TEMA 5: Introduccin a la Inferencia

PROBLEMAS PROPUESTOS 1. La variable aleatoria X1 tiene una distribucin N (, 2 ) y la variable X2 , independiente de la anterior, tiene una distribucin N (2, 32 ). Se toma una muestra de tamao n1 de la primera variable y otra de tamao n2 de la segunda. Para estimar el valor del prmetro se utiliza el estimador = ax1 + bx2 , donde a y b representan constantes, y x1 y x2 son las medias de ambas muestras. Qu condicin deben cumplir los valores de a y b para que el estimador sea centrado? SOLUCIN a + 2b = 1 2. En muestras aleatorias simples de tamao n = 3 de una variable aleatoria normal de media y varianza conocida 2 = 1, se consideran los siguientes estimadores de : 1 X1 + 3 1 U2 = X1 + 4 1 U3 = X1 + 8 U1 = 1 X2 + 3 1 X2 + 2 3 X2 + 8 1 X3 , 3 1 X3 , 4 1 X3 , 2

donde X1 , X2 , X3 son las observaciones. Comprobar que son estimadores insesgados y estudiar su error cuadrtico medio (sep. 99) SOLUCIN ECM (U1 ) = 0.333; ECM (U2 ) = 0.375; ECM (U3 ) = 0.406 luego el ms eciente es U1 . 3. Se desea estimar la media de una variable aleatoria X. Para ello se toman 10 datos y se calcula su y la varianza de dichos datos s2 . Comentar si son verdaderas o falsas las siguientes media muestral X X armaciones (a) Por el teorema central del lmite sabemos que ser una variable aleatoria normal (b) Un estimador de X es X (c) Si queremos estimar necesitamos al menos 50 datos (d) La media muestral con un conjunto de datos es un nmero y no una variable aleatoria tiene siempre una distribucin en el muestreo segn una normal (e) La media muestral X es siempre normal (f) Si X es normal, X a la mitad habra que tomar al menos 100 datos (g) Para disminuir la varianza de X = (h) Como la media muestra es un estimador insesgado, tenemos asegurado que X 4. Un analista toma 100 observaciones de una variable aleatoria X de distribucin NORMAL, con el n de estimar su valor medio . Con estos 100 datos, tiene dos opciones para estimar : (a) Estimador 1: Calcular la media muestral de los 100 datos ) = , una segunda opcin sera dividir los 100 datos en 10 submuestras (b) Estimador 2: como E (X 1 , ...X 10 ) y nalmente promediar estas 10 de tamao 10, calcular la media de cada submuestra (X medias. Se pide: 1

(a) Cul de las dos opciones proporciona un mejor estimador de ? (b) Que forma tendr el histograma de las 10 medias muestrales del segundo estimador? 5. El tiempo T (segundos) que un ordenador tarda en ejecutar una tarea sigue una variable aleatoria continua de funcin de densidad f (t) = /t(+1) , con t 1, > 0. (a) Utilizando el mtodo de los momentos, propn un estimador para el parmetro . (b) Se ejecuta 5 veces la tarea, y se cronometra el tiempo que ha tardado cada vez. Estos tiempos son (segundos): 6,5,3,7,2. Basndonos en esta muestra, y el estimador de anterior, estima la probabilidad de que se tarde ms de 5 segundos en realizar la tarea SOLUCIN: /(T 1) (a) =T

(b) P = 0.127

6. La duracin de un sistema hasta que se produce un fallo por causas fortuitas se puede modelizar con una distribucin exponencial T Exp(). Durante un tiempo se anota el tiempo que ha estado el sistema funcionando hasta que se produjo un fallo. Se obtienen as los siguientes valores de duraciones en horas: 18, 94, 22, 143, 114. Estima el parmetro de la exponencial utilizando el mtodo de los momentos. SOLUCIN: = 0.013 averas/hora MAXIMA VEROSIMILITUD (avanzado) 7. Estimar por mxima verosimilitud el parmetro a de la variable aleatoria cuya funcin de densidad es f (x) = SOLUCION: La funcin de verosimilitud asociada a una muestra X de tamao n es n Y n n Y 2a (3a1)/(1a) 2a (3a1)/(1a) l(a) = xi , = xi 1 a 1 a i=1 i=1 tomando logaritmos en esta expresin se obtiene la funcin soporte, L(a) = n log 2a n log(1 a) + 3a 1 X log xi , 1 a i=1
n

2a (3a1)/(1a) cuando 0 x 1. x 1a

resolviendo esta ecuacin se obtiene, a =

derivando e igualando a 0 para imponer la condicin de mximo se obtendr el estimador mximo verosmil de a, n X n n 2 dL log xi = 0, = + + da a 1 a (1 a)2 i=1 n Pn 1 Pn

n2

i=1 log xi

1 (2/n)

i=1

log xi

que se comprueba que efectivamente es un mximo de la funcin L(a). 2

8. La funcin de distribucin de una variable aleatoria viene dada por la expresin k , x k, F (x) = 1 x donde el valor de k es conocido. Calcular la varianza asinttica del estimador mximo verosmil del parmetro . SOLUCION: La funcin de densidad es la derivada de la funcin de distribucin respecto de x, f (x) = dF k = +1 dx x x k,

por lo tanto la funcin de verosimilitud asociada a una muestra X = {x1 , . . . , xn } es n Y k n k n = l( | X) = Q n +1 +1 , x i i=1 xi i=1
n X i=1

tomando logaritmos en esta ecuacin se halla la funcin soporte,

L() = n log + n log k ( + 1)

log xi ,

y derivando e igualando a 0 para imponer la condicin de mximo

n X dL n log xi = 0, = + n log k d i=1

de donde se obtiene que el estimador mximo verosmil es = Pn Var( ) = teniendo en cuenta que d2 L n = 2, 2 d operando resulta que Var( ) = y un estimador de esta varianza ser: 2 d ( , Var ) = n 2 , n n . log( xi /k) i=1 1

Como

d2 L d2

=verdadero valor

9. La velocidad de una molcula, segn el modelo de Maxwell, es una variable aleatoria con funcin de densidad, ( 4 1 2 (x/)2 , x0 3x e f (x) = 0, x < 0. Donde > 0, es el parmetro de la distribucin (a) Calcular el estimador mximo verosmil de . 3

(b) Calcular la varianza asinttica del estimador anterior. SOLUCION: (a) La funcin de verosimilitud para una muestra (x1 , ..., xn ) de tamao n es Pn n i=1 x2 4n 1 Y 2 i l() = n/2 3n , x exp i=1 i 2 tomando logaritmos en esta expresin se obtiene la funcin soporte, Pn x2 i L() = k 3n log i=1 , 2 donde k engloba a todos los trminos que no dependen de . Derivando L respecto de e igualando a cero para imponer la condicin de mximo, Pn 3n 2 i=1 x2 dL i = 0, = + d 3 y resolviendo esta ecuacin se halla el estimador mximo verosmil de r Pn 2 i=1 x2 i . MV = 3n

(b) La varianza asinttica del estimador mximo verosmil es Var( MV ) = como 2 1 d L 2 d =verdadero ,
valor

P 2 3n2 6 n d2 L i=1 xi = , d2 4 Var( MV ) = 6 P

sustituyendo por MV y operando se obtiene un estimador de esta varianza asinttica: 2 d ( Var MV ) = MV . 6n

4 . 2 x2 i 3n

10. Supngase que x1 , . . . , xn constituyen una muestra aleatoria de una distribucin cuya f de densidad. f (x) es la siguiente: x1 para 0 < x < 1, f (x) = 0 en otro caso. Determnese el estimador M.V. de y calcular tambin E (X ) y V ar(X ).(sep. 97) SOLUCIN: f (x) = x1
dL d

0 < x < 1; f (x1 , . . . , xn ) = n (

n

i=1

= n/ +

i=1

n P

(log xi );

bMV = n/ P (log xi )
i=1

n Q

xi )1 ; L(x1 , . . . , xn ) = n log + ( 1)

i=1

n P

(log xi )

E (X ) =

1 R 0

E (X 2 ) =

V (X ) = E (X 2 ) [E (X )]2 = /( + 2) 2 /( + 1)2 =

1 R 0

1 xx1 dx = x+1 /( + 1) 0 = /( + 1)

1 x2 x1 dx = x+2 /( + 2) 0 = /( + 2)

(+2)(+1)2

11. Los ingresos x (en miles de millones) de las empresas de un sector, durante un ao concreto, siguen una distribucin con funcin de densidad: f (x) = 2 x exp(x) 0 x (a) Hallar el estimador M.V. de . (b) Hallar su varianza asinttica.(julio 99) SOLUCIN: Qn Pn (a) f (x) = 2 x exp(x) 0 x :f (x1 , . . . xn ) = 2n ( i=1 xi ) exp ( i=1 xi ) ; log f (x1 , . . . xn ) = P Pn P P 2n n log f f n i=1 xi = 2 n ; log = 0 2n 2n log + n i=1 log xi i=1 xi ; i=1 xi = Pn 2 log f 2 n 2 2 n b = Pn = ; = < 0 luego es un mximo. i=1 xi = 0 x 2 2 i=1 xi h 2 i1 f 2 bMV ) = log = 2 (b) var( 2 n ; Un estimador de esta varianza se puede conseguir =verdadero valor sustituyendo el parmetro por su estimacin. Es decir: bM V ) = var( c b2 2n MV = Pn 2 2n ( i=1 xi )

12. Sea X una v.a. que sigue una distribucin con funcin de densidad 1 1 2 f (x) = exp 2 (log x ) 2 2 2 Calcular el estimador de mxima verosimilitud para . (junio 97) SOLUCIN: f (x) =
1 2x n Q

x>0

n o 2 1 exp 2 2 (log x ) f (xi | ) =

f (X | ) =

i=1

L() = n log L0 () =
0 1 2 2 2

i=1

n P

n P 2 n log log xi i=1

1 1 1 n (2 )n/2 n Q xi
i=1

x>0 n P 2 1 exp 22 (log xi )

i=1 1 2 2 i=1 n P

(log xi )

(log xi )

) = 0 L (

i=1

n P

(log xi ) = 0 b=

i=1

n P

log xi n