Procedimiento_Operaciones.

Esta funcin utiliza la

50

3.3.3 Subfuncin Procedimiento_Operaciones

Dependiendo del estimador seleccionado por el investigador esta
funcin calcula las variables creadas en la funcin Resultados, es
decir, genera 50 estimadores de los parmetros de la poblacin
estipulada, obtiene el sesgo de estimacin y sus intervalos de
confianza para cada uno de ellos.

Una vez obtenido estos

resultados calcula el sesgo de estimacin promedio, la media de

los estimadores, varianza, mnimo, mximo, sesgo de simetra y
grfica la distribucin de frecuencia de los 50 estimadores, para
cada mtodo, Jacknife y Convencional.

Aunque pareciera que

est funcin realiza todo, no es as ya que a su vez est utiliza

otras funciones como lo son Estimador_Jacknife, Graficos y
Generar_Muestra.
3.3.4 Subfuncin Generar_Muestra
Para

generar

los

50

estimadores

en

la

funcin

Procedimiento_Operaciones, necesitamos generar una muestra

aleatoria de tamao n para a partir de esta calcular el estimador
estipulado, por tanto en la funcin Generar_Muestra se utilizan las
variables que contienen los parmetros poblacionales ingresados
por el investigador, para generar la muestra aleatoria de
determinada poblacin, en Matlab no es necesario realizar los

51

algoritmos para la obtencin de los nmeros aleatorios de

determinadas poblaciones, ya que trae incorporadas las funciones
para la generacin de nmeros aleatorios en el mdulo
tools\statistical.

Sin embargo para la generacin de nmeros

aleatorios normales bivariados no existe una funcin que los

proporcione por lo que se tuvo que realizar una funcin que los
proporcione.

A continuacin presentamos los algoritmos para la

generacin de nmeros aleatorios de distribuciones en las que no

se puede obtener una frmula explcita para la generacin de los
mismos.
Binomial
1. Se genera un nmero Ri.
2. Di Ri < pi entonces x=x+1 incrementamos i en1 y mientras i n
retornamos al paso1.
3. X es el nmero de una poblacin binomial.
Binomial negativa con parmetros r y p.
1. Se genera un nmero Ri.
2. Di Ri<pi entonces xito = xito + 1
3. Incrementamos i en1 y x=x+1, mientras xito r retornamos al
paso1.
4. X es el nmero de una poblacin binomial.

52

Hipergeomtrica con parmetros N, k y n

1. Si (k N) y (n N) entonces x=0 y r=0 ir al paso 2 caso
contrario ir al paso 5.
2. r=r+1, se genera un nmero aleatorio u.
3. Si u <

kx
entonces x=x+1
N r 1

4. Mientras (r < n) and (x < N) ir al paso 2.

5. X es el nmero de una poblacin Hipergeomtrica.
Poisson con parmetro
1. Generamos

un

nmero

aleatorio

perteneciente

una

distribucin uniforme R.
2. Inicializamos: i=0, po=e- y F0=p0
3. Si R < Fi entonces x=i caso contrario incrementamos pi 1

p i
i 1

, i i 1 y Fi1 Fi p i1 y regresar al paso 3.

Normal Multivariada con parmetros y

covm (matriz

positiva definida)
1.

Obtener la longitud del vector

2.

Obtener la factorizacin Cholesky de la matriz de

covarianzas R=Cholesky(

53

3.

Generar una matriz Z

nxd

de nmeros aleatorios

normales estndar y un vector vnx1 de unos.

4.

X=Z (R) + v ( )

3.3.5 Subfuncin Estimador_Jacknife

Esta funcin es llamada por la funcin resultados para la
obtencin del estimador Jacknife a partir de: un arreglo que
contiene la muestra aleatoria que ha sido generada, y la variable
donde se encuentra el estimador que el investigador seleccion.
Con estas variables puede aplicar el algoritmo del mtodo Jacknife
realizado en la seccin anterior.
3.3.6 Subfuncin Grficos
Esta funcin asigna al objeto figura los histogramas calculados a
partir de los arreglos que contienen los 50 estimadores calculados
por los mtodos Jacknife y Convencional.

Cabe recalcar que

existen variables que se utilizan no en una sola funcin sino en

muchas funciones del programa por tanto estn son declaradas
como globales como es el caso de aquellas que contienen los
nombres del estimador

y poblacin seleccionados por el

investigador, as como los tamaos muestrales con los cuales se

generan las muestras aleatorias, entre otras.