Академический Документы
Профессиональный Документы
Культура Документы
I. INTRODUCCIÓN:
Al realizar una investigación estadística a menudo se sabe o se supone que
la población (discreta o continua), de la cual se selecciona una muestra aleatoria,
tiene una forma funcional específica 𝑓(𝑥) cuyo(s) parámetro(s) se intenta
determinar. Si el parámetro a determinar es denotado por 𝜃 , entonces, la
distribución de la población será denotada por 𝑓(𝑥, 𝜃).
Los métodos de la inferencia estadística consisten en seleccionar una
muestra aleatoria de la población, de manera que a partir de la información que se
obtenga de la muestra:
1. Determinar el valor del parámetro desconocido 𝜃, ó
2. Decidir si 𝜃, ó alguna función de 𝜃, es igual a algún valor preconcebido 𝜃0
de 𝜃.
Si la estadística 𝛩̂ = 𝐻( 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 ) es un estimador
insesgado del parámetro 𝜃, entonces, su valor 𝜃 = 𝐻( 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 )
es la estimación insesgada del parámetro 𝜃.
Ejemplo1:
𝐸(𝑋̅) = 𝜇
𝐸(𝑃̅) = 𝑝
c) La varianza muestral
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑠2 =
𝑛
𝑛−1
𝐸(𝑠 2 ) = 𝜎2 .
𝑛
𝑛𝑠 2 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑠̂ 2 = =
𝑛−1 𝑛−1
𝐸(𝑠̂ 2 ) = 𝜎 2 .
Ejemplo 2.
Ejemplo 3:
𝑋1 +𝑋2 + 𝑋3 +𝑋4 4𝑋 −𝑋 +𝑋
𝑎) 𝛩̂1 = , y 𝑏) 𝛩̂2 = 1 4 3 4
4
Solución
4𝜇 4𝜇−𝜇+𝜇 4𝜇
𝐸(𝛩̂1 ) = 4 = 𝜇 y 𝐸(𝛩̂2 ) = = 4 =𝜇
4
4𝜎 2 𝜎 2 16𝜎 2 +𝜎 2 +𝜎 2 18𝜎2
𝑉(𝛩̂1 ) = 16 = 4 y 𝑉(𝛩̂2 ) = =
16 16
∑𝑁 𝑟
𝑖=1 𝑋𝑖
𝑎𝑟 = 𝛼𝑟 =
𝑁
Entonces si una distribución tiene 𝐾 parámetros desconocidos,
para su estimación se tendrá lo siguiente:
𝑎1 = 𝛼1
𝑎2 = 𝛼2
𝑎3 = 𝛼3
.
.
.
𝑎𝐾 = 𝛼𝐾
Ejemplo 4:
Sea una variable aleatoria con distribución exponencial de
parámetro 𝜆; queremos encontrar el estimador del parámetro usando
método de los momentos: 𝑋 = 𝑒 𝜆
Distribución exponencial:
𝑓𝜆 (𝑥) = 𝜆𝑒 −𝜆𝑥 … . 𝑥 > 𝑜
Media de una función exponencial:
1
𝑋̅ =
𝜆
Solución:
Como la distribución tiene un parámetro
𝑎1 = 𝛼1
∑𝑁
𝑖=1 𝑋𝑖
𝛼1 = = 𝑋̅
𝑁
1 ∑𝑁
𝑖=1 𝑋𝑖 1
Entonces: 𝑎1 = 𝛼1 → = → 𝜆 = 𝑋̅
𝜆 𝑁
1 1
𝜆̂ = ≈ →𝜆
𝑋̅ 𝑋̅
𝐿(𝜃) = 𝑓( 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ; 𝜃) = 𝑓( 𝑥1 ; 𝜃)𝑓( 𝑥2 ; 𝜃) … 𝑓( 𝑥𝑛 ; 𝜃) = ∏ 𝑓( 𝑥𝑖 ; 𝜃)
𝑖=1
La estadística correspondiente 𝛩̂ = 𝐻( 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 ) es el
estimador de la máxima verosimilitud de θ.
Ejemplo 5:
Sea 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 una muestra aleatoria de tamaño 𝑛,
seleccionada de una población con distribución binomial 𝐵(1, 𝑝).
Hallar el estimador del parámetro 𝑝 usando el método de máxima
verosimilitud.
Solución:
La distribución de probabilidad de cada variable aleatoria 𝑋𝑖 es:
𝑓( 𝑥𝑖 , 𝑝) = 𝑝 𝑥𝑖 (1 − 𝑝) 1−𝑥𝑖 , 𝑥𝑖 = 0,1
𝜕𝐿 ∑𝑛𝑖=1 𝑥𝑖 𝑛 − ∑𝑛𝑖=1 𝑥𝑖
= − =0
𝜕𝑝 𝑝 1−𝑝
∑𝑛𝑖=1 𝑥𝑖
𝑝̂ = = 𝑝̅
𝑛
𝑛 𝑛
∑ 𝑥𝑖 ≠ 0, 𝑦 ∑ 𝑥𝑖 ≠ 𝑛
𝑖=1 𝑖=1
Observar que:
BIBLIOGRAFÍA: