MA34B ESTADSTICA

PROPIEDADES DE
ESTIMADORES
Prof. Rodrigo Abt
ma34b.abt@gmail.com
COMPARACIONES ENTRE
ESTIMADORES
Supongamos que un dirigente deportivo debe escoger un tirador de tiro
al blanco para los prximos Juegos Olmpicos. Para ello el dirigente
convoca a 3 participantes y los somete a pruebas de tiro, obteniendo los
siguientes resultados:
TIRADOR 1 TIRADOR 3 TIRADOR 2
COMPARACIONES ENTRE
ESTIMADORES
Qu sucede si se enferma este ltimo tirador?.
Es claro quin es mejor tirador entre el 1 y el 2?
TIRADOR 1 TIRADOR 2 TIRADOR 3
COMPARACIONES ENTRE
ESTIMADORES
Veamos por tirador:
El tirador 1 llega menos al blanco (2 de 8 en el blanco), pero sus
tiros son menos dispersos.
El tirador 2 llega en 4 de 8 veces al blanco, es decir, en
promedio llega ms al blanco, pero sus tiros son ms dispersos.
Este problema es anlogo al siguiente:
Sean y dos estimadores de , tales que es sesgado pero de
varianza pequea, y insesgado pero de varianza grande.
Cul escojo?

EL ERROR CUADRTICO MEDIO

Para resolver lo anterior, se necesita de una expresin que permite
contar de manera simultnea el sesgo y la varianza del estimador.
Sea un estimador de . Se dene el Error Cuadrtico Medio (ECM)
de como:

ECM(

, ) = E[(

)
2
] = (E(

) ))
2
+V ar(

)
EL ERROR CUADRTICO MEDIO
Por lo tanto escogeremos aquel estimador que presente el menor
ECM.
Algunas observaciones:
El ECM es siempre mayor o igual a 0. Mientras ms cercano a 0,
mejor es el estimador.
Tener ECM!0 es equivalente a:
Si dos estimadores son insesgados, el ECM se reduce a una
comparacin por varianzas
E(

)
V ar(

) 0
COMPORTAMIENTO ASINTTICO
Para estudiar las caractersticas de un estimador no solo basta con
saber el sesgo y la varianza, sino que adems es til hacer un anlisis
de su comportamiento y estabilidad en el largo plazo, esto es, su
comportamiento asinttico.
Cuando hablamos de estabilidad en largo plazo, se viene a la mente el
concepto de convergencia.
Luego, podemos construir sucesiones de estimadores y estudiar el
fenmeno de la convergencia.
COMPORTAMIENTO ASINTTICO
En el caso de las variables aleatorias, existen diversos tipos de
convergencia, dentro de las cuales podemos distinguir:
Convergencia en probabilidad (o dbil)
Convergencia casi segura (o fuerte)
Convergencia en media cuadrtica
Convergencia en distribucin
CONVERGENCIA EN
PROBABILIDAD
CONVERGENCIA CASI SEGURA
CONVERGENCIA EN MEDIA
CUADRTICA
RELACIN ENTRE LOS TIPOS DE
CONVERGENCIA
CONV.
CASI SEGURA
CONV.
EN MEDIA
CUADRTICA
CONV.
EN PROBABILIDAD
CONV.
EN DISTRIBUCIN
CONCEPTO DE EFICIENCIA
Si nos restringimos al espacio de estimadores insesgados, ser
posible encontrar un estimador que tenga mnima varianza?
En general la respuesta es armativa, sobre todo, cuando las
distribuciones involucradas pertenecen a la llamada Familia de las
Exponenciales, que incluyen a la Normal, Binomial, Exponencial,
Poisson , etctera.
CONCEPTO DE EFICIENCIA
Esta cota inferior para la varianza se puede determinar bajo ciertas
condiciones de regularidad:
El rango de los datos no depende del parmetro estimado
Existen las segundas derivadas de la funcin de verosimilitud
Las funciones son lo sucientemente continuas como para
permitir el intercambio de los operadores de derivacin e
integracin
Si un estimador alcanza dicha cota se dir que es eciente
Para analizar la eciencia, es til analizar la sensibilidad de la funcin
de la funcin de verosimilitud dado el parmetro a estimar en funcin
de los datos.
Sea X una v.a. con f.d.p. f(x|#). Se dene entonces la Funcin de Fisher
para una observacin x como:
La Informacin de Fisher representa la cantidad de informacin que
trae la observacin x respecto del parmetro #
LA INFORMACIN DE FISHER
I() = E

lnf(x|)

Sea x
1
,x
2
,...,x
n
una muestra observada de la v.a. X. Se dene la
Informacin de Fisher para la muestra como:
Se puede mostrar adems que I
n
(#) = nI(#). Esto es, la Informacin de
Fisher para la muestra es n veces ms informativa que una sola
observacin.
LA INFORMACIN DE FISHER
I
n
() = E

lnf
n
(x|)

COTA DE CRAMER-RAO
Finalmente, se puede mostrar que si T=T(X
1
,X
2
,...,X
n
) es un estimador
insesgado de #, entonces:
En que 1/I
n
(#) es la denominada Cota de Cramer-Rao para
estimadores insesgados.
Si un estimador alcanza la cota de Cramer-Rao, entonces dicho
estimador es eciente
V ar(T)
1
I
n
()
OBSERVACIONES FINALES
El EMV cumple la propiedad de invarianza, esto es, el EMV de una
transformacin biyectiva g(#) es la funcin evaluada en el EMV, i.e.,
EMV(g(#))=g(EMV(#)).
El EMV es siempre funcin de un estadstico suciente.
El $ es el EMV de #, entonce $ es asntticamente normal con media #
y varianza 1/I
n
(#).
Los estimadores de Momentos son siempres consistentes por
construccin.