Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
FacultadCienciasEconmicasyEmpresariales
DepartamentodeEconomaAplicada
Profesor:SantiagodelaFuenteFernndez
ESTIMADORES
GestinAeronutica:EstadsticaTerica
FacultadCienciasEconmicasyEmpresariales
DepartamentodeEconomaAplicada
Profesor:SantiagodelaFuenteFernndez
ESTIMADORES
Un estimador es un estadstico (una funcin de la muestra) utilizado para estimar un
parmetro desconocido de la poblacin.
Por ejemplo, si se desea conocer el precio medio poblacional de un artculo (parmetro
desconocido) se recogen observaciones del precio de dicho artculo en diversos
establecimientos (muestra) pudiendo utilizarse la media aritmtica de las observaciones
para estimar el precio medio poblacional.
Para cada parmetro pueden existir varios estimadores diferentes. En general, se elige
el estimador que posea mejores propiedades que los restantes, como insesgadez,
eficiencia, convergencia y robustez (consistencia).
El valor de un estimador proporciona una estimacin puntual del valor del parmetro en
estudio. En general, se realiza la estimacin mediante un intervalo, es decir, se obtiene
un intervalo parmetro muestral error muestral dentro del cual se espera se
encuentre el valor poblacional dentro de un cierto nivel de confianza. El nivel de
confianza es la probabilidad de que a priori el valor poblacional se encuentre contenido
en el intervalo.
1
E x E
n
i 1
1
xi E
n
i 1
1
xi
n
E x n E x E x E x n n
1
i 1
(x x)
La varianza muestral 2x
i 1
(x x) (x x )
2
2
x
i 1
i 1
(x ) (x )
i 1
Desarrollando el cuadrado:
1
n
2
x
(x )
i 1
1
n
(x )2 2(xi )(x )
i 1
i 1
i 1
i 1
(x )
i
i 1
(x )
n
n(x )2 2 (x ) (n x n )
(xi )2 n x 2 n 2 2n x 2n x 2 2n x 2n x 2n 2
(xi )2 n(x )2
i 1
1
(xi ) n(x )
E (xi )2 E (x )2
n i 1
varianza poblacional
muestral
Por tanto, E 2x 2
n
n
(x x)
s2x
i 1
n 1
s2x
n
2x
n 1
E s2x E
2x
. E 2x
.
. 2
n 1 n
n 1 n 1
Un estimador es insesgado (centrado) cuando E ( )
Un estimador es sesgado cuando E ( ) b
( ) b ( ) E ( )
sesgo
1
Sea el estimador
n 1
1
E ( ) E
n 1
i 1
b( ) E( )
i 1
1
xi
E
n 1
i 1
1
xi
n 1
n
n n
n 1
n 1
E (x )
i
i 1
n 1
1
n
(n )
n 1
n 1
insesgado
asintticamente
ECM() E ( ) V () E ( )
sesgo
siendo el sesgo b ( ) E ( )
ECM( ) V ( )
CONSISTENCIA
Si no es posible emplear estimadores de mnima varianza, el requisito mnimo deseable
para un estimador es que a medida que el tamao de la muestra crece, el valor del
estimador tienda a ser el valor del parmetro poblacional, propiedad que se denomina
consistencia.
Un estimador consistente es un estimador asintticamente insesgado cuya varianza
tiende a cero al aumentar el tamao muestral.
El estimador es consistente cuando lim E ( ) y
n
lim V ( ) 0
EFICIENCIA
Un estimador es ms eficiente o ms preciso que otro estimador, si la varianza del
primero es menor que la del segundo.
Sean 1 y 2 dos estimadores insesgados, se dice que 1 es ms eficiente que 2 si
se verifica que Var ( 1 ) Var ( 2 )
La eficiencia relativa se mide por el ratio:
Var ( 1 )
Var ( )
2
1 b( )
1 b( )
2
2
lnL(x, )
lnL(X, )
nE
E
1
lnL(x, )
nE
1 b( )
Y en muestras aleatorias simples: V ( ) CCR
2
lnL(x, )
nE
Es preciso destacar que la Cota de Cramr-Rao (CRR) no tiene por qu tomar siempre
un valor muy pequeo (cercano a cero).
Un estimador es asintticamente eficiente si: lim V( ) CCR
x
ln L(x, )
o bien i() E
ln P (x1, x 2 , , xn ; )
ln P (x ; )
Discreto : E
n.E
2
2
Continuo : E ln f (x1, x 2 , , xn ; ) n.E ln f (x ; )
L () L(X; ) L ( x 1, , x n ; )
f (x ) f (x ) caso continuo
n
1
En muchas ocasiones, es ms prctico encontrar el estimador de mxima verosimilitud
es considerar la funcin soporte o log-verosimilitud lnL () , en lugar de la funcin de
verosimilitud L () , ya que es ms fcil de manejar y presenta los mismos mximos y
mnimos.
lnL ()
Se despeja ( 1, , n ) de la ecuacin:
0 y se obtiene el estimador
SUFICIENCIA
Un estimador es suficiente cuando no da lugar a una prdida de informacin. Es decir,
cuando la informacin basada en es tan buena como la que hiciera uso de toda la
muestra.
Para identificar estadsticos suficientes se utiliza el criterio de factorizacin de
Fisher-Neyman, que dice que dada una muestra aleatoria (x 1 , , x n ) de una poblacin
X con funcin de masa P (o funcin de densidad f ) un estadstico es suficiente para
si y slo s:
P (x , , x ) g (x , , x ), . h(x , , x )
caso discreto
n
1
n
1
n
caso continuo
f (x 1 , , x n ) g (x 1 , , x n ), . h(x 1 , , x n )
Para encontrar un estadstico suficiente hay que factorizar la funcin de verosimilitud
) . h(x , , x )
de la forma: L () g (,
1
n
E (X)
1
2 E (X 2 )
E (X r )
r
1 a 1
i 1
n
n
2 a 2
x
i 1
2
i
r a r
x
i 1
r
i
GestinAeronutica:EstadsticaTerica
FacultadCienciasEconmicasyEmpresariales
DepartamentodeEconomaAplicada
Profesor:SantiagodelaFuenteFernndez
1
2
x1 2x 2 3 x3
6
x3 4x2
3
3 x
Se pide:
a) Comprobar si los estimadores son insesgados
b) Cul es el ms eficiente?
c) Si tuviera que escoger entre ellos, cul escogera?. Razone su respuesta a partir del
Error Cuadrtico Medio.
Solucin:
a) Un estimador es insesgado (o centrado) cuando se verifica
E( )
x 2x2 3x3
1
E ( 1 ) E 1
E x 1 2 x 2 3 x 3
6
6
1
1
E ( x 1 ) 2E ( x 2 ) 3E ( x 3 )
6
6
6
x 4x2
1
1
E ( 2 ) E 1
E x 1 4 x 2 E ( x 1 ) 4E ( x 2 )
3
3
3
1
3
3
x x2 x3 x4
1
E ( 3 ) E 1
E x 1 x 2 x 3 x 4
4
4
1
1
E ( x 1 ) E ( x 2 ) E ( x 3 ) E ( x 4 )
4
4
4
Los tres estimadores son insesgados o centrados.
x 2x2 3x3
1
V 1 V 1
V x 1 2 x 2 3 x 3
6
36
1
1
14 2
14 2
V ( x 1 ) 4 V ( x 2 ) 9 V ( x 3 )
0,39 2
36
36
36
x 4x2
1
1
V ( x 1 ) 16 V ( x 2 )
V 2 V 1
V x 1 4 x 2
9
9
3
1
17 2
17 2
1,89 2
9
9
x x2 x3 x4
1
V 3 V 1
V x 1 x 2 x 3 x 4
4
16
1
1
4 2
4 2
V ( x 1 ) V ( x 2 ) V ( x 3 ) V ( x 4 )
0,25 2
16
16
16
El estimador 3 es el ms eficiente.
c) Se elige el estimador que presente menor Error Cuadrtico Medio (ECM)
ECM( ) E ( ) 2 V ( ) E ( )
sesgo
Si E ( ) ECM( ) V ( )
sesgo b ( ) E ( )
insesgado
ESTIMADORES SESGADOS:
8
1 x
2
3
a) Calcule los sesgos
x 12 2 x 22 3 x 32
6
x 3 2x1 4 x 2
6
b) Si la muestra que se obtiene es (0,7 ; 0,1 ; 0,3), calcule las estimaciones puntuales
c) Cules son las funciones estimadas para las estimaciones anteriores?
Solucin:
Un estimador es insesgado (centrado) cuando E ( ) .
Un estimador es sesgado cuando E ( ) b
( ) b ( ) E ( )
sesgo
m.a.s. con n = 3
x1 x 2 x3
1
1
1 x E ( 1 ) E
E x 1 x 2 x 3
(3 ) (media poblacional)
3
3
3
donde
x f (x, ) dx
x f (x, ) dx x x
El sesgo: b ( 1 ) E ( 1 )
dx
1
0
x 1
x dx
1
1 0
1
1
x 12 2 x 22 3 x 32
6
x 12 2 x 22 3 x 32
1
E (x 2 ) 2E (x 2 ) 3E (x 2 )
E ( 2 ) E
1
2
3
6
6
2
2
2
donde 2 es el momento de orden 2 respecto al origen.
1 (6 ) ()
2
2
2 E(x 2 )
x 2 f (x, ) dx
x 2 f (x, ) dx
x 2 x 1 dx
x 1 dx
x 2
2
2 0
entonces,
x 12 2 x 22 3 x 32
1
E ( 2 ) E
E (x 12 ) 2E (x 22 ) 3E (x 32 )
6
6
2
2
2
El sesgo: b ( 2 ) E 2
E ( 3 ) E
2
2
x3 2x1 4 x 2
6
x3 2x1 4 x 2
1
1
1
E x 3 2 x 1 4 x 2
(3 )
6
6
6
2
x f (x, ) dx
x f (x, ) dx x x
dx
1
0
x 1
x dx
1
1 0
1
22
El sesgo: b ( 3 ) E ( 3 )
2 1
2( 1)
b) Si la muestra que se obtiene es (0,7 ; 0,1 ; 0,3), calcule las estimaciones puntuales.
0,7 0,1 0,3
1
0,367
3
0,7 2 2.0,12 3.0,3 2
2
0,13
6
0,3 2.0,7 4.0,1
3
0,117 no puede ser, puesto que 0
6
c) Cules son las funciones estimadas para las estimaciones anteriores?
1 f (0,367, x) 0,367 x 0,367 1 0,367 x 0,633
2 f (0,13, x) 0,13 x 0,13 1 0,367 x 0,87
10
3.- En una poblacin se presenta una alteracin leve en una cierta proporcin p de los
individuos que la componen. Se define una variable aleatoria X que vale 1 para los
individuos alterados y 0 para los individuos no alterados. Se pide:
a) La distribucin poblacional
pi
0,8
0,2
b) Se elabora una tabla con las posibles muestras de tamao 3, junto con la
probabilidad de las muestras y el valor de la proporcin muestral en cada una de ellas.
(0,0,0),(0,0,1),(0,1,0),(1,0,0),(0,1,1),(1,0,1),(1,1,0),(1,1,1)
p
Muestra
(0, 0, 0)
(0, 0, 1)
Probabilidad
0,83 0,512
0,82 0,2 0,128
0
1/3
(0, 1, 0)
1/3
P(p x i )
xi )
p.P(p
(1, 0, 0)
1/3
0,512
(0, 1, 1)
2/3
1/3
0,384
0,128
(1, 0, 1)
2/3
2/3
0,096
0,064
(1, 1, 0)
2/3
0,008
0,008
(1, 1, 1)
0,2 0,008
La distribucin en el muestreo de p :
0,2
c) La esperanza matemtica E(p)
(p x ). P(p x ) 0,2 p
i
i1
P(p xi )
3
xi )
p.P(p
0
1/3
3p q
p q2
2/3
3p2q
2p2q
p3
p3
p q2 2p2q p3
11
E(p)
(p x ). P(p x ) p q
i1
Insesgadez
sesgo
1
E ( 1 ) E (x) E (
n
i 1
1
x i)
E(
n
i 1
E (x )
1
x i)
n
i 1
1
(n )
n
b ( 1 ) E ( 1 ) 0
1
E ( 2 ) E (
n 1
i 1
1
x i)
E(
n 1
i 1
1
x i)
n 1
E (x )
i
i 1
1
n
(n )
n 1
n 1
b ( 2 ) E ( 2 )
n
n n
n 1
n 1
n
1
sesgado
asin toticamente
Eficiencia
Sean 1 y 2 dos estimadores insesgados de un parmetro desconocido .
Decimos que 1 es ms eficiente que 2 si se verifica que Var ( 1 ) Var ( 2 )
La eficiencia relativa se mide por el ratio:
Var ( 1 )
Var ( )
2
12
1
V ( 1 ) V (x) V (
n
V ( 2 ) V (
1
n 1
i 1
x )
i
i 1
eficiencia relativa
1
x i) 2
n
1
(n 1) 2
Var ( 1 )
Var ( 2 )
1
2
2
(
n
n2
n
V (x i )
i 1
V (x )
i
i 1
2 n
n 2 (n 1) 2
1
n
(n2)
2
2
2
(n 1)
(n 1)
(n 1) 2
1 Var ( 1 ) Var ( 2 )
n2
Consistencia
lim V ( ) 0
es consistente
E ( 2 ) lim
nlim
n
n 1
lim V ( ) lim n
2 0
2
2
n (n 1)
n
es consistente
ECM() E ( ) V () E ( )
sesgo
sesgo b ( ) E ( )
Si E ( ) ECM( ) V ( )
insesgado
2
2
2
ECM( 1 ) V ( 1 ) b ( 1 )
0
n
n
2
n
n2 2
1
2
ECM( 2 ) V ( 2 ) b ( 2 )
n 1
(n 1) 2
(n 1) 2
En esta lnea,
2
n2 2
n2
2
2
n2
2
n
(n 1) 2
(n 1) 2
(n 1) 2
n
(n 1) 2
(n 1) 2
(n 1) 2 2 n 2 2
2
(n 1) 2 n 2 2
2
2
2
n(n 1)
(n 1)
n
2n 1 2
2n 1
2
2
2
n
n
2
2n 1
2
Si
2
Si 2n 1
n
2
5.- Sea x1,x 2 , ,xn una muestra aleatoria simple de una variable aleatoria X con
3x1 2x 2 x 3
6
Solucin:
a) Estudio de la insesgadez
E( 1 ) E(x1 )
b( 1 ) 0
1
1
2
1
3x 2x 2 x 3
E( 2 ) E 1
6
6
6
6
3
b( 2 ) E( 2 )
1
2
3
3
6
36
36
1
14 2 7 2
9 2 4 2 2
36
36
18
14
7 2
2
18
El mejor estimador ser el que presente menor Error Cuadrtico Medio (ECM):
2
ECM( 1 ) V ( 1 ) b( 1 ) 2 0 2
2
2
7 2 2
7 2 4 2
ECM( 2 ) V ( 2 ) b( 2 )
18
18
9
3
4 x 18 2
9 x 11
7 2 4 2
18
9
11 2 4 2
18
9
8 2
11
6.- Sea x1,x2,x3,x4,x5 una muestra aleatoria simple de una variable aleatoria X con
2 8x 2 3x 5
i1
E( 1 ) E
x E x x
i
x3 x 4 x5
5( 5)
i1
E( 2 ) E 8x 2 3x 5 8E(x 2 ) 3E(x 5 ) 8( 5) 3( 5) 5( 5)
Var (1 ) Var
x 5 Var (x) 5
i1
Dado que los dos estimadores tienen el mismo sesgo y el primer estimador 1 tiene
menor varianza, ser el estimador ptimo.
15
ECM( 1 ) V ( 1 ) b( 1 ) 5 2 4 25
x1 x 2 x3
x1 x 2
2
Solucin:
Un estimador es insesgado (centrado) si E( )
) E( )
Un estimador es sesgado si E( ) b( ) b(
sesgo
La v.a X i 'peso en kg de los jamones ' sigue una distribucin normal de varianza 4
Para estudiar la insesgadez de los estimadores se calculan sus esperanzas:
x1 x 2 x3
1
3
E(x 1 ) E(x 2 ) E(x 3 )
E( 1 ) E
4
4
3
1
El sesgo del estimador 1 ser: b( 1 ) E( 1 )
4
4
x1 x 2
1
2
E(x 1 ) E(x 2 )
E( 2 ) E
2
2 2
El estimador 2 es insesgado, b( 2 ) 0
Atendiendo al sesgo se elige 2
Para analizar la eficiencia relativa de los dos estimadores se calculan las respectivas
varianzas
x1 x 2 x3
1
1
V (x 1 ) V (x 2 ) V (X 3 )
V ( 1 ) V
V (x 1 x 2 x 3 )
4
16
16
las observaciones
son independientes
V (Xi ) 4
1
12
3
12
16
16
4
16
x x2
1
1 V (x 1 ) V (x 2 )
V ( 2 ) V 1
V
(x
x
)
1
2
4
2 4 las
observaciones
son independientes
V (Xi )4
1
8 2
4
3
ECM( 1 )
4 4
ECM( 2 ) 2 0
2 12
16
2 20
20 4, 47
17
8.- La distribucin del peso de las manzanas de una determinada cosecha sigue una
distribucin normal, cuyo peso medio es desconocido y cuya desviacin tpica es 7
gramos. Se pide:
a) Analizar cul de los estimadores 1 , 2 del peso medio es mejor respecto del sesgo
y de la eficiencia, para una muestra aleatoria simple de tamao cinco.
5
b) Si 1
Solucin:
a) El peso de las manzanas sigue una distribucin N(, 7)
Se calculan las esperanzas de los estimadores para analizar el sesgo de los estimadores
E( 1 ) E
i1
1
x i / 5
E
5
i1
1
xi
5
E(x i )
E x
i
i1
1
(5 )
5
V ( 1 ) V
i1
1
x i / 5
V
25
i1
1
xi
25
V (Xi ) 7 2
V x
i
i1
1
49
(5. 49)
25
5
V ( 2 ) V (x 1 2 x 2 3 x 3 4 x 4 x 5 ) V (x 1 ) 4 V ( x 2 ) 9 V ( x 3 ) 16 V ( x 4 ) V ( x 5 )
18
9.- Supongamos que la distribucin de ingresos de una cierta poblacin es una variable
aleatoria con media desconocida y varianza 2 tambin desconocida. Si queremos
estimar el ingreso medio de la poblacin mediante una m.a.s. de tamao n, respecto de
la insesgadez y de la eficiencia. Cul de los dos estimadores elegiramos?.
Son consistentes?
n
i1
i1
n 1
n
Solucin:
La v.a x i 'ingresos de cierta poblacin' sigue una distribucin normal N(, )
Para analizar el sesgo de los estimadores, hallamos la esperanza:
E( 1 ) E
i1
1
x i (n 1)
E
n 1
i1
1
xi
n 1
E(x i )
i1
E( 2 ) E
i 1
1
x i n E
n
i 1
1
xi
n
1
n
(n )
n 1
n 1
n
1
n 1
n 1
E(x ) n (n )
1
i 1
V ( 1 ) V
V ( 2 ) V
i1
n
i1
1
x i (n 1)
V
(n 1)
1
x i n 2 V
i1
i1
1
xi
n
1
xi
2
(n 1)
n
V (x i )
i1
V (x i )
i 1
1
n 2
2
(n
)
(n 1) 2
(n 1) 2
2
1
2
(n
)
n2
n
2
n2
V ( 1 ) puesto que (n 1) 2 n 2
2
n
(n 1)
n 2
lim
E(
)
y
lim
V
(
)
lim
0
1
1
n
n
n (n 1) 2
19
entonces
p 0,73 : P(B,N,B) 0,73 2 .0,27 0,1439
20
x2
1 x2
P ( x 2 , p) P ( X x 2 ) p (1 p)
x i 1, 0 sea bola blanca o negra
x
1 x
P ( x 3 , p) P ( X x 3 ) p 3 (1 p) 3
x
P ( x 1 , p) P ( X x 1 ) p 1 (1 p)
1 x1
L (p)
P (x , p) p
i
x1
(1 p)
1 x1
.p
x2
(1 p)
1 x2
.p
x3
(1 p)
1 x3
i 1
x1 x 2 x 3
(1 p)
3 ( x1 x 2 x 3 )
E(x)
V (x)
x
e
x!
L ( ) L (X, )
i 1
P (x i, )
x1
xn
e
e
x 1!
xn!
xi
i1
n
x!
i
i 1
21
e n
xi
L (X, )
i1
n
x!
x !) ln(e
i 1
n
n
xi
xi
i1
n
e ln( i1 ) ln(
lnL (X, ) ln n
xi!
i 1
i 1
x ln ln(x !) n
i
i 1
i 1
lnL (X, )
x ln ln(x !) n
i
i 1
i 1
lnL (X, )
0
i 1
1
n
xi
i 1
Insesgadez
E ( ) E i 1
E ( x i )
n
n i 1
n
E (x )
xi
1
i
1
V ( ) V (x) V
2
n n
V (x i )
i 1
i 1
1
(n )
n
1
(n )
2
n
n
Consistencia
lim E ( ) lim y
lim V ( ) lim 0
n
n n
22
El estimador es consistente
Eficiencia
Para que un estimador sea eficiente tiene que ser centrado y de varianza mnima.
La varianza mnima se analiza en virtud de la acotacin de Cramr-Rao:
V ( )
1
ln L (X, )
E
acotacin de Cramr-Rao
Ahora bien, P (x , )
1
ln P(x ; )
n.E
acotacin de Cramr-Rao
x
e
x!
x
lnP (x , ) ln
e x ln ln(x!)
x!
lnP (x , )
x
x
1
lnP (x, )
1
1
1
1
x
E
E
2 E (x ) 2 2 E (x x) 2 2 V (x) 2
En consecuencia, V ( )
1
n
n
23
12.- En una gran piscifactora hay una proporcin desconocida de peces de una especie
A. Para obtener informacin sobre esta proporcin, vamos a ir sacando peces al azar.
L(p) (1 p) 9 p
(1 p)
14
40 3
0
1 p p
(1 p)
17
p (1 p) 40 p 3
3
43
24
13.- Las personas de un pas se clasifican segn dos caractersticas: color de los ojos
(claros u oscuros) y sexo (hombre o mujer). Las dos caractersticas son independientes.
200
p q (1 p)(1 q) (p (1 q)
150
350
300
p 450 1 p
550
q 350 1 q
650
log L(p, q) log p 450 (1 p) 550 q 350 (1 q) 650 450 logp 550 log(1 p) 350 log q 650 log(1 q)
0
p
1 p
p
p 0, 45
0
q
1 q
q
q 0,35
25
np q 6,04)
14.- Calcular el estimador mximo verosmil del parmetro 'a' de las funciones:
La funcin de verosimilitud
L L (x 1, x 2 , , x n ; a) (a 2 e a x1 ).(a 2 e a x2 ) (a 2 e a xn ) a 2 n e
xi
i 1
xi
i 1
) 2n ln a a
i 1
x i 0 a n
a
a i 1
x
xi
2
x
i 1
a
x1 x 2 x
a
26
15.- Sea la distribucin N(, ) , con la media y varianza desconocidas. Calcular los
estimadores mximo-verosmiles de y 2
Solucin:
La funcin de verosimilitud es:
( x )
1 2
1
2
L (X; , )
e 2
22
( x )
2 2
1
e 2
2 2
( x n )
2
1
e 2
22
1
n
2
n
2 2
( xi ) 2
i1
2 2
(2 ) ( )
( xi ) 2
(xi ) 2
i 1
2
1
n
n
ln L (X; , 2 ) ln
e 2 ln(2 ) ln( 2 ) i1
n
n
2
2
2 2
2 2
2
(2
)
(
)
ln L (X; , 2 )
(xi )
i 1
x
i 1
ln L (X; , 2 )
n
2 2
(xi ) 2
i 1
(x )
(xi x)
i 1
i 1
n
2
2x
2 ln L (X; )
n
La condicin de mximo se verifica, pues:
2 0
Los estimadores mximo-verosmiles de y 2 son la media y la varianza muestrales.
27
V(x)
2
. Demostrar que la media muestral es un estimador eficiente.
n
Solucin:
La varianza de un estimador verifica siempre la Cota de Cramr-Rao: V( ) CCR .
Un estimador es eficiente cuando V( ) CCR
Para obtener la cota de Cramr-Rao se parte de la funcin de densidad poblacional:
CCR
1
ln f(x, )
nE
1
2
( x ) 2
2 2
ln f(x, ) ln
e 2
2
1
(x ) 2
ln ln2
2
2 2
y derivando respecto a :
2
ln f(x, )
1
x
(x )2
ln f(x, )
2(x ) 2
4
2 2
(x )2 2
1
ln f(x, )
E
E
4 2
4
1
ln f(x, )
nE
1
2
1
n
n 2
28
parmetros y 2 .
Solucin:
1
2 2
( x ) 2
22
( x )
1
1 2
L(X; , )
e 2
22
22
( x 2 )
22
( x n )
2
1
e 2
22
( xi ) 2
i 1
2
1
e 2
n
n
(2 ) 2 2
( xi ) 2
i 1
1
n
n
1
22
ln2 ln 2
ln L(X; , 2 ) ln
e
n
n
2
2
22
2
2
(2 )
(x )
i1
derivando respecto de y 2
ln L (X; , 2 ) 1
2
ln L (X; , 2 )
n
1
2 4
2
2 2
(xi ) 2
i1
2 ln L (X; , 2 )
1
4
2
2 ln L (X; , 2 )
n
1
6
2 2
4
( )
2
(x )
(x )
i1
i1
n
2
I(, 2 ) E
1 n
4
(xi ) 2
i1
1
4
n
2
E(x )
i
(xi ) 2
(xi ) 2
i1
n
1
6
4
2
i1
n
2
i1
n
n
1
2
4 6
E(xi ) 0
2 i1
1
4
i1
1
4
E(x )
i
29
n
24
(x )
i
i1
Advirtase que por ser xi un elemento de una muestra aleatoria simple de una
poblacin normal N(, ) , se tiene que E(xi ) 0 y E(xi )2 2
18.- En una distribucin N( , ) se estima la media poblacional en una muestra
aleatoria simple de tamao n (x1 ,x 2 , ,xn ) por medio de la funcin muestral:
n
i x
i1
E( ) E
i xi
i1
1
n n
n
E(i xi )
i1
1
n
i1
(n 1) n (n 1)
2 3 n ) 1 2 3 n
n
n
2
2
n
E( ) b( ) sesgo b( ) E( )
n 1
n 1
2
2
V ( ) V
i x
i
i1
1
n2
V (i xi )
i1
1
n2
V (xi )
i1
1 2
1 V (x1 ) 22 V (x 2 ) 32 V (x 3 ) n2 V (x n )
2
n
1 2 2
2 2
2 n (n 1)(2n 1)
2 2
2 2
2 2
2
2
2
2 1 2 3 n 2 1 2 3 n 2
n
n
6
n
2 (n 1)(2n 1)
V ( )
6n
1 b( )
lnL(x, )
nE
n 1
(n 1)
1 b( ) 1
2
4
2
30
lnL(X, )
lnL(x, )
La informacin de Fisher de la muestra I( ) E
nE
se
1
2
( x ) 2
2 2
2
ln f(x, ) ln
e 2
1
(x ) 2
ln ln2
2
2 2
y derivando respecto a :
2
ln f(x, )
1
x
(x )2
ln f(x, )
2(x
2 2
2
(x )2 2
1
ln f(x, )
E
E
4 2
4
2
n
4n
lnL(x, )
nE
2
V ( )
n
2
2 (n 1)(2n 1)
6n
2 (n 1)(2n 1)
(n 1)2 2
CCR
6n
4n
Solucin:
Un estimador es eficiente cuando V( ) CCR (cota de Cramr-Rao)
x
mp
E
Se determina si el estimador es insesgado: E(p)
p
m m
31
1
lnL(x, )
nE
p
p
1 p
p(1 p)
p(1 p)
2
E(x mp)2
ln f(x,p)
x mp
de donde, E
E p(1 p) p2 (1 p)2
p
2
2
p
p (1 p)
p (1 p)
p(1 p)
1
lnL(x, )
nE
1
p(1 p)
m
nm
n
p(1 p)
V (p)
m m
m
n
mn
Como la varianza del estimador coincide con la cota de Cramr-Rao es estadstico
x
es eficiente.
p
m
32
1
, P (X 0)
,
2
2
1
, donde 0 1 , 0 1
2
xi
i
1
1 E (X) 1 a 1
x
n
x i2
2
i 1
2 E (X ) 2 a 2
n
x ri
r
i 1
r E (X ) r a r
n
Puesto que hay que estimar dos parmetros hay que calcular los dos primeros
momentos.
momentos poblacionales
1
1 E(X)
x i P(X x i ) ( 1)
(0)
(1)
2
2
2
2
i
2 E(X 2 )
x
i
2
i
2
1
1
P(X x i ) ( 1) 2
(0) 2
(1) 2
2
2
2
2
momentos muestrales
xi
x i2
a1 x
a2
1 a1
x
2
2 a2
2
a2
2
2x
2 a 2 2
2a 2 2
2x
33
1 a 2 x
1 a 2 x
2
E ( ) E (1 a 2 x) 1 E (a 2 ) E (x) 1 2 1
2
2
2
E ( ) E (1 a 2 x) 1 E (a 2 ) E (x) 1 2 1
2
2
x 1 si x ( 0,1)
densidad f (x)
en el resto
0
>0
f (x , , x n ) g (x 1 , , xn ), . h(x1 , , xn )
1
caso discreto
caso continuo
Por tanto, x , , x
1
es un estadstico suficiente.
34
b) L() n (x x ) 1
1
lnL() ln n (x x ) 1 ln n ln x 1 ln n ln( x 1 )
1
n
i
i
i 1
i 1
lnL () n ln 1
ln(xi )
i 1
lnL ()
n
ln(x )
i
i 1
n
n
ln(x )
i
i 1
c) Se plantea la ecuacin E X x
x E (X)
x f (x) dx x x
dx
x ( 1)
x 1
x dx
1
1 0
x
1 x
si x 0
en el resto
x E X
partes
x f (x) dx
x e x dx
x 1
x
x e
dx
e x )
x (
u
u
dv
1 x
e x dx
x e x e x (1 x) e x e x
du
e
v
35
xe
dx e
1 x
e x 1
si x 0
en el resto
L () f (x ) f (x ) f (x ) 2 x e 1
1 2
n
1
x 2
x n
2
2
x 2 e
xn e
2 n (x x ) e
1
( x1 x 2 xn )
L () 2 n (x x ) e
1
i 1
lnL () (2n) ln ln
xi
lnL () (2n) ln
i 1
i 1
xi
i 1
lnL ()
2n
xi
2n
lnL ( ) ln (x x ) e i 1
1
n
xi
2 n (x x ) e
xi
i 1
ln x i
i 1
x
i 1
2n
n
i 1
24.- El coseno X del ngulo con el que se emiten los electrones en un proceso
radioactivo es una variable aleatoria con funcin de densidad
(1 x ) 2 1 x 1 , 1 1
f (x)
en el resto
0
x E X
1
1
x2 x3
1 x
x
dx
2
6 1
3
2
b) V ( ) V (3 x) 9 V (x) 9
V (X) E (X ) E (X)
2
3 x
V (X)
9
V (X)
n
n
1
x3 x 4
1 x
x
dx
2
8 1 3
3
6
3 2
9
9
9 3 2 3 2
de donde, V () V (X)
n
n 9
n
lim E ( )
n
Para probar que es consistente para estimar es suficiente probar
V ( ) 0
nlim
3 2
0
n
x 3 xn
, 2 1
son estimadores. Determinar el mejor
4
i1
estimador del parmetro
Poisson. Si 1
xi
Solucin:
a) X = "nmero de veces que se abre la barrera en un intervalo de 10 minutos",
X P( )
x
e
P(X, ) x!
0
x 0, 1, 2, ...
otro caso
37
La funcin de verosimilitud L( ) :
n
L ( ) L (X, )
x1
xn
e
e
x 1!
xn!
P (x i, )
i 1
xi
i1
n
x!
e n
i 1
xi
n
xi
i 1
lnL (X, ) ln n
e n ln( i1 ) ln
x
!
i
i1
lnL (X, )
i1
x i ! ln(e n )
x ln ln(x !) n
i
i 1
i1
xi ln
i 1
ln(x !) n
i
i 1
lnL (X, )
0
i 1
1
n
xi
i 1
E( 1 ) E
i1
xi 1
n n
E(x )
i
i1
3
x 3 xn 1
E( 2 ) E 1
E(x1 ) 3E(x 2 )
4
4
4
Ambos estimadores son insesgados. La varianza de cada estimador:
V( 1 ) V
i1
xi 1
n n2
V (x ) n
i
i1
9 10 5
x 3 xn 1
V ( 2 ) V 1
V(x1 ) 9 V(x 2 )
16
4
16
16
8
38
0 x 1; 1
otro caso
(b)
2 1
1
Solucin:
n
f(x , )
i
i 0
L(x1 , x 2 , , xn ; ) ( 1) x1 ( 1) x 2 ( 1) xn ( 1)n
i 0
ln L(x1 , x 2 , , xn ; ) ln ( 1)n
i 0
ln L(x1 , x 2 , , x n ; ) n ln( 1)
x ln( 1)n ln
i 0
x i
ln x
i 0
ln x 0
i
i 0
39
n
ln x i
1
i 0
EMV()
ln x
i 0
8
1 4,027 1 3,027
ln0,7 ln0,9 ln0,6 ln0,8 ln0,9 ln0,7 ln0,9 ln0,8
0,75
0,25
f(X, )dx
0,75
x 1
x 1
( 1) x dx ( 1)
0,25
( 1) 0,25
0,75
0,75
0,25
2 1
1
2,493
EMV 1
3,027 1
1
1
40
GestinAeronutica:EstadsticaTerica
FacultadCienciasEconmicasyEmpresariales
DepartamentodeEconomaAplicada
Profesor:SantiagodelaFuenteFernndez
37