5. Departament
Distribución exactadelamedia
muestral
LlamemosG aladistribución del
estadístico , G = G(F(;,
),...)X
Bajo fuertesuposición sobrelaformade F
(normalidad), formade G conocidademanera
exacta: N(,
n), paratodo n
Dependientedeparámetrosdesconocidos: ,
.
En lapráctica, aproximación
2
ˆ
ˆ,N
n
s
m
æ ö
÷ç ÷ç ÷çè ø
( )
válida solamente
para estimar
var X
6. Departament
Distribución muestral exactadel
estadístico t
LlamemosH aladistribución del
estadístico t(X), H = H(F(;,
),...)
Bajo fuertesuposición sobrelaformade F
(normalidad), conocidadeformaexacta: t
deStudent con n 1 g.d.ll
Graciasal carácter pivotal de t(x), no
dependedeparámetrosdesconocidos
Pero quepasabajo otrasformasde F?
7. Departament
Distribución muestral bajo
condicionsmásgenerales
Según el TeoremaCentral del Límite, si n
“grande” ( )2
, / ,en la prácticaX N nms»
( ) ( )2 2
ˆ ˆ, / (p.e. , / )X N n N x s nms»
Igualmente, según el T. C. L., esrazonable
laaproximaciónn t N(0,1)
Casosmásgeneralesmásproblemáticos:
( )
( )( )
, ,
ˆ nU
n U
U
q
s
-X
X K
9. Departament
Principio “plug-in” y bootstrap
(en sentido amplio)
Fijémonosen el paso G = G(F(;,
),...)
Si esunabuenaestimación deF apartir
delosdatos, parecerazonableaproximar G
mediante
ˆF
( )ˆ ,G F K
Principio “plug-in”
Metodologia bootstrap inferencia
basada en el Principio “plug-in”
10. Departament
A menudo esladistribución empírica,
Fn, discreta, queassignaprobabilidad 1/n
acadavalor muestral y 0 acualquier otro
ˆF
Ejemplo: aplicación automàtica
del Principio “plug-in”
Si interessacaracterísticaconcretacomo
( )
( )var
var F
F
X
X
n
=
Según Principio “plug-in”:
( )
( ) 2var
var n
n
F
F
X s
X
n n
= =
11. Departament
( )
( )( )
( ) ( )( )
( ) ( )
2
1
22 2
1
var
1
1
n n
n
n n
n
F F
F
n
iF F
i
n
iF
i
E X E X
X
n
E X x x E X
n
E X x x x s
n
=
=
-
=
= = =
- = - =
å
å
( )
( )( )
( ) ( )( )
( ) ( )
2* *
*
* *
1
2 2* 2
1
var
1
1
n n
n
n n
n
F F
F
n
iF F
i
n
iF
i
E X E X
X
n
E X x x E X
n
E X x x x s
n
=
=
-
=
= = =
- = - =
å
å
Detallesdel cálculo anterior
Convenienciadenotación X*
en lugar de
X: no eslamismav.a
12. Departament
Dificultadesen laaplicación del
Principio “plug-in”
No tan (o avecesnada) clarasu aplicación
en situacionesmáscomplejas:
otrascaracterísticasdeladistribución muestral,
incluso paraestadísticossencilloscomo la
mediamuestral (p.e. un cuantil, ...)
otrosestadísticosqueno sean mediasni
funcionessenzillesdemedias
determinación deladistribución muestral
completa
( )ˆ;G F
13. Departament
El método deMontecarlo
( ) ( )
( ) ( )
( ) ( )
1 11 1 1 1
2 21 2 2 2
1
, ,
, ,
, ,
n
n
m mn m mm
F
x x U u
x x U u
x x U u
= =
= =
= =
¯
x
x
x
x
x
x
K a
K a
M
K a
Modelo probabilístico,
completamente especificado
( )2
p.e. réplicas ,n N iidms
Generación dem muestras
independientes(o no)
según F
(gran)
muestrade
m valores
del
estadístico
“Leyesde
losgrandes
números”
( )
( )
2
1
1
( ) var
1
ˆ ; , etc.
m
j F
j
u u U
m
G G F
=
- @
-
@
å
14. Departament
Generación deB
“remuestras” detamaño n
(muestrasaleatoriascon
reemplazo deloselementosde
x)
Bootstrap y Montecarlo
( ) ( )
( ) ( )
( ) ( )
1 11 1 1 1
2 21 2 2 2
1
* * * * *
* * * * *
* * * * *
ˆ
, ,
, ,
, ,
n
n
B B Bn B B
F
x x U u
x x U u
x x U u
= =
= =
= =
¯
x
x
x
x
x
x
K a
K a
M
K a
estimación del Modelo probabilístico,
{ }*
* * * 1
1
si , ,
p.e.
0 en caso contrario
nx x x
nP X x
ìï Îïïé ù= = íë û ïïïî
K
muestradeB
valoresdel
estadístico
“Leyesde
losgrandes
números”
( )
( )
* * 2 *
ˆ
1
*
1
( ) var
1
ˆ ˆ; , etc.
b
B
F
b
u u U
B
G G F
=
- @
-
@
å
15. Departament
Quéestimamosapartir del
Montecarlo bootstrap?
( ) ( ) ( )
( ) ( )
· ( ) ( ) ( ) ( )
( )
( ){ } ( ) ( )[ ]
*
* * *
1
* *
ˆ*
1
2* * *
ˆ*
1
*
* *
ˆ*
"Verdadero"Montecarlo
Plug-in valor delbootstrap
funcional
ˆ ˆ ˆ, , ; ;
1
1
var var var
1
#
ˆ
B
B
b FF
b
B
b FF
b
b
FF
G G u u G F G F
u u E U E U
B
U u u U U
B
u U
P U U P U U P U U
B
=
=
@ @
= @@
= @@
= - @@
-
³
é ù é ù=³ @ ³ @ ³ë û ë û
å
å
x
x x x
K
Problema“clásico” de
precisión estadística
Error deaproximación
deMontecarlo
16. Departament
Validez delaaproximación
bootstrap
Resultado general (pero no muy útil):
Según Leyesdelosgrandesnúmeros, Fn(x) tiende(en
diversossentidos) haciaF(x). Extensibleafunciones
suficientemente“suaves”
Validez: resultado sobrefuncionales, funciones
globalesdeFn (u otrasestimaciones) y deF:
teoremaslímitesobredistanciasentredistribuciones
Másinteréspráctico: comparación entre
aproximación bootstrap y otras, paran finito
17. Departament
Característicasgeneralesdelos
ejemplos
Modelo probabilístico subyacenteconocido
Normal = 15, = 3, o bien
Exponencial = 1/ = 1/15
( distribución muestral conocida)
Análisisdeúnicamuestra(pequeña, n = 10),
generadasegún uno u otro modelo.
caso normal: 15.54, 21.06, 16.52, 13.62, 16.14, 10.98,
13.53, 16.02, 16.79, 15.90
caso exponencial: 8.51, 8.71, 69.19, 10.05, 23.64, 8.67,
1.51, 20.36, 1.23, 5.27
18. Departament
Característicasgeneralesdelos
ejemplos
estadísticos: mediamuestral y t
aproximaciones: normal, bootstrap no
paramétrico y bootstrap paramétrico
aproximacionesbootstrap: estima“kernel” a
partir deB= 1000 valoresdel estadístico
(mediao t, según el caso)
Cadauno deestosvalorescalculado sobre
unaremuestradetamaño n = 10
19. Departament
Mediamuestral, caso normal: n
= 10, = 15, = 3
( )Verdadera distribución: 15,3/ 10X N:
( )
Aproximación normal:
ˆ15.62, / 2.63/ 10X N x s n» = =
( )
( )1
* *
* * *
Bootstrap: 1000 valores
para remuestras , , n
x X
x x
=
=
x
x K
*
: cada escogido con probabilidad
1/ entre los de la
no paramétri
muestra ori n
c
al
o
gi
ix
n
( )*
: cada generado segúnparamét 15.ric 6 .o 2,2 63ix N
21. Departament
Mediamuestral, caso
exponencial: = 1/ = 1/15
( )Verdadera distribución: 10/ 15,10X Gam:
( )
Aproximación normal:
ˆ15.71, / 20.13/ 10X N x s n» = =
( )
( )1
* *
* * *
Bootstrap: 1000 valores
remuestras , , , 1, ,b nb
b b
b
B x X
x x b B
= =
= =
x
x K K
*
: cada elegido con probabilidad
1/ entre los de la
no paramétri
muestra ori n l
c
i a
o
g
ibx
n
( )*
: generados coparamét moric 1/ 15.7o 1ibx Exp
23. Departament
Estadístico t, caso normal: n
= 10, = 15, = 3
( )Verdadera distribución: 1 9t n - =t:
( )Aproximación normal: 0,1t N»
( )
( )1
* *
* * *
Bootstrap: 1000 valores
para remuestras , , n
t t
x x
=
=
x
x K
*
: cada escogido con probabilidad
1/ entre los de la
no paramétri
muestra ori n
c
al
o
gi
ix
n
( )*
: cada generado segúnparamét 15.ric 6 .o 2,2 63ix N
24. Departament
Detalley justificación del
proceso deremuestreo
( )
( )
( )
( )
( )
1, ,
1 2ˆˆ (
"Mundo
)
1
real"
,
1
ˆ
nx x
x X
n
s S x x
in i
n x
t
s
E X F
F
m
m
¯
=
¯
=
= = -å
- =
¯
-
=
=
x
x
x
K
( )
( )
( )
( )
( )
*
* * *
1
* *
* * * *
*
*
*
"Mundo bootstrap"
ˆ ,
, ,
1 2ˆˆ ( )
1 1
ˆ
n
n
i
x x
x X
n
s S x x
n i
n x x
t
E
s
x X F
nF
m= =
¯
=
¯
=
= = -å
- =
¯
-
=
x
x
x
K
26. Departament
Estadístico t, exponencial: n
= 10, = 1/ = 1/15
Verdadera distribución:
estimada por simulación
( )Aproximación normal: 0,1t N»
( )
( )1
* *
* * *
Bootstrap: 1000 valores
para remuestras , , n
t t
x x
=
=
x
x K
*
: cada escogido con probabilidad
1/ entre los de la
no paramétri
muestra ori n
c
al
o
gi
ix
n
( )*
: cada generado segúpar namétr 1/ 15.62ico ix Exp