Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ayudantía nº7
1. 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 300 (α+1)
𝑓(𝑥) = { ( )
300 𝑥
𝑠𝑖 𝑥 > 300, α > 0}
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
1397 – 631 – 587 – 358 – 2859 – 363 – 16321 – 5908 – 3858 – 988 – 324.
SOLUCIÓN
Sea:
X = Ingreso de personas, en u.m.
𝛼 𝑛 𝑛 300 𝛼+1
𝐿(𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ; 𝛼) = ( ) ∏ ( )
300 𝑖=1 𝑥𝑖
Aplicamos ln ( )
𝛼 𝑛 𝑛 300 𝛼+1
𝑙𝑛 (𝐿(𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ; 𝛼)) = 𝑙𝑛 (( ) ∗∏ ( ) )
300 𝑖=1 𝑥𝑖
𝛼 𝑛 300 𝛼+1
= ln ( ) + ln (∏𝑛𝑖=1( ) )
300 𝑥𝑖
300
= 𝑛 ∗ ln 𝛼 − 𝑛 ∗ ln 300 + ∑𝑛𝑖=1 𝑙𝑛( 𝑥 )𝛼+1 )
𝑖
300
= 𝑛 ∗ ln 𝛼 − 𝑛 ∗ ln 300 + (𝛼 + 1) ∑𝑛𝑖=1 ln ( 𝑥 )
𝑖
Derivamos respecto a 𝛼
𝑑 𝑛 𝑛 𝑛
ln(𝐿(𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ; 𝛼)) = + ∑ ln(300) − ∑ ln(𝑥𝑖 )
𝑑𝛼 𝛼 𝑖=1 𝑖=1
Igualamos a 0
𝑛 𝑛 𝑛
0= + ∑ ln(300) − ∑ ln(𝑥𝑖 )
𝛼̂ 𝑖=1 𝑖=1
𝑛 𝑛
= ∑ ln(𝑥𝑖 ) − n ln(300)
𝛼̂ 𝑖=1
𝑛
𝛼̂ = = 𝐸𝑀𝑉(𝛼̂)
∑𝑛𝑖=1 ln(𝑥𝑖 ) − n ln(300)
n=11
11
∑ ln(𝑥𝑖 ) = ln(1397) + ln(631) + ln(587) + ⋯ + ln (324)
𝑖=1
11
∑ ln(𝑥𝑖 ) = 79.1162
𝑖=1
Entonces,
11
𝐸𝑀𝑉(𝛼̂) =
79.1162 − 11 ∗ ln(300)
𝐸𝑀𝑉(𝛼̂) = 0.6718
Interpretación: La EMV del ingreso de las personas que viven en la ciudad A, es igual a 0.6718 u.m.
Ayudante: Tamara Del Valle
𝜃∙𝜋 4−𝜋
𝐸(𝑥) = √ 2
𝐸(𝑥 2 ) = 2 ∙ 𝜃 𝑉(𝑥) = 𝜃 ∙ 2
2.1 Sea X1, X2, . . ., Xn una m.a. de X. Encuentre el estimador máximo verosímil para θ.
2.2 Analice el insesgamiento del estimador encontrado.
SOLUCIÓN
2.1
Sea:
X = Esfuerzo vibratorio en la paleta de una turbina de viento.
𝑛 𝑥 − 𝑛 𝑥2
𝐿(𝑥, 𝜃) = ∏ 𝑓(𝑥, 𝜃) = ∏ 𝑒 2𝜃
𝑖=1 𝑖=1 𝜃
𝑥1 − 𝑥1 2 𝑥2 − 𝑥2 2 𝑥3 − 𝑥3 2 𝑥𝑛 − 𝑥𝑛 2
𝐿(𝑥, 𝜃) = 𝑒 2𝜃 ∗ 𝑒 2𝜃 ∗ 𝑒 2𝜃 ∗… ∗ 𝑒 2𝜃
𝜃 𝜃 𝜃 𝜃
𝑥𝑖 𝑛 𝑥𝑖 2
− ∑𝑛
𝐿(𝑥, 𝜃) = ∏ ( ) ∗ 𝑒 𝑖=1 2𝜃
𝑖=1 𝜃
Aplicamos ln ( )
𝑛 𝑥𝑖 𝑥𝑖 2
∑𝑛
ln(𝐿(𝑥, 𝜃)) = ln ( ∏ ( ) ∗ 𝑒− 𝑖=1 2𝜃 )
𝑖=1 𝜃
𝑥𝑖 2
𝑥 ∑𝑛
= ln ( ∏𝑛𝑖=1( 𝜃𝑖)) + ln (𝑒 − 𝑖=1 2𝜃 )
𝑥 𝑥𝑖 2
= ∑𝑛𝑖=1 𝑙𝑛 𝜃𝑖 − ∑𝑛𝑖=1 2𝜃
𝑥𝑖 2
= ∑𝑛𝑖=1 𝑙𝑛 𝑥𝑖 − ∑𝑛𝑖=1 𝑙𝑛 𝜃 − ∑𝑛𝑖=1 2𝜃
Ayudante: Tamara Del Valle
𝑑 −𝑛 ∑𝑛𝑖=1 𝑥𝑖 2
ln(𝐿(𝑥, 𝜃)) = +
𝑑𝜃 𝜃 2𝜃 2
−𝑛 ∑𝑛𝑖=1 𝑥𝑖 2
0 = +
𝜃̂ 2𝜃̂ 2
𝑛 ∑𝑛𝑖=1 𝑥𝑖 2
=
𝜃̂ 2𝜃̂ 2
∑𝑛𝑖=1 𝑥𝑖 2
𝜃̂ =
2𝑛
∑𝑛𝑖=1 𝑥𝑖 2 𝑥̅ 2
𝐸𝑀𝑉(𝜃̂) = =
2𝑛 2
Ayudante: Tamara Del Valle
2.2
Sabemos que:
̅̅̅
𝑥2
𝐸(𝜃̂) = 𝐸 ( )
2
1
𝐸(𝜃̂) = 𝐸(𝑥̅ )2
2
∑(𝑥𝑖 − 𝑥̅ )2
𝑉(𝑥) =
𝑛
∑ 𝑥𝑖 2
𝑉(𝑥) = −(𝑥̅ )2
𝑛
Si reemplazamos
2
4𝜃 − 𝜃𝜋 ∑ 𝑥𝑖 2 𝜃∙𝜋
= − (√ )
2 𝑛 2
4𝜃 − 𝜃𝜋 ∑ 𝑥𝑖 2 𝜃 ∙ 𝜋
= −
2 𝑛 2
∑ 𝑥𝑖 2
= 2𝜃
𝑛
𝐸(𝑥̅ )2 = 2𝜃
1
⇒ 𝐸(𝜃̂) = 2𝜃
2
𝐸(𝜃̂) = 𝜃
3. Para una variable aleatoria “Y” se sabe que E(Y) = /3; y V(Y)) = /6. Se proponen los siguientes
estimadores para el parámetro desconocido, a partir de una muestra aleatoria de tamaño 4:
3
̂1 = (𝑌1 + 𝑌2 + 𝑌3 + 𝑌4 )
𝜃
4
3
̂2 = (𝑌1 + 𝑌2 + 𝑌3 − 𝑌4 )
𝜃
2
SOLUCIÓN
3.1
❖ Para 𝜃̂1 :
3
̂1 ) = 𝐸 ( (𝑌1 + 𝑌2 + 𝑌3 + 𝑌4 ))
𝐸 (𝜃
4
3
̂1 ) =
𝐸 (𝜃 𝐸((𝑌1 + 𝑌2 + 𝑌3 + 𝑌4 ))
4
3
̂1 ) =
𝐸 (𝜃 𝐸(4𝑌)
4
̂1 ) = 3 𝐸(𝑌)
𝐸 (𝜃
𝜃
̂1 ) = 3
𝐸 (𝜃
3
̂1 ) = 𝜃
𝐸 (𝜃
❖ Para 𝜃̂2 :
3
̂2 ) = 𝐸 (
𝐸 (𝜃 (𝑌 + 𝑌2 + 𝑌3 − 𝑌4 ))
2 1
3
̂2 ) =
𝐸 (𝜃 𝐸((𝑌1 + 𝑌2 + 𝑌3 − 𝑌4 ))
2
3
̂2 ) =
𝐸 (𝜃 𝐸(2𝑌)
2
̂2 ) = 3 𝐸(𝑌)
𝐸 (𝜃
𝜃
̂2 ) = 3
𝐸 (𝜃
3
̂2 ) = 𝜃
𝐸 (𝜃
Interpretación: Por lo tanto, se puede comprobar que ambos estimadores son insesgados.
Ayudante: Tamara Del Valle
3.2
❖ Para 𝜃̂1 :
3
̂1 ) = 𝑉 (
𝑉 (𝜃 (𝑌 + 𝑌2 + 𝑌3 + 𝑌4 ))
4 1
9
̂1 ) =
𝑉 (𝜃 𝑉((𝑌1 + 𝑌2 + 𝑌3 + 𝑌4 ))
16
9
̂1 ) =
𝑉 (𝜃 (𝑉(𝑌1 ) + 𝑉(𝑌2 ) + 𝑉(𝑌3 ) + 𝑉(𝑌4 ))
16
9
̂1 ) =
𝑉 (𝜃 ∗ 4𝑉(𝑌)
16
9 𝜃
̂1 ) =
𝑉 (𝜃 ∗
4 6
3
̂1 ) =
𝑉 (𝜃 𝜃
8
❖ Para 𝜃̂2 :
3
̂2 ) = 𝑉 (
𝑉 (𝜃 (𝑌 + 𝑌2 + 𝑌3 − 𝑌4 ))
2 1
9
̂2 ) =
𝑉 (𝜃 𝑉((𝑌1 + 𝑌2 + 𝑌3 − 𝑌4 ))
4
9
̂2 ) =
𝑉 (𝜃 𝑉(𝑉(𝑌1 ) + 𝑉(𝑌2 ) + 𝑉(𝑌3 ) + 𝑉(𝑌4 ))
4
9
̂2 ) =
𝑉 (𝜃 ∗ 4𝑉(𝑌)
4
𝜃
̂2 ) = 3 ∗ 4 ∗
𝑉 (𝜃
6
3
̂2 ) =
𝑉 (𝜃 𝜃
2
̂1 ) < 𝑉 (𝜃
Interpretación: Por lo tanto, 𝑉 (𝜃 ̂2 ), es posible afirmar que 𝜃
̂1 es mejor estimador que 𝜃
̂2
Ayudante: Tamara Del Valle
4.1 Se pide estimar con nivel de confianza del 98% la proporción de “Procesos cortos”.
4.2 ¿Cuál debería ser el tamaño de la muestra si la proporción estimada disminuye en un 10%
y utilizamos un 95% de confianza manteniendo el mismo error probable antes de la
modificación?
4.3 Estimar la varianza de dichos tiempos con un nivel de confianza 99%.
SOLUCIÓN
4.1
Sea:
X = duración de ciertos procesos productivos, en minutos.
Datos:
Nivel de confianza (1 − 𝛼) = 0.98 ⇒ Nivel de significancia (𝛼) = 0.02
Intervalo de confianza:
𝑝̂ ⋅ 𝑞̂
IC = 𝑃̂ ± 𝑧1−𝛼 √
2 𝑛
𝑝̂ ∶ 𝑝𝑟𝑜𝑐𝑒𝑠𝑜𝑠 𝑐𝑜𝑟𝑡𝑜𝑠
5 1
𝑝̂ = = ⇒ 𝑝̂ = 0.5 ^ 𝑞̂ = 0.5
10 2
n = 10
𝛼
1− =?
2
𝛼
= 0,01
2
P ∈ [0.1316 ; 0.8684]
P ∈ [13.16% ; 86.84%]
Interpretación: Con un 98% de confianza, es posible afirmar que la proporción de procesos cortos se
encuentra entre 0.1316 y 0.8684
Ayudante: Tamara Del Valle
4.2
1 − 𝛼 = 0.95 ⇒ 𝛼 = 0.05
𝑝̂⋅𝑞̂
Error = 𝑧1−𝛼 √ 𝑛
2
0.5 ⋅ 0.5
Error = 2.33√ = 0.3684
10
Ocupamos el error:
0.45 ⋅ 0.55
0.3684 = 𝑧 0.05 √
1−
2 𝑛
0.45 ⋅ 0.55
0.3684 = 𝑧0.975 √
𝑛
0.45 ⋅ 0.55
0.3684 = 1.96√
𝑛
0.45 ⋅ 0.55
0.1880 = √
𝑛
0.45 ⋅ 0.55
𝑛=
0.0353
𝑛 = 7.011
𝑛≈8
Interpretación: Con un nivel de confianza del 95%, es posible afirmar que el número de muestras
asociadas al error de estimación igual a 0.3684, es de 8 muestras.
Ayudante: Tamara Del Valle
4.3
Parámetro 𝜎 2
(𝑛 − 1) 𝑆 2 (𝑛 − 1) 𝑆 2
𝐼𝐶 = [ ; ]
𝑋2 𝛼 𝑋2 𝛼
(𝑛−1;1− ) (𝑛−1; )
2 2
1 − 𝛼 = 0.99 ⇒ 𝛼 = 0.01
S(x) = 2.3484
𝑋2 𝛼 = 23.589 𝑋2 𝛼 = 1.735
(𝑛−1;1− ) (𝑛−1; )
2 2
9 ∗ 2.34892 9 ∗ 2.34892
𝑃( < 𝜎2 < ) = 0.99
23.589 1.735
𝜎 2 ∈ [2.105 ; 28.620]
Interpretación: Con un nivel de confianza del 99%, es posible afirmar que la varianza poblacional de la
duración de ciertos procesos productivos fluctúa entre 2.105 y 28.620 min2
Ayudante: Tamara Del Valle
Suponiendo que la resistencia se distribuye normal, estime con 90% de confianza la resistencia
media a la compresión del concreto.
SOLUCIÓN
1 − 𝛼 = 0.90 ⇒ 𝛼 = 0.10
Parámetro: 𝜇
𝜎 2 desconocida
𝑆
𝐼𝐶 = (𝑥̅ ± 𝑡(𝑛−1;1−𝛼) )
2 √𝑛
𝑥̅ = 26.5917 𝑀𝑃𝑎
𝑆 = 7.8527𝑀𝑃𝑎
n = 12
7.8527
𝐼𝐶 = (26.5917 ± 𝑡(11;0.95) )
√12
7.8527
𝐼𝐶 = (26.5917 ± 1.7959 )
√12
Interpretación: Con un nivel de confianza del 90% se puede afirmar que la resistencia media de la
compresión del concreto fluctúa entre 22.5206 y 30.6628 MPa.