Problemas Estimacin Puntual

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

sea un estimador insesgado.

1.2 Determine los ai para que

sea insesgado y de varianza mnima.

Solucin:
1.1 Para que el estimador

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

'

1.1 D la esperanza y la varianza de xk.

Por definicin :

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 (
) (

1.3 D el estimador de mxima verosimilitud de

de .

+
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

1.4D la funcin de distribucin de

,
_

k
x
min
k

; primero necesito la distribucin de

k
x
k
; Sea
k
y
x
ky x
k
x
y
k
k
k k
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

Por lo tanto el estimador es consistente.

Problema 1 : Se tiene una muestra aleatoria simple
n
x x ..
1
de una variable aleatoria x tal que ) (x E
y
2
) ( x Var . Se consideran los estimadores de

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

sea insesgado y de varianza mnima.

3. El estimador

de la pretunta 2 es de mnima varianza entre los estimadores insesgados de la forma

+
m
j
j j
n
i
i i
Y b X a
1 1

. Verifique si es de mnima varianza entra todos los estimadores insesgados
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

Por otro lado:

m n
b a Var
i j
j i
+
+

12
3
) 3 ( ) (
2
2 2 2

es un estimador insesgado de mnima varianza para

.
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

Luego todos los j

b
son iguales y todos los
i
a son iguales a j
b 6
. Sea
b b
j

y b a
i
6 . Entonces


i
j i i
b a
n
a ) 2 1 (
2
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

para 1 > . Identificando E(X) con x se

obtiene el estimador
2
:

x
1
2
2
2

2 x
x