Estimacin de

Parmetros
Sea un estadstico ( funcin de la muestra ) que
utilizamos para estimar el valor de .
Observa que el estadstico:

es una funcin que depende de la muestra y lo
llamaremos estimador. El valor concreto de es la
estimacin.
Sea una caracterstica, un parmetro poblacional cuyo valor se desea
conocer a partir de una muestra.

Estimacin

) ,..., , (

2 1 n
X X X T

3
Mtodo de Mnimos Cuadrados
para la Estimacin de Parmetros
Este mtodo es particularmente sencillo si el
modelo posee la propiedad de ser lineal en los
parmetros.

Formulado por Karl Friedrich Gauss a finales del
siglo XVIII. Su principio se basaba en que los
parmetros de un modelo matemtico deben ser
escogidos de manera tal que la suma de los
cuadrados de las diferencias entre los valores
actuales observados y calculados del modelo,
multiplicados por coeficientes que miden el grado de
precisin, sea un mnimo.
Metodo de momentos
El mtodo de los momentos est sustentado
por la siguiente idea: Si una muestra
representa perfectamente a una poblacin,
los momentos mustrales y poblacionales
deben coincidir.

4
Si una distribucin tiene k parmetros, el procedimiento consiste en
calcular los primeros k momentos muestrales de la distribucin y
usarlos como estimadores de los correspondientes momentos
poblacionales.
La media poblacional es el primer momento de la distribucin
alrededor del origen. La media muestral es el promedio aritmtico
de las observaciones muestrales x
1
, x
2
, ..., x
n
. El mtodo de los
momentos toma a la media muestral como una estimacin de la
media poblacional.
De la misma manera, la varianza de una variable aleatoria es
2
y
se denomina segundo momento alrededor de la media. La varianza
muestral s
2
se usa como un estimador de la varianza poblacional de
la distribucin.


5
Mtodo de mxima verosimilitud
Sea X una variable aleatoria cuya distribucin de
probabilidad depende del parmetro desconocido .
Sea la funcin de densidad de probabilidad de la
poblacin f(x, ). Se toma una muestra aleatoria x
1
, x
2
,
..., x
n
de observaciones independientes y se calcula la
densidad conjunta de la muestra: la funcin de
verosimilitud y se expresa como:

6

n
i
i n
n n
x f , ,...,x L(x
, f(x ... , f (x , f(x , ,...,x L(x
1
1
2 1 1
, )
) ) ) )

En la prctica es ms fcil maximizar el logaritmo de la funcin de

verosimilitud. Como la funcin logaritmo es una transformacin
montona, maximizar L(x,) es equivalente a maximizar Ln(L(x,)).
MV

Si de una poblacin cualquiera hemos obtenido una muestra

particular, es razonable pensar que la muestra obtenida era
la que mayor probabilidad tena de ser escogida.
Valor del estimador mxima
verosimilitud
Funcin
mxima
verosimilitud