Relación de Problemas.

Tema 5

1. Supongamos que tenemos una muestra aleatoria simple de tamaño n de una v.a.
X que sigue una distribución geométrica con función de probabilidad

P (X = k) = p(1 − p)k−1

Calcular el estimador máximo verosimil de p y su varianza asintótica.

2. Sea X una v.a. que sigue una distribución lognormal, con función de densidad
 
1 1 2
f (x) = √ exp − 2 (logx − µ)
2πσx 2σ
a) Calcular el estimador de máxima verosimilitud para µ.
b) Se sabe que el número de descendientes de las hembras de cierta especie de insectos
sigue aproximadamente una distribución lognormal. Si 20 hembras elegidas al azar
tuvieron como descendencia
47 34 28 44 23 32 39 27 36 33
28 32 29 35 30 37 41 26 52 31
Determinar una estimación de µ.

3. En una población hay individuos de tres tipos con las siguientes probabilidades:
P (Tipo 1) = θ2
P (Tipo 2) = 2θ(1 − θ) 0≤θ≤1
P (Tipo 3) = (1 − θ)2
Obtenemos una muestra aleatoria de tamaño n, resultando N1 individuos de Tipo 1,
N2 individuos del Tipo 2 y los restantes de Tipo 3.
2N1 + N2
a) Estudiar si el estimador T = es insesgado para estimar θ.
2n
b) Hallar el estimador de máxima verosimilitud de θ.

4. Supóngase que x1 , . . . , xn constituten una muestra aleatoria de una distribución

cuya función de densidad es
 −(θ+1)
θx para 0 < x < 1
f (x) =
0 en otro caso

Determinar el E.M.V. de θ y calcular E[X] y V ar[X].

1
5. Para comprobar la calidad de unos ejes, un laboratorio oficial toma una mues-
tra de 15 unidades y realiza una serie de pruebas, que superan satisfactoriamente 8
de ellos. Las mismas pruebas llevadas a cabo por dos laboratorios privados han dado
una proporción de defectuosos de 0.6 y 0.8 respectivamente.
a) Teniendo en cuenta los resultados del laboratorio oficial, cuál de las dos propor-
ciones defectuosas resulta más verosı́mil?.
b) Estimar la proporción de defectuosos aplicando el método de máxima verosimilitud.

6. En muestras aleatorias simples de tamaño n = 3 de una variable aleatoria normal

de media µ y varianza conocida σ 2 = 1, se consideran los estimadores,

U1 = 1/3X1 + 1/3X2 + 1/3X3

U2 = 1/4X1 + 1/2X2 + 1/4X3
U3 = 1/8X1 + 3/8X2 + 1/2X3

Comprobar que son estimadores insesgados y comprobar su eficiencia.

7. Sea una v.a. cuya distribución de probabilidad viene dada por la función de
densidad 
(θ + 1)xθ para 0 < x < 1
f (x) =
0 en otro caso
Determinar el estimador máximo verosı́mil de θ y calcular su distribución asintótica.

8. La función de distribución de una variable aleatoria viene dada por

 α
k
F (x) = 1 − ; x≥k
x
donde el valor de k es conocido. Calcular la varianza asintótica del E.M.V. de α.

9. Para estimar la media de una población se utiliza el estimador

n
X
x̂ = ωi xi
i=1

donde ωi ≥ 0 para todo i, y ni=1 ωi = 1, siendo las xi los valores muestrales. Calcular
P
la media y la varianza de este estimador y su eficiencia relativa respecto de la media
muestral.

10. Para estimar el área de unas piezas cuadradas de lado L, se utiliza un cali-
bre que comete un error  distribuido como N (0, σ 2 ). Se utilizan dos estimadores
del área: A1 = L21 y A2 = L1 L2 donde L1 y L2 son dos medidas independientes del
lado de la pieza (Li = L + i , i independientes N (0, σ 2 )). Estudia cuál de estos dos
estimadores es el mejor desde el punto de vista del sesgo.

2
11. En una factorı́a se quiere conocer la proporción p de componentes defectuosos
fabricados. Se dispone para el análisis de dos muestras de los componentes fabrica-
dos por dos lı́neas de producción de la factorı́a. La lı́nea A produce el 20% de los
componentes y la lı́nea B el 80% restante.
En una muestra aleatoria simpre de 80 componentes fabricados por la lı́nea A se
encontró que 5 eran defectuosos, mientras que en otra muestra aleatoria de 100 ele-
mentos de la lı́nea B (independiente de la anterior), 3 de ellos eran defectuosos.
a) Si pA es la proporción de defectuosos en la lı́nea A y pB la correspondiente pro-
porción en la población de la lı́nea B, proponer un estimador centrado para ambos
parámetros.
b) Escribir en función de pA y pB la proporción de defectuosos en la población global
de componentes, p.
c) Usando los dos apartados anteriores, proponer un estimador centrado de la pro-
porción p.
d) Encontrar la varianza del estimador usado en el apartado anterior usando el hecho
de que las muestras son independientes ( y por tanto también lo serán los estimadores
de pA y de pB ).
e) Calcular la precisión de p̂A , p̂B y p̂.

12. Sean X1 , . . . , Xn , Xn+1 , . . . , Xn+m variables aleatorias independientes e idénticamente

distribuidas con densidad normal de media µ y varianza σ 2 . Se desea estimar µ, pero
los valores individuales de la variables se han extraviado y se dispone sólo de las
medias
n n+m
X xi X xi
x1 = x2 =
i=1
n i=n+1
m

Para integrar las dos fuentes de información se utiliza un estimador de la forma

λx1 + (1 − λ)x2

donde 0 < λ < 1. Probar que un estimador de este tipo es centrado para µ indicando
además qué valor de λ define el mejor de todos ellos.

13. Sea X ∼ Γ(2, θ), donde la función de densidad de una v.a. con distribución
Gamma Γ(α, θ) y parámetros α y θ es

θ−α α−1 −x/θ

f (x) = x e , x>0
Γ(α)

Calcular el estimador máximo verosı́mil para θ y comprobar que es insesgado.

14. El número de clientes que llegan a una agencia de viajes de 9 a 10 de la maña na

3
sigue una distribución de Poisson con parámetro desconocido λ. Durante 14 dı́as se
observó este dato, siendo los resultados: 2,3,1,4,2,0,1,2,0,1,1,3,6,3.
a) Qué hipótesis han de suponerse para estimar λ por máxima verosimilitud con esta
información?.
b) Determinar si el estimador anterior es centrado.
c) Calcular su error cuadrático medio.

15. (Feb. 01) La duración en espera X de las baterı́as de NiCd de los teléfonos
de la marca Kunitono es una v.a. que sigue una distribución
 
1 1 2
fX (x) = √ exp − 2 (log x − log m) , x ≥ 0
2πσx 2σ
Se piensa estudiar las propiedades de estas baterı́as haciendo experimentos donde se
mida la duración de n baterı́as X1 , X2 , . . . , Xn en las mismas circunstancias operati-
vas.
a) Calcular el EMV del parámetro m y proporcionar una aproximación para su
desviación tı́pica y su distribución si se sabe que para este modelo de baterı́a el
otro parámetro de fX vale σ = 0.1.
b) Se han hecho pruebas con n = 100 baterı́as y se ha observado que:
100
X 100
X
log xi = 501 (log xi )2 = 2512
i=1 i=1
100
X 100
X
xi = 15190 x2i = 2330646
i=1 i=1

Sabiendo que E[X] = m exp(σ 2 /2), estimar de forma eficiente la duración esperada
de una baterı́a y estimar la desviación tı́pica de dicho estimador. Justificar el método
de estimación elegido.

16. (Sep. 01) Los siguientes datos corresponden a la longitud (en milı́metros) de
piezas fabricadas por una máquina
104 109 111 109 87
86 80 119 88 122
91 103 99 108 96
104 98 98 83 107
79 87 94 92 97
P P 2
Sabiendo que xi = 2451 y xi = 243505:
a) Calcular un estimador insesgado para la media de la población.
b) Calcular un estimador insesgado para V ar[X].

17. El tiempo de germinación de una semilla, (tiempo transcurrido desde que se

4
planta hasta que brota la raı́z), se distribuye según una v.a. cuya función de densi-
dad es,  −λ(x−20)
λe x ≥ 20
f (x) =
0 x < 20
a) Dada una muestra aleatoria de esta variable, calcular el estimador de máxima
verosimilitud de λ.
b) Se toma una muestra aleatoria de 100 semillas obteniéndose que Σxi = 2200
Cuál es la estimación máximo verosı́mil de λ?. Cuál es la estimación de la varianza
asintótica del estimador de máxima verosimilitud de λ?

18. El tiempo de fallo,T , de un determinado tipo de turbinas de vapor se distribuye

según la siguiente función de densidad

f (t) = 3t2 β −3 exp(−(t/β)3 ) t > 0

a) Calcular el estimador máximo verosı́mil de β.

b) Dar la distribución asintótica del estimador.
c) Se toma una muestra de tamaño n = 100 y Σ100 3
i=1 ti = 337500, dar una estimación
de β.

19. (Sep. 2006) Se sabe que el tiempo T de respuesta de un servidor web dedi-
cado a la telemedicina se ajusta a una distribucin Rayleigh de parmetro α > 0 con
funcin de densidad
αt exp − α2 t2 t > 0


f (t) =
0 en el resto
Se realiza un estudio en el que se recogen n = 50 tiempos de respuesta ti (suponer
que n = 50 es grande) obtenindose que
n
X n
X
ti = 146.28 t2i = 510.58
i=1 i=1

Dar una estimacin puntual de α por el mtodo de mxima verosimilitud utilizando los
datos muestrales.