Laboratorio 3 - Bloque 3

SEMANA 11
Coordinación de Estadística
Parámetro y estimador
Los parámetros pueden definirse desde dos contextos:
• Son cantidades de interés, como medidas de tendencia central, localización o dispersión,

calculadas a partir de todos los elementos de una determinada población.
• Son cantidades que caracterizan la distribución que rige las reglas probabilísticas de un
conjunto de variables aleatorias.
Por su parte, los estimadores o estadísticos son cantidades calculadas a partir de los ele-
mentos de una muestra, con el objetivo de aproximar o estimar parámetros, cuando estos son
desconocidos.
Ejemplos:
Algunos estimadores comunes y el parámetro que se busca aproximen son:
Estimador Parámetro
1 𝑛
𝑋̄ = ∑ 𝑋𝑖 𝜇
𝑛 𝑖=1
𝑛
1
𝑆2 = ∑(𝑋𝑖 − 𝑋)̄ 2 𝜎2
𝑛 − 1 𝑖=1
𝑋
𝑝̂ = 𝑝
𝑛
Propiedades del Valor Esperado y la Varianza
Sean 𝑎 y 𝑏 constantes; 𝑋, 𝑌 y 𝑊 variables aleatorias, con 𝑋 y 𝑊 independientes. Entonces:
• 𝐸(𝑎) = 𝑎
1
• 𝐸(𝑎𝑋 + 𝑏𝑌 ) = 𝐸(𝑎𝑋) + 𝐸(𝑏𝑌 ) = 𝑎 𝐸(𝑋) + 𝑏 𝐸(𝑌 )
2
• 𝑉 𝑎𝑟(𝑋) = 𝐸 [(𝑋 − 𝜇𝑋 ) ] = 𝐸(𝑋 2 ) − 𝜇2𝑋
• 𝐸(𝑋 2 ) = 𝜇2𝑋 + 𝜎𝑋
2
• 𝑉 𝑎𝑟(𝑎) = 0
• 𝑉 𝑎𝑟(𝑎𝑋 + 𝑏𝑊 ) = 𝑉 𝑎𝑟(𝑎𝑋) + 𝑉 𝑎𝑟(𝑏𝑊 ) = 𝑎2 𝑉 𝑎𝑟(𝑋) + 𝑏2 𝑉 𝑎𝑟(𝑊 )
Estimación puntual
• Una estimación puntual de un parámetro 𝜃, consiste en definir un valor 𝜃,̂ que sea una
aproximación razonable del parámetro.
• El estimador 𝜃,̂ representa un estadístico calculado a partir de los elementos de una
muestra.
• ¿Cómo sabemos si el estimador 𝜃 ̂ representa una buena o mala aproximación del
parámetro 𝜃?
Sesgo
Insesgamiento
Un estimador 𝜃 ̂ de un parámetro 𝜃, se dice insesgado, si
𝐸(𝜃)̂ = 𝜃
Ejemplo:
Sea 𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 una muestra aleatoria de una distribución con media 𝜇. Muestre que:
1 𝑛
𝑛 ∑𝑖=1 𝑋𝑖 es un estimador insesgado de 𝜇.
Estimador Insesgado de Mínima Varianza
Entre todos los estimadores insesgados de un parámetro 𝜃, se prefiere el de menor varianza.
2
Ejemplo:
Sea 𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 un muestra aleatoria de una distribución con media 𝜇 y varianza 𝜎2 . Con-
sideremos los siguientes estimadores para 𝜇:
𝑋1 + 𝑋3 + 𝑋𝑛
𝜇
̂1 =
3
2𝑋1 − 𝑋𝑛 + 2𝑋4 + 𝑋10

𝜇
̂2 =
4
¿Cuál de estos es un mejor estimador?
Sesgo de un Estimador
Consideremos un estimador 𝜃 ̂ de un parámetro 𝜃. Si 𝜃 ̂ no es un estimador insesgado, es decir,

𝐸( 𝜃 ̂ ) ≠ 𝜃. Entonces se tiene que 𝐸(, 𝜃,̂ ) = 𝜃 + 𝑏(, 𝜃,̂ ). A la cantidad 𝑏(, 𝜃,̂ ) se le conoce como
el sesgo del estimador. Donde,
𝑏( 𝜃 ̂ ) = 𝐸( 𝜃 ̂ ) − 𝜃.
Observaciones:
i. El sesgo del estimador puede ser una cantidad negativa o positiva.

ii. Para los estimadores insesgados se tiene que 𝑏( 𝜃 ̂ ) = 0.
Ejemplo:
Consideremos una variable 𝑋, tal que 𝑋 ∼ 𝐵𝑖𝑛(𝑛, 𝑝), con 𝑝 desconocido. Además, considere-
mos los siguientes estimadores para 𝑝:
𝑋 𝑋+1
𝑝̂1 = y 𝑝̂2 =
𝑛 𝑛+1
Para cada estimador determine si es insesgado, y en caso de no serlo calcule su sesgo.
3
Error cuadrático medio
Puede suceder por ejemplo que se tengan dos estimadores 𝜃̂1 y 𝜃̂2 del parámetro 𝜃, con 𝜃̂1
insesgado y 𝜃̂2 no, pero 𝜃̂2 tiene menor varianza. Entonces, ¿cuál es mejor?
La situación anterior puede resolverse a través del error cuadrático medio (ECM). Si 𝜃 ̂ es
un estimador del parámetro 𝜃, el ECM de este parámetro se define como:
2 2
𝐸𝐶𝑀 ( 𝜃 ̂ ) = 𝐸 [(𝜃 ̂ − 𝜃) ] = 𝑉 𝑎𝑟( 𝜃 ̂ ) + [𝑏( 𝜃 ̂ )] .
i. El ECM es una medida del error que se está cometiendo al estimar a 𝜃 a través de 𝜃.̂
ii. Entre múltiples estimadores de un parámetro, se prefiere el de menor ECM.
Ejemplo:
Sea 𝑋1 , 𝑋2 , ⋯ , 𝑋𝑛 un muestra aleatoria de una distribución exponencial con 𝜆 desconocida.
Consideremos los siguientes estimadores para 𝜃 = 𝜆1 :
4𝑋1 − 𝑋2 + 3𝑋𝑛
𝜃̂1 =
6
2 1
𝜃̂2 = 𝑋1 + 𝑋𝑛
3 6
¿Cuál de estos es un mejor estimador?
Bloque 3
Estimación Puntual
1. Un ingeniero de materiales necesita estimar la conductividad térmica de un nuevo mate-

rial compuesto. Se recopilan datos de múltiples muestras del material y se utiliza la esti-
mación puntual para determinar la conductividad térmica media del material. Generar
una muestra de 500 datos y se calcular la media de esta muestra para estimar la conduc-
tividad térmica del material.
4
2. Un ingeniero de sistemas está evaluando la tasa de fallos de un nuevo componente elec-
trónico. Se realiza un test en el que se registran el número de fallos en un lote de
componentes. Se quiere estimar la tasa de fallos como una proporción puntual. Pro-
poner escenarios de simulación que permitan observar los cambios en la estimación de
la tasa de fallos del componente y establecer el impacto del tamaño de muestra en la
estimación.
3. Un ingeniero de sistemas está evaluando la tasa de fallos de un componente electrónico,
pero a diferencia del escenario simplificado, el número total de fallos no es fijo y varía
según una distribución. Con base en la información, estimar la tasa de fallos para
diferentes tamaños de muestra y diferentes variabilidades en el número total de fallos.
Tener presente que la variabilidad en el número total de fallos y el tamaño de la muestra
afectan la precisión de la estimación.

Laboratorio 3 - Bloque 3

Cargado por

Copyright:

Formatos disponibles

Laboratorio 3 - Bloque 3

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Laboratorio 3 - Bloque 3

Cargado por

Copyright:

Formatos disponibles

SEMANA 11

Los parámetros pueden definirse desde dos contextos:

• Son cantidades de interés, como medidas de tendencia central, localización o dispersión,

Propiedades del Valor Esperado y la Varianza

Sean 𝑎 y 𝑏 constantes; 𝑋, 𝑌 y 𝑊 variables aleatorias, con 𝑋 y 𝑊 independientes. Entonces:

Un estimador 𝜃 ̂ de un parámetro 𝜃, se dice insesgado, si

Estimador Insesgado de Mínima Varianza

Entre todos los estimadores insesgados de un parámetro 𝜃, se prefiere el de menor varianza.

2𝑋1 − 𝑋𝑛 + 2𝑋4 + 𝑋10

¿Cuál de estos es un mejor estimador?

Consideremos un estimador 𝜃 ̂ de un parámetro 𝜃. Si 𝜃 ̂ no es un estimador insesgado, es decir,

i. El sesgo del estimador puede ser una cantidad negativa o positiva.

¿Cuál de estos es un mejor estimador?

1. Un ingeniero de materiales necesita estimar la conductividad térmica de un nuevo mate-

También podría gustarte