Sei sulla pagina 1di 3

AYUDANTIA PROPIEDADES ESTIMADORES PUNTUALES Y METODO DE MAXIMA

VEROSIMILITUD

1.- El estimador de máxima verosimilitud de p para una distribución binomial (n,p) es:
1
p̂ = X
n

a) Muestre que p̂ es insesgado.


b) ¿Es p̂ un estimador de mínima varianza? Justifique.

 n 
1 
xi 
1  1  n  1 n 1 n
a) E ( pˆ ) = E  X  = E ( X ) = E 
1 1
i =1
= 2 E   xi  = 2  E ( xi ) = 2  np = 2 n(np) = p
n  n n  n  n  i =1  n i =1 n i =1 n
 
 
Luego p̂ es insesgado.
 n 
1 
xi 
1  1 1 n  1 n  1
b) V ( pˆ ) = V  X  = 2 V ( X ) = 2 V 
pq
i =1
 = 4  V ( xi )  = 4   npq  = 4 n 2 pq = 2
n  n n  n  n  i =1  n  i =1  n n
 
 
A medida que n crece, la varianza tiende a cero. , por lo tanto es un estimador de mínima
varianza

2.- Sea X exp ( ) con E ( X ) =  y V ( X ) = 2

x1 + x2 + x3 x1 + x2 + x3
Se definen 1 = 2 =
2 4

Dos estimadores posibles de  , basados en una muestra aleatoria de tres elementos.

a) ¿Es 1 insesgado?, ¿Es  2 insesgado?


()
b) Se define el sesgo de un estimador como Sesgo  = E ˆ −  , calcular el sesgo de 1 y
 2 ¿Cuál de los dos estimadores tiene menor sesgo?
c) Determine el error cuadrático medio de 1

() ( ) ()
2 2
ˆ =E 
Recuerde que: ECM  ˆ − ˆ +  Sesgo 
= Var  ˆ
 
3.- El tiempo de realización en minutos de determinada tarea dentro de un proceso industrial
es una variable aleatoria con función de densidad:
x −x
f ( x) = e ,x 0
2

a) Calcular el estimador de máxima verosimilitud de  para una muestra de tamaño n.


b) Considere la muestra 3,0 4,5 2,3 3,7 2,5 3,2 4,2 3,6. Encuentre la estimación de
máxima verosimilitud de  .
 −1
c) Sea  = f () = encuentre el estimador de máxima verosimilitud de  .

a)
n
L(, X ) =  f ( xi ; )
i =1
n
xi − xi 
L(, X ) =  e
i =1 2
 n x − xi 
LnL(, X ) = Ln  2i e  
 i =1  
n
 x − xi 
LnL(, X ) =  Ln  2i e  
i =1  
n
 x 
LnL(, X ) =   Ln xi − i − Ln 2 
i =1   
n n
1
LnL(, X ) =  Ln xi −  xi − nLn 2
i =1  i =1

dLnL
=0
d
1 n 1
2  i
x − n 2 2 = 0 / 2
 i =1 
n

x
i =1
i − 2n = 0
n
−2n = − xi
i =1
n

x i
1
ˆ = i =1
= X
2n 2
b) Considere la muestra 3,0 4,5 2,3 3,7 2,5 3,2 4,2 3,6. Encuentre la estimación de
máxima verosimilitud de  .

1 1
ˆ == X = ( 3,375 ) = 1, 6875
2 2

La estimación de máxima verosimilitud, según da muestra dada es 1,6875 minutos.

 −1
c) Sea  = f () = encuentre el estimador de máxima verosimilitud de  .

1
ˆ −1 X −1
 2
ˆ = f (ˆ ) = =2 = 1−
ˆ 1
X X
2
4.- Sea X: Número de intentos hasta el primer éxito, X tiene distribución geométrica con
parámetro p, con función de probabilidades:

P ( X = x ) = (1 − p )
x −1
p

Encuentre el estimador de máxima verosimilitud de p.