Documentos de Académico
Documentos de Profesional
Documentos de Cultura
6 Estimadores Puntuales Ejercicios Resueltos y Propuestos 1 PDF
6 Estimadores Puntuales Ejercicios Resueltos y Propuestos 1 PDF
- Estimadores Puntuales
– Ejercicios Resueltos –
1.- La resistencia de una plancha es una variable aleatoria continua X cuya función de
𝟒
densidad es: 𝒇 𝒙, 𝜽 = 𝟒𝜽𝒙𝟑 𝒆−𝜽𝒙 , 𝒄𝒐𝒏 𝜽 > 0; 𝑥 > 0. Su función de distribución de probabilidad
𝟒
es: 𝑭 𝒙 = 𝟏 − 𝒆−𝜽𝒙 , con desconocido. Sea (𝒙𝟏 ,𝒙𝟐 … , 𝒙𝒏) una m.a. (n) de X, determine el
estimador máximo verosímil de .
Sobre la base de una muestra aleatoria de 5 planchas, las resistencias observadas fueron: 0,5;
0,5; 0,8; 0,9 y 1. Determine la probabilidad que una plancha, elegida al azar, tenga resistencia
inferior a 0,7.
1) Solución: La primero que debemos hacer es calcular la “función de verosimilitud”, lo que se lleva a
cabo, por medio de la siguiente fórmula:
𝑛
4 4 4 4
𝐿 𝜃 = 𝑓 𝑥 𝑖 ,𝜃 = 4𝜃𝑥1 3 𝑒 −𝜃 𝑥 1 ∙ 4𝜃𝑥2 3 𝑒 −𝜃 𝑥2 ∙∙∙∙∙∙ 4𝜃𝑥𝑛 − 1 3 𝑒 −𝜃 𝑥 𝑛−1 ∙ 4𝜃𝑥 𝑛 3 𝑒 −𝜃 𝑥 𝑛
𝑖 =1
𝑛
𝐿 𝑥1 ,𝑥 2 ,… , 𝑥 𝑛 ,𝜃 = 4𝑛 𝜃𝑛 𝑒− 𝜃 𝑥 𝑖4 𝑥 3𝑖
𝑖 =1
ln 𝐿 𝑥1 , 𝑥2 ,… , 𝑥 𝑛 ,𝜃 = 𝑛 ln 4 + 𝑛 ln 𝜃 − 𝜃 𝑥 𝑖 4 + ln 𝑥 3𝑖
𝑖=1 𝑖=1
Después, se despeja 𝜃 de la expresión anterior, para así obtener el estimador máximo verosímil de 𝜃,
como se ve a continuación:
𝑛 𝑛
𝜃= 𝑛 4 → 𝐸. 𝑀. 𝑉. 𝜃 = 𝑛 4
𝑖=1 𝑥 𝑖 𝑖=1 𝑥 𝑖
Respuesta: La probabilidad que una plancha, elegida al azar, tenga resistencia inferior a 0,7 , es igual
a 0,4218.
2.- En una fábrica se ha medido el tiempo X, en horas, transcurrido entre dos detenciones
provocadas por averías en las máquinas, en una muestra aleatoria se obtuvo los siguientes
tiempos: 3, 1, 7, 3, 8, 11, 7, 1, 8, 4 en horas. Se sabe que la función de distribución que sigue
dicho tiempo es
𝜶
𝑭 𝒙 = 𝟏 − 𝒆−(𝒙𝜷) 𝑿 ~ 𝑾𝒆𝒊𝒃𝒖𝒍𝒍 (𝜶 = 𝟐, 𝜷)
2.1) Sea 𝒙𝟏 ,𝒙𝟐 ,… , 𝒙𝒏 una muestra aleatoria de X, con β desconocido, determine el estimador
máximo verosímil del parámetro β.
2.2) ¿Cuál la probabilidad de que en la fábrica transcurran más de 8 horas sin averías?
𝑑 𝑑 𝑥𝛽 2 𝑥𝛽 2
𝑓 𝑥, 𝛽 = 𝐹𝑥 → 𝑓 𝑥, 𝛽 = 1 − 𝑒− = −𝑒 − −2𝑥𝛽 2
𝑑𝑥 𝑑𝑥
𝑓 𝑥, 𝛽 = 2𝛽 2 𝑥𝑒 − 𝑥𝛽 2
𝐿 𝛽 = 𝑓 𝑥 𝑖, 𝛽
𝑖 =1
= 2𝑛 𝛽 2𝑛 𝑒 −𝛽
2 𝑥 2𝑖 𝑥𝑖
𝑖 =1
Determinamos el logaritmo natural de 𝐿 𝛽 :
𝑛
ln 𝐿 𝑥1 , 𝑥2 , … , 𝑥𝑛 ,𝛽 = ln 2𝑛 𝛽 2𝑛 𝑒 −𝛽
2 𝑥 2𝑖 𝑥𝑖
𝑖 =1
𝑛 𝑛
ln 𝐿 𝑥1 ,𝑥 2 ,… , 𝑥 𝑛 , 𝛽 = 𝑛 ln 2 + 2𝑛 ln 𝛽 − 𝛽2 𝑥 2𝑖 + ln 𝑥 𝑖
𝑖=1 𝑖=1
𝑛
𝜕 ln[𝐿 𝑥1 , 𝑥2 , … , 𝑥𝑛 ,𝛽 ] 2𝑛
=0 → − 2𝛽 𝑥𝑖2 = 0
𝜕𝛽 𝛽
𝑖=1
2.2) Solución: Utilizando la muestra que nos proporciona el ejercicio, calculamos el Estimador Máximo
Verosímil, como se ve a continuación:
10 10
𝛽= = = 0,1616
32 + 12 + 72 + 32 + 82 2 2 2 2
+ 11 + 7 + 1 + 8 + 42 383
3.- La distancia 𝒙 entre un árbol cualquiera y el árbol más próximo a él, en un bosque, sigue
una distribución de Rayleigh con función de densidad:
𝒙𝟐
−
𝒙𝒆 𝟐𝜽 𝟐 𝝅
𝒇𝒙 = 𝒙 ≥ 𝟎; 𝜽 ≥ 𝟎 𝒕𝒂𝒍 𝒒𝒖𝒆 𝑬 𝑿 =𝜽
𝜽𝟐 𝟐
𝟎 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
𝟒 −𝝅
𝑽 𝑿 = 𝜽𝟐
𝟐
3.1) Determine el estimador máximo verosímil 𝜽𝟐, a partir de una muestra aleatoria de 𝒙, de
tamaño 50, obtenida la siguiente información.
𝟓𝟎 𝟓𝟎
𝐿 𝜃 = 𝑓 𝑥 𝑖, 𝜃2
𝑖 =1
𝑥 2 𝑥 2 𝑥 2 𝑥 2
− 12 − 22 − 𝑛−1 − 𝑛2
𝑥1 𝑒 2𝜃 𝑥2 𝑒 2𝜃 𝑥𝑛−1 𝑒 2 2𝜃 𝑥 𝑛 𝑒 2𝜃
𝐿 𝑥1 , 𝑥 2 … , 𝑥𝑛 , 𝜃 2 = ∙ ∙∙∙ ∙
𝜃2 𝜃2 𝜃2 𝜃2
𝑛
𝑥 𝑖2
− 𝑛
𝐿 𝑥1 ,𝑥 2 … , 𝑥 𝑛 ,𝜃 = 𝑒 𝑖=1 2𝜃 2 𝜃 −2𝑛 𝑥𝑖
𝑖 =1
3.2) Solución: Sabemos que para que estimador 𝜃 2 sea insesgado, se debe cumplir que la esperanza
de estimador sea igual al estimador, es decir:
𝑛 2 𝑛 2
𝑖=1 𝑥 𝑖 𝐸(𝑥 𝑖 )
𝐸 𝜃2 = 𝜃2 → 𝐸 𝜃2 = 𝐸 = 𝑖=1
2𝑛 2𝑛
2
2
4−𝜋 2 𝜋 4𝜃 2 − 𝜋𝜃 2 + 𝜋𝜃 2
𝐸 𝑥𝑖 = 𝜃 + 𝜃 = = 2𝜃 2
2 2 2
4.- Sea 𝒙𝟏 ,𝒙𝟐 ,… , 𝒙𝒏, muestra aleatoria de una población 𝒙 ~ 𝒆𝒙𝒑 (𝜶); 𝜶 > 0 y desconocido:
4.1) Encuentre el estimador máximo verosímil de α.
4.2) Si las observaciones de una muestra aleatoria para la variable X son: 1,1; 0,9; 1,4; 1,2;
0,7. Estime la probabilidad de que la variable aleatoria no sea inferior a 1.
4.1) Solución: Lo primero que debemos hacer es definir la función exponencial con variable α, la que
se expresa de la siguiente forma:
𝑓 𝑥 = 𝛼 𝑒 −𝛼 𝑥 ; 𝛼 > 0
𝐿 𝛼 = 𝑓 𝑥 𝑖 ,𝛼
𝑖 =1
𝑛
𝐿 𝑥1 , 𝑥2 … , 𝑥𝑛 ,𝛼 = 𝛼 𝑒 −𝛼 𝑥 1 ∙ 𝛼 𝑒 −𝛼 𝑥 2 ∙∙∙ 𝛼 𝑒 −𝛼 𝑥 𝑛−1 ∙ 𝛼 𝑒 −𝛼 𝑥 𝑛 = 𝛼 𝑛 𝑒 −𝛼 𝑖=1 𝑥 𝑖
ln 𝐿 𝑥1 , 𝑥2 … , 𝑥 𝑛 ,𝛼 = 𝑛 ln 𝛼 − 𝛼 𝑥𝑖
𝑖=1
Derivando e igualando a cero:
𝑛
𝜕 ln 𝐿 𝑥1 ,𝑥 2 … , 𝑥 𝑛 , 𝛼 𝑛
=0 → − 𝑥𝑖 = 0
𝜕𝛼 𝛼
𝑖=1
𝑛 1
𝛼= 𝑛 = = 𝐸. 𝑀. 𝑉 𝛼
𝑖=1 𝑥 𝑖 𝑥
4.2) Solución: Utilizando los datos de la muestra aleatoria que nos entrega el problema,
determinamos el estimador puntual 𝛼:
1 1 1
𝛼= = 1,1+0,9+1,4+1,2+0,7 =
𝑥 1,06
5
∞ ∞
1 −
1
𝑥 −
1
𝑃 𝑥 ≥1 = 𝑓(𝑥) 𝑑𝑥 = 𝑒 1,06 𝑑𝑥 = 0 − −𝑒 1,06 = 0,3893
1,06
𝑥 =1 𝑥 =1
5.- Sea 𝒙𝟏 ,𝒙𝟐 ,𝒙𝟑 muestra aleatoria proveniente de una distribución normal con media µ y
varianza 2, cuya función densidad es:
𝟏 𝒙−𝝁 𝟐
−
𝒇 𝒙, 𝝁,𝝈𝟐 = ∙𝒆 𝟐𝝈 𝟐 𝒔𝒊 − ∞ < 𝑥 < ∞
𝟐𝝅𝝈𝟐
5.1) Pruebe si estos estimadores son insesgados e indique cual es más eficiente.
5.2) Encuentre el estimador máximo verosímil de µ.
5.3) Compare el estimador obtenido por el método de máxima verosimilitud con los dos
propuestos, ¿Cuál es mejor estimador para µ? Justifique su respuesta.
5.1) Solución: Lo primero que debemos corroborar es, si se cumple que la esperanza del estimador
puntual es igual al estimador puntual, sabiendo que la media y la varianza de 𝑥1 ,𝑥 2 ,𝑥 3 es µ y 2,
respectivamente, como se ve a continuación:
𝑥1 + 2𝑥 2 + 3𝑥 3 𝐸 𝑥1 + 2𝐸 𝑥 2 + 3𝐸(𝑥 3 ) 𝜇 + 2𝜇 + 3𝜇 6𝜇
𝐸 𝜇1 = 𝐸 = = = =𝜇
6 6 6 6
4𝑥2 − 𝑥1 4𝐸 𝑥 2 − 𝐸(𝑥1 ) 4𝜇 − 𝜇 3𝜇
𝐸 𝜇2 = 𝐸 = = = =𝜇
3 3 3 3
Es decir, ambos estimadores puntuales de µ son insesgados.
En seguida, debemos determinar la varianza de cada uno de los estimadores, para así ver cuál de los
dos estimadores es más eficiente:
4𝑥 2 − 𝑥1 42 𝑉 𝑥 2 + 𝑉(𝑥1 ) 162 + 2 17 2
𝑉 𝜇2 = 𝑉 = = =
3 32 9 9
Debido a que 𝑉 𝜇1 es menor que 𝑉 𝜇 2 , se llega a la conclusión que el estimador puntual 𝜇1 es más
eficiente que el estimador puntual 𝜇 2.
5.2) Solución: En este ítem lo primero que debemos hacer es definir la “función de verosimilitud”:
3
𝐿 𝑥1 , 𝑥 2, 𝑥 3; 𝜇 = 𝑓 𝑥 𝑖 ;𝜇
𝑖=1
3 2 2
1 −
𝑥𝑖 − 𝜇
1 − 3 𝑥𝑖 − 𝜇
𝐿 𝑥1 ,𝑥 2 ,𝑥 3 ;𝜇 = ∙𝑒 2𝜎 2 = 3∙ 𝑒 𝑖=1 2𝜎 2
𝑖=1
2𝜋𝜎 2 2𝜋𝜎 2
3
3
𝑖=1 𝑥𝑖
𝑥 𝑖 = 3𝜇 → 𝜇 = = 𝑥 = 𝐸. 𝑀. 𝑉(𝜇)
3
𝑖=1
5.3) Solución: Empezamos por determinar si el estimador puntual de 𝜇 que determinamos en el ítem
anterior es insesgado, lo que llevamos a cabo de la siguiente forma:
3 3
𝑖=1 𝑥𝑖 𝑖=1 𝐸(𝑥 𝑖 ) 3𝜇
𝐸 𝜇 =𝐸 = = =𝜇
3 3 3
6.- En un estacionamiento el número de veces (𝒙) que se debe subir la barrera en un intervalo
de 10 minutos, para que pasen vehículos en un sector de alta seguridad, se considera una
variable aleatoria con distribución de Poisson de parámetro λ desconocido.
6.1) En una muestra aleatoria de 8 intervalos de 10 minutos cada uno, elegidos en forma
independiente, se registra para cada intervalo el valor que toma la variable en estudio 𝒙.
𝒙 3 5 8 7 4 5 6 2
Encuentre la estimación máximo verosímil de .
6.2) Sea (𝒙𝟏 ,𝒙𝟐, … , 𝒙𝒏 ) una muestra aleatoria tamaño n de 𝒙 ~ Poisson()
𝒏 𝒙𝒊 𝒙𝟏 +𝟑𝒙𝒏
Si 𝝀𝟏 = 𝒊=𝟏 𝒏 ; 𝝀𝟐 = ; son estimadores del parámetro . Determine cuál de ellos es
𝟒
el mejor estimador del parámetro .
Luego, sabemos que dicha variable tiene una distribución de Poisson, como se muestra a
continuación:
𝑥
𝑒 −
𝑥 ~ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 () 𝑓 𝑥, = 𝑥 = 0,1,2, …
𝑥!
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
En seguida, definimos la “función de verosimilitud”:
𝑛
𝐿 = 𝑓 𝑥𝑖 ;
𝑖=1
𝑛
𝑒 − 𝑥 1 𝑒 − 𝑥 2 𝑒 − 𝑥 𝑛−1 𝑒 − 𝑥 𝑛 1 𝑛
𝐿 𝑥1 ,𝑥 2 … , 𝑥 𝑛 , = ∙ ∙∙∙ ∙ = 𝑒 − 𝑛 ∙ ∙ 𝑖=1 𝑥 𝑖
𝑥1 ! 𝑥2 ! 𝑥 𝑛−1! 𝑥𝑛 ! 𝑥𝑖 !
𝑖=1
En seguida, utilizando la muestra aleatoria, obtenemos el valor del estimador máximo verosímil, como
se ve a continuación:
3 + 5 + 8 + 7 + 4 + 5 + 6 + 2 40
= = =5
8 8
Respuesta: En una muestra aleatoria de ocho intervalos de 10 minutos cada uno, elegidos en forma
independiente, la estimación máxima verosímil corresponde a 5.
6.2) Solución: Lo primero que se debe hacer es determinar si estos estimadores son o no insesgados,
lo que se sabe si se cumple que la esperanza del estimador es igual al mismo estimador, es decir:
𝑛 𝑛
𝑖=1 𝑥𝑖 𝐸(𝑥 𝑖 ) 𝑛
𝐸 1 = 𝐸 = 𝑖=1 = =
𝑛 𝑛 𝑛
𝑥1 + 3𝑥𝑛 𝐸 𝑥1 + 3𝐸(𝑥𝑛 ) + 3 4
𝐸 2 = 𝐸 = = = =
4 4 4 4
Por lo tanto, ambos estimadores son insesgados. Entonces, el paso a seguir es determinar la
varianza de cada estimador puntual, lo que se hace de la siguiente manera:
𝑛 𝑛
𝑖=1 𝑥 𝑖 𝑉 𝑖=1 𝑥 𝑖 𝑛
𝑉 1 = 𝑉 = = =
𝑛 𝑛2 𝑛2 𝑛
𝑥1 + 3𝑥 𝑛 𝑉(𝑥1 ) + 32 𝑉(𝑥 𝑛 ) 10 5
𝑉 2 = 𝑉 = = =
4 42 16 8
7.- Sea 𝒙𝟏, 𝒙𝟐, 𝒙𝟑, 𝒙𝟒, 𝒙𝟓 una muestra aleatoria de una variable aleatoria con distribución Normal
con media (𝝁 − 𝟓) y varianza 𝝈𝟐.
Se proponen los siguientes estimadores:
𝟓
𝝁𝟏 = 𝒙𝒊 𝝁 𝟐 = 𝟖𝒙𝟐 − 𝟑𝒙𝟓
𝒊=𝟏
7) Solución: Debemos determinar si los estimadores que nos proponen son o no insesgados, como se
muestra a continuación:
5
𝐸 𝜇1 = 𝐸 𝑥 𝑖 = 5(𝜇 − 5)
𝑖=1
𝐸 𝜇 2 = 𝐸 8𝑥 2 − 3𝑥 5 = 8𝐸 𝑥2 − 3𝐸 𝑥5 = 8 𝜇 − 5 − 3 𝜇 − 5 = 5(𝜇 − 5)
Debido a que ambos estimadores propuestos son sesgados, se debe determinar el sesgo o error del
estimador, lo que se calcula con la siguiente fórmula:
𝑠𝑒𝑠𝑔𝑜(𝜇) = 𝐸 𝜇 − 𝜇
𝑠𝑒𝑠𝑔𝑜 𝜇1 = 𝐸 𝜇1 − 𝜇 = 5 𝜇 − 5 − 𝜇 = 5𝜇 − 25 − 𝜇 = 4𝜇 − 25
𝑠𝑒𝑠𝑔𝑜 𝜇2 = 𝐸 𝜇2 − 𝜇 = 5 𝜇 − 5 − 𝜇 = 5𝜇 − 25 − 𝜇 = 4𝜇 − 25
𝑉 𝜇1 = 𝑉 𝑥 𝑖 = 5 𝑉 𝑥 = 5𝜎 2
𝑖=1
𝑉 𝜇 2 = 𝑉 8𝑥 2 − 3𝑥 5 = 82 𝑉 𝑥 2 − 32 𝑉 𝑥 5 = 73 𝜎 2
Finalmente, calculamos el error cuadrático medio del estimador, para así saber cuál de los dos
estimadores puntuales es mejor, lo que se realiza con la siguiente fórmula:
𝐸. 𝐶. 𝑀 𝜇 = 𝑉 𝜇 + 𝑠𝑒𝑠𝑔𝑜 𝜇 2
𝐸. 𝐶. 𝑀 𝜇1 = 𝑉 𝜇 1 + 𝑠𝑒𝑠𝑔𝑜 𝜇 1 2 = 5 𝜎 2 + 4𝜇 − 25 2
𝐸. 𝐶. 𝑀 𝜇 2 = 𝑉 𝜇 2 + 𝑠𝑒𝑠𝑔𝑜 𝜇 2 2 = 73 𝜎 2 + 4𝜇 − 25 2
Respuesta: Debido a que el error cuadrático medio de 𝜇1 es menor que el error cuadrático medio
de 𝜇 2, se concluye que el mejor estimador para 𝜇, es 𝜇1 = 5𝑖=1 𝑥 𝑖 .
8.- Sea 𝒕 la variable aleatoria continua, que indica el tiempo de desintegración de un átomo,
con distribución exponencial truncada con parámetro 𝜶 (𝜶 > 0) es decir, que toma sólo
aquellos valores de 𝒕 superiores a 𝒕𝟎. Sea (𝒕𝟏 , 𝒕𝟐 ,… , 𝒕𝒏 ) una muestra aleatoria tamaño n de 𝐓.
𝑭 𝒕 = 𝟏 − 𝒆−𝜶(𝒕−𝒕𝟎) 𝒕 > 𝒕𝟎
𝑓 𝑡 = 𝛼 𝑒 −𝛼 𝑡−𝑡 0 𝑡 > 𝑡0
𝐿 𝛼 = 𝑓 𝑡𝑖 , 𝛼
𝑖=1
𝑛
𝐿 𝑡1 , 𝑡2 , … , 𝑡𝑛 ; 𝛼 = 𝛼𝑛 𝑒−𝛼 𝑖=1 𝑡𝑖 −𝑡0
ln 𝐿 𝑡1 , 𝑡2 , … , 𝑡𝑛 ;𝛼 = 𝑛 ln 𝛼 − 𝛼 𝑡𝑖 − 𝑡0
𝑖=1
Derivando e igualando a cero:
𝑛
𝜕 ln 𝐿 𝑡1 , 𝑡2 ,… , 𝑡𝑛 ; 𝛼 𝑛
=0 → − 𝑡𝑖 − 𝑡0 = 0
𝜕𝛼 𝛼 𝑖=1
𝑛
𝑛 𝑛 𝑛 1
= 𝑡𝑖 − 𝑡0 → 𝛼= 𝑛 = 𝑛 𝑡 = 𝑛 𝑡
𝛼 𝑖=1 𝑖=1 𝑡𝑖 − 𝑡0 𝑖=1 𝑖 − 𝑛𝑡0 𝑖=1 𝑖
−
𝑛𝑡0
𝑛 𝑛
1
𝛼= = 𝐸. 𝑀. 𝑉 𝛼
𝑡 − 𝑡0
8.2) Solución: Considerando la muestra que nos entrega el ejercicio, tenemos que:
3 +7 + 5+ 8 +4 +1 +5 + 2+ 9+ 6 50
𝑡0 = 1 ; 𝑡 = = =5
10 10
Reemplazando:
1 1 1
𝛼= = = = 0,25
𝑡 − 𝑡0 5 − 1 4
Respuesta: La estimación puntual del parámetro 𝛼 para el valor 𝑡0 = 1, con las diez observaciones
dadas por el problema, es igual a 0,25.
9.- Sea (𝒙𝟏 ,𝒙𝟐 … , 𝒙𝒏 ) una muestra aleatoria de 𝒙, distribuida según 𝒇 𝒙, 𝜽 , con 𝜽 desconocido.
Donde 𝒙 representa el tiempo máximo necesario para terminar un proceso, en segundos:
𝜽
𝒇 𝒙, 𝜽 = 𝜽 + 𝟏 𝒙 𝟎 ≤ 𝒙 ≤ 𝟏 ; 𝜽 > −1
𝟎 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
9.1) Determine el estimador máximo verosímil de 𝜽.
9.2) En base a una muestra aleatoria de 𝒙, determine la estimación máximo verosímil de 𝜽,
donde la muestra está constituida por los siguientes datos: 0,7; 0,9; 0,6; 0,8; 0,9; 0,7;
0,9; 0,8. Estime la probabilidad del tiempo máximo necesario para terminar un proceso,
el cual exceda los 0,5 segundos, y a la vez no supere los 0,75 segundos.
𝟐𝜽 − 𝟏
9.3) Determine el estimador máximo verosímil de: a) 𝜽 + 𝟏. b)
𝜽−𝟏
𝐿 𝜃 = 𝑓 𝑥𝑖 , 𝜃
𝑖=0
𝐿(𝑥1 ,𝑥 2 … , 𝑥 𝑛 ,𝜃) = 𝜃 + 1 𝑥1 𝜃 ∙ 𝜃 + 1 𝑥 2 𝜃 ∙∙∙ 𝜃 + 1 𝑥 𝑛−1 𝜃 ∙ 𝜃 + 1 𝑥 𝑛 𝜃
𝑛
𝐿(𝑥1 ,𝑥 2 … , 𝑥 𝑛 ,𝜃) = 𝜃 + 1 𝑛 𝑥𝑖 𝜃
𝑖=0
En seguida, calculamos el logaritmo natural de 𝐿(𝑥1 , 𝑥 2 … , 𝑥𝑛 , 𝜃):
𝑛
ln[𝐿(𝑥1 ,𝑥 2 … , 𝑥 𝑛 ,𝜃)] = ln 𝜃 + 1 𝑛 𝑥𝑖 𝜃
𝑖=0
𝑛 𝑛
ln[𝐿(𝑥1 ,𝑥 2 … , 𝑥 𝑛 , 𝜃)] = 𝑛 ln 𝜃 + 1 + 𝜃 ln 𝑥𝑖 = 𝑛 ln 𝜃 + 1 + 𝜃 ln 𝑥𝑖
𝑖=0 𝑖=0
9.2) Solución: Determinamos el estimador máximo verosímil de 𝜃, con los datos de la muestra que
nos entrega el ejercicio:
8
𝜃=− −1
(0,7 ∙ 0,9 ∙ 0,6 ∙ 0,8 ∙ 0,9 ∙ 0,7 ∙ 0,9 ∙ 0,8)
ln
𝜃 = 4,0271 − 1 → 𝜃 = 3,0271
9.3) Solución: Debido a que determinamos 𝜃 , que corresponde al estimador máximo verosímil de 𝜃,
por lo tanto, las expresiones pedidas las calculamos por medio de propiedades:
a) 𝐸. 𝑀. 𝑉 𝜃 + 1 = 𝐸. 𝑀. 𝑉 𝜃 + 1 = 𝜃 + 1 = 3,0271 + 1
𝐸. 𝑀. 𝑉 𝜃 + 1 = 4,0271
2𝜃 – 1
𝐸. 𝑀. 𝑉 = 2,4933
𝜃– 1
1.- El comportamiento del esfuerzo vibratorio en la paleta de una turbina de viento, a una velocidad
particular en un túnel de viento se modela según la distribución de probabilidad de Rayleigh, cuya
función de densidad es:
𝑥 − 𝑥2
𝑓 𝑥 = 𝜃 𝑒 2𝜃 𝑠𝑖 𝑥 > 0 𝜃 > 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝜃∙𝜋 4−𝜋
𝐸𝑥 = 𝐸 𝑥2 = 2 ∙ 𝜃 𝑉 𝑥 =𝜃∙
2 2
2.- La vida útil de las baterías de fabricación nacional (Y) es una variable aleatoria que de acuerdo a
la información que se dispone presenta la siguiente función de densidad: función de densidad:
𝑦
𝑒− 𝜃
𝑓 𝑦 = ,𝑦>0
𝜃∙𝜋∙𝑦
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Obtenga el estimador máximo verosímil del parámetro a partir de una muestra aleatoria de tamaño
n
3.- Como es sabido, el Departamento de Fiscalización del Ministerio de Transporte realiza controles
de opacidad (Humos) a los buses licitados, elegidos aleatoriamente en la calle. La opacidad se mide
con un instrumento (Snap), cuyas mediciones se distribuyen con la siguiente función de densidad:
2
𝑥 −𝑥
2 𝜃2
𝑓 𝑥 = 𝜃2 ∙ 𝑒 𝑥 > 0, 𝜃 > 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Donde es el verdadero valor de opacidad de un microbús en particular, pero es desconocido.
Sean 𝑋1 , 𝑋2 , . . . , 𝑋𝑛 una muestra aleatoria de las mediciones realizadas al microbús con el instrumento.
Determine el estimador máximo verosímil para el verdadero valor de opacidad del microbús.
𝛽 𝑥–4𝑒𝛽
𝑝 𝑥 = 𝑥 = 4,5, …
𝑥−4 !
5.1) Obtenga el estimador máximo verosímil de basándose en una muestra aleatoria de tamaño
“n” de 𝑥.
5.2) Verifique si el estimador obtenido en 5.1) es insesgado.
6.- De acuerdo a una investigación realizada por los ingenieros a cargo del sistema de redes, el
tiempo (X), en segundos, transcurrido entre dos peticiones de acceso consecutivas en un sistema
interconectado, es una variable aleatoria distribuida exponencialmente con media igual a 2 segundos.
6.1) El sistema de redes colapsa cuando en un intervalo de tiempo entre dos peticiones de acceso
consecutivo es inferior a 0,1 segundos. ¿Cuál es la probabilidad de que el 4° intervalo de
tiempo, entre dos peticiones de acceso, elegidos independientemente y al azar, sea el primero
en que el sistema de redes colapse?
6.2) Sea (𝑥1 , 𝑥2 , . . . , 𝑥𝑛 ) una muestra aleatoria de 𝑥 ~ exp(θ), con parámetro desconocido.
Determine el estimador máximo verosímil de θ y la estimación máximo verosímil de (θ + 0,15)
en base a una muestra aleatoria de 8 intervalos, obtenidos entre dos peticiones consecutivas
de acceso a la red, donde se registraron los siguientes tiempos: 3,0 ; 2,5 ; 4,0 ; 2,2 ; 2,8 ; 3,0 ;
1,5 ; 1,0. (en segundos).
7.- En una empresa del rubro de la construcción se ha observado el comportamiento que presenta el
número de vehículos que semanalmente presentan fallas mecánicas graves. La función de
probabilidad es:
𝑓 𝑥; 𝛼 = 𝛼 ∙ 1 − 𝛼 𝑥 − 1 𝑥 = 1,2, … ; 0 < 𝛼 < 1
(*) 8.- Considere la muestra aleatoria (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) de la variable aleatoria 𝑥, distribuida según una
exponencial desplazada, con parámetro λ desconocido, con función de densidad de probabilidad:
−𝜆 (𝑋− 𝜃) ; 𝑋 ≥ 𝜃; 𝜆 > 0; 𝜃 > 0
𝑓 𝑋 = 𝜆𝑒
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
9.- El ingreso de las personas, en u.m., que viven en la ciudad A, se considera una variable aleatoria
con distribución de Pareto, con parámetro α desconocido, cuya función de densidad está dada, por:
𝛼+1
𝛼 500
𝑓 𝑥; 𝛼 = 500 𝑥 𝑠𝑖 𝑥 > 500 𝛼 > 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
10.- La resistencia del material de cierto espécimen se considera una variable aleatoria X, con
distribución de probabilidad:
2
2 −
𝑥
𝑓 𝑥 = 𝛽2 𝑥 𝑒 𝛽 𝑠𝑖 𝑥 > 0; 𝛽 > 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Si se toma una muestra aleatoria de 10 especímenes y se obtienen los siguientes datos con respecto
de su resistencia.
6,11 3,20 1,86 5,23 2,76 4,12 6,79 4,43 8,56 6,82
2 𝑛𝑖=1 𝑦𝑖 1
2) 𝐸. 𝑀. 𝑉. 𝜃 = =2𝑦 7.1) 𝐸. 𝑀. 𝑉. 𝛼 = 7.2) 0,889
𝑛 𝑥
𝑛 2
𝑖=1 𝑥 𝑖 𝑥2 1
3) 𝐸. 𝑀. 𝑉. 𝜃 = = 8.1) 𝐸. 𝑀. 𝑉. = 8.2) 0,417
4𝑛 4 𝑥 −𝜃
𝑛
4) El mejor estimador es 𝜃3 9) 𝐸. 𝑀. 𝑉. 𝛼 = = 1,9464
−𝑛 𝑙𝑛 500+ 𝑛𝑖=1 𝑥 𝑖
𝑛 𝑥 2
𝑖=1 𝑖
5) 𝐸𝑀𝑉 𝛽 = 𝑥 − 4 10) 𝐸. 𝑀. 𝑉. 𝛽 = + = 5,3711
𝑛