Ayudante: Tamara Del Valle

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

En una muestra aleatoria de los ingresos, en u.m., se obtuvo:

1397 – 631 – 587 – 358 – 2859 – 363 – 16321 – 5908 – 3858 – 988 – 324.

Determine la estimación máxima verosímil del parámetro α.

SOLUCIÓN

Sea:
X = Ingreso de personas, en u.m.

Debemos obtener el EMV 𝛼…

𝑛
𝐿(𝑥, 𝛼) = ∏ 𝑓(𝑥, 𝛼)
𝑖=1

𝛼 300 𝛼+1 𝛼 300 𝛼+1 𝛼 300 𝛼+1 𝛼 300 𝛼+1

𝐿(𝑥, 𝛼) = ( ) ∗ ( ) ∗ ( ) ∗… ∗ ( )
300 𝑥1 300 𝑥2 300 𝑥3 300 𝑥𝑛

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

= 𝑛 ∗ ln 𝛼 − 𝑛 ∗ ln 300 + (𝛼 + 1)(∑𝑛𝑖=1 ln(300) − ∑𝑛𝑖=1 ln(𝑥𝑖 ))

= 𝑛 ∗ ln 𝛼 − 𝑛 ∗ ln 300 + (𝛼 + 1) ∑𝑛𝑖=1 ln(300) − (𝛼 + 1) ∑𝑛𝑖=1 ln(𝑥𝑖 )

Ayudante: Tamara Del Valle

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)

Reemplazamos los ingresos de la muestra para calcular el dato de la sumatoria…

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

2. 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) = { 𝑒 2𝜃 𝑥 > 𝜃 , θ > 0}
𝜃
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

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

Derivamos respecto a 𝜃 e igualamos a 0…

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:

Estimador insesgado ⇒ 𝐸(𝜃̂) = 𝜃̂

̅̅̅
𝑥2
𝐸(𝜃̂) = 𝐸 ( )
2

1
𝐸(𝜃̂) = 𝐸(𝑥̅ )2
2

Para una población…

∑(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

Entonces, reemplazamos en lo planteado al comienzo

1
⇒ 𝐸(𝜃̂) = 2𝜃
2

𝐸(𝜃̂) = 𝜃

Interpretación: Por lo tanto, se puede comprobar que el estimador es insesgado.

Ayudante: Tamara Del Valle

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

3.1 Cuál de los estimadores es insesgado.

3.2 Cuál estimador presenta menor varianza.

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. Se está estudiando la duración de ciertos procesos productivos y se toma una muestra

aleatoria, de tamaño 10. Se define proceso corto “Proceso corto” cuando su duración es
menor que 5 minutos, los datos obtenidos, en minutos fueron:

3 5 8 6 10 5.5 4 4.2 4.5 2

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

𝑧1−0,01 = 𝑧𝑜,99 = 2.33

0.5 ⋅ 0.5 0.5 ⋅ 0.5

P ( 0.5 − 2.33√ < 𝑝 < 0.5 + 2.33√ ) = 0.98
10 10

P (0.1316 < 𝑝 < 0.8684) = 0.98

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

𝑃̂2 : 𝑃𝑟𝑜𝑝𝑜𝑟𝑐𝑖ó𝑛 𝑑𝑖𝑠𝑚𝑖𝑛𝑢𝑦𝑒 𝑒𝑛 𝑢𝑛 10%

𝑃̂2 = 0.5 − 0.05 ⇒ 𝑃̂2 = 0.45 ⇒ 𝑞̂2 = 0.55

1 − 𝛼 = 0.95 ⇒ 𝛼 = 0.05

𝑝̂⋅𝑞̂
Error = 𝑧1−𝛼 √ 𝑛
2

Primero calculamos el error antes de la modificación…

0.5 ⋅ 0.5
Error = 2.33√ = 0.3684
10

*Nos piden el tamaño de la muestra*

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 = 𝑋 2(9 ; 0.995) 𝑋2 𝛼 = 𝑋 2(9 ; 0.005)

(𝑛−1;1− ) (𝑛−1; )
2 2

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

𝑃(2.105 < 𝜎 2 < 28.620 ) = 0.99

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

5. Un ingeniero investiga la resistencia a la compresión del concreto, cuando se mezcla con

ceniza muy fina. Se midió la resistencia a la compresión en MPa, en doce mezclas de concreto,
en condiciones secas, obteniéndose:

40.2| 30.4| 28.9| 30.5| 22.4|25.8|18.4|14.2|15.3|35.6| 27.8|29.6

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

𝐼𝐶 = [22.5206 ; 30.6628][𝑀𝑃𝑎] = 90% 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎

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.