Академический Документы
Профессиональный Документы
Культура Документы
METODOS DE ESTIMACION
Y
DOCIMA DE HIPOTESIS
1. Métodos de Estimación:
1.1. Mínimos Cuadrados Ordinarios
1.2. Máximo Verosimilitud
2. Dócima de Hipótesis Paramétricas:
2.1. Dócima t de Student
2.2. F Fisher
2.3. Chi Cuadrada
1. METODOS DE ESTIMACION:
∑e 2
i es un minimo
1
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
Luego tendremos:
Siendo:
Ŷ = Ordenada estimada (predictan do).
e i = Yi − Ŷi = (Y − Y) − (Ŷ − Y)
2
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
Pero:
e i = Yi − Ŷi ⇒ ∑ e i2 = ∑ (Yi − Ŷi ) 2 es un mínimo
Además
Ŷi = α̂ + β̂X i ⇒ ∑e i2 = ∑(Yi − α̂ − β̂X i ) 2
∑(Y i − α̂ − β̂X i ) = 0 ⇒ ∑X i Yi − α̂ ∑X i − β̂ ∑X i2 = 0
∑Y i = nα̂ + β̂ ∑X i (1)
∑X Y i i = α̂ ∑X i + β̂ ∑X i2 (2)
∑Y = nα̂ + β̂∑X i
⇒ Y = α̂ + β̂ X (3)
n n n
α̂ =Y −β̂ X (4)
Ŷ = α̂ + β̂X i (5)
Recordando que:
En e i = Yi − Ŷi
3
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
Convenio:
y i = Yi − Y
ŷ i = Ŷi − Y
xi = Xi − X
ŷ i = α̂ + β̂X i − α̂ − β̂ X ⇒ ŷ i = β̂(X i − X)
e i = y i − β̂x i ⇒ ∑ e i2 = ∑ ( y i − β̂x i )
2
Derivando parcialmente:
∂∑ e i2
= 2∑ ( y i − β̂x i )( − x i ) = 0
∂β̂
∑( y i
− β̂x i )( x i ) = 0 ⇒ ∑ ( x i y i − β̂x i2 ) = 0
∑x y
∑x y − β̂∑ x i2 = 0 ⇒ ∑ x i y i = β̂∑ x i2 ⇒ β̂ =
i i
∑x
i i 2
i
β̂ =
∑(X − X)(Y − Y)
i i
(8)
∑(X − X)
2
i
4
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
β̂ =
∑(X Y − YX − XY + X Y) ⇒ β̂ = ∑X Y − Y∑X − X∑Y + n X Y
i i i i i i i i
∑(X − 2XX + X ) ∑ X − 2X ∑ X + n X
2 2 2 2
i i i i
∑Y ∑X n ∑X ∑Y
∑X Y − n ∑X − n ∑Y + n ∗ n
i i i i
i i i i
β̂ =
∑X ∑X
2
∑X − 2 n ∑X + n n 2 i i
i i
∑X ∑X Y ∑X n ∑ X i Yi − ∑ X i ∑ Yi
∑X Y −2 ∑ Y + ∑ ∑X Y − ∑Y
i i i
i i i i i i i
β̂ = n n = n = n
( ∑X ) ( ∑X ) 2 2
( ∑X ) 2
n ∑X − ( ∑X i )
2 2
∑X −2 + ∑X −
2 i i 2 i i
i i
n n n n
por lo tanto :
n ∑ X i Yi − ∑ X i ∑ Yi
β̂ = (9)
n ∑ X i2 − ( ∑ X i )
2
β̂ =
∑(X − X)(Y − Y) i i
(8)
∑(X − X)
2
i
Formulas equivalentes:
XY −X Y
β̂ = (10)
X 2 −( X ) 2
5
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
Cov ( X, Y )
β̂ = (11)
V( X )
Con un poco de observación y sin mucho esfuerzo notamos que si en la
formula (8) dividimos numerador y denominador del segundo miembro entre
(n), arribamos a la formula (11), es decir.
∑ (X i
− X )(Yi − Y)
n Cov(X, Y)
β̂ = =
∑(X i
− X) 2
V(X)
n
Ejemplo de aplicación:
En una encuesta de hogares (por muestreo estadístico) realizado a 7
familias se obtuvo la siguiente información relativa al ingreso y gasto familiar
en bolivianos.
Y X
62 70
51 60
42 50
55 70
51 55
58 60
43 45
Donde Y= GASTO
X= INGRESO
Solución
a) Y=f(X)
6
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
Gasto=f (ingreso)
Y X X- X Y −Y (Y − Y) 2
(X − X ) 2
( X − X )( Y − Y )
62 70 11,43 10,29 105,88 130,64 117,61
51 60 1,43 -0,71 0,50 2,04 -1,02
42 50 -8,57 -9,71 94,28 73,44 83,21
55 70 11,43 3,29 10,82 130,64 37,60
51 55 -3,57 -0,71 0,50 12,74 2,53
58 60 1,43 6,29 39,56 2,04 8,99
43 45 -13,57 -8,71 75,86 184,14 118,19
X=
∑ X ⇒ X = 410 = 58,57 Y=
∑ Y ⇒ Y = 362 = 51,71
n 7 n 7
β̂ =
∑(X − X)(Y − Y) ⇒ β̂ = 367,11 = 0,6853158 ⇒ β̂ = 0,685
∑(X − X) 2
535,68
b)
Ŷ =11,59 + 0,685X
Y X
44,47 48
56,80 66
REGRESIÓN NO
LINEAL:
7
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
a) Modelo Exponencial.
Y = ab X
Y = ae bX
b) Modelo Potencial.
Y = aX b
c) Modelo Hiperbólico.
b
Y =a + Con X ≠ 0
X
b
Y= Con X ≠ 0
X
d) Modelo Parabólico.
Y = a + bX + cX 2
8
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
β̂ =
∑(lnX − lnX )(lnY − lnY )
∑(lnX − lnX )
2
β̂ =
∑((X − X )(lnY − lnY )
∑( X − X )
2
x = 0,1,2,3,....., n
X ≈ b(n; p)
f ( x; p) = C xn p x (1 − p) n − x
9
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
1 3
Si por ejemplo: n = 3 n = 3 ⇒ p ó p=
3 4
x 1 3
f x; f x;
4 4
0 3 0 3
1 3 27 3 1 1
C03 = = 0,42 C03 = = 0,02
0 4 4
64 4 4
64
1 2 1 2
1 3 27 3 1 9
C13 = = 0,42 C13 = = 0,14
1 4 4
64 4 4
64
2 1 2 1
1 3 9 3 1 27
C23 = = 0,14 C23 = = 0,42
4 4
64 4 4
64
2
3 0 3 0
1 3 1 3 1 27
C33 = = 0,02 C33 = = 0,42
4 4
64 4 4
64
3
∧
1 3 1
f 0; > f 0; ⇒
4 4
p ( 0) = 4
Luego
∧
1 3 1
x = 1 : f 1; > f 1; ⇒
4 4
p (1) = 4
∧
1 3 3
x = 2 : f 2; >
4
f 2; ⇒
4
p ( 2) = 4
∧
1 3 3
x = 3 : f 3; >
4
f 3; ⇒
4
p (3) = 4
∧ *
En general, si p = estimación de p y p = otra estimación de p, entonces:
∧
(
f x; p > f x; p * )
3
f 2;
4
Gráficamente:
3
f 2;
4
10
MATERIA: Estadistica DOCENTE: Lic.p
Victor Ampuero E.
0 1 2 3 1
4 4 4
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
Ejemplo:
Sea x una V.A., con distribución binomial, extraída de una muestra aleatoria de
tamaño 20 [MAT(20)], cuyas probabilidades de éxito son:
1 2 9
p: , ,......., . En estas condiciones, ¿Cuál es el estimador de la
10 10 10
probabilidad de éxito, si la variable asume el valor de 5?
Solución:
1 2 9
p: , ,.......,
10 10 10
( x1 , x2 ,.......,x20 ) = MAT( 20)
20
xi = 0,1,.....,5,.....,20
∑1 xi ≈ b( 20; p ) f ( x; p ) = C 20 p x q 20− x
5
f ( 5; p ) = C520 p 5 q15
•
•
•
•
•
p
1 2 3 4 5 6 7 8 9
0 1
que x
Se entiende 10 10i puede
10 tomar
10 valores
10 enteros
10 10y positivos
10 10
entre cero y 20.
suponiendo que por alguna razón nos interesa el valor x = 5 ¿Cuál de los
espacios que se genera es mas VEROSÍMIL para contener la muestra
11
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
∧
( ) 3
∧
f 5; p > f 5; p* ⇒ p( 5) = = 0,3
10
f ( 5; p ) = C520 p 5 (1 − p )
15
df ( 5; p )
dp
[
= C520 5 p 4 (1 − p ) − 15 p 5 (1 − p )
15 14
]
= 5C520 p 4 (1 − p ) [1 − p − 3 p ]
14
= 5C520 p 4 (1 − p ) (1 − 4 p ) = 0
14
p4 = 0 ⇒ p = 0
12
MATERIA: Estadistica (1 − p ) 14
= 0 ⇒ p =DOCENTE:
1 Lic. Victor Ampuero E.
(1 − 4 p ) = 0 ⇒ p = 1 = 0,25
∧
4
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
Sea x ~ f ( x;θ )
i =n
Función de
( x1,....., xn ) ~ τ ( x1,....., xn ;θ ) = ∏ f ( x;θ ) Densidad
i =1
Conjunta
Para xi constante:
i= n
( x1, . . . .xn. ), ⇒ I ( θ ) = ∏ f ( xi ,θ ) = FUNCION DE VEROSIMILITUD
i= 1
De donde que:
∧ i= n
( )
i= n ∧
∏ f xi ;θ > ∏ f xi ;θ ⇒ θ : Estimación de máxima verosimilitud de
*
i=1 i=1
0
También
∧
( )
i= n i= n
L n∏ f xi ;θ > L n∏ f x1;θ *
i= 1 i= 1
Ejemplo:
x
1 −θ
Sea: x ~ f ( x;θ ) = e ;x > 0 :θ > 0
0
Encontrar el estimador máximo verosímil (EMV), de θ a partir de una MAT(n)
13
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
i= n
( x1, . . . .x.n,) ~ τ ( x1, . . .x.n.;θ ) = ∏ f ( x1;θ )
i= 1
( x1 ,....., xn ) :
i= n
L( θ ) = ∏ f ( x;θ ) = f ( x1;θ ) f ( x2 ;θ ) . . . .f.( .xn ;θ )
i= 1
x x x
1 − θ1 1 − θ2 1 − θn
= e ⋅ e ........ e
θ θ θ
1 −∑
xi
= ne θ
θ
1 i=n
1 −θ ∑ x
L(θ ) = n e i =1 Función de verosimilitud
θ
1 i =n
L* = ln I (θ ) = −n ln θ − ∑ x1
θ i =1
dL* n ∑x
= − + 2 i = 0 ⇒ ∑ xi = nθ
dθ θ θ
θ=∑ i =x
∧ x
n
∧
θ = x Estimador Máximo Verosímil
EJERCICIOS:
1) Distribución de POISSON:
λx
x ~ f ( x; λ) = e −λ ; x = 0,1,2,.......
x!
Encontrar el EMV de λ , a partir de una MAT(n).
i= n
( x1,......xn ) ~ ϕ ( x1,......xn ; λ ) = ∏ f ( xi ; λ )
i =1
( x1 , x2 ,......., xn ) :
i= n λ x1 − λ λ x2 − λ λ xn − λ
L( λ ) = ∏ f ( xi ; λ ) = e ⋅ e ....... e
i =1 x1! x2! xn!
n
∑ xi
λi Función de Verosimilitud
L( λ ) = i=n
e − nλ
∏ ( xi !)
i =1 14
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
i= n
L = lnl ( λ ) = − nλ + ∑ xi lnλ − ln ∏ ( xi !)
*
i=1
dl*
= −n +
∑ xi = 0 ⇒ ∑ xi = n
dλ λ λ
λ=∑ i =X
∧ x
n
∧
λ=X EMV de λ
2) Distribución NORMAL:
( xi − µ ) 2
( ) 1 −
X ~ f x; µ ;σ 2 = e 2σ 2
;−∞ ≤ xi ≤ ∞
2∏σ 2
( x , x ,.....,x ) ~ g ( x ,.....,x ; µ ;σ ) = ∏ f ( x ; µ ;σ )
i= n
2 2
1 n 1 n i
i=1
1
∑ ( xi − µ )
2
( ) ( ) 1
i= n −
L µ ;σ 2 = ∏ f xi ; µ ;σ 2 =
2
2σ
e
(2∏ σ )
n
i =1 2 2
n
1
∑ ( xi − µ ) 2
( )
−
1 2σ 2 1 Función de Verosimilitud
L µ ;σ 2 = e
(2∏σ )
n
2 2
L* = ln L( µ;σ 2 ) = − ln 2 ∏ − ln σ 2 −
n n 1
( x − µ)2
2 ∑ i
2 2 2σ
∂L* 1 1
=+ 2 ∑
2( xi − µ ) = 2 ∑( xi − µ ) = 0
∂µ 2σ σ
∑( xi − µ ) = ∑ xi − ∑ µ = ∑ xi − nµ = 0
⇒ ∑ xi = nµ
∧
µ= ∑x i
=X
n
EMV de la media de µ
∧
µ=X
15
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I
∂L* n 1
(x − µ)
( ) ∑
2
=− 2 + i
∂σ 2
2σ 2σ2
2
− nσ 2 + ∑ ( xi − µ )
2
= =0
( )
2σ2
2
⇒ −nσ 2 + ∑ ( xi − µ ) = 0
2
∑( x − µ ) = nσ 2
2
i
∑( x ) 2
∧2 −X
σ = i
n
∧
Pero: µ = X
Entonces:
∑ (x )
n 2
∧2
−X
1
EMV de la varianza σ 2
σ = 1
= S2
n
∑ (x − X )
n 2
∧2 i Estimador insesgado de la varianza σ 2
σ = 1
=s 2
n −1
16
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.