Professional Documents
Culture Documents
Curso de Estadística
TAE,2005
J.J. Gómez Cadenas
Muestras
Considerar una variable aleatoria x descrita por la pdf f(x).
El espacio de muestras está constituido por todos los posibles valores
de x.
Un conjunto de n observaciones independientes de x se llama una
muestra de tamaño n.
Es posible definir un nuevo espacio de muestras constituido por todos los
posibles valores del vector x =(x1,...,xn). Es decir, la muestra se considera
formada por una sola medida aleatoria, caracterizada por las cantidades
(x1,...,xn).
Las n medidas son independientes
La pdf es la misma para cada medida
E[θ ( x)] = ∫ θ g(θ ;θ )dθ = ∫ ∫ θ ( x) f (x1;θ ) f (xn ;θ )dx1 dxn
⎡1 n ⎤ 1 n 1 n
E[x ] = E ⎢ ∑ xi ⎥ = ∑ E[xi ] = ∑ µi = µ
⎣ n i =1 ⎦ n i =1 n i =1
1 n n
∑
2
s =
2
(x − x ) 2
= x 2
− x donde x= x
n − 1 i =1 n −1
i
1 n n
V̂xy ∑
n − 1 i =1
(xi − x )(yi − y ) =
n −1
xy − x y
Varianza de la media
⎡ ⎛ 1 n
⎞ ⎛ 1 n ⎞⎤
V[x ] = E[x ] − (E[x ]) = E ⎢ ⎜ ∑ xi ⎟ ⎜ ∑ x j ⎟ ⎥ − µ 2
2 2
⎢⎣ ⎝ n i =1 ⎠ ⎝ n j =1 ⎠ ⎥⎦
1 n 1 σ 2
= 2 ∑ E[xi x j ] − µ 2 = 2 ⎡⎣ (n 2 − n)µ 2 + n(µ 2 + σ 2 ) ⎤⎦ − µ 2 =
n i, j =1 n n
(NB : E[xi x j ] = µ 2 i ≠ j, E[xi2 ] = µ 2 + σ 2 )
1 n−3 3
V[s ] = ( µ4 −
2
µ2 )
n n −1
+∞
(µ n = ∫
−∞
(x − µ )n f (x)dx)
1 n
mk = ∑ i
n − 1 i =1
(x − x ) k
Método de de máxima verosimilitud
n
probabilidad de que xi esté en [xi , xi + dxi ]para todo i=∏ f(x i ;θ )dxi
i=1
∂L
= 0, i = 1, 2,...m
∂θ i
n −1 2
E[σ̂ 2 ] = σ → σ̂ 2 no tiene sesgo en el límite asintótico
n
NB la varianza muestral es siempre un estimador sin sesgo
pero no es un estimador MV!
1 n
s =
2
∑
n − 1 i=1
(xi − µ̂ )2
Varianza de los estimadores MV
La varianza de un estimador θ nos proporciona una medida de la
incertidumbre estadística en el conocimiento de dicho estimador. Esto es:
Si repetimos muchas veces el experimento (con n medidas en cada caso)
y obtenemos θ cada vez, ¿cuánto se esparcen sus valores --entorno al
valor medio, si no hay sesgo--?
Para ello, calculamos la varianza de θ .
Técnicas para calcular la varianza :
Analítica (sólo en algunos casos sencillos)
Monte Carlo
Métodos numéricos
Analítica para el
caso de la pdf
exponencial
∂b 2
(1 + )
V[θ̂ ] ≥ ∂ θ
∂ 2 log L
E[− ]
∂θ 2
−1 ∂2 log L −1 ∂2 log L
V[θ̂ ] = E[− ], Vij = E[− ]
∂θ 2
∂θi ∂θ j
Método numérico para calcular la varianza de un estimador
MV
Consideremos el parámetro θ: Expandiendo log (L) en serie de Taylor entorno
al estimador θ
⎡ ∂ log L ⎤ 1 ⎡ ∂2 log L ⎤
log L(θ ) = log L(θ̂ ) + ⎢ ⎥ (θ − θ̂ ) + ⎢ ⎥ (θ − θ̂ ) 2
+ ...
⎣ ∂θ ⎦θ =θ
ˆ 2! ⎣ ∂ θ 2
⎦θ =θˆ