Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estimadores PDF
Estimadores PDF
FacultadCienciasEconmicasyEmpresariales
DepartamentodeEconomaAplicada
Profesor:SantiagodelaFuenteFernndez
ESTIMADORES
GestinAeronutica:EstadsticaTerica
FacultadCienciasEconmicasyEmpresariales
DepartamentodeEconomaAplicada
Profesor:SantiagodelaFuenteFernndez
ESTIMADORES
Un estimador es un estadstico (una funcin de la muestra) utilizado para estimar un
parmetro desconocido de la poblacin.
Para cada parmetro pueden existir varios estimadores diferentes. En general, se elige
el estimador que posea mejores propiedades que los restantes, como insesgadez,
eficiencia, convergencia y robustez (consistencia).
El valor de un estimador proporciona una estimacin puntual del valor del parmetro en
estudio. En general, se realiza la estimacin mediante un intervalo, es decir, se obtiene
un intervalo parmetro muestral error muestral dentro del cual se espera se
encuentre el valor poblacional dentro de un cierto nivel de confianza. El nivel de
confianza es la probabilidad de que a priori el valor poblacional se encuentre contenido
en el intervalo.
a) E a X1 b X2 E a X1 E b X2 aE X1 bE X2
SESGO
E x i para i (1, 2, n)
1 n
1 n
1 n
E x n E x E x E x n n
1 1
E x E xi E xi i 1 2 n
n i 1 n i 1 n i 1
1
La varianza de una muestra aleatoria simple es un estimador sesgado de la varianza
poblacional, siendo su esperanza:
n
(x x)
i
2
La varianza muestral 2x i 1
n n
(x x) (x x )
i
2
i
2
n
(x ) (x )
1 2
2
x
i 1
i 1
i
n n n i 1
Desarrollando el cuadrado:
n
(x )
1
2
x i
2
(x )2 2(xi )(x )
n i 1
n n
(x )
1
(xi )2 n(x )2 2(x ) i
n i 1 i 1
n
(x )
1
2
n(x )2 2 (x ) (n x n )
n
i
i 1
n
1
(xi )2 n x 2 n 2 2n x 2n x 2 2n x 2n x 2n 2
n
i 1
n
1
(xi )2 n(x )2
n
i 1
1
n n
1
E E
2
(xi ) n(x )
2 2
E (xi )2 E (x )2
n
x
n i 1
i 1
var ianza media
varianza poblacional muestral
2 n 1 2
Por tanto, E 2x 2
n n
2
La cuasivarianza de una muestra aleatoria simple es un estimador insesgado de la
varianza poblacional:
n
(x x)
i
2
s2x i 1
n 1
n
La relacin entre varianza y cuasivarianza: n 2x (n 1) s2x s2x 2x
n 1
n n n n 1 2
E s2x E 2x . E 2x . . 2
n 1 n 1 n 1 n
( ) b ( ) E ( )
Un estimador es sesgado cuando E ( ) b
sesgo
x
1
Sea el estimador i
n 1 i 1
1 n
n
n
n
E (x )
1 1 1
E ( ) E xi E xi i (n )
n 1 i 1 n 1 i 1 n 1 i 1
n 1 n 1
n n n
b( ) E( ) n
0
n 1 n 1 n 1
insesgado
asintticamente
3
CONSISTENCIA
Si no es posible emplear estimadores de mnima varianza, el requisito mnimo deseable
para un estimador es que a medida que el tamao de la muestra crece, el valor del
estimador tienda a ser el valor del parmetro poblacional, propiedad que se denomina
consistencia.
EFICIENCIA
Un estimador es ms eficiente o ms preciso que otro estimador, si la varianza del
primero es menor que la del segundo.
Var ( 1 )
La eficiencia relativa se mide por el ratio:
Var ( )
2
Es insesgado
Un estimador es eficiente cuando verifica:
Posee varianza mnima
2 2
1 b( ) 1 b( )
y la cota resulta V ( ) CCR 2
2
lnL(x, ) lnL(X, )
nE E
1
Si el estimador es insesgado, b( ) 0 : V ( ) CCR 2
lnL(x, )
nE
2
1 b( )
Y en muestras aleatorias simples: V ( ) CCR 2
lnL(x, )
nE
4
Es preciso destacar que la Cota de Cramr-Rao (CRR) no tiene por qu tomar siempre
un valor muy pequeo (cercano a cero).
2 2
ln L (X, ) ln L(x, )
I() E o bien i() E donde I() ni()
ln P (x1, x 2 , , xn ; )
2
ln P (x ; )
2
Discreto : E
n.E
2 2
Continuo : E ln f (x1, x 2 , , xn ; ) n.E ln f (x ; )
P (x 1 , ) P (x n , ) caso discreto
L () L(X; ) L ( x 1, , x n ; )
f (x ) f (x ) caso continuo
1 n
5
SUFICIENCIA
E (X)
x i
1 a 1 i 1
x
1 n
n
x 2
i
2 E (X 2 ) 2 a 2 i 1
n
n
E (X r )
x r
i
r a r i 1
r n
6
GestinAeronutica:EstadsticaTerica
FacultadCienciasEconmicasyEmpresariales
DepartamentodeEconomaAplicada
Profesor:SantiagodelaFuenteFernndez
x1 2x 2 3 x3
1
6
x3 4x2
2
3
3 x
Se pide:
Solucin:
x 2x2 3x3 1
E ( 1 ) E 1 E x 1 2 x 2 3 x 3
6 6
1 1
E ( x 1 ) 2E ( x 2 ) 3E ( x 3 ) 6
6 6
x 4x2 1 1
E ( 2 ) E 1 E x 1 4 x 2 E ( x 1 ) 4E ( x 2 )
3 3 3
1
3
3
x x2 x3 x4 1
E ( 3 ) E 1 E x 1 x 2 x 3 x 4
4 4
1 1
E ( x 1 ) E ( x 2 ) E ( x 3 ) E ( x 4 ) 4
4 4
7
x 2x2 3x3 1
V 1 V 1 V x 1 2 x 2 3 x 3
6 36
1 1 14 2
V ( x 1 ) 4 V ( x 2 ) 9 V ( x 3 ) 14 2 0,39 2
36 36 36
x 4x2 1 1
V 2 V 1 V x 1 4 x 2 V ( x 1 ) 16 V ( x 2 )
3 9 9
1 17 2
17 2 1,89 2
9 9
x x2 x3 x4 1
V 3 V 1 V x 1 x 2 x 3 x 4
4 16
1 1 4 2
V ( x 1 ) V ( x 2 ) V ( x 3 ) V ( x 4 ) 4 2 0,25 2
16 16 16
El estimador 3 es el ms eficiente.
2
ECM( ) E ( ) 2 V ( ) E ( ) sesgo b ( ) E ( )
sesgo
Si E ( ) ECM( ) V ( )
insesgado
ESTIMADORES SESGADOS:
8
CLCULO DEL SESGO Y ESTIMACIN PUNTUAL
2.- La variable aleatoria X representa los gastos mensuales de una empresa, cuya
funcin de densidad es f (, x) x 1 con 0 y 0 x 1. Se realiza una m.a.s. de
tamao 3, y se proponen tres estimadores:
1 x
x 12 2 x 22 3 x 32
2
6
x 3 2x1 4 x 2
3
6
a) Calcule los sesgos
b) Si la muestra que se obtiene es (0,7 ; 0,1 ; 0,3), calcule las estimaciones puntuales
c) Cules son las funciones estimadas para las estimaciones anteriores?
Solucin:
( ) b ( ) E ( )
Un estimador es sesgado cuando E ( ) b
sesgo
x1 x 2 x3 1 1
1 x E ( 1 ) E E x 1 x 2 x 3 (3 ) (media poblacional)
3 3 3
donde
1
1 1 1
x 1
x f (x, ) dx x x
1
x f (x, ) dx dx x dx
0 0 0 1 0 1
2
El sesgo: b ( 1 ) E ( 1 )
1 1
x 12 2 x 22 3 x 32
Sesgo del estimador 2
6
x 12 2 x 22 3 x 32 1 E (x 2 ) 2E (x 2 ) 3E (x 2 ) 1 (6 ) ()
E ( 2 ) E
6
1 2 3 2 2
6 6
2 2 2
donde 2 es el momento de orden 2 respecto al origen.
9
1 1 1
2 E(x 2 )
x 2 f (x, ) dx
0
x 2 f (x, ) dx
0
x 2 x 1 dx
0
x 1 dx
1
x 2
2 0 2
entonces,
x 12 2 x 22 3 x 32 1
E ( 2 ) E E (x 12 ) 2E (x 22 ) 3E (x 32 )
6 6 2
2
2 2 2
2
El sesgo: b ( 2 ) E 2 2
2
x3 2x1 4 x 2
Sesgo del estimador 3
6
x3 2x1 4 x 2 1 1 1
E ( 3 ) E E x 3 2 x 1 4 x 2 (3 )
6 6 6 2
1
1 1 1
x 1
x f (x, ) dx x x
1
x f (x, ) dx dx x dx
0 0 0 1 0 1
1 22
El sesgo: b ( 3 ) E ( 3 )
2 1 2( 1)
b) Si la muestra que se obtiene es (0,7 ; 0,1 ; 0,3), calcule las estimaciones puntuales.
10
3.- En una poblacin se presenta una alteracin leve en una cierta proporcin p de los
individuos que la componen. Se define una variable aleatoria X que vale 1 para los
individuos alterados y 0 para los individuos no alterados. Se pide:
a) Distribucin poblacional de la variable aleatoria
b) Si p es la proporcin de veces que aparece el valor 1 en muestras aleatorias de
tamao 3. Hallar la distribucin en el muestreo de p , suponiendo que p 0,2
Solucin:
xi pi
a) La distribucin poblacional 0 0,8
1 0,2
b) Se elabora una tabla con las posibles muestras de tamao 3, junto con la
probabilidad de las muestras y el valor de la proporcin muestral en cada una de ellas.
(0,0,0),(0,0,1),(0,1,0),(1,0,0),(0,1,1),(1,0,1),(1,1,0),(1,1,1)
Muestra Probabilidad p
(0, 0, 0) 0,83 0,512 0
La distribucin en el muestreo de p :
(0, 0, 1) 0,82 0,2 0,128 1/3
(0, 1, 0) 0,82 0,2 0,128 1/3 p P(p x i ) xi )
p.P(p
(1, 0, 0) 0,2 0,8 0,128
2
1/3 0 0,512 0
(0, 1, 1) 0,8 0,2 0,032
2
2/3 1/3 0,384 0,128
(1, 0, 1) 0,22 0,8 0,032 2/3 2/3 0,096 0,064
(1, 1, 0) 0,2 0,8 0,032
2
2/3 1 0,008 0,008
(1, 1, 1) 0,2 0,008
3
1 0,2
4
c) La esperanza matemtica E(p) (p x ). P(p x ) 0,2 p
i1
i i
p P(p xi ) xi )
p.P(p
3
0 q 0
2
1/3 3p q p q2
2/3 3p2q 2p2q
1 p3 p3
p q2 2p2q p3
11
4
E(p) (p x ). P(p x ) p q
i1
i i
2
2p2q p3 p(q2 2p q p2 ) p(q p)2 p
4.- Sea una poblacin con media de la que se extraen m.a.s. de tamao n. Considere
los siguientes estimadores de la media:
n
1
1 x 2 xi
n 1 i 1
Solucin:
a) Insesgadez
n n n
E (x )
1 1 1 1
E ( 1 ) E (x) E ( x i) E( x i) i (n )
n i 1
n i 1
n i 1
n
b ( 1 ) E ( 1 ) 0
n n n
n
E (x )
1 1 1 1
E ( 2 ) E ( x i) E( x i) i (n )
n 1 i 1
n 1 i 1
n 1 i 1
n 1 n 1
0 cuando ' n ' aumenta
n n n
b ( 2 ) E ( 2 )
n 1 n 1 n
1
sesgado
asin toticamente
Eficiencia
12
n n
2
1 1 1
V ( 1 ) V (x) V ( x i) 2 V (x i ) ( n 2
)
n i 1
n i 1
n2 n
n n
x ) V (x )
1 1 1 n
V ( 2 ) V ( i i (n2) 2
n 1 i 1
(n 1) 2 i 1
(n 1) 2
(n 1) 2
Var ( 1 ) 2 n (n 1) 2
eficiencia relativa 1 Var ( 1 ) Var ( 2 )
Var ( 2 ) n 2 (n 1) 2 n2
Consistencia
1
nlim E ( 2 ) lim
n
n 1
2 es consistente
lim V ( ) lim n
2 0
n 2
n (n 1) 2
Si E ( ) ECM( ) V ( )
insesgado
2 2 2
ECM( 1 ) V ( 1 ) b ( 1 ) 0
n n
2
n 2 1 n2 2
ECM( 2 ) V ( 2 ) b ( 2 ) 2
n 1
(n 1) 2 (n 1) 2
13
En esta lnea,
2 n2 2 n2 2 2 n2 2
n (n 1) 2 (n 1) 2 (n 1) 2 n (n 1) 2 (n 1) 2
(n 1) 2 2 n 2 2 2 (n 1) 2 n 2 2
2
n(n 1) 2
(n 1) 2
n
2n 1 2 2n 1 2
2
2
n n
2n 1 2
Si 2 1 se elige antes que 2
n
Si 2n 1
2
2 se elige antes que 1
n 2
5.- Sea x1,x 2 , ,xn una muestra aleatoria simple de una variable aleatoria X con
E(X) y Var(X) 2 . Calcular el error cuadrtico medio para los siguientes
estimadores de :
3x1 2x 2 x 3
1 x1 2
6
Solucin:
a) Estudio de la insesgadez
E( 1 ) E(x1 ) b( 1 ) 0
3x 2x 2 x 3 1 1 2 1
E( 2 ) E 1 3E(x1 ) 2E(x 2 ) E(x3 ) 3 2
6 6 6 6 3
1 2
b( 2 ) E( 2 )
3 3
b) Estudio de la varianza
Var (1 ) 2
3x 2x 2 x 3 1 1
Var ( 2 ) Var 1 Var 3x1 2x 2 x 3 9 Var(x1 ) 4 Var(x 2 ) Var(x3 )
6 36 36
1 14 2 7 2
9 2 4 2 2
36 36 18
14
7 2
Respecto a la varianza es mejor el segundo estimador 1 por ser 2
18
El mejor estimador ser el que presente menor Error Cuadrtico Medio (ECM):
2
ECM( 1 ) V ( 1 ) b( 1 ) 2 0 2
2
2 7 2 2 7 2 4 2
ECM( 2 ) V ( 2 ) b( 2 )
18 3 18 9
7 2 4 2 11 2 4 2
El primer estimador 1 ser mejor si 2
18 9 18 9
4 x 18 2 8 2
2 2
9 x 11 11
6.- Sea x1,x2,x3,x4,x5 una muestra aleatoria simple de una variable aleatoria X con
distribucin normal con media ( 5) y varianza 2 . Se proponen los siguientes
estimadores:
5
1 x
i1
i 2 8x 2 3x 5
Solucin:
a) Estudio de la insesgadez
5
E( 1 ) E
x E x x
i1
i 1 2 x3 x 4 x5 5( 5)
E( 2 ) E 8x 2 3x 5 8E(x 2 ) 3E(x 5 ) 8( 5) 3( 5) 5( 5)
b( 1 ) b( 2 ) 5( 5) 4 25
b) Estudio de la varianza
5
Var (1 ) Var
x 5 Var (x) 5
i1
i
2
Dado que los dos estimadores tienen el mismo sesgo y el primer estimador 1 tiene
menor varianza, ser el estimador ptimo.
15
Puede observarse que presenta el menor Error Cuadrtico Medio:
2
ECM( 1 ) V ( 1 ) b( 1 ) 5 2 4 25
2
x1 x 2 x3 x1 x 2
1 2
4 2
Solucin:
Un estimador es sesgado si E( ) b( ) b(
) E( )
sesgo
La v.a X i 'peso en kg de los jamones ' sigue una distribucin normal de varianza 4
x1 x 2 x3 1 3
E( 1 ) E E(x 1 ) E(x 2 ) E(x 3 )
4 4 4
3 1
El sesgo del estimador 1 ser: b( 1 ) E( 1 )
4 4
x1 x 2 1 2
E( 2 ) E E(x 1 ) E(x 2 )
2 2 2
El estimador 2 es insesgado, b( 2 ) 0
Para analizar la eficiencia relativa de los dos estimadores se calculan las respectivas
varianzas
x1 x 2 x3 1 1
V ( 1 ) V V (x 1 x 2 x 3 ) V (x 1 ) V (x 2 ) V (X 3 )
4 16 16
las observaciones
son independientes
V (Xi ) 4
1 12 3
12
16 16 4
16
x x2
1 V (Xi )4
V ( 2 ) V 1 V (x x ) 1 V (x 1 ) V (x 2 )
1
8 2
4
1 2
2 4 las 4
observaciones
son independientes
3
2
2 12
ECM( 1 )
4 4
16
ECM Varianza (sesgo) 2
ECM( 2 ) 2 0 2
2 12
2 2 20 20 4, 47
16
Se conoce que el peso medio de los jamones es superior a 5 kg, no queda duda que el
estimador a elegir (con menor error cuadrtico medio) es 2 .
17
8.- La distribucin del peso de las manzanas de una determinada cosecha sigue una
distribucin normal, cuyo peso medio es desconocido y cuya desviacin tpica es 7
gramos. Se pide:
a) Analizar cul de los estimadores 1 , 2 del peso medio es mejor respecto del sesgo
y de la eficiencia, para una muestra aleatoria simple de tamao cinco.
5
X i
b) Si 1 y 2 x 1 2 x 2 3 x 3 4 x 4 x 5 , obtener los pesos medios
i 1
5
estimados a partir de la siguiente muestra (125, 135, 130, 137, 142).
Solucin:
E(x i )
5
1
5
5
E x
1 1
E( 1 ) E x i / 5 E xi i (5 )
i1 5 i1 5 i1
5
V (Xi ) 7 2
5
5
5
V x
1 1 1 49
V ( 1 ) V x i / 5 V xi i (5. 49)
i1 25 i1 25 i1
25 5
V ( 2 ) V (x 1 2 x 2 3 x 3 4 x 4 x 5 ) V (x 1 ) 4 V ( x 2 ) 9 V ( x 3 ) 16 V ( x 4 ) V ( x 5 )
(49) 4 (49) 9 (49) 16 (49) (49) 31 (49) 1519
18
9.- Supongamos que la distribucin de ingresos de una cierta poblacin es una variable
aleatoria con media desconocida y varianza 2 tambin desconocida. Si queremos
estimar el ingreso medio de la poblacin mediante una m.a.s. de tamao n, respecto de
la insesgadez y de la eficiencia. Cul de los dos estimadores elegiramos?.
Son consistentes?
n n
x i x i
1 i1
2 i1
n 1 n
Solucin:
La v.a x i 'ingresos de cierta poblacin' sigue una distribucin normal N(, )
n
n
n
1 1 1 n
E( 1 ) E x i (n 1) E xi E(x i ) (n )
i1 n 1 i1 n 1 i1
n 1 n 1
n 1
El sesgo del estimador 1 ser: b( 1 ) E( 1 )
n 1 n 1
n
1 n
1 n
E(x ) n (n )
1
E( 2 ) E x i n E xi i
i 1 n i 1 n i 1
n
n
n
n 2
1 1 1
V ( 1 ) V x i (n 1) V xi V (x i ) (n 2
)
(n 1) (n 1) (n 1) 2 (n 1) 2
2 2
i1 i1 i 1
n
1 n
1 n
2
1
V ( 2 ) V x i n 2 V xi V (x i ) (n 2
)
i1 n i1 n i1
n2 n
2 n2
V ( 2 ) V ( 1 ) puesto que (n 1) 2 n 2
n (n 1) 2
n 2
lim
n E(
1 ) y lim V (
1 ) lim 0
n n (n 1) 2
Los dos estimadores son consistentes:
lim E( ) y lim V ( ) lim 0
2
n 2
n
2
n n
19
COMPRENSIN DE LA VEROSIMILITUD. CLCULO DE LOS
ESTIMADORES MXIMO VERSOSMILES. PROPIEDADES
10.- Una urna contiene bolas blancas y negras. Sea p la probabilidad de extraer una
bola blanca cuando se realiza una extraccin al azar. Asociado a este experimento
aleatorio tenemos la variable aleatoria X que puede tomar los valores:
Solucin:
P(B) p
Si la muestra (B, N, B) es independiente, siendo
P(N) 1 p
P (x 1 , ) P (x n , ) caso discreto
L () L(X; ) L ( x 1, , x n ; )
f (x 1 ) f (x n ) caso continuo
20
P ( x 1 , p) P ( X x 1 ) p 1 (1 p) x 1 x1
x2 1 x2
P ( x 2 , p) P ( X x 2 ) p (1 p) x i 1, 0 sea bola blanca o negra
x 1 x
P ( x 3 , p) P ( X x 3 ) p 3 (1 p) 3
L (p) P (x , p) p
i 1
i
x1
(1 p)
1 x1
.p
x2
(1 p)
1 x2
.p
x3
(1 p)
1 x3
x1 x 2 x 3 3 ( x1 x 2 x 3 )
p (1 p)
L (p) p 1 0 1 (1 p) 3 (1 0 1) p 2 . (1 p)
Solucin:
a)
x E(x)
En la distribucin de Poisson: P(X x) e
x! V (x)
n x1 xn xi
i1
L ( ) L (X, ) P (x i, )
x 1!
e
xn!
e n
e n
i 1
x!
i 1
i
21
n n
xi xi n
i1 i1 xi n
L (X, ) n
e n
lnL (X, ) ln n n
e ln( i1 ) ln( x !) ln(e
i
n
)
x!
i 1
i
i 1
xi!
i 1
n n
x ln ln(x !) n
i 1
i
i 1
i
n n
lnL (X, )
n xi
x
1
0 i n 0 i 1
x
n
i 1
Insesgadez
n
xi n
E (x )
1 n 1 1
E ( ) E i 1 E ( x i ) i (n )
n n i 1 n n
i 1
n
xi n
1 1
V ( ) V (x) V i 1
2 V (x i ) 2
(n )
n n i 1
n n
Consistencia
lim E ( ) lim y lim V ( ) lim 0
n n n n n
22
El estimador es consistente
Eficiencia
Para que un estimador sea eficiente tiene que ser centrado y de varianza mnima.
La varianza mnima se analiza en virtud de la acotacin de Cramr-Rao:
1
V ( ) 2
acotacin de Cramr-Rao
ln L (X, )
E
En el caso discreto de una m.a.s, la expresin anterior se puede simplificar:
1
V ( ) 2
acotacin de Cramr-Rao
ln P(x ; )
n.E
x
Ahora bien, P (x , ) e
x!
x
lnP (x , ) ln e x ln ln(x!)
x!
lnP (x , ) x x
1
2 2
lnP (x, ) x 1 1 1 1
E E 2 E (x ) 2 2 E (x x) 2 2 V (x) 2
1
En consecuencia, V ( )
1 n
n
El menor valor de la varianza del estimador ser
n
Se sabe que V ( ) V (x) , lo que muestra que el estimador empleado es eficiente.
n
23
12.- En una gran piscifactora hay una proporcin desconocida de peces de una especie
A. Para obtener informacin sobre esta proporcin, vamos a ir sacando peces al azar.
Solucin:
L(p) (1 p) 9 p (1 p) 14
p (1 p) 17
p (1 p) 40 p 3
log L(p) log (1 p) 40 p 3 log(1 p) 40 logp 3 40 log(1 p) 3 logp
log L(p) 40 3 3
0 p
dp 1 p p 43
24
13.- Las personas de un pas se clasifican segn dos caractersticas: color de los ojos
(claros u oscuros) y sexo (hombre o mujer). Las dos caractersticas son independientes.
Solucin:
log L(p, q) log p 450 (1 p) 550 q 350 (1 q) 650 450 logp 550 log(1 p) 350 log q 650 log(1 q)
La variable aleatoria X = "nmero de mujeres con ojos oscuros, entre 8" sigue una
distribucin binomial B (n 8, p 0,24)
8
P(X 1) 1 P(X 0) 1 (0,24) 0 (0,76) 8 0,89
0
La variable Y = "nmero de mujeres con ojos oscuros, entre 200" , Y B (20, 0,24) , se
aproxima por la distribucin normal N( np 48 , np q 6,04)
Y 48 60 48
P(Y 60) P P(z 1,99) 0,0233
6,04 6,04
25
14.- Calcular el estimador mximo verosmil del parmetro 'a' de las funciones:
Solucin:
La funcin de verosimilitud
n
a xi
L L (x 1, x 2 , , x n ; a) (a 2 e a x1 ).(a 2 e a x2 ) (a 2 e a xn ) a 2 n e i 1
n
a xi n
aplicando logaritmos neperianos: ln L log (a 2 n e i 1
) 2n ln a a xi 1
i
(ln L) 2n n 2n 2 2
x i 0 a n a
a a i 1 x x
xi i 1
La funcin de verosimilitud
L L (x 1, x 2 ; a) (a e a x1 ).(a e a x2 ) a 2 e a ( x1 x2 )
(ln L) 2 2 1
(x1 x 2 ) 0 a
a a x1 x 2 x
26
15.- Sea la distribucin N(, ) , con la media y varianza desconocidas. Calcular los
estimadores mximo-verosmiles de y 2
Solucin:
2
( x ) 2
( x ) 2 ( x n )
1 2 2 2
1 1 1 2
L (X; , )
2
e 2 e 2 e 2
22 2 2 22
n
( xi ) 2
i1
1 2 2
n n
e
(2 ) ( )
2 2 2
( xi ) 2
n
n
1 i 1 n n (xi ) 2
ln L (X; , 2 ) ln e 2 ln(2 ) ln( 2 ) i1
2
n n
2 2 2 2
(2 ) 2
( 2 2
)
n n
ln L (X; , 2 ) (xi ) x i
i 1
0 i 1
x
2 n
n n
ln L (X; , 2 ) n (xi ) 2 (x ) i
2
i 1
0 2 i 1
2 2 3 n
n
(xi x)
2
2 ln L (X; ) n
La condicin de mximo se verifica, pues: 2 0
2
27
16.- En una distribucin N( , ) , se estima la media poblacional mediante la media
de una muestra aleatoria simple (x1 , x 2 , , xn ) . El estimador es insesgado y su varianza
2
V(x) . Demostrar que la media muestral es un estimador eficiente.
n
Solucin:
1
CCR 2
ln f(x, )
nE
( x ) 2
1
2 2
La funcin de densidad poblacional: f(x, ) e
2
1
2
( x )
1 (x ) 2
ln ln2
2
ln f(x, ) ln e 2
2 2 2 2
y derivando respecto a :
2
ln f(x, ) 1 x ln f(x, ) (x )2
2(x ) 2 4
2 2
2
ln f(x, ) (x )2 2 1
E E 4 2
4
1 1 2
CCR
ln f(x, )
2
1 n
nE n 2
28
17.- A partir de una muestra aleatoria simple X de tamao n, determinar la matriz de
informacin de Fisher de una poblacin con distribucin N(, ) , respecto a los dos
parmetros y 2 .
Solucin:
( x ) 2
1
22
La funcin de densidad poblacional: f(x, ) e
2 2
La funcin de verosimilitud es:
n
( xi ) 2
1
2
( x ) 2
( x 2 ) 2 ( x n )
1 2 i 1
1
1
1
L(X; , ) 22
2 2
2
e 2 e e 2 e 2
22 22 22 n n
(2 ) 2 2
( xi ) 2
n
1 i 1 n n 1 n
ln L(X; , 2 ) ln
n n
e 22
ln2 ln 2
2 2 22
(x )
i1
i
2
(2 )
2 2
derivando respecto de y 2
ln L (X; , 2 ) 1 n
ln L (X; , 2 ) n 1 n
2
(xi ) 2
i1 2
2 4
2 2
(x )
i1
i
2
2 ln L (X; , 2 ) n 2 ln L (X; , 2 ) 1 n
2
2
2
4
(x )
i1
i
2
2 ln L (X; , 2 ) n 1 n
( )2 2
2
4
6 (x )
i1
i
2
n 1
n
2
4
(xi ) 2
I(, 2 ) E i1
1 n n 1
n
4
i1
(xi ) 2
2
4
6 i1
(xi ) 2
n 1
n
n
2 i1
4 E(x )
2
i
2
0
1 n
n 1
n n
4
E(x )
i1
i
2
4 6
2 i1
2
E(xi ) 0
24
29
Advirtase que por ser xi un elemento de una muestra aleatoria simple de una
poblacin normal N(, ) , se tiene que E(xi ) 0 y E(xi )2 2
i x i
i1
n
Estdiese la eficiencia del estimador.
Solucin:
n
i xi
1
n
1
n
1
E( ) E
i1
n n
i1
E(i xi )
n i E(x ) n E(x ) 2E(x ) 3E(x ) nE(x )
i1
i 1 2 3 n
1 (n 1) n (n 1)
2 3 n ) 1 2 3 n
n n n 2 2
n 1 n 1
E( ) b( ) sesgo b( ) E( )
2 2
n
i x i
1
n
1
n
1 2
V ( ) V
i1
n
n2 i1
V (i xi )
n2 i
i1
2
V (xi )
n
1 V (x1 ) 22 V (x 2 ) 32 V (x 3 ) n2 V (x n )
2
1 2 2 2 2 2 n (n 1)(2n 1)
2 2 2 2 2 2
2 2 2
2 1 2 3 n 2 1 2 3 n 2
n n n 6
2 (n 1)(2n 1)
V ( )
6n
1 b( )
2
30
2 2
lnL(X, ) lnL(x, )
La informacin de Fisher de la muestra I( ) E nE se
( x ) 2
1
2 2
obtiene a partir de la funcin de densidad poblacional f(x, ) e
2
1
2
( x )
1 (x ) 2
ln f(x, ) ln ln ln2
2
e 2
2 2
2 2
y derivando respecto a :
2
ln f(x, ) 1 x ln f(x, ) (x )2
2(x )
2 2 2 4
2
ln f(x, ) (x )2 2 1
E E 4 2
4
n
y atendiendo a la aditividad de esta medida I( ) ni( )
2
(n 1)2
1 b( )
2
4 (n 1)2 2 2 (n 1)(2n 1)
CCR V ( )
lnL(x, )
2
n 4n 6n
nE 2
2 (n 1)(2n 1) (n 1)2 2
V ( ) CCR
6n 4n
Solucin:
E
x mp
Se determina si el estimador es insesgado: E(p) p
m m
31
Al coincidir la esperanza del estimador con el parmetro, el estimador es insesgado, por
lo que la cota de Cramr-Rao es:
1
CCR 2
lnL(x, )
nE
m
f(x,p) p x (1 p)m x
x
tomando logaritmo neperiano y derivando respecto al parmetro p, resulta:
m
ln f(x,p) ln x lnp (m x) ln(1 p)
x
ln f(x,p) x (m x) (1 p) x p(m x) x mp
p p 1 p p(1 p) p(1 p)
2 2
ln f(x,p) x mp E(x mp)2
de donde, E
p E p(1 p) p2 (1 p)2
2
ln f(x,p) E(x mp)2 mp(1 p) m
con lo que E 2 2
p p (1 p)2
p (1 p)2
p(1 p)
1 1 p(1 p)
La cota de Cramr-Rao: CCR
lnL(x, )
2
m nm
nE n
p(1 p)
1 mp(1 p) p(1 p)
V 2 V (x) 2
x 1
V (p)
m m m n mn
32
CLCULO DE ESTIMADOR POR EL MTODO DE LOS MOMENTOS
1
20.- Sea una poblacin definida por: P (X 1) , P (X 0) ,
2 2
1
P (X 1) , donde 0 1 , 0 1
2
Solucin:
xi
1 E (X) 1 a 1 i 1
x
n
n
x i2
2 E (X ) 2 a 2
2 i 1
n
n
x ri
r E (X ) r a r
r i 1
Puesto que hay que estimar dos parmetros hay que calcular los dos primeros
momentos.
momentos poblacionales
1 1
1 E(X)
i
x i P(X x i ) ( 1)
2
(0) (1)
2 2
2
1 1 2
2 E(X 2 ) x
i
2
i P(X x i ) ( 1) 2
2
(0) 2
2
(1) 2
2
2
momentos muestrales
xi x i2
a1 x i
a2 i
n n
1 a1 x 2x
2 1 a 2 x
2x
2 2 a 2 2 1 a 2 x
2 a2 a2 2a 2 2
2
33
Un estimador es insesgado (o centrado) cuando se verifica E ( )
2
E ( ) E (1 a 2 x) 1 E (a 2 ) E (x) 1 2 1 2
2
2
E ( ) E (1 a 2 x) 1 E (a 2 ) E (x) 1 2 1 2
2
Solucin:
a)
L () f (x ) f (x ) f (x ) ( x 1 )( x 1 ) ( x 1 ) n (x x ) 1
1 2 n 1 2 n 1 n
34
b) L() n (x x ) 1
1 n
n n
lnL() ln n (x x ) 1 ln n ln x 1 ln n ln( x 1 )
1 n i 1
i i 1
i
n
lnL () n n
n
lnL () n ln 1 ln(xi )
ln(x ) i 0 n
i 1 i 1
ln(x )
i 1
i
c) Se plantea la ecuacin E X x
1
1 1 1
x 1
x f (x) dx x x
1
x E (X) dx x dx
0 0 0 1 0 1
x
x ( 1)
1 x
Solucin:
a) Se plantea la ecuacin: E X x
integracin por
partes
x E X
x f (x) dx
x e x dx 1 x 1
E E ( x 1) E ( x ) 1 ( 1) 1
1 x
x
x e
x (
dx e x ) e x dx
x e x e x (1 x) e x e x
u u
du e
dv v v
35
1 x
x
xe dx e e x 1
Solucin:
La funcin de verosimilitud L ( )
x 2 x 2 2 x n
L () f (x ) f (x ) f (x ) 2 x e 1 x 2 e xn e
1 2 n 1
n
xi
( x1 x 2 xn )
2 n (x x ) e 2 n (x x ) e i 1
1 n 1 n
xi
n n
xi
2n
L () 2 n (x x ) e i 1 lnL ( ) ln (x x ) e i 1
1 n 1 n
n n n n
lnL () (2n) ln ln i 1
xi i 1
xi lnL () (2n) ln
i 1
ln x i x
i 1
i
n
lnL () 2n 2n
x i 0 n
i 1
x
i 1
i
24.- El coseno X del ngulo con el que se emiten los electrones en un proceso
radioactivo es una variable aleatoria con funcin de densidad
(1 x ) 2 1 x 1 , 1 1
f (x)
0 en el resto
Solucin:
a) Se plantea la ecuacin E X x
36
1
1
1 x x2 x3
x E X
1
x
2
dx
2
6 1 3
3 x
V (X) 9
b) V ( ) V (3 x) 9 V (x) 9 V (X)
n n
2 1 2
1
1 x x3 x 4 3 2
V (X) E (X ) E (X)
2
2
x 2
dx
1 2 3 6 8 1 3 9
9 9 3 2 3 2
de donde, V () V (X)
n n 9 n
lim E ( )
n
Para probar que es consistente para estimar es suficiente probar
nlim V ( ) 0
lim E ( ) lim E (3 x) lim 3E (x) 3E (X) 3
n n n 3
3 2
lim V ( ) lim V (3 x) lim 0
n n n n
3 5 8 7 4 5 6 2
b) Sea (x1 , x 2 , , xn ) una muestra aleatoria de tamao n que sigue una distribucin de
n
x 3 xn
xi
Poisson. Si 1
i1
n
, 2 1
4
son estimadores. Determinar el mejor
Solucin:
x
e x 0, 1, 2, ...
P(X, ) x!
0 otro caso
37
La funcin de verosimilitud L( ) :
n
n x1 xn xi
i1
L ( ) L (X, ) P (x i, )
x 1!
e
xn!
e n
e n
i 1
x!
i 1
i
xi
n
n
i 1 n
n n
x ln ln(x !) n
xi
lnL (X, ) ln n e n ln( i1 ) ln x i ! ln(e n )
i i
i1
x i !
i1 i 1 i1
n n
lnL (X, )
i 1
xi ln ln(x !) n
i 1
i
lnL (X, )
n xi
x
1
0 i n 0 i 1
x
n
i 1
35874562
5
8
En consecuencia, en una muestra aleatoria de ocho intervalos de 10 minutos cada uno,
elegidos de forma independiente, la estimacin mxima verosmil corresponde a que la
barrera se abre 5 veces.
n
xi 1 n
n
E( 1 ) E
i1
n n E(x )
i1
i
n
x 3 xn 1 3
E( 2 ) E 1 E(x1 ) 3E(x 2 )
4 4 4
n
xi 1 n
n
V( 1 ) V
i1
n n2 V (x ) n
i1
i 2
n
x 3 xn 1 9 10 5
V ( 2 ) V 1 V(x1 ) 9 V(x 2 )
4 16 16 16 8
38
En conclusin, la efectividad de los estimadores depende del tamao de la muestra:
26.- Sea (x1 , x 2 , , xn ) una muestra aleatoria de tamao n, distribuida segn f(x, )
con desconocido, donde X representa el tiempo mximo necesario para determinar un
proceso en segundos:
( 1) x 0 x 1; 1
f(X, )
0 otro caso
Estimar la probabilidad del tiempo mximo necesario para terminar un proceso, que
no exceda de 0,25 segundos ni supere los 0,75 segundos.
2 1
c) Determinar el estimador mximo verosmil de: (a) 1 (b)
1
Solucin:
n
n
L(x1 , x 2 , , xn ; ) ( 1) x1 ( 1) x 2 ( 1) xn ( 1)n x
i 0
i
n
n
ln L(x1 , x 2 , , xn ; ) ln ( 1)n
i 0
x ln( 1)n ln
i
i 0
x i
n
ln L(x1 , x 2 , , x n ; ) n ln( 1) ln x
i 0
i
ln L (x1 , x 2 , , xn ; ) n
n
n
n
1
ln x 0
i 0
i
1
ln x i
i 0
39
n
EMV() n
1
ln x
i 0
i
8
1 4,027 1 3,027
ln0,7 ln0,9 ln0,6 ln0,8 ln0,9 ln0,7 ln0,9 ln0,8
De otra parte,
0,75
0,75 0,75 x 1 0,75
f(X, )dx ( 1) x dx ( 1)
P(0,25 X 0,75) x 1 0,25
0,25 0,25 ( 1) 0,25
La probabilidad del tiempo mximo necesario para terminar el proceso (entre 0,25 y 0,75
segundos) es 0,31
2 1
c) El estimador mximo verosmil de 1 y
1
2 1 2 EMV 1 2 1 2 x 3,027 1
EMV 2,493
1 EMV 1 1 3,027 1
40
GestinAeronutica:EstadsticaTerica
FacultadCienciasEconmicasyEmpresariales
DepartamentodeEconomaAplicada
Profesor:SantiagodelaFuenteFernndez
37