Beruflich Dokumente
Kultur Dokumente
P1: Sea y
1
,....,y
n
una m.a.s. D el estimador de mxima verosimilitud para cuando:
a) f y ( )
'
1
0
;
0 0 y
b)
f y
e
y
( )
( )
'
0
;
y
Solucin
a)
fn y yi i
n
( , ) ;
1
Esta funcin no se puede derivar c/r a pues est en el dominio. Luego fn es mximo
cuando es lo ms chico posible, por lo tanto el E.M.V. de es:
{ }
,..., max y y
n 1
pues de otra manera se rompera el hecho que
[ ]
y i
i
0,
b) Ln y e e
y y n
i i
( / )
( )
+
Ln y e
n y
i
( / )
y
i i
;
No se puede derivar pues est en el dominio. Luego Ln es mximo cuando
es lo ms grande posible, por lo que el E.M.V. de es:
{ }
,..., min y y
n 1
pues de otra manera se rompera el hecho que
y
i i
;
Problema 1 Se tiene una muestra aleatoria simple x1 ... xn de una variable aleatoria X tal que (X) = y
Var(X) =
2
. Se consideran los estimadores de de la forma
n
i
i i
x a
1
.
1.1 Determine una condicin sobre los ai para que
de sea insesgado ) ( .
n
i
i i
x a
1
,
_
n
i
i
n
i
n
i
i i i i
n
i
i i
a x a x a x a
1 1 1 1
) ( ) ( ) (
n
i
i
a
1
1
1
n
i
i
a
1.2 Se debe minimizar la varianza de
sujeto a
n
i
i
a
1
1
Calculemos primero la varianza de
) var( ) var(
1
n
i
i i
x a
n
i
n
i
n
i
i i i i i
a x a x a
1 1 1
2 2 2
) var( ) var(
,
_
n
i
n
i
i i
a a Q
1 1
2
1
derivando e igualando a cero para minimizar
0 2
2
i
i
a
a
Q
i
a
2
2
Con
n
i
i
n
a
1
2
2
1
; luego
n
a
i
1
X x
n
n
i
i
1
1
Problema 2
Sean n variables aleatorias independientes x1, x2, ...,xn de funcin de densidad distintas.
La funcin de densidad de xk es
~ 0
) ; (
k x e
x f
x k
k
'
dx xe e dx xe x f x x E
x k x k
k k k
) ; ( ) (
Para resolver la integral utilizamos el mtodo de resolucin por partes
vdu uv udv
; En nuestro caso sean :
dx du x u
e v e dv
x x
[ ] ) 1 (
k e e xe dx e xe xe
k
k
x x
k
x x
k
x
+ +
volviendo a la integral de la esperanza: E(xk) = 1+ k
Clculo de la varianza
k
x k x k
k
k
dx e x e dx e x x E
2 2 2
) ( ) ( ; nuevamente por partes se obtiene
2 2
) ( 2 2 ) ( k k x E
k
+ + ; con lo que la varianza [ ]
2 2
) ( ) ( ) ( x E x E x Var =1
1.2 D la funcin de densidad conjunta de (x1, x2, ...,xn) ( Observar que las xk tienen funcin de densidad
distintas y no olvide precisar el dominio).
n
1 k
n 2 1
) ; ( ) ; x ..., , x , x (
k
x k
k k n
e x f f
; para x k k:1..n
Recordemos que
2
) 1 (
1
+
n n
k
n
k
, con lo que
+
k
x
n n
n
e x f
2
) 1 (
) (
+
k
x
n n
n
e x f
2
) 1 (
) (
Ln /
k n
x
n n
x g
2
) 1 (
) (
; derivando se obtiene
0
2
) 1 (
n n g
n
no llegamos a nada
por lo que debemos analizar el dominio de la funcin de verosimilitud.
Si k x x k x
min
;
todos los x muestrales son mayores iguales al mnimo de la muestra . Tomamos entonces
k
x
min
,
_
k
x
min
k
,
_
k
x
min
k
;
) ( 1
) ( ) (
y k
k
k
k k
ke
x
y
x f y g
) ( ) (
1 ) ( ) (
a k
a
a k
k k
e ke a y P a G
si a 0
Con esta distribucin encontramos la distribucin del mnimo.
) ( 1 ) ( y miny P y miny P
k k
si el mnimo de los y y
k
; s que todos los y miny y
k k
) (
2
) 1 (
1
) ( ) (
y
n n
n
k
k k
e y y P y miny P
+
2
) )( 1 (
1 ) ( ) (
y n n
k
e y miny P y H
+
y
Luego, la funcin de densidad de y es:
2
) )( 1 (
2
) 1 ( ) (
) (
y n n
e
n n
y
y H
y h
+
+
si y
1.5 D el estimador
*
tal que
k
k
k
k
x x E ) (
.
Calculando su esperanza y su varianza, deduzca que
*
es un estimador consistente
+
+ + +
n
k
n
k
n
k
k
k
n n
n k k x E
1 1 1
2
) 1 (
1 ) 1 ( ) (
) 1 (
) 1 ( 2
2
) 1 (
*
1
+
+
+
n n
x
x
n n
n
k
n
k
k
0
) 1 (
4
) var(
) 1 (
4
) (
2
) 1 (
) 1 (
2
) (
2 2 2
*
*
+
+
+
n k
n n
x
n n
n
Var
n n
n n
E
de la forma
n
i
i i
x a
1
.
1.1 Determine una condicin sobre los
i
a para que
sea un estimador insesgado.
n
i
i i
x a
1
n
i
i i
x a E E
1
) ( ) (
) (
i i
x a E
) (
i i
x E a
i
a
1
i
a
1.2 Determine los
i
a para que
sea un estimador insesgado y de varianza mnima.
Se debe:
min ) var(
s.a
1
i
a
La ) var( =
) var(
i i
x a =
) var(
2
i i
x a =
2 2
i
a =
2 2
i
a
Aplicando Lagrangeano
L=
2 2
i
a -(
1
i
a )
0 2
2
i
i
a
a
L
i
a
2
2 (*)
con
1
i
a
i
a
2
2
2
2 n
n
2
2
reemplazando en (*)
i
a
n
2
2
2
2
n
a
i
1
Luego
=
X
n
x
i
1.3 Encuentre el estimador
n
i
i i
x a
1
~
.que minimiza [ ]
2
)
~
( E . Compare los sesgos y las varianzas
de los estimadores
y
~
.
[ ] [ ]
[ ] [ ]
2 2
2 2
)
~
( )
~
var( )
~
(
)
~
( )
~
( )
~
var(
+
E E
E E
)
~
var( =
2 2
i
a
y )
~
( )
~
( E E =
) (
i
a = ( )
1
i
a
[ ]
2
)
~
( E =
2 2
i
a + ( )
2
2
1
i
a Para minimizar derivamos
[ ]
0 ) 1 ( 2 2
) (
2 2
2
+
i i
i
a a
a
E
2
2
) 1 (
i
i
a
a
/
La
cte a
i
2
2
) 1 (
i
i
a n
a
despejando
i
a
2 2
2
n
n
a
i
+
Como los
i
a son todos iguales
2 2
2
n
a
i
+
i
x
n
2 2
2
~
2 2
3
)
~
(
n
n
E es sesgado
2
2 2 2
4
) (
)
~
var(
n
n
+
recordando que la
n
2
) var(
)
~
var( ) var( 1
) (
)
~
var(
) var(
4 2
2 2 2
n
n
Problema 2 : Sea una variable aleatoria x de funcin de densidad
1
) (
1
) (
r
a
x
r
x e
r a
x f si 0 > x
donde a>0 es desconocido, r>0 es dado y
0
1
) ( dx e x r
x r
, ) ( ) 1 ( r r r + . La funcin
generatriz de momentos de x es igual a
r
tx
ta
t e E
,
_
1
1
) ( ) ( , para ta<1.
2.1 Se extrae al azar una muestra de tamao m. D el estimador de mxima verosimilitud
m
a de a .
) (x f
n
=
1
)) ( (
1
r
i
a
x
m mr
x e
r a
i
/ln
) (x g
n
=
+ ) ln( ) 1 ( ) ( ln ) ln(
i
i
x r
a
x
r m a rm
0
) (
2
+
a
x
a
rm
a
x g
i
n
mr
x
a
i
m
r
X
m
2.2 Se extrae al azar una segunda muestra de tamao n, lo que permite tener una muestra total de tamao
m+n. Utilizando los resultados precedentes, dar el nuevo estimador de mxima verosimilitud
n m
a
+
de a .
D la esperanza de
n m
a
+
. (puede usar la funcin (t)).
r n m
x
a
n m
i
i
n m
) (
1
+
+
r
x E
r n m
x E n m
a E
i i
n m
) (
) (
) ( ) (
) (
+
+
+
0
) (
) (
t
x
i
t
t M
x E = 0
1
) 1 (
+
t
r
ta
ra
= ra
) (
n m
a E
+
= a insesgado
2.3 Se considera otro estimador
0
a obtenido como promedio del estimador
m
a y el estimador de mxima
verosimilitud
n
a de a para la segunda muestra:
2
0
n m
a a
a
+
. Calcule la esperanza y la varianza de
0
a .
) (
0
a E )) ( ) ( (
2
1
n m
a E a E +
pero
a a E a E
n m
) ( ) (
del caso anterior
) (
0
a E a a a + ) (
2
1
(insesgado)
) (
0
a Var )) var( ) (var(
4
1
n m
a a +
2 2 2 2
) var(
) (
) var(
) (
) var(
) var(
) (
1
) (
mr
x
mr
x m
mr
x
x
mr
a Var
i i
i
i m
2 2
) ( ) ( ) var(
i i i
x E x E x
0
2
2
2
) (
) (
t
x
t
t M
x E
2 2
0
2
2
) (
) 1 (
) 1 (
ra ra
ta
r ra
t
r
+
+
2
) var( ra x
i
mr
a
a
m
2
) var(
rmn
a n m
nr
a
mr
a
a
4
) (
) (
4
1
) var(
2 2 2
0
+
+
Una fbrica trabaja con dos mquinas, una de tipo A y la otra de tipo B. El costo semanal X de reparacin
para las mquinas de tipo A sigue una distribucin normal ) , 2 (
2
N . El costo semanal Y de reparacin
para las mquinas de tipo B sigue una distribucin normal ) 3 , (
2
N . El costo semanal esperado para la
fbrica es
3
.
1. Se tienen dos muestras independientes: una muestra aleatoria simple
n
X X X ,..., ,
2 1
de costos para
las mquinas de tipo A y una muestra aleatoria simple
m
Y Y Y ,..., ,
2 1
de costos para las mquinas de
tipo B y se consideran los estimadores de
de la forma
+
m
j
j j
n
i
i i
Y b X a
1 1
. Determine una
condicin sobre los ai y bj para que el estimador
de
sea insesgado.
2. Determine los ai y bj para que el estimador
de
.
4. Determine los ai y bj para que el estimador
+
m
j
j j
n
i
i i
Y b X a
1 1
*
minimiza } ) {(
2 *
E .
5. Cul de
o
*
tiene la varianza ms pequea?
Repuesta
1.
+ +
) 2 ( ) ( ) ( ) (
1 1 1 1
m
j
j
n
i
i
m
j
j j
n
i
i i
b a Y E b X E a E
+
m
j
j
n
i
i
b a
1 1
1 2
2.
) 3 ( ) ( ) ( ) (
1
2
1
2 2
1
2
1
2
+ +
m
j
j
n
i
i
m
j
j j
n
i
i i
b a Y Var b X Var a V
. Hay que minimizar
) ( Var sujeto a
+
m
j
j
n
i
i
b a
1 1
1 2
( ) ( Var Q ) 1 2
1 1
+
m
j
j
n
i
i
b a
j i
j j j
j
i i i
i
b a
b b b
b
Q
a a a
a
Q
6
iguales) todos (
6
0 6 0
iguales) todos ( 0 2 2 0
2
2
2
2
De
+
m
j
j
n
i
i
b a
1 1
1 2
se deduce que
m n
b
m n
a
j i
+
12
1
,
12
6
y
+
,
_
j
j
i
i
Y X
m n
) 6 (
12
1
3. Calculemos la cota inferior de la desigualdad de Cramer-Rao. La funcin de verosimilitud de las (n+m)
valores muestrales es:
,
_
,
_
j
j
m
i
i
n
Y X L ) ) (
6
1
exp(
6
1
) ) 2 (
2
1
exp(
2
1
2
2
2
2
2
2
,
_
,
_
j
j
i
i
Y X
m n
L } ) (
6
1
) ) 2 (
2
1
{
1
) 6 log(
2
) 2 log(
2
) log(
2 2
2
2 2
j
j
i
i
Y X
L
)} (
3
1
) ) 2 ( 2 {
1 ) log(
2
}
3
12
{
1
}
3
4 {
1 ) log(
2 2 2
2
m n m
n
L +
+
m n
Var
+
12
3
) (
2
.
4. Se tiene
+
m
j
j j
n
i
i i
Y b X a
1 1
*
y
2 * * 2 *
))} ( { ) ( } ) {( + E Var E .
+
i j
j i
b a Var ) 3 ( ) (
2 2 2 *
y
+
i j
j i
b a E ) 1 2 ( ) (
*
} ) {(
2 *
E
+ +
i j
j i
b a ) 3 (
2 2 2
+
i j
j i
b a
2 2
) 1 2 (
Minimizando:
+ +
j
j
i
i i
i
b a a
a
E
0 ) 1 2 ( 4 2
} ) {(
2 2
2 *
j
j
i
i i
b a a ) 2 1 (
2
2
2
+ +
j
j
i
i j
j
b a b
b
E
0 ) 1 2 ( 2 6
} ) {(
2 2
2 *
j
j
i
i j
b a b ) 2 1 (
3
2
2
o sea ) 12 1 (
2
6
2
2
mb nb
n
nb
Finalmente:
2 2
2
) 12 ( 3
m n
b
+ +
y
+ +
j i
m
j
j j
n
i
i i
Y b X b Y b X a 6
1 1
*
+ ) 6 (
*
j i
Y X b
2 2
2
) 12 ( 3
m n + +
+ ) 6 (
j i
Y X
5. Se deduce la varianza de
*
:
) (
*
Var
2
2 2
2
) 12 ( 3
,
_
+ +
m n
2 2 2
2
*
) ) 12 ( 3 )( 12 (
) var( ) var(
m n m n
A
+ + +
con
4 2 4 4 2 2 2 2 2 4
2 48 288 18 216 27 m nm n m n A + + + + +
Luego la diferencia es positiva y
*
tiene menor varianza que
.
Problema :
Sea una muestra aleatoria {x1, x2,,xn}de funcin de densidad:
'
<
+
si
si
2 x 0
2 x
x
2
) ; x ( f
1
con 0 >
1.1 Encuentre el estimador
1
de mxima verosimilitud de .
Resp:
La funcin de densidad 2 x
x
2
) ; x ( f
1
+
si
y la funcin de verosimilitud:
2 x
x
2
) ; x ,..., x ( L
i
i
1
i
n n
n 1
+
si
+ +
i
i
) x log( ) 1 ( ) 2 log( n ) log( n ) L log(
) 2 / x log(
n
0 ) x log( ) 2 log( n
n ) L log(
i
i
i
i
+
i
i
1
) 2 / x log(
n
1.2 Encuentre el estimador
2
de los momentos de .
La esperanza de X es:
1
2
dx
x
2
) X ( E
2
x
1
2
2
2
2 x
x