Gestión Aeronáutica: Estadística Teórica

Facultad Ciencias Económicas y Empresariales
Departamento de Economía Aplicada
Profesor: Santiago de la Fuente Fernández

CÁLCULO DE LA INSESGADEZ y EFICIENCIA DE LOS ESTIMADORES

1.- La variable aleatoria poblacional "renta de las familias" del municipio de Madrid se
distribuye siguiendo un modelo N( , 2 ) . Se extraen muestras aleatorias simples de
tamaño 4. Como estimadores del parámetro , se proponen los siguientes:

x1  2x 2  3 x3
ˆ 1 
6
x3  4x2
ˆ 2 
3
ˆ 3  x
Se pide:

a) Comprobar si los estimadores son insesgados

b) ¿Cuál es el más eficiente?
c) Si tuviera que escoger entre ellos, ¿cuál escogería?. Razone su respuesta a partir del
Error Cuadrático Medio.

Solución:

a) Un estimador ̂ es insesgado (o centrado) cuando se verifica E(ˆ )  

 x  2x2  3x3  1
E (ˆ 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 (ˆ 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 (ˆ 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.

b) El estimador más eficiente es el que tenga menor varianza.

7
  x  2x2  3x3  1
V  ˆ 1   V  1   V  x 1  2 x 2  3 x 3  
 6  36 
1 1 14 2
  V ( x 1 )  4 V ( x 2 )  9 V ( x 3 )    14  2     0,39  2
36 36 36

 x  4x2 1 1
V  ˆ 2   V  1   V  x 1  4 x 2    V ( x 1 )  16 V ( x 2 )  
 3  9 9 
1 17 2
  17  2     1,89  2
9 9

 x  x2  x3  x4  1
V  ˆ 3   V  1   V  x 1  x 2  x 3  x 4  
 4  16 
1 1 4 2
  V ( x 1 )  V ( x 2 )  V ( x 3 )  V ( x 4 )    4  2     0,25  2
16 16 16

El estimador ̂ 3 es el más eficiente.

c) Se elige el estimador que presente menor Error Cuadrático Medio (ECM)

2
 
ECM(ˆ )  E (ˆ  ) 2  V (ˆ )  E (ˆ )    sesgo b (ˆ )   E (ˆ )   
   
 sesgo 
Si E (ˆ )    ECM(ˆ )  V (ˆ )
 
insesgado

Al ser los tres estimadores insesgados (centrados), se elige al que menor

varianza presenta, que coincidirá con el que menor ECM tiene, es decir, se opta
por el estimador ̂ 3

Adviértase que si el estimador ̂ es insesgado: ECM( ˆ )  V ( ˆ )

ESTIMADORES SESGADOS:

8
En esta línea,

2 n2   2 n2 2 2 n2 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 
n(n  1) 2
(n  1) 2
n

2n  1 2 2n  1 2
    
2
 2
n n 

 2n  1 2
 Si  2  ˆ 1 se elige antes que ˆ 2
 n 


 Si 2n  1  
2
 ˆ 2 se elige antes que ˆ 1
 n 2

5.- Sea x1,x 2 ,  ,xn una muestra aleatoria simple de una variable aleatoria X con
E(X)   y Var(X)  2 . Calcular el error cuadrático medio para los siguientes
estimadores de  :

3x1  2x 2  x 3
ˆ 1  x1 ˆ 2 
6

Solución:

a) Estudio de la insesgadez

E(ˆ 1 )  E(x1 )    b(ˆ 1 )  0

 3x  2x 2  x 3  1 1 2 1
E(ˆ 2 )  E  1   3E(x1 )  2E(x 2 )  E(x3 )   3   2        
 6  6 6 6 3

1 2
b(ˆ 2 )  E(ˆ 2 )     
3 3

Respecto al sesgo es mejor el primer estimador ̂1 que es insesgado o centrado.

b) Estudio de la varianza

Var (1 )  2

 3x  2x 2  x 3  1 1
Var ( 2 )  Var  1  Var  3x1  2x 2  x 3   9 Var(x1 )  4 Var(x 2 )  Var(x3 ) 
 6  36 36

1 14 2 7 2
 9 2  4 2  2     
36 36 18

14
 7 2
Respecto a la varianza es mejor el segundo estimador ̂1 por ser   2
18

El mejor estimador será el que presente menor Error Cuadrático Medio (ECM):

2
ECM(ˆ 1 )  V (ˆ 1 )   b(ˆ 1 )   2  0   2

2
2 7 2  2  7 2 4 2
ECM(ˆ 2 )  V (ˆ 2 )   b(ˆ 2 )         
18  3  18 9

7 2 4 2 11 2 4 2
El primer estimador 1 será mejor si 2        
18 9 18 9

4 x 18 2 8 2
2    2  
9 x 11 11

6.- Sea x1,x2,x3,x4,x5 una muestra aleatoria simple de una variable aleatoria X con
distribución normal con media (  5) y varianza 2 . Se proponen los siguientes
estimadores:
5

ˆ 1  x
i1
i ˆ 2  8x 2  3x 5

Determinar cuál es el mejor estimador para  . Justificar la respuesta.

Solución:

a) Estudio de la insesgadez

 5

E(ˆ 1 )  E 


 x   E  x  x
i1
i 1 2  x3  x 4  x5   5(  5)

E(ˆ 2 )  E 8x 2  3x 5   8E(x 2 )  3E(x 5 )  8(  5)  3(  5)  5(  5)

ambos estimadores son sesgados, con idéntico sesgo:

b(ˆ 1 )  b(ˆ 2 )  5(  5)    4   25

b) Estudio de la varianza

 5

Var (1 )  Var 

 x   5 Var (x)  5 
i1
i
2

Var ( 2 )  Var  8x 2  3x 5   82 Var(x 2 )  32 Var(x 5 )  64 2  9 2  73 2

Dado que los dos estimadores tienen el mismo sesgo y el primer estimador 1 tiene
menor varianza, será el estimador óptimo.

15
Puede observarse que presenta el menor Error Cuadrático Medio:

2
ECM(ˆ 1 )  V (ˆ 1 )   b(ˆ 1 )  5  2   4   25 
2

CÁLCULO INSESGADEZ E EFICIENCIA

7.- El peso en kilos de los jamones vendidos por una empresa sigue una distribución
normal con varianza 4 y peso medio desconocido. Se conoce que el peso medio de los
jamones vendidos es superior a 5 kg, y se toman m.a.s. de tamaño 4 para estimar  .
¿Cuál de los dos estimadores sería el mejor respondiendo a la insesgadez y eficiencia?

x1  x 2  x3 x1  x 2
ˆ 1  ˆ 2 
4 2
Solución:

Un estimador es insesgado (centrado) si E(ˆ )  

Un estimador es sesgado si E(ˆ )    b(ˆ )  b(

 ˆ )  E(ˆ )  
sesgo

La v.a X i  'peso en kg de los jamones ' sigue una distribución normal de varianza 4

Para estudiar la insesgadez de los estimadores se calculan sus esperanzas:

x1  x 2  x3  1 3
 E(ˆ 1 )  E    E(x 1 )  E(x 2 )  E(x 3 )   
 4  4 4

3 1
El sesgo del estimador ̂ 1 será: b(ˆ 1 )  E(ˆ 1 )         
4 4

x1  x 2  1 2
 E(ˆ 2 )  E    E(x 1 )  E(x 2 )     
 2  2 2

El estimador ̂ 2 es insesgado, b(ˆ 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
ˆ
V ( 1 )  V   V (x 1  x 2  x 3 )   V (x 1 )  V (x 2 )  V (X 3 )  
 4  16     16 
 las observaciones 
 son independientes 
V (Xi ) 4
 1 12 3
 12  
16 16 4

16
Estadística Empresarial II Ejercicios del tema 3 Prof. Julio Hernández

Ejercicios del Tema 3

1. Una variable aleatoria se distribuye de manera uniforme en el intervalo [0;θ].

Mediante una m.a.s. de tamaño n se quiere estimar el parámetro θ desconocido a partir
de dos posibles estimadores:
θ1* = x θ 2* = kx
Determinar:
a) El sesgo del primero y
b) El valor de “k” para que el segundo sea insesgado.

2. Dada la muestra 60, 61, 63, 57, 60, 59, 62, 58, 60 obtener la estimación
insesgada de la varianza poblacional.

3. En una población N(µ;1) se estima µ a través de una m.a.s de tamaño 2,

empleándose dos estimadores:
2 1 2 3
µ1* = x1 + x2 µ2* = x1 + x2
3 3 5 5
Se pide estudiar:
a) Si son insesgados ;
b) Cuál de los dos es más eficiente y
c) Calcular el error cuadrático medio.

4. Supuesta una m.a.s. de tamaño n obtenida de una población B(m;p), estudiar el sesgo,
eficiencia y consistencia de los dos estimadores siguientes:
x x
p1* = p2* =
m m +1

5. Consideremos una variable aleatoria N(µ,σ) y los dos siguientes estimadores de la

media poblacional, en muestras aleatorias simples de tamaño n:
x1 + x2 + ... + xn x1 + x2 + ... + xn
µ1* = µ2* =
n−2 n
Se pide seleccionar, razonadamente, el mejor de ellos según sesgo, eficiencia y consistencia.

6. El peso, en kilos de verduras, que vende una empresa familiar se distribuye como una
N(µ,1). Se toman muestras aleatorias simples de tamaño 4 (con µ>3). ¿Justifique cuál de
estos estimadores desde el punto de vista de la insesgadez y la eficiencia sería mejor?
1 1
µ1 = ( x1 + x2 − x3 ) µ2 = ( x1 + x2 )
4 2

Grado en A.D.E. 1
Estadística Empresarial II Ejercicios del tema 3 Prof. Julio Hernández

7. Dada una población B(1;p) se quiere estudiar a partir de una m.a.s. de tamaño
n=4 el sesgo, la eficiencia y la consistencia de los dos estimadores siguientes de “p”:
2 x1 + 3 x3
p1* = x1 p2* =
3

8. Determinar el estimador de “p” por el método de la máxima verosimilitud y por el

método de los momentos en una B(1,p) a través de una m.a.s de tamaño n.

9. Obtener el estimador de λ por el método de la máxima verosimilitud y el de los

momentos, en una distribución de Poisson mediante una m.a.s de tamaño n.

10. Determinar el estimador de “p” por el método de la máxima verosimilitud y el de

los momentos en una B(n,p) a través de una m.a.s de tamaño n.

11. Se considera una población representada por la variable ξ con distribución de

probabilidad definida como:
P(ξ = x) = θ (1 − θ ) x −1 para x = 0,1,2,... y θ ≥ 0 .

Determinar el estimador, por el método de máxima verosimilitud, del parámetro

poblacional θ (supuesto extraída una m.a.s de tamaño n).

12. Dada la variable aleatoria ξ cuya distribución de probabilidad viene definida por la
función de densidad:
1 −x
f ( x, θ ) = e θ
… x ≥ 0…θ > 0
θ
f ( x, θ ) = 0 … x < 0

Determinar en base a la información que proporciona una m.a.s de tamaño n:

a) El estimador de máxima verosimilitud de θ .

b) El estimador de θ por el método de los momentos.

13. Dada una población representada por la variable aleatoria ξ que se distribuye
según la ley N ( µ , σ ) , con base a la información proporcionada por una m.a.s de tamaño
n, determinar:

a) El estimador máximo-verosímil de la media poblacional, con σ conocida.

b) El estimador máximo-verosímil de la varianza poblacional, con µ conocida.
c) Los estimadores máximo-verosímiles de la media y varianza poblacionales en el
supuesto de que ambos parámetros poblacionales sean desconocidos.

d) Los estimadores por el método de los momentos de cada parámetro poblacional

(desconocido).

Grado en A.D.E. 2
Estadística Empresarial II Ejercicios del tema 3 Prof. Julio Hernández

14. Dada la función de densidad:

2(θ − x)
f ( x, θ ) = para 0 ≤ x ≤ θ
θ2

Determinar el estimador, por el método de los momentos, del parámetro poblacional

θ (supuesta extraída m.a.s (n)).

15. Se considera una población representada por la variable ξ , definida por:

1−θ 1 θ
P (ξ = −1) = P (ξ = 0) = P (ξ = 1) = con 0< θ <1
2 2 2
Se ha elegido una muestra aleatoria simple de tamaño 50, con los siguientes resultados:

xi: -1 0 1
ni : 10 25 15

a) Obtener la estimación máximo verosímil de θ , en base a dicha información.

b) Obtener el estimador máximo verosímil de θ , en base a dicha información.
c) Obtener el estimador de θ por el método de los momentos, ¿Es dicho
estimador insesgado? ¿Es consistente?

16. La función de cuantía de la variable aleatoria ξ se define por:

1−θ θ 2
P (ξ = 1) = ; P (ξ = 2) = ; P (ξ = 3) =
3 3 3
Si se ha escogido una m.a.s. de 30 observaciones con los siguientes resultados:

xi 1 2 3

ni 5 5 20

Se pide obtener el estimador de máxima verosimilitud de θ, justificando razonadamente

los cálculos efectuados y la estimación de máxima verosimilitud asociada a la muestra.

Grado en A.D.E. 3