6.1 Estimadores Puntuales - Ejercicios Resueltos

6. Estimadores Puntuales – Ejercicios Resueltos

ANÁLISIS ESTADÍSTICO

Alejandro González Tapia – Ingeniería Civil en Minas Página 111

1.- La resistencia de una plancha es una variable aleatoria continua X cuya función de

densidad es: . Su función de distribución de probabilidad

es: , con desconocido. Sea ( ) una m.a. (n) de X, determine el

estimador máximo verosímil de .

Sobre la base de una muestra aleatoria de 5 planchas, las resistencias observadas fueron: 0,5;

0,5; 0,8; 0,9 y 1. Determine la probabilidad que una plancha, elegida al azar, tenga resistencia

inferior a 0,7.

1) Solución: La primero que debemos hacer es calcular la “función de verosimilitud”, lo que se lleva a

cabo, por medio de la siguiente fórmula:

Luego, tenemos que determinar el logaritmo natural de , como se muestra a continuación:

En seguida, se obtiene el valor de que maximiza , lo que se logra derivando con

respecto a los parámetros desconocidos e igualando a cero dicha derivada, es decir:

Después, se despeja de la expresión anterior, para así obtener el estimador máximo verosímil de ,

como se ve a continuación:

Posteriormente, sobre la base de la muestra aleatoria de 5 planchas, calculamos el valor de

Finalmente, calculamos probabilidad requerida por el ejercicio:

Respuesta: La probabilidad que una plancha, elegida al azar, tenga resistencia inferior a 0,7, es igual

a 0,4218.



Página 112 Alejandro González Tapia – Ingeniería Civil en Minas

2.- En una fábrica se ha medido el tiempo X, en horas, transcurrido entre dos detenciones

provocadas por averías en las máquinas, en una muestra aleatoria se obtuvo los siguientes

tiempos: 3, 1, 7, 3, 8, 11, 7, 1, 8, 4 en horas. Se sabe que la función de distribución que sigue

dicho tiempo es

2.1) Sea una muestra aleatoria de X, con β desconocido, determine el estimador

máximo verosímil del parámetro β.

2.2) ¿Cuál la probabilidad de que en la fábrica transcurran más de 8 horas sin averías?

2.1) Solución: Sabemos que la derivada de la función de distribución, es igual a la función de

densidad, es decir:

Luego, definimos la “función de verosimilitud”:

Determinamos el logaritmo natural de :

Derivando con respecto a , e igualamos a cero:

Despejamos , quedando de la siguiente forma:




2.2) Solución: Utilizando la muestra que nos proporciona el ejercicio, calculamos el Estimador Máximo

Verosímil, como se ve a continuación:

En seguida, determinamos la probabilidad que nos solicita el problema:

Respuesta: La probabilidad de que en la fábrica transcurran más de 8 horas sin averías, es igual a

0,188.

3.- La distancia entre un árbol cualquiera y el árbol más próximo a él, en un bosque, sigue

una distribución de Rayleigh con función de densidad:

3.1) Determine el estimador máximo verosímil , a partir de una muestra aleatoria de , de

tamaño 50, obtenida la siguiente información.

3.2) Determine si el estimador es insesgado.

3.1) Solución: Definimos la “función de verosimilitud”, la que está dada por:

Calculamos el logaritmo natural de :




A continuación, derivamos , con respecto a e igualamos a cero, es decir:

Luego, con la información que nos brinda el ejercicio, calculamos el valor de

3.2) Solución: Sabemos que para que estimador sea insesgado, se debe cumplir que la esperanza

de estimador sea igual al estimador, es decir:

Luego, determinamos por medio de propiedades la esperanza de , de la siguiente forma:

Posteriormente, calculamos la expresión antes definida:

Finalmente, como se cumple la igualdad, el estimador es insesgado.

4.- Sea , muestra aleatoria de una población y desconocido:

4.1) Encuentre el estimador máximo verosímil de α.

4.2) Si las observaciones de una muestra aleatoria para la variable X son: 1,1; 0,9; 1,4; 1,2;

0,7. Estime la probabilidad de que la variable aleatoria no sea inferior a 1.

4.1) Solución: Lo primero que debemos hacer es definir la función exponencial con variable α, la que

se expresa de la siguiente forma:

Determinamos la “función de verosimilitud”:




En seguida, calculamos el logaritmo natural de :

Derivando e igualando a cero:

4.2) Solución: Utilizando los datos de la muestra aleatoria que nos entrega el problema,

determinamos el estimador puntual :

Respuesta: En base a la muestra aleatoria, la probabilidad estimada de que la variable aleatoria no

sea inferior a 1, es igual a 0,3893.

5.- Sea muestra aleatoria proveniente de una distribución normal con media µ y

varianza 2, cuya función densidad es:

Se propone a las siguientes estadísticas como estimadores de µ:

5.1) Pruebe si estos estimadores son insesgados e indique cual es más eficiente.

5.2) Encuentre el estimador máximo verosímil de µ.

5.3) Compare el estimador obtenido por el método de máxima verosimilitud con los dos

propuestos, ¿Cuál es mejor estimador para µ? Justifique su respuesta.

5.1) Solución: Lo primero que debemos corroborar es, si se cumple que la esperanza del estimador

puntual es igual al estimador puntual, sabiendo que la media y la varianza de es µ y 2,

respectivamente, como se ve a continuación:




Es decir, ambos estimadores puntuales de µ son insesgados.

En seguida, debemos determinar la varianza de cada uno de los estimadores, para así ver cuál de los

dos estimadores es más eficiente:

Debido a que es menor que , se llega a la conclusión que el estimador puntual es más

eficiente que el estimador puntual .

5.2) Solución: En este ítem lo primero que debemos hacer es definir la “función de verosimilitud”:

Calculamos el logaritmo natural de :

Derivamos e igualamos a cero:

5.3) Solución: Empezamos por determinar si el estimador puntual de que determinamos en el ítem

anterior es insesgado, lo que llevamos a cabo de la siguiente forma:




Por lo tanto, el estimador puntual de es insesgado, luego, determinaremos la varianza de dicho

estimador, para ver si mejor estimador, como se ve a continuación:

En seguida, como la varianza de es menor en comparación a las varianza de e , se concluye

que el estimador puntual, , es más eficiente, es decir, mejor.

6.- En un estacionamiento el número de veces ( ) que se debe subir la barrera en un intervalo

de 10 minutos, para que pasen vehículos en un sector de alta seguridad, se considera una

variable aleatoria con distribución de Poisson de parámetro λ desconocido.

6.1) En una muestra aleatoria de 8 intervalos de 10 minutos cada uno, elegidos en forma

independiente, se registra para cada intervalo el valor que toma la variable en estudio .

3 5 8 7 4 5 6 2

Encuentre la estimación máximo verosímil de λ.

6.2) Sea una muestra aleatoria tamaño n de ~ Poisson( )

Si

; son estimadores del parámetro . Determine cuál de ellos es

el mejor estimador del parámetro .

6.1) Solución: Utilizaremos la siguiente variable:

“Número de veces que se debe subir la barrera en un intervalo de 10 minutos, para que pasen

vehículos en un sector de alta seguridad”

Luego, sabemos que dicha variable tiene una distribución de Poisson, como se muestra a

continuación:

En seguida, definimos la “función de verosimilitud”:

Determinamos el logaritmo natural de :





En seguida, utilizando la muestra aleatoria, obtenemos el valor del estimador máximo verosímil, como

se ve a continuación:

Respuesta: En una muestra aleatoria de ocho intervalos de 10 minutos cada uno, elegidos en forma

independiente, la estimación máxima verosímil corresponde a 5.

6.2) Solución: Lo primero que se debe hacer es determinar si estos estimadores son o no insesgados,

lo que se sabe si se cumple que la esperanza del estimador es igual al mismo estimador, es decir:

Por lo tanto, ambos estimadores son insesgados. Entonces, el paso a seguir es determinar la

varianza de cada estimador puntual, lo que se hace de la siguiente manera:

En conclusión, la efectividad de los estimadores depende del tamaño de la muestra, ya que, si la

muestra es igual a uno, el estimador más eficiente es , en cambio, si la muestra es mayor a uno, el

mejor estimador es .

7.- Sea una muestra aleatoria de una variable aleatoria con distribución Normal

con media y varianza .

Se proponen los siguientes estimadores:

Determine cuál es el mejor estimador para . Justifique su respuesta.




7) Solución: Debemos determinar si los estimadores que nos proponen son o no insesgados, como se

muestra a continuación:

Debido a que ambos estimadores propuestos son sesgados, se debe determinar el sesgo o error del

estimador, lo que se calcula con la siguiente fórmula:

En seguida, calculamos la varianza de cada uno de lo estimadores propuestos:

Finalmente, calculamos el error cuadrático medio del estimador, para así saber cuál de los dos

estimadores puntuales es mejor, lo que se realiza con la siguiente fórmula:

Respuesta: Debido a que el error cuadrático medio de es menor que el error cuadrático medio

de , se concluye que el mejor estimador para , es .

8.- Sea la variable aleatoria continua, que indica el tiempo de desintegración de un átomo,

con distribución exponencial truncada con parámetro ( > 0) es decir, que toma sólo

aquellos valores de superiores a . Sea ( una muestra aleatoria tamaño n de .

8.1) Determine el estimador máximo verosímil de , si la función de distribución de

probabilidad de la exponencial truncada es:

8.2) Encuentre la estimación puntual del parámetro a para el valor cuando se ha

observado los siguientes tiempos de desintegración de un átomo (u.t.): 3, 7, 5, 8, 4, 1, 5,

2, 9 y 6.




8.1) Solución: Sabemos que la derivada de la función de distribución es igual a la función de densidad, es decir:

En seguida, definimos la “función de verosimilitud”:

Aplicamos logaritmo natural:


8.2) Solución: Considerando la muestra que nos entrega el ejercicio, tenemos que:

Reemplazando:

Respuesta: La estimación puntual del parámetro para el valor , con las diez observaciones dadas por el problema, es igual a 0,25.




9.- Sea una muestra aleatoria de , distribuida según , con desconocido.

Donde representa el tiempo máximo necesario para terminar un proceso, en segundos:

9.1) Determine el estimador máximo verosímil de .

9.2) En base a una muestra aleatoria de , determine la estimación máximo verosímil de ,

donde la muestra está constituida por los siguientes datos: 0,7; 0,9; 0,6; 0,8; 0,9; 0,7;

0,9; 0,8. Estime la probabilidad del tiempo máximo necesario para terminar un proceso,

no exceda los 0,5 segundos, ni supere los 0,75 segundos.

9.3) Determine el estimador máximo verosímil de: a) . b)

9.1) Solución: Determinamos la “función de verosimilitud”:

En seguida, calculamos el logaritmo natural de :

Derivamos e igualamos a cero:

9.2) Solución: Determinamos el estimador máximo verosímil de , con los datos de la

muestra que nos entrega el ejercicio:

Luego, estimamos que la probabilidad de




Respuesta: En base a una muestra aleatoria de , que nos otorga el ejercicio, el estimador

máximo verosímil de , corresponde a 3,0271, y al estimar que la probabilidad del tiempo

máximo necesario para terminar un proceso, no excede los 0,5 segundos, ni supera los 0,75

segundos, es igual 0,3102.

9.3) Solución: Debido a que determinamos , que corresponde al estimador máximo verosímil de ,

por lo tanto, las expresiones pedidas las calculamos por medio de propiedades:

a)

b) –

–

–

–

6.1 Estimadores Puntuales - Ejercicios Resueltos

Documents

Transcript of 6.1 Estimadores Puntuales - Ejercicios Resueltos