Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estim Adores
Estim Adores
Aeronáutica: Estadística Teórica
Facultad Ciencias Económicas y Empresariales
Departamento de Economía Aplicada
Profesor: Santiago de la Fuente Fernández
ESTIMADORES
Gestión Aeronáutica: Estadística Teórica
Facultad Ciencias Económicas y Empresariales
Departamento de Economía Aplicada
Profesor: Santiago de la Fuente Fernández
ESTIMADORES
Un estimador es un estadístico (una función de la muestra) utilizado para estimar un
parámetro desconocido de la población.
Para cada parámetro 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 estimación puntual del valor del parámetro en
estudio. En general, se realiza la estimación mediante un intervalo, es decir, se obtiene
un intervalo parámetro 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
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 relación 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
x
1
Sea el estimador ˆ i
n 1 i 1
1 n
n
n
n
E (x )
1 1 1
E (ˆ ) 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(ˆ ) E(ˆ ) n
0
n 1 n 1 n 1
insesgado
asintóticamente
3
CONSISTENCIA
Si no es posible emplear estimadores de mínima varianza, el requisito mínimo deseable
para un estimador es que a medida que el tamaño de la muestra crece, el valor del
estimador tienda a ser el valor del parámetro poblacional, propiedad que se denomina
consistencia.
EFICIENCIA
Un estimador es más eficiente o más preciso que otro estimador, si la varianza del
primero es menor que la del segundo.
Var (ˆ 1 )
La eficiencia relativa se mide por el ratio:
Var (ˆ )
2
Es insesgado
Un estimador es eficiente cuando verifica:
Posee varianza mínima
2 2
1 b(ˆ ) 1 b(ˆ )
y la cota resulta V (ˆ ) CCR 2
2
lnL(x, ) lnL(X, )
nE E
1
Si el estimador es insesgado, b(ˆ ) 0 : V (ˆ ) CCR 2
lnL(x, )
nE
2
1 b(ˆ )
Y en muestras aleatorias simples: V (ˆ ) CCR 2
lnL(x, )
nE
4
Es preciso destacar que la Cota de Cramér-Rao (CRR) no tiene por qué tomar siempre
un valor muy pequeño (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
n
E (X)
x i
ˆ 1 a 1 i 1
x
1 n
n
x 2
i
2 E (X 2 ) ˆ 2 a 2 i 1
n
n
E (X r )
x r
i
ˆ r a r i 1
r n
6
Gestión Aeronáutica: Estadística Teórica
Facultad Ciencias Económicas y Empresariales
Departamento de Economía Aplicada
Profesor: Santiago de la Fuente Fernández
x1 2x 2 3 x3
ˆ 1
6
x3 4x2
ˆ 2
3
ˆ 3 x
Se pide:
Solución:
x 2x2 3x3 1
E (ˆ 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 (ˆ 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 (ˆ 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 ˆ 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 ˆ 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 ˆ 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
2
ECM(ˆ ) E (ˆ ) 2 V (ˆ ) E (ˆ ) sesgo b (ˆ ) E (ˆ )
sesgo
Si E (ˆ ) ECM(ˆ ) V (ˆ )
insesgado
ESTIMADORES SESGADOS:
8
CÁLCULO DEL SESGO Y ESTIMACIÓN PUNTUAL
2.- La variable aleatoria X representa los gastos mensuales de una empresa, cuya
función de densidad es f (, x) x 1 con 0 y 0 x 1. Se realiza una m.a.s. de
tamaño 3, y se proponen tres estimadores:
ˆ 1 x
x 12 2 x 22 3 x 32
ˆ 2
6
x 3 2x1 4 x 2
ˆ 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) ¿Cuáles son las funciones estimadas para las estimaciones anteriores?
Solución:
x1 x 2 x3 1 1
ˆ 1 x E (ˆ 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 (ˆ 1 ) E (ˆ 1 )
1 1
x 12 2 x 22 3 x 32
Sesgo del estimador ˆ 2
6
x 12 2 x 22 3 x 32 1 E (x 2 ) 2E (x 2 ) 3E (x 2 ) 1 (6 ) ()
E (ˆ 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
ˆ
E ( 2 ) E E (x 12 ) 2E (x 22 ) 3E (x 32 )
6 6 2
2
2 2 2
2
El sesgo: b (ˆ 2 ) E ˆ 2 2
2
x3 2x1 4 x 2
Sesgo del estimador ˆ 3
6
x3 2x1 4 x 2 1 1 1
E (ˆ 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 (ˆ 3 ) E (ˆ 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 población se presenta una alteración leve en una cierta proporción 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) Distribución poblacional de la variable aleatoria
b) Si p̂ es la proporción de veces que aparece el valor 1 en muestras aleatorias de
tamaño 3. Hallar la distribución en el muestreo de p̂ , suponiendo que p 0,2
Solución:
xi pi
a) La distribución poblacional 0 0,8
1 0,2
b) Se elabora una tabla con las posibles muestras de tamaño 3, junto con la
probabilidad de las muestras y el valor de la proporción 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 p̂
(0, 0, 0) 0,83 0,512 0
La distribución en el muestreo de p̂ :
(0, 0, 1) 0,82 0,2 0,128 1/3
(0, 1, 0) 0,82 0,2 0,128 1/3 p̂ P(pˆ x i ) ˆ ˆ 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
ˆ
c) La esperanza matemática E(p) (pˆ x ). P(pˆ x ) 0,2 p
i1
i i
p̂ P(pˆ xi ) ˆ ˆ 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
ˆ
E(p) (pˆ x ). P(pˆ x ) p q
i1
i i
2
2p2q p3 p(q2 2p q p2 ) p(q p)2 p
4.- Sea una población con media de la que se extraen m.a.s. de tamaño n. Considere
los siguientes estimadores de la media:
n
1
ˆ 1 x ˆ 2 xi
n 1 i 1
Solución:
a) Insesgadez
n n n
E (x )
1 1 1 1
E (ˆ 1 ) E (x) E ( x i) E( x i) i (n )
n i 1
n i 1
n i 1
n
b (ˆ 1 ) E (ˆ 1 ) 0
n n n
n
E (x )
1 1 1 1
E (ˆ 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 (ˆ 2 ) E (ˆ 2 )
n 1 n 1 n
1
sesgado
asin toticamente
Eficiencia
12
n n
2
1 1 1
V (ˆ 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 (ˆ 2 ) V ( i i (n2) 2
n 1 i 1
(n 1) 2 i 1
(n 1) 2
(n 1) 2
Var (ˆ 1 ) 2 n (n 1) 2
eficiencia relativa 1 Var (ˆ 1 ) Var (ˆ 2 )
Var (ˆ 2 ) n 2 (n 1) 2 n2
Consistencia
1
nlim E (ˆ 2 ) lim
n
n 1
ˆ 2 es consistente
lim V (ˆ ) lim n
2 0
n 2
n (n 1) 2
2 2 2
ECM(ˆ 1 ) V (ˆ 1 ) b (ˆ 1 ) 0
n n
2
n 2 1 n2 2
ECM(ˆ 2 ) V (ˆ 2 ) b (ˆ 2 ) 2
n 1
(n 1) 2 (n 1) 2
13
En esta línea,
(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 ˆ 1 se elige antes que ˆ 2
n
Si 2n 1
2
ˆ 2 se elige antes que ˆ 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 cuadrático medio para los siguientes
estimadores de :
3x1 2x 2 x 3
ˆ 1 x1 ˆ 2
6
Solución:
a) Estudio de la insesgadez
3x 2x 2 x 3 1 1 2 1
E(ˆ 2 ) E 1 3E(x1 ) 2E(x 2 ) E(x3 ) 3 2
6 6 6 6 3
1 2
b(ˆ 2 ) E(ˆ 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 será el que presente menor Error Cuadrático Medio (ECM):
2
ECM(ˆ 1 ) V (ˆ 1 ) b(ˆ 1 ) 2 0 2
2
2 7 2 2 7 2 4 2
ECM(ˆ 2 ) V (ˆ 2 ) b(ˆ 2 )
18 3 18 9
7 2 4 2 11 2 4 2
El primer estimador 1 será 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
distribución normal con media ( 5) y varianza 2 . Se proponen los siguientes
estimadores:
5
ˆ 1 x
i1
i ˆ 2 8x 2 3x 5
Solución:
a) Estudio de la insesgadez
5
E(ˆ 1 ) E
x E x x
i1
i 1 2 x3 x 4 x5 5( 5)
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, será el estimador óptimo.
15
Puede observarse que presenta el menor Error Cuadrático Medio:
2
ECM(ˆ 1 ) V (ˆ 1 ) b(ˆ 1 ) 5 2 4 25
2
x1 x 2 x3 x1 x 2
ˆ 1 ˆ 2
4 2
Solución:
La v.a X i 'peso en kg de los jamones ' sigue una distribución normal de varianza 4
x1 x 2 x3 1 3
E(ˆ 1 ) E E(x 1 ) E(x 2 ) E(x 3 )
4 4 4
3 1
El sesgo del estimador ̂ 1 será: b(ˆ 1 ) E(ˆ 1 )
4 4
x1 x 2 1 2
E(ˆ 2 ) E E(x 1 ) E(x 2 )
2 2 2
Para analizar la eficiencia relativa de los dos estimadores se calculan las respectivas
varianzas
x1 x 2 x3 1 1
ˆ
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 (ˆ 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(ˆ 1 )
4 4
16
ECM Varianza (sesgo) 2
ˆ
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 cuadrático medio) es ̂ 2 .
17
8.- La distribución del peso de las manzanas de una determinada cosecha sigue una
distribución normal, cuyo peso medio es desconocido y cuya desviación típica es 7
gramos. Se pide:
a) Analizar cuál de los estimadores ̂ 1 , ̂ 2 del peso medio es mejor respecto del sesgo
y de la eficiencia, para una muestra aleatoria simple de tamaño cinco.
5
X i
b) Si ˆ 1 y ˆ 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).
Solución:
E(x i )
5
1
5
5
E x
1 1
E(ˆ 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 (ˆ 1 ) V x i / 5 V xi i (5. 49)
i1 25 i1 25 i1
25 5
V (ˆ 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
Como los dos estimadores son insesgados y V (ˆ 1 ) V (ˆ 2 ) se elige como mejor el
estimador ̂ 1 , el peso medio de la muestra de las cinco manzanas.
18
9.- Supongamos que la distribución de ingresos de una cierta población es una variable
aleatoria con media desconocida y varianza 2 también desconocida. Si queremos
estimar el ingreso medio de la población mediante una m.a.s. de tamaño n, respecto de
la insesgadez y de la eficiencia. ¿Cuál de los dos estimadores elegiríamos?.
¿Son consistentes?
n n
x i x i
ˆ 1 i1
ˆ 2 i1
n 1 n
Solución:
La v.a x i 'ingresos de cierta población' sigue una distribución normal N(, )
n
n
n
1 1 1 n
E(ˆ 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 será: b(ˆ 1 ) E(ˆ 1 )
n 1 n 1
n
1 n
1 n
E(x ) n (n )
1
E(ˆ 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 (ˆ 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 (ˆ 2 ) V x i n 2 V xi V (x i ) (n 2
)
i1 n i1 n i1
n2 n
El estimador más eficiente será el de menor varianza. Comparando las varianzas de los
estimadores:
2 n2
V (ˆ 2 ) V (ˆ 1 ) puesto que (n 1) 2 n 2
n (n 1) 2
n 2
lim
n E(
ˆ 1 ) y lim V (
ˆ 1 ) lim 0
n n (n 1) 2
Los dos estimadores son consistentes:
lim E(ˆ ) y lim V (ˆ ) lim 0
2
n 2
n
2
n n
19
COMPRENSIÓN DE LA VEROSIMILITUD. CÁLCULO DE LOS
ESTIMADORES MÁXIMO VERSOSÍMILES. PROPIEDADES
10.- Una urna contiene bolas blancas y negras. Sea p la probabilidad de extraer una
bola blanca cuando se realiza una extracción al azar. Asociado a este experimento
aleatorio tenemos la variable aleatoria X que puede tomar los valores:
Solución:
P(B) p
Si la muestra (B, N, B) es independiente, siendo
P(N) 1 p
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)
Solución:
a)
x E(x)
En la distribución 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
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 ˆ i 1
x
ˆ n
i 1 ˆ
El estimador de máxima verosimilitud viene dado por la media muestral: EMV (ˆ ) x
Insesgadez
n
xi n
E (x )
1 n 1 1
E (ˆ ) E i 1 E ( x i ) i (n )
n n i 1 n n
i 1
n
xi n
1 1
V (ˆ ) V (x) V i 1
2 V (x i ) 2
(n )
n n i 1
n n
Consistencia
lim E (ˆ ) lim y lim V (ˆ ) 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 mínima.
La varianza mínima se analiza en virtud de la acotación de Cramér-Rao:
1
V (ˆ ) 2
acotación de Cramér-Rao
ln L (X, )
E
En el caso discreto de una m.a.s, la expresión anterior se puede simplificar:
1
V (ˆ ) 2
acotación de Cramér-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 (ˆ )
1 n
n
El menor valor de la varianza del estimador será
n
Se sabe que V (ˆ ) V (x) , lo que muestra que el estimador empleado es eficiente.
n
23
12.- En una gran piscifactoría hay una proporción desconocida de peces de una especie
A. Para obtener información sobre esta proporción, vamos a ir sacando peces al azar.
Solución:
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
24
13.- Las personas de un país se clasifican según dos características: color de los ojos
(claros u oscuros) y sexo (hombre o mujer). Las dos características son independientes.
Solución:
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 = "número de mujeres con ojos oscuros, entre 8" sigue una
distribución 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 = "número de mujeres con ojos oscuros, entre 200" , Y B (20, 0,24) , se
aproxima por la distribución 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 máximo verosímil del parámetro 'a' de las funciones:
Solución:
La función 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 aˆ n â
a a i 1 x x
xi i 1
La función 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 aˆ
a a x1 x 2 x
26
15.- Sea la distribución N(, ) , con la media y varianza desconocidas. Calcular los
estimadores máximo-verosímiles de y 2
Solución:
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 ˆ ) x i
i 1
0 ˆ i 1
x
ˆ 2 n
n n
ln L (X; , 2 ) n (xi ) 2 (x ) i
2
i 1
0 ˆ 2 i 1
2 ˆ 2 ˆ ˆ 3 n
n
(xi x)
2
2 ln L (X; ) n
La condición de máximo se verifica, pues: 2 0
2
ˆ
27
16.- En una distribución 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
Solución:
1
CCR 2
ln f(x, )
nE
( x ) 2
1
2 2
La función 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 tamaño n, determinar la matriz de
información de Fisher de una población con distribución N(, ) , respecto a los dos
parámetros y 2 .
Solución:
( x ) 2
1
22
La función de densidad poblacional: f(x, ) e
2 2
La función 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
Adviértase que por ser xi un elemento de una muestra aleatoria simple de una
población normal N(, ) , se tiene que E(xi ) 0 y E(xi )2 2
i x i
ˆ i1
n
Estúdiese la eficiencia del estimador.
Solución:
n
i xi
1
n
1
n
1
E(ˆ ) 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(ˆ ) b(ˆ ) sesgo b(ˆ ) E(ˆ )
2 2
n
i x i
1
n
1
n
1 2
V (ˆ ) 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 (ˆ )
6n
1 b(ˆ )
2
30
2 2
lnL(X, ) lnL(x, )
La información de Fisher de la muestra I( ) E nE se
( x ) 2
1
2 2
obtiene a partir de la función 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(ˆ )
2
4 (n 1)2 2 2 (n 1)(2n 1)
CCR V (ˆ )
lnL(x, )
2
n 4n 6n
nE 2
2 (n 1)(2n 1) (n 1)2 2
V (ˆ ) CCR
6n 4n
Solución:
ˆ E
x mp
Se determina si el estimador es insesgado: E(p) p
m m
31
Al coincidir la esperanza del estimador con el parámetro, el estimador es insesgado, por
lo que la cota de Cramér-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 parámetro 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 Cramér-Rao: CCR
lnL(x, )
2
m nm
nE n
p(1 p)
1 mp(1 p) p(1 p)
ˆ V 2 V (x) 2
x 1
V (p)
m m m n mn
32
CÁLCULO DE ESTIMADOR POR EL MÉTODO DE LOS MOMENTOS
1
20.- Sea una población definida por: P (X 1) , P (X 0) ,
2 2
1
P (X 1) , donde 0 1 , 0 1
2
Solución:
xi
1 E (X) ˆ 1 a 1 i 1
x
n
n
x i2
2 E (X ) ˆ 2 a 2
2 i 1
n
n
x ri
r E (X ) ˆ r a r
r i 1
n
Puesto que hay que estimar dos parámetros 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 ˆ 1 a 2 x
2x
2 2 a 2 2 ˆ 1 a 2 x
2 a2 a2 2a 2 2
2
33
Un estimador ̂ es insesgado (o centrado) cuando se verifica E (ˆ )
2
E (ˆ ) E (1 a 2 x) 1 E (a 2 ) E (x) 1 2 1 2
2
2
E (ˆ ) E (1 a 2 x) 1 E (a 2 ) E (x) 1 2 1 2
2
Solución:
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 ˆ n
i 1 i 1
ln(x )
i 1
i
c) Se plantea la ecuación 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) ˆ
1 x
Solución:
a) Se plantea la ecuación: E X x
integración por
partes
x E X
x f (x) dx
x e x dx 1 ˆ x 1
E ˆ 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
Solución:
La función de verosimilitud L ( )
θ x 2 θ x 2 2 θ x n
L (θ) f (x ) f (x ) f (x ) θ2 x e 1 θ x 2 e θ xn e
θ 1 θ 2 θ 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 ˆ n
i 1
x
i 1
i
24.- El coseno X del ángulo con el que se emiten los electrones en un proceso
radioactivo es una variable aleatoria con función de densidad
(1 x ) 2 1 x 1 , 1 1
f (x)
0 en el resto
Solución:
a) Se plantea la ecuación E X x
36
1
1
1 x x2 x3
x E X
1
x
2
dx
2
6 1 3
ˆ 3 x
V (X) 9
b) V (ˆ ) 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
ˆ 9 9 3 2 3 2
de donde, V () V (X)
n n 9 n
lim E (ˆ )
n
Para probar que ̂ es consistente para estimar es suficiente probar
nlim V (ˆ ) 0
lim E (ˆ ) lim E (3 x) lim 3E (x) 3E (X) 3
n n n 3
3 2
lim V (ˆ ) 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 tamaño n que sigue una distribución de
n
x 3 xn
xi
Poisson. Si ˆ 1
i1
n
, ˆ 2 1
4
son estimadores. Determinar el mejor
Solución:
x
e x 0, 1, 2, ...
P(X, ) x!
0 otro caso
37
La función 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 ˆ i 1
x
ˆ
n
i 1 ˆ
El estimador de máxima verosimilitud viene dado por la media muestral: EMV (ˆ ) x
35874562
ˆ 5
8
En consecuencia, en una muestra aleatoria de ocho intervalos de 10 minutos cada uno,
elegidos de forma independiente, la estimación máxima verosímil corresponde a que la
barrera se abre 5 veces.
n
xi 1 n
n
E(ˆ 1 ) E
i1
n n E(x )
i1
i
n
x 3 xn 1 3
E(ˆ 2 ) E 1 E(x1 ) 3E(x 2 )
4 4 4
n
xi 1 n
n
V(ˆ 1 ) V
i1
n n2 V (x ) n
i1
i 2
n
x 3 xn 1 9 10 5
V (ˆ 2 ) V 1 V(x1 ) 9 V(x 2 )
4 16 16 16 8
38
En conclusión, la efectividad de los estimadores depende del tamaño de la muestra:
26.- Sea (x1 , x 2 , , xn ) una muestra aleatoria de tamaño n, distribuida según f(x, )
con desconocido, donde X representa el tiempo máximo necesario para determinar un
proceso en segundos:
( 1) x 0 x 1; 1
f(X, )
0 otro caso
Estimar la probabilidad del tiempo máximo necesario para terminar un proceso, que
no exceda de 0,25 segundos ni supere los 0,75 segundos.
2 1
c) Determinar el estimador máximo verosímil de: (a) 1 (b)
1
Solución:
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
ˆ
ˆ 1
ln x 0
i 0
i
ˆ 1
ln x i
i 0
39
n
ˆ EMV() n
1
ln x
i 0
i
8
ˆ 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,
ˆ 0,75
0,75 0,75 x 1 0,75
La probabilidad del tiempo máximo necesario para terminar el proceso (entre 0,25 y 0,75
segundos) es 0,31
2 1
c) El estimador máximo verosímil de 1 y
1
2 1 2 EMV 1 2 ˆ 1 2 x 3,027 1
EMV 2,493
1 EMV 1 ˆ 1 3,027 1
40
Gestión Aeronáutica: Estadística Teórica
Facultad Ciencias Económicas y Empresariales
Departamento de Economía Aplicada
Profesor: Santiago de la Fuente Fernández
37