Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Guía de ejercicios
Docentes auxiliares:
Sergio Chouza
Romina Boero
θ̂1 = X1 + X2 + X3
1 1 1
θ̂2 = X1 + X2 + X3
2 4 4
1 1 1
θ̂3 = X1 + X2 + X3
3 3 3
1 1 1
θ̂4 = X1 + X2 + X3 .
4 4 4
a) ¿Cuáles son insesgados?
b) De los insesgados, ¿cuál es más eficiente?
c) ¿Alguno tiene menor ECM que los demás para todos los valores
de θ?
1
b) ¿Para qué valores de λ es mejor cada uno de ellos (según el criterio
del ECM )?
c) Inadmisibilidad. Se dice que θ̂ es inadmisible (según el criterio
del ECM ) si existe θ̂0 tal que ECMθ (θ̂0 ) ≤ ECMθ (θ̂), ∀θ y la de-
sigualdad es estricta al menos para un valor de θ. ¿Puede afirmarse
que alguno de los estimadores de λ planteados es inadmisible?
α̂ = c0 + c1 X1 + c2 X2 + ... + cn Xn .
1
Un tal estimador se suele denominar ELIO (Estimador Lineal Insesgado Óptimo).
Otras siglas comunes son MELI (Mejor Estimador Lineal Insegado) y, en inglés, BLUE
(Best Linear Unbiassed Estimate).
2
Pn 2 Pn 2 2
Recordar que i=1 Xi − X̄ = i=1 (Xi − µ) − n X̄ − µ
2
~ = (X1 , ..., Xn ) una muestra aleatoria de una familia
5. Suficiencia. Sea X
parametrizada por θ y T = t(X1 , ..., Xn ) un estadístico de dicha mues-
tra. Se dice que T es un estadístico suficiente para θ si la distribución
~ = t no depende de θ.3
de X|T
En general, la suficiencia de T se prueba más simplemente mediante el
6. Para los casos (a), (b) y ∗(c) del punto anterior, analizar qué distribu-
ción tiene T y calcular la cantidad de información de Fisher de X ~ y de
T para el parámetro en cuestión. ¿Qué se observa?
T
(Ayuda: en (c), es claro que σ2
∼ χ2n = Γ( n2 , 12 ). Deducir la distribución
de T = σ 2 · σT2 .)
3
b) Calcular el ECM de cada uno de los estimadores propuestos. En
particular, probar que ECM (S 2 ) < ECM (Sn−1
2
) cualquiera sea
n.
c) Calcular la cota de Cramer-Rao para σ 2 y probar que
n n
!2
1 X 2 1 X
λ̂2 = Xi − Xi .
n − 1 i=1 n(n − 1) i=1
x pX (x)
0 α
1 α
2 1 − 2α
1
donde 0 ≤ α ≤ 2
es un parámetro desconocido.
4
a) Si una muestra aleatoria de tamaño n = 3 arroja los valores x1 =
2, x2 = 1, x3 = 1, escribir la función de verosimilitud L(α) y
estimar α por el criterio de máxima verosimilitud.
b) Repetir el procedimiento para una muestra aleatoria de tamaño
n = 4 que arroja los valores x1 = 0, x2 = x3 = x4 = 1.
a) P(λ);
b) Be(p);
c) G(p);
d ) N (µ, σ 2 ), considerando los casos
1) µ y σ 2 son desconocidos,
2) µ es desconocido y σ 2 es conocido,
3) µ es conocido y σ 2 es desconocido;
e) E(λ);
f ) U(0, θ);
g) Γ(α, λ) y Γ(α, β), suponiendo α conocido. ¿Qué sucede cuando α
es desconocido?
a) P(λ);
5
b) Be(p);
c) G(p);
d ) N (µ, σ 2 ), considerando los casos
1) µ y σ 2 son desconocidos,
2) µ es desconocido y σ 2 es conocido,
3) µ es conocido y σ 2 es desconocido;
e) E(λ);
f ) Γ(α, β), considerando los casos
1) α y β son desconocidos,
2) α es desconocido y β es conocido,
3) α es conocido y β es desconocido;
g) χ2n ;
h) B(α, β);
i ) U(0, θ).
15. *En base a una muestra aleatoria de tamaño n, hallar estimadores por
el método de los momentos y por el de máxima verosimilitud para el
parámetro γ de la distribución dada por
(
0 si t < γ
FX (t) =
1 − eγ−t si t ≥ γ.
4 d d
Para este último caso se definen las funciones ψ0 (α) = dα ln(Γ(α)) y ψ1 (α) = dα ψ0 (α),
denominadas funciones digamma y trigamma, respectivamente. Para este ejercicio, el único
dato relevante es que tales funciones existen y que ψ1 (α) > α1 , ∀α > 0.
6
16. Hallar el estimador de máxima verosimilitud del parámetro α > 0 en
base a una muestra X1 , X2 , ..., Xn de una distribución
t
FX (t) = 1 − e−αe .