Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Tema10 ud4

955 views

Published on

  • Be the first to comment

  • Be the first to like this

Tema10 ud4

  1. 1. TEMA 10Estimación puntual Probabilidades y Estadística I
  2. 2. Esquema inicial1. Introducción2. Estadísticos y estimadores3. Método de los momentos4. Método de máxima verosimilitud5. Obtención de estimadores de la distribución normal Probabilidades y Estadística I
  3. 3. Esquema inicial1. Introducción2. Estadísticos y estimadores3. Método de los momentos4. Método de máxima verosimilitud5. Obtención de estimadores de la distribución normal Probabilidades y Estadística I
  4. 4. 1. Introducción (1/2)Asignación 1,2 1 0,8 0,6 0,4 0,2 0 0 1 2 3 4 Erlang (k , λ ) Probabilidades y Estadística I
  5. 5. 1. Introducción (2/2) Problemas 1. Determinar el valor de los parámetros a1,2 1 partir de los datos (Estimación)0,80,6 2. Determinar si estimación de los parámetros0,4 es asumible (Contraste paramétrico)0,2 0 0 1 2 3 4 3. Determinar si la asignación de esa ley de Erlang (k , λ ) incertidumbrees asumible (Contraste no paramétrico) FUENTE DE INFORMACIÓN: Los datos con los que se construyó el histograma Probabilidades y Estadística I
  6. 6. Esquema inicial1. Introducción2. Estadísticos y estimadores3. Método de los momentos4. Método de máxima verosimilitud5. Obtención de estimadores de la distribución normal Probabilidades y Estadística I
  7. 7. 2. Estadísticos y Estimadores (1/2)ESTADÍSTICO Sea X1,X2,…,Xn una muestra aleatoria simple T = T ( X 1 , X 2 ,...., X n )No dependen de un parámetro desconocidoEjemplo Sea X1,X2,…,Xn una muestra aleatoria simple de una N ( µ , σ ) T ( X 1 , X 2 ,...., X n ) = X 1 + X 2 + .... + X n 2 2 2 Estadístico T ( X 1 , X 2 ,...., X n= µ X 1 + µ X 2 + .... + µ X n No es Estadístico 2 2 2 ) Probabilidades y Estadística I
  8. 8. 2. Estadísticos y Estimadores (2/2)ESTIMADOR Sea X1,X2,…,Xn una muestra aleatoria simple ϑ = ϑ ( X 1 , X 2 ,...., X n )Pretende aproximar el parámetro desconocido ϑ ϑˆ ϑEjemplo Sea X1,X2,…,Xn una muestra aleatoria simple de una N ( µ , σ ) 1 n µ µ ( X 1 , X 2 ,...., X n ) = ∑ Xi n i =1 Estimador de la media Probabilidades y Estadística I
  9. 9. Esquema inicial1. Introducción2. Estadísticos y estimadores3. Método de los momentos4. Método de máxima verosimilitud5. Obtención de estimadores de la distribución normal Probabilidades y Estadística I
  10. 10. 3. Método de los momentos (1/2) 1 n α1 ˆ α1 ( X 1 , X 2 ,...., X n ) = ∑ X i αr = n ∑ X i = α r ( X 1 , X 2 ,...., X n ) n i =1 ˆ 1 n r i =1 θ1 = g1 (α1 , α 2 ,...., α h ) θ1 = g1 (α1 , α 2 ,...., α h ) ˆ ˆ ˆ ˆ θ 2 = g 2 (α1 , α 2 ,...., α h ) θ 2 = g 2 (α1 , α 2 ,...., α h ) ˆ ˆ ˆ ˆθ = (θ1 , θ 2 ,...., θ k ) .................. .................. θ k = g k (α1 , α 2 ,...., α h ) θ1 = g1 (α1 , α 2 ,...., α h ) ˆ ˆ ˆ ˆ Probabilidades y Estadística I
  11. 11. 3. Método de los momentos (2/2)EJEMPLO 1EJEMPLO 2 Probabilidades y Estadística I
  12. 12. Esquema inicial1. Introducción2. Estadísticos y estimadores3. Método de los momentos4. Método de máxima verosimilitud5. Obtención de estimadores de la distribución normal Probabilidades y Estadística I
  13. 13. 4. Método de máxima verosimilitud (1/2)Definición Probabilidades y Estadística I
  14. 14. 4. Método de máxima verosimilitud (2/2) EjemploFunción de verosimilitudFunción soporte Probabilidades y Estadística I
  15. 15. Esquema inicial1. Introducción2. Estadísticos y estimadores3. Método de los momentos4. Método de máxima verosimilitud5. Obtención de estimadores de la distribución normal Probabilidades y Estadística I
  16. 16. 5. Estimadores en la distribución normalTEOREMA DE FISHER Probabilidades y Estadística I

×