Scribd Logo
Upload

Welcome to Scribd!

  • Clase 6

    Uploaded by

    julio
    3 views19 pages

    Original Title

    clase 6

    Copyright

    © © All Rights Reserved

    Available Formats

    PDF or read online from Scribd

    Did you find this document useful?

    Is this content inappropriate?

    Report this Document

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    3 views19 pages

    Clase 6

    Uploaded by

    julio

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    of 19
    Estadistica Inferencial J. UGARTE Facultad de Ciencias - UNI (Clase 6) October 2, 2019 Introducci6n v Intervalos de confianza para 07. v Propiedades de los estimadores puntuales y métodos de esti- maci6n. Eficiencia relativa. Consistencia y suficiencia. Teorema de Rao-Blackwell. Método de momentos. vvvyv Método de maxima verosimilitud. Intervalos de confianza para o” > Sabemos que la varianza poblacional o? mide la variabilidad de la poblacidn, con lo cual es un pardmetro importante en la poblacién. > Para v.a.i.id normales Y1,..., Yn con media ju y varianza o? sabemos que S$? = my LA(¥% — Y)* es un estimador 2 insesgado para a » Para la construccién de intervalos de confianza para jz hemos usado la aproximacién o = S, cuando o era desconocida. > Cuando tenemos una muestra dada un pardmetro importante es la variabilidad de la caracteristica que estamos midiendo. Por ejemplo: En la estatura de una poblacién dada, ademas de saber la talla media de la poblacién es necesario saber que tanto varia de una observaci6n a otra, esto se cuantifica con la varianza o?. Intervalos de confianza para o* Teniendo en cuenta que : Dia(%i - VP _ (n= 1)? 2 a2 o tiene una distribucién x? con (n — 1) grados de libertad. Por el método del pivote tenemos que : (n-1)S? vee P(Xj_a/2 S € X32) = 1-0, Finalmente, reordenando tenemos: (n — 1)S? xa/0 (n—1)S? <0 La diferencia de las varianzas V(61) — V(62). > La razén de las varianzas V(02)/V(61) > Debemos de tener en cuenta el significado de la varianza para ambos pardmetros. Eficiencia relativa Definicién Dado dos estimadores puntuales insesgados 6, y 6 de un mismo parametro objetivo 0, con varianzas V(61) y V(62) respectivamente. Entonces definimos la eficiencia de 0; con respecto a 0 como : on Vv eff.) = 7 2 ) > Si eff(H1, 62) <1 entonces debemos de dar preferencia al parametro 6. > Si eff(61, 62) > 1 entonces debemos de dar preferencia al parametro 6}. > Si eff(61, 62) = 1 entonces no hay preferencia. Eficiencia relativa Ejemplo Dado el parametro objetivo @ como Ia media poblacional, de una poblacion normal. Consideramos dos estimadores 6, la mediana, y by como la media muestral. Entonces tenemos que : ~ x, V(b) o2/n fb, by) = 4 = __ 2 T*’ __, eft, b2) VG) > CIBRFSTa 0.6366 De esta manera damos preferencia como estimador a 2 que es la media muestral. Aplicacién Ejercicio Sean Y;,..., Yn denotan una muestra aleatoria de una poblacién con media 1 y con varianza 0”. Consideremos los siguientes estimadores de la media 1: 1 Yo +-2-+Yp-1 1 G ~_1 a — m= 3(+Y2); fig = quit 2n=2) a Hg = Y » Demuestre que cada estimador es insesgado. > Encuentre la eficiencia de ji3 con respecto a fiz y fir, respectivamente Aplicacion Ejercicio Sean Y1,..., Yn denotan una muestra aleatoria de distribucién uniforme en el intervalo [0,0 + 1]. Sean: n > il s L=V-5, y 62 = max(Y1,.. Yn) a >» Demuestre que cada estimador es insesgado. > Encuentre la eficiencia de 6, con respecto a 02 Consistencia Denominemos Experiencia (n) : E, al lanzamiento de una moneda n veces, cuya probabilidad de salir cara es p, considerando los tiros independientes. Denotamos por Y, como el numero de caras obtenidas en la experiencia E,. Sabemos que la proporcion muestral %* es un estimador de p. Las siguientes preguntas son fundamentales >» Y/n se acerca al valor de p cuando n tiende al infinito ? Para responder hacemos dos experiencias tomando p = 0.5 1. Realizamos una vez la experiencia E000. 2. Realizamos 50 veces la experiencia Eioo0. Consistencia En este caso obtenemos, 03 ot 11 1 4 4 on) 200 400 600 3001000 o 20 400 60080100 Consistencia Vemos que en cada experiencia dada arriba tenemos que nuestro estimador se acerca a nuestro pardmetro objetivo, con lo cual tenemos que: |(Y/n) — p| se hace cada vez mas pequefio aleatoriamente Esto se puede expresar de forma probabilista, de esta manera tenemos la definicién de consistencia que en teoria de probabilidades es lo que se llama convergencia en probabilidad. Definicién Decimos que un estimador 6, es un estimador consistente de @ si, para cualquier numero «, lim P(\6, — |<) =1 n-900 o de forma equivalente, lim P(\G, — 4] >) =0 300 Consistencia: Teoremas Teorema Un estimador insesgado 0, para 0 es un estimador consistente de 0 si: lim V(6,) =0 slim, V (Gn) Ejemplo Sea Y1,..., Yn una muestra aleatoria de una distribucién con media jt y varianza 0? < 00. Demuestre que Yn = ty Yj es un estimador consistente de ju. Consistencia: Teoremas Teorema . a Supongamos que 6, converge en probabilidad hacia 6 y que 6, converge en probabilidad hacia 0’. . 6n +m, converge hacia 0 + 0! a b. 6, x On’ converge hacia 6 x 0" f Si 6’ £0, entonces 6n/6n, converge hacia 0/6’. - Si g(.) es una funcion de valor real que es continua en 6, entonces g(6,) converge en probabilidad hacia g(8). a Consistencia: Teoremas Ejemplo Sea Y1,..., Y, una muestra aleatoria el cual posee hasta el cuarto momento finito. Demostrar que : i=l Es un estimador consistente de a” Realizar en clase Consistencia: Teoremas Teorema Sea Un una sucesi6n de v.a.i.i.d cuya funcidn de distribucion converge en hacia una funcion de distribucion estaéndar cuando n—> oo. Si W, > 1 en probabilidad, entonces Ia funcién de distribucion de a converge en una funcion de distribucion normal estandar. Ejemplo Sea Y1,..., Y, una muestra aleatoria el cual posee hasta el cuarto momento finito, con S? definido anteriormente. Demostrar que la funcion de distribucion de : Yn — Me vale ) converge hacia una funcidn de distribucion normal estandar. Consistencia: Teoremas Con el ejemplo anterior tenemos dos casos: Yp, eS una muestra cualquiera con n grande En este caso tenemos que : se puede aproximar con una distribucion normal estdndar . Consistencia : Teoremas Y, eS normal para cualquier n En este caso tenemos que : Yn =e vale ) sigue una distribucion t de Student con n— 1 grados de libertad . Observacién De lo anterior podemos concluir que para n suficientemente grande podemos tomar a vn(“e#) como una distribucion normal. Suficiencia En términos matematicos, dada una sucesién de v.a.i.i.d (X;,)y con un pardmetro desconocido 9. Consideramos un estadistico U. > Los datos proporcionados por U = g(X1,---,Xn) son mas que suficientes para conocer 6? > Dicho de otra manera no es necesario otra funcién de (X%,..., Xp) nos dard mas informacién para 0. Como ejemplo tenemos: > (Xn)n una binomial cuya probabilidad de exito es p. > Estadistico U = )77_, X; y pardmetro 0 = p. > Si conocemos el valor U, entonces cualquier otra funcion de X1,...Xq no proporcionara mas informacion esto lo vemos con la probabilidad condicional: 1 i ye — amiyanatoy Sean y 0, otro caso. P(X = »,- Suficiencia > (Xn)n una binomial cuya probabilidad de exito es p. > Estadistico U = >>?_, Xj y pardmetro 0 = p. » Si conocemos el valor U, entonces cualquier otra funcion de X1,...Xp no proporcionara mas informacion esto lo vemos con la probabilidad condicional: oO si Drax =y, P(X = x1,---,Xn = Xl Y= y) = 0, otro caso. Tenemos que esta probabilidad no depende del parametro objetivo el cual es @ = p. Esto quiere decir que la informacion de 6 esta dentro del estadistico U = )7?_, Xj Definicién Sea Y,,..., Yn una muestra aleatoria de una distribucion de probabilidad con parametro desconocido 0. Entonces se dice que el estadistico U = g(Yi,..., Yn) es suficiente para 0 cuando la distribucion condicional de Y1,..., Yn dado U no depende de 0 Suficiencia Para indicar que la distribucion de la muestra Y1,..., Yn depende de un pardmetro @ lo indicaremos como sigue: > Si Y es discreta, su funcién de masa de probabilidad se denotara p(y|@). > Si Y es continua, su funcién de densidad se denotara por F(y/8). > Sila muestra Yi,..., Yn es discreta, entonces la funcién de probabilidad conjunta se denotara por p(y, .- - Yn|0). > Sila muestra Y1,..., Yn es continua, entonces la funcién de densidad conjunta se denotara por f(y1,.-- Ynl@). Observacién En cualquier caso, tenemos que la distribucion cambia dependiendo del valor del pardmetro 0. Suficiencia Definicién Sean y1,...,Yn observaciones de una muestra Y1,..., Yn cuya distribucion depende de un pardmetro 0. Llamamos verosimilitud de la muestra a /a probabilidad conjunta de y1,..., Yn denotada por L(y1,.--; ¥n|9)- > Caso discreto L(y1,...,¥n|9) = p(yil9) x ply2|8) x --. P(Ynl9). » Caso continuo L(yis--,YnlO) = (yl) x F(y2|8) x... F(ynl4). En ciertos casos para simplificar denotaremos L(y1, ... , ¥n|#) como L(0). Suficiencia Teorema Sea U un estadistico de la muestra Yi,..., Yn. Entonces U es un estadistico suficiente para /a estimacion del parametro @ si y solo si la verosimilitud L(y1,..., Yn|) se puede factorizar en dos funciones : L(ya,---+¥nl@) = g(u,) x h(n, --- 5 Yn) Donde g(u, 0) es una funcion solamente de u y 0, y h(y1,---;¥n) no es una funcion de 0. Suficiencia Ejemplo Sea Y,,..., Yn) una muestra aleatoria con : (1/d)e¥", O< yj; < 00, F(yl0) = { 0, otro caso , donde 0 > 0, i =1,...,n. Demuestre que Y es un estadistico suficiente para el pardmetro 0. Suficiencia Tenemos que existen otros estadisticos suficientes: >» La misma muestra Yj,..., Yn > Los estadisticos de orden Yay < Y(2) < Y(3y Sed Yn) Ejemplo Dada la muestra Y1,..., Y, con funcion de densidad, para a>0,0>0: a-1/97, O Encontrar U estadistico suficiente el cual mejor resume los datos(Determinado en general por el criterio de factorizacion). > Si encontramos alguna funcion de U pongamos h(U) tal que E(h(U)|U) = 0 > Entonces h(U) es el MVUE de nuestro parametro 0 Teorema de Rao-Blackwell Ejemplo Dada la muestra Y1,..., Yn binomial con parametro p desconocido. > Enunciar el criterio de factorizacion. Solucién: Lyi... ¥nlP) = P(Ya|p)P(Yalp) ---P(Yalp) = p2Hyi(1— pyr Ly x1 > Determinar un estadistico suficiente. Solucién: U = 0 y; > Determinar h(U) tal que E(h(U)|U) = p. Solucidn: Tenemos que E(U) = np entonces E(U/n|U) = p por lo tanto h(U) = U/n. > Enunciar el teorema de Rao-Balckwell. Solucién: 0 insesgado y U suficiente entonces E(0|U) es insesgado con varianza menor. > Concluir Solucién: Aplicamos el TRB a U/n y a U entonces tenemos que U/n es un MVUE. Teorema de Rao-Blackwell Ejemplo Dada la muestra Y;,..., Yn cuya funcion de densidad exponencial esta dada por: F(y|0) = {oem y>0, 0, en otro caso . Encuentre un MVUE de V(Y;).. Teorema de Rao-Blackwell Ejercicio Sea Y1,..., Yn una mestra de Bernoulli con : pile) = pp)”, y= 0,1 Esto es, P(Y; = 1) = p y P(Y; = 0) =1—p. Encuentre el MVUE de p(1— p) siguiendo los siguientes pasos: a. Sea r={t si ¥j=1y Yo =0, 0, otro caso Mostrar que E(T) = p(1— p). b. Mostrar que w(n—w) P(T = |W = w) = 0 c. Mostrar que : Metodo de momentos En esta seccion deseamos dar metodos para obtener metodos para obtener estimadores puntuales. Recordamos que el k — esimo momento de una variable aleatoria, tambien llamado k — esimo momento poblacional, es: s_ k Hy = E(Y*). El k — esimo momento muestral es el proemdio: k dia NY) . , mi, = k n Teorema Metodo de los momentos Los estimadores puntuales se escogen de la resolucion del sistema de ecuaciones : Hi, =m, donde t es el numero de parametros por estimar. Metodo de momentos Ejemplo Sea Yi, Y, una muestra cuya funcion de densidad es uniforme dentro del intervalo [0,6] con @ desconocida. Estimar el parametro 0 por el metodo de los momentos. a. Determinar el momento poblacional. . Determinar el momento muestral. . Resolver en la variable 0 la ecuacion: j= mi, . Determinar un estimador puntual de 0. eons . Demostrar que dicho estimador es consistente. Metodo de momentos Ejercicio Sea Y1,..., Yq, una muestra cuya funcion de densidad de probabilidad esta dada por: (@)O-y), OSy¥

    You might also like