1

Tema 2: Estimaci
on puntual

Planteamiento del problema: estimador y estimaci

on

Propiedades de un estimador

Insesgadez

Eficiencia

Error cuadr
atico medio

Propiedades de un estimador en muestras grandes

Consistencia

Insesgadez asint
otica

Estadstica II

Planteamiento del problema

Objetivo: estimar un parametro desconocido de una poblacion dada.
Definici
on 1.
Sea X1 , X2 , . . . , Xn una m.a.s. de una poblacion. Sea un parametro de
interes de esa poblacion. Un estimador puntual (estimador) de es cualquier
funcion de la m.a.s. (y solo de muestra):
T (X1 , X2 , . . . , Xn )
Observaciones:

Un estimador puntual no es mas que un estadstico cuya funcion va a ser

la de estimar (aproximar) el valor de un parametro. Un estimador es por
tanto una v. a.

Una realizacion particular del estimador, es decir, el valor del estimador en

una muestra particular, T (x1 , x2 , . . . , xn ), se llama estimacion.

T (X1 , X2 , . . . , Xn ) 6= T (x1 , x2 , . . . , xn )

Estadstica II

Planteamiento del problema

Ejemplos de estimadores:

Estimador Estimacion

Parametro

Media

S 2 (s 2 )

s2

Desviacion tpica

S (s)

Proporcion

Varianza

En general denotaremos por el parametro poblacional y por

NOTACION:

(o n ) su estimador y cualquier estimaci

on particular.
Estadstica II

Propiedades de un estimador
Ejemplo 1.
Una camara de refrigeracion tiene una temperatura uniformemente distribuida
entre 0 grados y b grados sobre cero, regulada mediante un termostato. Para
estimar la temperatura maxima que se puede alcanzar (b), se eligen diez
momentos distintos durante el da obteniendose temperaturas X1 , X2 , . . . , X10 .
Definimos los estimadores:
T1 (X1 , X2 , . . . , X10 ) = 2 X
T2 (X1 , X2 , . . . , X10 ) = max{X1 , X2 , . . . , X10 }
Cual de los dos es preferible?

Cu
ales son las propiedades deseables para un estimador?
Ser INSESGADO, CONSISTENTE Y EFICIENTE
Estadstica II

Propiedades de un estimador
Definici
on 2.
Se dice que un estimador T (X1 , . . . , Xn ) de es insesgado (o centrado) si
E [T (X1 , . . . , Xn )] =
Es decir, si tomamos repetidas muestras, EN MEDIA, el valor del estadstico
estara cerca del verdadero valor del parametro.
Definici
on 3.
Se dice que un estimador T (X1 , . . . , Xn ) de es asint
oticamente insesgado si
lim E [T (X1 , . . . , Xn )] =

Esta propiedad es interesante si tenemos una muestra de tama

no grande.
Definici
on 4.
El sesgo de un estimador T (X1 , . . . , Xn ) de , se define como bT () = E [T ].
Estadstica II

Propiedades de un estimador
Estimador Es Insesgado?

Parametro

Media

S 2 (s 2 )

Desviacion tpica

S (s)

No

Proporcion

Varianza

2
Pn
Observacion: La varianza muestral, V 2 = n1
i=1 Xi X , no es un
2
estimador insesgado de 2 E [V 2 ] = n1
es un estimador
n , pero s
2
asintoticamente insesgado .
Estadstica II

Propiedades de un estimador
Ejemplo 1 (cont.) Son T1 y T2 estimadores insesgados de b?
X = temperatura en la camara U(0, b):
fX (x)
E [X ]

=
=

1
b,
b
2,

FX (x)
Var [X ]

=
=

x
b

0x b
2

b
12

X1 , X2 , . . . , X10 m.a.s. de X X1 , X2 , . . . , X10 FX i.i.d.

Recordemos la definicion de los dos estimadores:
T1 (X1 , X2 , . . . , X10 ) = 2 X
T2 (X1 , X2 , . . . , X10 ) = max{X1 , X2 , . . . , X10 }
T1 (X1 , X2 , . . . , X10 ) es insesgado?
E [T1 (X1 , X2 , . . . , X10 )] = E [2 X ] = 2E [X ] = 2E [X ] = 2
Estadstica II

b
=b
2

SI

Propiedades de un estimador
Ejemplo 1 (cont.)
T2 (X1 , X2 , . . . , X10 ) es insesgado?
Para calcular la esperanza de T2 vamos a obtener primero su distribucion:
FT2 (x)

fT2 (x)

P(T2 x) = P(max{X1 , . . . , X10 } x) = P(X1 x, . . . , X10 x)

ind.

P(X1 x) . . . P(X10 x) = FX1 (x) . . . FX10 (x)

i.d.

FX (x)10

FT0 2 (x) = FX (x)10

0

= 10 FX (x)9 FX0 (x) = 10 FX (x)9 fX (x)

Por tanto:

 x 9 1
x9
= 10 10
b b
b
Ahora podemos calcular la esperanza de T2 :
Rb
Rb
9
E [T2 ] = 0 x fT2 (x) dx = 0 x 10 bx10 dx =
fT2 (x) = 10

=
Estadstica II

10
11

NO ES INSESGADO

si 0 x b

10
b 10

Rb
0

x 10 dx =

10
b 10

x 11
11

ib
0

10 b 11
b 10 11

Propiedades de un estimador
Ejemplo 1 (cont.)
11
T2 = 1.1 max{X1 , . . . , X10 }:
10


11
11
11 10
E [T3 ] = E
T2 =
E [T2 ] =
b=b
10
10
10 11

Sea T3 =

ES INSESGADO

Tenemos dos estimadores insesgados de b:

T1 (X1 , X2 , . . . , X10 ) = 2 X
T3 (X1 , X2 , . . . , X10 ) = 1.1 max{X1 , X2 , . . . , X10 }
Cu
al de los dos es preferible?

Estadstica II

10

Propiedades de un estimador
Definici
on 5.
Sean T1 (X1 , . . . , Xn ) y T2 (X1 , . . . , Xn ) dos estimadores insesgados de . Se
dice que T1 es mas eficiente que T2 si se verifica que
Var [T1 (X1 , . . . , Xn )] < Var [T2 (X1 , . . . , Xn )]
Es decir, un estimador mas eficiente que otro tiene menor dispersion.
Definici
on 6.
Sean T1 (X1 , . . . , Xn ) y T2 (X1 , . . . , Xn ) dos estimadores insesgados de . Se
define la eficiencia relativa de T1 respecto a T2 como
E .R.[T1 , T2 ] =

Var [T2 ]
Var [T1 ]

Var [T1 ]
. Da igual
Var [T2 ]
que definicion se use, lo importante es interpretar correctamente el resultado.
Algunos autores la definen al reves, es decir E .R.[T1 , T2 ] =
Estadstica II

11

Propiedades de un estimador
Ejemplo 1 (cont.)
Vamos a ver cual de los dos estimadores insesgados de b es mas eficiente:
T1 (X1 , X2 , . . . , X10 ) = 2 X
T3 (X1 , X2 , . . . , X10 ) = 1.1 max{X1 , X2 , . . . , X10 }
Calculo de la varianza de T1 :
Var [T1 ] = Var [2 X ] = 22 Var [X ] = 4
Calculo de la varianza de T3 :
Rb
Rb
9
E [T22 ] = 0 x 2 fT2 (x) dx = 0 x 2 10 bx10 dx =

Var [X ]
b 2 /12
b2
=4
=
n
10
30

10
b 10

Rb
0

x 11 dx =

10
b 10

10 2
b=
E [T32 ] = E [(1.1 T2 )2 ] = E [1.12 T22 ] = 1.12 E [T22 ] = 1.12 12

Var [T3 ]= E [T32 ] E [T3 ]2 =

Estadstica II

121
120

b2 b2 =

b2
120

x 12
12

ib

121 10
100 12

b 2=

10
12

b2

121
120

b2

12

Propiedades de un estimador
Ejemplo 1 (cont.)
Var [T3 ] =

b2
b2
<
= Var [T1 ]
120
30

T3 es m
as eficiente que T1 .
Podemos calcular la eficiencia relativa de estos dos estimadores:
E .R.[T1 , T3 ] =

b 2 /120
1
Var [T3 ]
= 2
=
Var [T1 ]
b /30
4

T3 es 4 veces m
as eficiente que T1 .
Para la estimacion de la temperatura maxima (b) que se alcanza en la camara
de refrigeracion preferiremos el estimador
T3 (X1 , X2 , . . . , X10 ) = 1.1 max{X1 , X2 , . . . , X10 } al estimador
T1 (X1 , X2 , . . . , X10 ) = 2 X .
Estadstica II

13

Propiedades de un estimador
Ejemplo 2.
En un centro de ingeniera se dispone de un aparato de medicion de longitudes
que produce mediciones centradas con una varianza 2. Se quieren medir las
longitudes de dos barras de metal, pero debido al costo que supone el uso del
aparato, solo se pueden hacer dos mediciones.
Se proponen los siguientes metodos:
i) medir cada una de las dos barras por separado.
ii) poner una barra a continuaci
on de la otra y medir la distancia total, y
luego poner una barra al lado de la otra y medir la diferencia de
longitudes. Usar estas dos medidas para estimar las longitudes de las
barras.
Cual de los dos procedimientos es preferible?

Estadstica II

14

Propiedades de un estimador

C
omo comparamos un estimador insesgado con un estimador sesgado?
Definici
on 7.
Sea T (X1 , . . . , Xn ) un estimador de . Se define el error cuadratico medio de
T como


ECM(T ) = E (T )2

El error cuadratico medio de un estimador mide la cercana de ese estimador

al parametro que queremos estimar.

Estadstica II

15

Propiedades de un estimador
Proposici
on 1.
Sea T (X1 , . . . , Xn ) un estimador de . Se cumple que:
ECM(T ) = Var [T ] + bT ()2
El ECM involucra las dos propiedades anteriormente vistas: insesgadez y
eficiencia. Cuanto mas cerca este la esperanza de un estimador del parametro,
y cuanto mas peque
na sea su varianza, menor sera su ECM.
En el caso de dos estimadores insesgados, comparar sus ECM es lo mismo que
comparar sus varianzas (Ejemplo 1).
Dem.:
ECM(T )





 
= E (T )2 = E T 2 + 2 2 T = E T 2 + 2 2 E [T ]
 
= E T 2 E [T ]2 + E [T ]2 + 2 2 E [T ]
 




= E T 2 E [T ]2 + E [T ]2 + 2 2 E [T ]
2

= Var [T ] + (E [T ] ) = Var [T ] + bT ()2

Estadstica II

16

Propiedades de un estimador
Ejemplo 3.
Sea X1 , . . . , Xn una muestra aleatoria simple de una variable aleatoria X con
E [X ] = y Var [X ] = 2 . Calcular el error cuadratico medio para los
siguientes estimadores del parametro :
T1 = X1
(3X1 2X2 + X 3)
T2 =
6

Error cuadratico medio de T1 :

Estadstica II

bT1 () = 0

E [T1 ]

= E [X1 ] =

Var [T1 ]

ECM(T1 )

= Var [T1 ] + bT1 ()2 = 2

Var [X1 ] = 2

17

Propiedades de un estimador
Ejemplo 3 (cont.)
Error cuadratico medio de T2 :


1
1
1
1
(3X1 2X2 + X3 )
= E [X1 ] E [X2 ] + E [X3 ] =
E [T2 ]
= E
6
2
3
6
3
2
1
bT2 () = =

3
3


(3X1 2X2 + X3 ) ind. 1
1
1
Var [T2 ]
= Var
= Var [X1 ] + Var [X2 ] + Var [X3 ]
6
4
9
36
7 2
=

18

2
7 2
7 2 4 2
2
ECM(T2 ) = Var [T2 ] + bT2 ()2 =
+
=
+
18
3
18
9

Estadstica II

18

Propiedades de un estimador
Definici
on 8.
Se dice que un estimador T (X1 , . . . , Xn ) de es consistente si T converge en
probabilidad a cuando el tama
no de muestra tiende a infinito, es decir, si
lim P(|T (X1 , . . . , Xn ) | < ) = 1 > 0

La consistencia de un estimador garantiza que si tenemos un tama

no de
muestra grande cualquier estimaci
on particular va a estar cerca del valor de .
Proposici
on 2.
Sea T (X1 , . . . , Xn ) un estimador de que verifica
lim E [T (X1 , . . . , Xn )]

lim Var [T (X1 , . . . , Xn )]

n
n

entonces T es un estimador consistente de .

Observaci
on: Consistente ; Insesgado
Estadstica II

(Asint
oticamente Insesgado)

19

Propiedades de un estimador
Ejemplo 4.
Sea X1 , . . . , Xn una m.a.s. de X N(, ) X N(, n ).
Cuando n tiende a infinito la varianza de X tiende a 0.
Por tanto X es un estimador consistente de .

Funciones de densidad
Estadstica II

Funciones de distribucion