Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ayudantia 4
Profesor: Pablo Pincheira
Ayudante: Ean Paredes
1 Ejercicios
1. Se define la variable aleatoria X estrictamente positiva, la cual posee una función de distribución
de probabilidad (densidad) igual a:
x x
f (x | θ) = 2 exp − ,
θ θ
R∞
es decir, se cumple que 0 f (x | θ)dx = 1, donde θ es un parámetro poblacional constante y estricta-
mente positivo.
De esta forma queda demostrada la ecuación (1), la cual al ser derivada por primera vez, se tiene:
Z ∞ x d
x · exp − dx = θ2 /
θ dθ
Z ∞0 x x
x · exp − dx = 2θ
0 θ θ2
Z ∞
x · f (x | θ)dx = 2θ
0
E(X) = 2θ
1
Para el caso de la varianza se tiene que:
∞
x2
Z x d
2
· exp − dx = 2θ /
0 θ θ dθ
Z ∞
2x2 x x2 x x
− 3 · exp − + 2 · exp − dx = 2
0 θ θ θ θ θ2
2 ∞
Z Z ∞
1
− x · f (x | θ)dx + 2 x2 · f (x | θ)dx = 2
θ 0 θ 0
2 1
− E(X) + 2 E X 2 = 2
θ θ
E X 2 = 6θ2
n
(b) Suponga que posee una muestra aleatoria ({Xi }i=1 ) de tamaño n, donde la población de donde
se extrajo la muestra es la misma descrita en la Parte i. Si ℓ(θ) = ln (f (x1 , x2 , . . . , xn | θ)) y S(θ) =
dℓ(θ)/dθ, se le pide que demuestre que para esta muestra en particular se cumple la siguiente igualdad:
dS(θ)
= E S 2 (θ)
E −
dθ
Es decir,
n n
X X xi
ℓ(θ) = ln (f (x1 , x2 , . . . , xn | θ)) = −2n ln(θ) + ln (xi ) −
i=1 i=1
θ
n
dℓ(θ) 2n 1 X 2n n n
S(θ) = =− + 2 xi = − + 2 x̄n = 2 (x̄n − 2θ)
dθ θ θ i=1 θ θ θ
dS(θ) d2 ℓ(θ) 2n 2n 2n
= = 2 − 3 x̄n = − 3 (x̄n − θ)
dθ dθ2 θ θ θ
2 2
n 2 n 2
S 2 (θ) = 4 (x̄n − 2θ) = 4 (x̄n ) − 4θ · x̄n − 4θ2
θ θ
Teniendo presente que la media muestral de una muestra Independiente e Idénticamente Distribuida
(IID) cumple con E (x̄n ) = E(X) = 2θ y V (x̄n ) = V (X)/n = 2θ2 /n, calculamos los valores esperados
solicitados.
dS(θ) 2n 2n 2n 2n
E − =E (x̄ n − θ) = 3 (E (x̄n ) − θ) = 3 (2θ − θ) = 2
dθ θ3 θ θ θ
n2
2
2 2
E S (θ) = E (x̄ n ) − 4θ · x̄ n + 4θ
θ4
2
n 2
= 4 E (x̄n ) − 4θE (x̄n ) + 4θ2
θ
n2
= 4 V (x̄n ) + E 2 (x̄n ) − 8θ2 + 4θ2
θ
n2 2θ2
= 4 + 4θ2 − 8θ2 + 4θ2
θ n
2n
= 2
θ
Por lo tanto, se demuestra la ecuación (2).
2
(c) ¿Cual es el estimador de máxima verosimilitud para θ?
Respuesta:
(a) Muestre que, para valores dados de β0 , β1 y xi , Yi es una variable aleatoria normal con me-
dia β0 + β1 xi y varianza σ 2 . Además, muestre que los Yi son variables aleatorias independientes.
(c) Demuestre que las estimaciones de máxima verosimilitud de β0 y β1 son iguales a las obtenidas
mediante el método de mı́nimos cuadrados.
Solución:
(a) Dado valores de β0 , β1 y xi , c = β0 +β1 xi es una constante. Por lo tanto, Yi = c+ϵi es una variable
aleatoria normal con media c y varianza σ 2 . Además, dado que las ϵi son independientes, concluimos
que los Yi también son variables aleatorias independientes.
(c) Para encontrar las estimaciones de máxima verosimilitud (MLE) de β0 y β1 , necesitamos en-
contrar β̂0 y β̂1 de modo que la función de verosimilitud
( n
)
1 1 X 2
L(y1 , y2 , . . . , yn ; β0 , β1 ) = exp − 2 (y − β0 − β1 xi )
(2πσ 2 )n/2 2σ i=1
La expresión anterior es la suma de los errores cuadráticos. Por lo tanto, la estimación de máxima
verosimilitud para este modelo es la misma que el método de mı́nimos cuadrados.
3
Encuentre los estimadores de máxima verosimilitud para θ1 y θ2 . Solución
La función de verosimilitud se da por
n
!
1 1 X
L(x1 , x2 , · · · , xn ; θ1 , θ2 ) = n exp − (xi − θ1 )2 .
n
(2π) 2 θ22 2θ2 i=1
Resolviendo las ecuaciones anteriores, obtenemos los siguientes estimadores de máxima verosimilitud
para θ1 y θ2 :
n n
1X 1X
θ̂1 = xi , θ̂2 = (xi − θ̂1 )2 .
n i=1 n i=1