1/7

CPE (SEGUNDO CURSO)

PRACTICA 12 SOLUCIONES (Curso 20112012)

1. Dos ingenieros estiman (la resistencia a tracci on de una partida de cables de acero) 1 y X 2 . El primer ingeniero es m con dos estimadores distintos e independientes X as cuidadoso, de forma que V ar[X1 ] = V ar[X2 ]/25. Con el n de obtener un valor 1 y X 2 se plantean cuatro nuevos estimadores: estimado total combinando X 1 + X 2 ) 1 = 1 (X
2 1 2 = 4 5 X1 + 5 X2 5X 1 + 1 X 3 = 6 6 2

1 4 = X Cu al de los cuatro estimadores es el m as ecaz (m nima varianza)? Qu e condiciones deben cumplir X1 y X2 para que los estimadores 1 y 3 sean insesgados? Qu e puede decirse entonces del sesgo de 2 ?
SOLUCION a) Calculemos la varianza de los cuatro estimadores V ar[ 1 ] = ] [ ] 1[ 2 1 ] + V ar[X 2 ] = 26 V ar[X 1 ] = 6.51 V ar[X 4 4 1 2 2 ] = 1.641 V ar[X 25 1 2 2 ] = 1.391 V ar[X 36

V ar[ 2 ] =

16 1 ] + V ar[X 25 25 1 ] + V ar[ 3 ] = V ar[X 36

2 V ar[ 4 ] = 1

por lo que el mejor estimador (menor varianza) es 4 b) Para que 1 y 3 sean insesgado ha de vericarse ] 1[ 2 ] E [X1 ] + E [X 2 ] 1[ 1 ] + E [X 2 ] E [ 3 ] = = 5E [X 6 E [ 1 ] = = o lo que es lo mismo 1 ] + E [X 2 ] = 2 E [X 1 ] + E [X 2 ] = 6 5E [X 1 y X 2 han de ser insesgados. y para que estas dos ecuaciones se veriquen a la vez, X c) En este caso, 2 es obviamente insesgado

2/7

2. Se estudia la granulometr a de un cierto material. Las part culas se han clasicado en 4 clases. Se toma una muestra de 1000 part culas, se clasica, y se obtiene el siguiente n umero de part culas de cada clase: n1 = 150, n2 = 250, n3 = 200, n4 = 400

Se trata de estimar la composici on en tanto por uno del material dada por las probabilidades p1 , p2 , p3 , p4 de que un grano pertenezca a cada clase. a) Determinar en funci on de los par ametros p1 , p2 , p3 , p4 la funci on de probabilidad de la variable aleatoria clase a la que pertenece una part cula. b) Hallar los estimadores de m axima verosimilitud de pi , i = 1, 2, 3, 4 y su valor para la muestra dada. 1 ? c) Puede calcularse la distribuci on del estimador P
SOLUCION Sea X la clase a la que pertenece una part cula. Entonces, a) Obviamente, RX = {1, 2, 3, 4}. Y es igualmente obvio que PX (1) = p1 , PX (2) = p2 , PX (3) = p3 , PX (4) = p4 b) Es evidente que si, por ejemplo, llamamos exito a que una part cula sea de la clase 1, la funci on de verosimilitud de la muestra es ( L= ) n n1 p (1 p1 )nn1 n1 1
n1 n n3 n n4 n .

y maximizando con respecto a p1 se obtiene p 1 =

n2 De la misma forma y por el mismo razonamiento, p 2 = n , p 3 = caso p 1 = 0.15, p 2 = 0.25, p 3 = 0.2, p 4 = 0.4

yp 4 =

En nuestro

c) Sabemos que p 1 =

n1 n .

1 = Antes de tomar la muestra P [N

1

N1 n .

Pero N1 B (n, p1 ). Entonces

1 = p P [P 1] = P

( ) ] n p 1n =p = P [ N = p n ] = p1 (1 p1 )np1 n 1 1 1 n p n 1

siendo su rango RP 1 = {0, 1/n, 2/n, 3/n, ..., 1}.

3/7

3. Se sabe que una variable aleatoria X est a uniformemente distribuida con rango a x b, pero se desconocen los valores de los extremos del rango. Para determinar a y b se toma una muestra aleatoria de tama no n de la variable X , x1 , x2 , ..., xn . Estimar a y b mediante el m etodo de m axima verosimilitud. Es insesgado el estimador obtenido para a?
SOLUCION
1 La funci on de densidad de la variable X es fX (x) = b a , a x b. Si tomamos una muestra de tama no n de la variable, la funci on de verosimilitud de la muestra ser a n i=1

L=

fX (xi ) =

( 1 )n ba

Pero para que esta funci on sea diferente de cero, ha de vericarse que a xmin y b xmax . En caso contrario, alg un valor de la muestra estar a fuera del rango, lo que no es factible. Por otra parte, ha de maximizarse esta funci on, es decir b a ha de ser lo m as peque no posible. Estas tres condiciones juntas se verican si a = xmin y b = xmax . Por tanto, los estimadores de m axima verosimilitud de los par ametros de la distribuci on ser an a = xmin y b = xmax . Sea Z = a = xmin , utilizando esta notaci on para simplicar. Sabemos que P [Z > z ] = 1 FZ (z ) = P [x1 > z x2 > z x3 > z ... xn > z ] ya que si para alg un valor de la muestra no se vericara que xi > z , entonces Z no ser a el m nimo. Por otra parte, al ser la muestra aleatoria ( )n 1 FZ (z ) = 1 FX (z ) Pero FX (x) =
a

( )n FZ (z ) = 1 1 FX (z )
x a

fX (x)dx =

1 xa dx = ba ba

luego ( b z )n ( z a )n FZ (z ) = 1 1 =1 ba ba = fZ (z ) = n (b z )n1 (b a)n

con, obviamente, RZ = [a, b]. Calculemos la esperanza matem atica de Z E [Z ] =

a b

zfZ (z )dz =
a

nz (b z )n1 dz (b a)n

haciendo el cambio de variable (b z ) = u se obtiene f acilmente E [Z ] = E [ a] = que es sesgado pero asint oticamente insesgado. b + an n+1

4/7

4. Si se aproxima el n umero de viajeros por vuelo en una cierta l nea a erea como una variable aleatoria continua normalmente distribuida, calcular el n umero de vuelos que deber an analizarse para estimar el n umero medio de viajeros por vuelo con un error m aximo de R pasajeros (de m as o de menos) a un nivel de conanza de 1 . Datos: R = 20, = 5 %, = 37
SOLUCION Si m es el n umero medio de viajeros por vuelo, y x es la media muestral que obtengamos de nuestro estudio, queremos que P [|x m| R] = 1 . Por tanto [ P [R x m R] = P R xm R ] = / n / n / n

= FU Para = 0.05,

( R ) ( ( R ) R ) FU = 2FU 1=1 / n / n / n = 1.96. Operando n= 1.96 37 = 3.626 n = 13.15 n 14 20

R / n

20 n R n = 1.96 = 37

5/7

5. Para estudios de regeneraci on de un r o ha de estimarse la demanda bioqu mica de ox geno (DBO). Se sabe por estudios anteriores que la varianza de dicha demanda es 8.0 (mg/litro)2 . De qu e tama no ha de ser la muestra que se obtenga para estimar la media de la DBO si se desea tener una conanza del 90 % de que la media real de la poblaci on no se diferencia en m as de 1 mg/litro de la media muestral obtenida?
SOLUCION Sea X la demanda bioqu mica de ox geno (DBO), y sea x la media muestral obtenida de una muestra de tama no n. Sabemos que, si la poblaci on subyacente es normal, y/o si la muestra es grande (es decir, en cualquier caso en que podamos suponer la normalidad de x), el intervalo de conanza sobre la media de la poblaci on, supuesta conocida la varianza es [ ] IC90 % x 1.645 , x + 1.645 n n En este caso nos piden que 1.645 1 n > 1.645 = 4.6528 n > 21.65 n = 22 n

6/7

6. Para calcular la secci on de una viga cuadrada se mide uno de sus lados. La medici on del lado viene afectada por un error de medida aleatorio, del que se sabe que est a normalmente distribuido, con media nula y varianza desconocida 2 . Para estimar la secci on a partir de un n umero n de medidas del lado pueden utilizarse dos t ecnicas diferentes: promediar los resultados de la muestra, y a continuaci on calcular el area, o bien, calcular el area para cada medici on y a continuaci on promediar las n areas obtenidas. Estos dos m etodos producen dos estimadores diferentes, que llamaremos A1 y A2 . Hay alguno de estos dos estimadores que deba descartarse? A partir de estos dos estimadores, puede calcularse un estimador insesgado de la secci on de la viga?
SOLUCION Sea A el area transversal de la viga, y sea X la variable aleatoria medida del lado. Tomamos una muestra x1 , x2 , ...xn . Sea L la medida real del lado. Entonces X = L + , siendo el error que se comete al medir. Como N (0, 2 ), se verica que X N (L, 2 ) Los estimadores de los que habla el enunciado son : ( x )2 ( x2 ) i i A1 = , A2 = n n Calculemos sus esperanzas matem aticas. [( x )2 ] i E [A1 ] = E = E [x2 ] = V ar[x] + E [x]2 n Pero como X N (L, 2 ) x N (L, 2 /n). Por tanto E [A1 ] = 2 2 2 + L2 = + A = Sesgo[A1 ] = n n n

luego el estimador A1 es sesgado pero asint oticamente insesgado. Veamos ahora la esperanza matem atica del estimador A2 [( x2 )] 1 [( )] 1 [( )] 1 [( )] i E [A2 ] = E E x2 = nE X 2 = V ar[X ] + E [X ]2 = E x2 = i i n n n n pero como hemos visto antes X N (L, 2 ) y por tanto E [A2 ] = V ar[X ] + E [X ]2 = 2 + L2 = 2 + A = Sesgo[A2 ] = 2 el estimador A2 es sesgado, y su empleo debe ser descartado a priori ya que no puede ser consistente. Veamos ahora si con los estimadores anteriormente descritos puede hallarse un estimador insesgado de A. Sea A3 este estimador. Como no conocemos , no podemos obtener estimadores insesgados a partir de uno s olo de los estimadores anteriores. Por ejemplo A2 2 es obviamente insesgado, pero al no conocer no nos sirve para nada este estimador. Veamos si podemos obtener un estimador insesgado mediante una combinaci on lineal de los estimadores anteriores, es decir A3 = aA1 + bA2 . Tomando esperanzas matem aticas ( 2 ) ( ) a E [A3 ] = aE [A1 ] + bE [A2 ] = a + A + b 2 + A = A(a + b) + 2 ( + b) n n

7/7

Si queremos que A3 sea insesgado, se ha de vericar a+b=1

a n

+b=0
n n1 , 1 b = n 1

sistema de dos ecuaciones con dos inc ognitas cuya soluci on es a = Luego el estimador A3 = n 1 A1 A2 es insesgado. n1 n1