Ayudantía N°1

Ayudante: Waldo Ahumada G. / Profesor: Hugo Robotham

1) La amplitud de una señal de radar retrodifundida desde la superficie del mar sigue una
distribución de Rayleigh con función de densidad:

f ( x; )  2 xe 2  x2
,x0
Calcular el estimador de máxima verosimilitud para el parámetro α, en base a una muestra
de tamaño n.

2) Sea X1, X2,……, Xn una muestra aleatoria de tamaño n que distribuye N(µ, σ2), y se tienen
los siguientes estimadores para µ y σ2 respectivamente:

X1  X 2
ˆ1  X ; ˆ 2  ; ˆ 3  X 1
2
n n

 (x  )
i
2
 (x  x ) i
2

ˆ12  i 1
; ˆ 22  i 1

n n 1
Elija el mejor estimador para ambos casos.
Hint: Para el caso de los estimadores para la varianza, recordar la distribución chi-
cuadrado.

3) Admítase que la duración de vida, expresada en unidades de tiempo convenientemente

elegida, de cierto tipo de material está expresada por una variable aleatoria que sigue una
distribución como la que se indicar a continuación en el que a y c son positivos:


 xa 
c

c
 x  a
c 1
f ( x)  e 
; xa

a) Encontrar el estimador máximo verosímil para el parámetro θ para muestras de
tamaño n.
b) Si a = 0 y c = 0,5 y se observa que para n = 15 se obtiene que:
15

x
i 1
0,5
i  15, 23
¿Cuál sería la estimación puntual de θ?
  
n
L  x ,     2 2 xi e  xi  Aplicamos ln
2

i 1

 
n
ln L  x ,     ln 2 2 xi e  xi
2

i 1
n
  
  ln 2  2 ln   ln xi   xi2   Aplicamos 
i 1   
 ln L  x ,   n  2 2 
    xi   0
 i 1   

 2   x   0
n
2
i
i 1
n n

 2   x
i 1 i 1
2
i

n
2n
2 n    xi2  ˆ  n
i 1
x
i 1
2
i
  n 
  xi  1  n  1  n  n
E  ˆ1   E  X   E  i 1
    E ( xi )        
 n  n  i 1  n  i 1  n
 
 
 X  X2  1    2
E  ˆ 2   E  1    E ( X 1 )  E ( X 2 )    
 2  2 2 2
E  ˆ 3   E  X 1   
 Los tres estimadores son insesgados

 n 
  xi  1  n   n
  2
 2
V  ˆ1   V  X   V  i 1   2   V ( xi )   2      2 
1 2 n
 n  n  i 1  n  i 1  n n
 
 
2
 ECM  ˆ1  
n
 X1  X 2  1  2   2 2 2  2
V  ˆ 2   V    V ( X 1 )  V ( X 2 )    
 2  4 4 4 2
2
 ECM  ˆ 2  
2
V  ˆ 3   V  X 1    2  ECM  ˆ 3    2
 ECM  ˆ1   2 2 2
e1     1
ECM  ˆ 2  n  2 n
 ˆ1 es mejor estimador que ˆ 2

ECM  ˆ1   2 1 1
e2    2  1
ECM  3  n 
ˆ n
 ˆ1 es mejor estimador que ˆ 3

 x  
n 2

i )    i    conocido
i 1   
n

  xi   
2

 2
 i 1
 
2  n 
n

x  
2

 2 i
 i 1
 ˆ12
n n
 2
 ˆ  2
1
n
 x x
n 2

ii )    i    desconocido
i 1   
n

  xi  x 
2

 2 
 i 1
 
2  n  1 
n

  xi   
2

 2
 i 1
 ˆ 22
n 1 n 1
 2
 ˆ  2

n 1
2

  2   2 n 2
E ˆ   E 
2
1   E ( )   2
 n  n n
  2   2
E ˆ 2   E 
 n  1  2
2
   E ( )     2

 n 1  n 1 n 1
 Los dos estimadores son insesgados
   2   4 2n 4 2 4
V ˆ   V 
2
1   2 V ( )   2 
 n  n n n
2 4
 ECM ˆ1  
2

  2  4 2  n  1  4 2 4
V ˆ   V 
2
 2 
V ( )   
 n  1   n  1  n  1 n 1
2 2

2 4
 ECM ˆ   2

n 1
2

ECM ˆ12  2 4 n  1 n  1 1
e     1  1
ECM  2 
ˆ 
2 4
n 2 n n
 θ

c  xi  a   c
n
c 1  
L( x ,  , a, c)     xi  a  e   Aplicamos ln
i 1   

n c 
 xi  a c 
ln L( x ,  , a, c)   ln   xi  a  e  
c 1

i 1  
n 
 xi  a  
c
c   
  ln     c  1 ln  xi  a     Aplicamos 
i 1 
        

 ln L( x ,  , a, c) n  1  xi  a  
c

    0
  
   2
i 1

n 
   xi  a  
c

 
  2
0

i 1
 

     x  a    0
n
c
i
i 1
n n

    xi  a 
c

i 1 i 1

 xi  a 
c
n n
n    xi  a   ˆ  
c

i 1 i 1 n

15

15
 xi  0 
0,5 x 0,5
i
15, 23
ˆ    i 1
  1, 01533
i 1 15 15 15