Ejer Cici Os Re Sueltos e MV

UNLP Facultad de Ingeniera Materia: Estadstica
Carreras: Ing. Electromecnica y Electricista Magster Lic. Alicia Ledesma

Pgina 1 de 13
CAPTULO 4.

PROBLEMAS RESUELTOS

Problema 1. El tiempo de vida T duracin de ciertos componentes electrnicos C es una v.a.
con distribucin exponencial con media =4000 horas. Un equipo E est formado por cinco
componentes C dispuestos en serie, de manera que el equipo E falla cuando cualquiera de los
componentes C lo hace (los tiempos de vida de los componentes del equipo son v.a.
independientes).

a) Calcular la probabilidad de que el tiempo de vida de un equipo sea inferior a 1000 horas.
b) Obtener la funcin de densidad de la variable aleatoria Tiempo de funcionamiento de un
equipo E y calcular su media.
c) Diez equipos E se pusieron en funcionamiento simultneamente, obtenindose los siguientes
tiempos de vida: 73, 150, 162, 368, 592, 985, a las 1000 horas el ensayo se interrumpi y 4
equipos no haban fallado. Estimar por MV el tiempo de vida medio de los equipos.
Solucin

a) La probabilidad de que un equipo dure menos de 1000 horas ser la probabilidad de que al
menos uno de los componentes del equipo dure menos de 1000 horas.

Si T
E
es la v.a. que representa el tiempo de vida de un equipo, se tiene:

P [T
E
( 1000] =1 P [T] 1000]
5

Por ser los componentes v.a. exponenciales con media 4000 horas, y recordando que:
si T es v.a. con distribucin exponencial con parmetro o, la f.d.p de T ser:

>
=
contrario caso en 0
0 t si
t/
e
1
f(t)

y E(T) =o

Entonces: 0,22 e 1 dt e .
4000
1
1000) P(T
1/4 t/4000 -
1000
1
= = = <

}

P(T >1000) =0,78 y P(T
E
<1000) =1 0,78
5
=0,72 (revisar las cuentas)

b) Nos pide hallar la f.d.p de la v.a .tiempo de funcionamiento de un equipo E, es decir la f.d.p
de T
E
. Recordando lo hecho en probabilidades:
Primer paso. hallar la F.d.a.


Pgina 2 de 13

| |
5
t
t/4000 -
4000
1
5
E E
dt e . 1 t P(T 1 t) P(T (t) F
(
= > = < =
}

integrando se obtiene:
F
E
(t) =1-e
-5t / 4000
, cuando t >0

Segundo paso: derivamos respecto de t, para obtener la f.d.p.

Recordar que:
dt
(t)
E
dF
(t)
E
f =

Operando se obtiene: 0 t cuando
800 t / -
e .
800
1
(t)
E
f > =

Tercer paso: Ver para que valores de t, la funcin obtenida es una f.d.p. En este caso no hay
nada que hacer al respecto la funcin buscada es:

>
=
contrario caso en 0
0 t si
800 t /
.e
800
1
(t)
E
f

Observar que es una funcin de densidad de una v.a. con distribucin exponencial y media 800
c) En este problema de estimacin hay que tener en cuenta que no se conoce el valor exacto de 4
datos muestrales, siendo toda la informacin relativa a estos datos que son mayores que 1000.
En este caso la funcin de verosimilitud viene dada por:

k n
)
f
t
E
(T ).P ;
k
(t )....f ;
1
(t f

>
donde:
n =tamao muestral
k =nmero de datos muestrales conocidos con exactitud
t
f
=lmite de las observaciones (en este caso 1000)

por tanto la funcin de verosimilitud vendr dada por:

4
)
1000/ -
(e .
6
1 i
/
i
t -
e .
6
1
4
)
1000/ -
(e .
/
6
t -
e .
1
.....
/
2
t -
e .
1
.
/
1
t -
e .
1
6 10
1000)
E
).P(T ;
6
t )......f( ;
2
).f(t ;
1
f(t
=
=
= =
=
>



Pgina 3 de 13
Observar que se debe tener en cuenta que la v.a. tiene distribucin exponencial con parmetro
o, y el ltimo factor, es decir (e
-1000/o
)
4
, representa la probabilidad de que haya 4 equipos cuya
duracin sea superior a las 1000 horas.

Tomando logaritmo a lo obtenido:
4000
6
1 i
/
i
t ln 6 )
4
)
/ 1000 -
(e .
6
1 i
/
i
t -
e .
6
1
ln(
=
=
=

Derivando respecto de o la expresin obtenida e igualando a cero, se obtiene la ecuacin:
0
4000
t
6
2
6
1 i
i 2
= + +
=

0
4000
2330
6
2 2
= + +

multiplicando por o
2
resulta:
-6o+2330+4000 =0
de donde se obtiene o =1055 horas (probar que efectivamente es mximo).

Por tanto el estimador buscado es: horas 1.055 =

Problema 2. Si una v.a X tiene f.d.p dada por:

0 1; x 0 ,
- 1
1 - 3
x .
1
2
) f(x; > s s
=

a) Hallar el estimador del parmetro u por el mtodo de mxima verosimilitud a partir de una
muestra de tamao n.

b) Comparar el estimador obtenido en a) con el que se obtiene con el mtodo de los momentos.
Solucin
a) Sea la muestra aleatoria de tamao n: (X
1
,, X
n
). La funcin de verosimilitud ser:
( )
0 , 1
n
x 0 ..., 1;
2
x 0 1;
1
x 0

1
1 3
n
x
1
2
...
1
1 3
2
x
1
2
1
1 3
1
x
1
2
l
> s s s s s s
=

Tomando ln en la ltima expresin:



Pgina 4 de 13
( ) ( ) ( ) | |
+ + =
=
=
+ =
=
+ = =
n
1 i
i
lnx .
1
1 - 3
) nln(1 nln nln2
n
1 i
i
lnx .
1
1 3
) ln(1 - 2 ln n.
n
1 i
i
lnx .
1
1 3
)
- 1
2
ln( n. lnl L

luego del tercer signo = tener en cuenta: el ln de un cociente es la resta de los ln.
Derivando la expresin anterior, respecto de u, e igualando a cero, se obtiene la ec:
( )
0 lnx .
) (1
2
1
n
n
d
dL
n
1 i
i 2
=
+ =

=

por tanto:
) (1
n
1
n
n
n
1 i
i
lnx .
2
) (1
2
=
=

( ) - 1 2.
) n.(1
lnx
2 n
1 i
i

=
=

2
) n(1
lnx
n
1 i
i

=
=

0 n n lnx 2..
n
1 i
i
= +
=
de donde resulta:
=
n
1 i
i
lnx 2 n
n
(probar que es un
mximo).
El estimador buscado es:
=
n
1 i
i
lnx 2 n
n

a) Para hacer la comparacin que se pide debemos primero hallar el estimador de u por
el mtodo de los momentos.
Recordar que debemos resolver la ecuacin: E(X) X =

1
2
dx
1
0

- 1
2
x .
1
2
1
0
1
1 3
x x. .
1
2
E(X)
+
=
}
}
=
dx
-
-

Escribimos la igualdad a la que me refer en la pg. anterior:

1
2
X
+
= despejando u, resulta que el estimador por el mtodo de los momentos es:
X 2
X
=
Se observa que los dos estimadores obtenidos por distintos mtodos son diferentes.

Pregunta: cul es mejor y porqu?
Indicacin. Fijarse si ambos son insesgados, si alguno no lo es, elegimos el insesgado. si ambos
son insesgados estudiar cul tiene mayor eficiencia o precisin


Pgina 5 de 13

Problema 3. En un proyecto espacial de la NASA se ha descubierto que la variacin de la
temperatura cada hora en una determinada zona del planeta krypton se distribuye segn una v.a.
cuya funcin de densidad es:
e
1) (
2
x
2
1
.
2
1
.
1) (
1
) f(x; +
+
=

donde se supone que o >-1. Se desea estimar el parmetro o. Se toma una muestra de n
variaciones de temperatura independientes.
Calcular el estimador de mxima verosimilitud de o.
Solucin
Debemos calcular la funcin de verosimilitud.
( )
e
n
1 i
2
i
x .
1) 2(
1 -
.
n
) 2 (
1
.
n
) 1 (
1
) ;
n
1 i
i
f(x l

=
+
+
= [
=
=

( ) ( )
=
+
+ = =
n
1 i
2
i
x .
1) 2(
1
.ln2
2
n
1) .ln(
2
n
lln L

derivando la expresin anterior respecto de o e igualando a 0, se obtiene la ec.
( )
0
n
1 i
2
i
x .
2
1) 2(
1
1) (
1
.
2
n
d
dL
=
=
+
+
+
=
debemos hallar o a partir de la ec. anterior.
(1) 1
n
n
1 i
2
i
x

n
1 i
2
i
x
1
1
n
n
1 i
2
i
x .
2
1) 2(
1
1) (
1
.
2
n
=
=
=
+
=
=
+
=
+

Comprobamos ahora que se trata de un mximo (en los ejercicios hechos hasta ahora esto se los
dej para que lo hagan ustedes):

(
(
(
(
+
=
+
+
=

= =
1
x
2
n
1) (
1
1) (
x
1) (
1
2
n
d
) ; X ,..., lnL(X d
n
1 i
2
i
2 3
n
1 i
2
i
2 2
n 1
2
(2)
debemos comprobar que esta derivada segunda es negativa para el valor de o obtenido en (1):
en la expresin (2): -1 0
1) (
1
2
> >
+



Pgina 6 de 13
0 n
2
n
1 1
n
x
x
2
n
n
1 i
2
i
n
1 i
2
i
< =
+
=
=

luego el valor de o se trata de un mximo.

El estimador buscado es: 1
n
n
1 i
2
i
x

=
=

Problema 4. En una distribucin con media y varianza o
2
para estimar la media se toman
muestras aleatorias de tamao n. Se consideran dos estimadores:
n
n
1 i
i
X
a

=
= y
=
=
n
1 i
i
n
1 i
i
iX
b

Determinar cual es el mejor estimador.
Solucin
Para determinar cual de los dos estimadores es mejor nos limitamos a las propiedades de
insesgamiento y eficiencia.

i) Son insesgados?

insesgado es
estimador este .n
n
1
.
n
1
) X E( .
n
1
E( ) a E(
n
1 i
i
n
1 i
)
n
n
1 i
i
X
= = = = =

= =
=

insesgado. es
estimador este i
1
) iE(X .
1
) E( ) b
E(
n
1 i
n
1 i
i n
1 i
i
n
1 i
i
n
1 i
i
n
1 i
i
iX
= = = =

= =
=
=

Por tanto desde el punto de vista del sesgo ambos estimadores son insesgados.

ii) Estudio de la eficiencia de un estimador respecto del otro
(1)? igualdad la escribir puede se porqu

n
2
n
1 i
2
n
1 i
2
n
1
)
i
V(X
2
n
1
(1)
n
1 i
)
i
X V(
2
n
1
)
n
n
1 i
i
X
V( ) a V( =
=
=
= =
=
=
=
=



Pgina 7 de 13
1 n
1 2n
.
3
2
.
n
2
(2)
2
n)
2
n 1
(
6
1) 1)(2n n(n
2
(1)
2
)
n
1 i
i (
n
1 i
2
i
2
n
1 i
2
2
i
2
)
n
1 i
i (
1
n
1 i
)
i
V(X
2
i
2
)
n
1 i
i (
1
n
1 i
)
i
V(iX
2
)
n
1 i
i (
1
n
1 i
)
i
iX V(
2
)
n
1 i
i (
1
n
1 i
i
n
1 i
i
iX
V ) b
V(
+
+
=
+
+ +
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
(
(
(
(
(
=
=
=

Las igualdades (1) y (2) se estudian en matemtica, en caso de tener que usarlas se las darn
como indicacin.
Obtenidas las varianzas de ambos estimadores, ser ms eficiente aquel que tenga menor
varianza.
Supongamos que ) a V( ) b
V( >
1 n 3 3n 2 4n 1
1 n
1 2n
.
3
2

n
2
1 n
1 2n
.
3
2
.
n
2
> + > + >

+
+
>
+
+

la condicin hallada es posible, por lo cual la hiptesis ) a V( ) b V(
> es cierta. Por tanto

resulta ms eficiente el estimador a por tener menor varianza.

Problema 5. Sea (X
1
,,X
n
) una muestra aleatoria de una poblacin de media y varianza o
2
.
Considrense los siguientes estimadores de :
4
n
X
1 n
2 i
i
X .
2) (n
1
2
1
4
1
X
1
+
+ = y
=
=
n
1 i
i
X
n
1
2

a) Demostrar que los dos estimadores son insesgados.
b) Determinar la eficiencia relativa de
2
respecto de
1
.
c) Calcular el error cuadrtico medio de los dos estimadores.
Solucin
a)

4
1
2) (n
2) (n
1
2
1
4
1
)
n
E(X
1 n
2 i
4
1
)
i
E(X
2) (n
1
.
2
1
)
1
.E(X
4
1
)
1
E(
= +
+
+ =
=
=
+
+
+ =

n
n
1
n
1 i
n
1
n
1 i
)
i
E(X
n
1
)
2
E( = =
=
=
=
=



Pgina 8 de 13
b)
) V(
) V(
) / ef(
1
2
1 2
=
2
2) 8(n
n
2
16
1
2
2) (n
2
2) (n
1
4
1
2
16
1

)
n
V(X
1 n
2 i
16
1
)
i
V(X
2
2) (n
1
4
1
)
1
V(X
16
1
)
1
V(
= +
+ =
=
=
+
+ =

n
2
2
n
2
n
1
)
1 n
2 i
i
V(X
2
n
1
)
2
V( = =
=
=

2
n
2) 8(n
2
2) 8(n
n
n
2
)
1
/
2
ef(

=
=

Cul de los dos estimadores es ms eficiente? porqu?

b) Como ambos estimadores son insesgados, resulta:
)
2
V( )
2
ECM( y )
1
V( )
1
ECM( = =

recordar que para un estimador cualquiera del parmetro se verifica:
| |
2
) sesgo( ) V( ) ECM( + =

Problema 6. La F.d.a de una v.a. viene dada por:
k x si ,
x
k
1 F(x) > |
.
|
\
|
=
donde el valor de k es conocido. Calcular la varianza asinttica del estimador de mxima
verosimilitud del parmetro .
Solucin
La f.d.p ser: k x
1
x
.k
dx
dF
f(x) >
+
= =
Dada una muestra aleatoria que toma los valores: (x
1
, x
2
,, x
n
), la funcin de verosimilitud
ser:
[
=
+
= [
= |
|
|
.
|
\
|
+
=
+ + +
= =
n
1 i
1
i
x
n
.k
n
n
1 i
1
i
x
.k
1
n
x
.k
....
1
2
x
.k
.
1
1
x
.k
) ;
n
)...f(x ;
2
).f(x ;
1
f(x l((
Tomando logaritmo en esta ltima ecuacin se obtiene la funcin soporte:


Pgina 9 de 13
) ln(x 1) ( n...ln( n.ln(. ) L(
n
i
i
=
+ + =
Derivando e igualando a cero para imponer la condicin de mximo:
= + =
n
i!
i
0 ) ln(x n.ln(k)
n
d
dL

de donde se obtiene que el estimador de mxima verosimilitud es:
=
+
=
n
1 i
i
) ln(x nlnk
n

Como:
valor verdadero
2
2
d
L d
1
) Var(
=
(
=
teniendo en cuenta que:
2 2
2
n
d
L d
= operando resulta que:
n
) Var(
2
= y un estimador de
esta varianza ser:
n
) ( V
2
=
Problema 7. Se vio como ejemplo en el captulo 4 que, si X es una v.a. con distribucin
uniforme en el intervalo [0, ], > 0 desconocido, un estimador hallado a partir de una muestra
aleatoria simple de tamao n es:
X 2
=
Consideremos ahora una v.a X con distribucin U[(-, )].
Hallar por el mtodo de los momentos un estimador de , a partir de una muestra de tamao n,
(X
1
, , X
n
).
Solucin
Como hay un nico parmetro a estimar parece natural plantear una sola ecuacin basada en los
momentos poblacional y muestral de primer orden, es decir:
1
=M
1
. Haciendo esto:
( )
=
=
=
=
=
= =
n
i
i
n
I
i
X
n
X
n
M
X E
1
1
1
1
1
0
1
0
2

Puede verse que a partir de la ltima igualdad no puede despejarse , dado que no depende de .
En este caso se hace necesario plantear una ecuacin basada en los segundos momentos:
2
=M
2
.


Pgina 10 de 13
Por tanto:
( ) | |
( )

= = =
= = =
= = + = =
n
1 i
2
i
n
1 i
2
i
2 n
1 i
2
i 2
2 2
2 2
2
X
n
3
X
n
1
3
X
n
1
M
3
12
2
X E Var(X) ) E(X

Este ejemplo nos muestra que no siempre podemos usar los momentos en el orden natural.

Problema 8. Sea (X
1
, , X
n
) una muestra aleatoria simple de una v.a. con distribucin U[(0,
)]. Hallar, si es posible, un estimador para el parmetro por el mtodo de mxima
verosimilitud.
Solucin
Funcin de verosimilitud:

( ) ( )
( ) ( )
e e
= =
contrario caso en 0
0, x ;.....; 0, x si
1
; x ,..., x , x f l
n 1 n
n 2 1

( ) ( ) ( ) ( ) 0 ln que dado 0 n 0 nln lnl L = = = = =
por tanto no podemos hallar el valor de , que maximiza la funcin de verosimilitud por los
mtodos clsicos de Clculo.
Procedemos entonces como sigue: analizamos como es la funcin L() para hallar su
mximo,
( ) ( )
( )
s s <
=
< <
=
ontrario caso en 0
1 i 0 ; x mx si
1
L
contrario caso en 0
i x 0 si
1
L
i n i n

( )
( )
( )

n i 1 que tal N i todo para x mx 0
n i 1 que tal N i todo para x mx si
1
L
i
i n
s s e s
s s e >
=

Graficando L(), se obtiene:


Pgina 11 de 13

Como podemos ver el mximo de la funcin de verosimilitud se alcanza en:
= mx(x
i
); i =1, 2, , n y por lo tanto el estimador de mxima verosimilitud del parmetro
es:
( )
i
X
mx
n i 1
s s
=

Problema 9. Dada la v.a. X con distribucin U[(0,)]:
a) Verificar que el estimador del parmetro , hallado por el mtodo de los momentos en
el Cap.4 es insesgado.
b) Verificar que el estimador hallado por MV en el problema 8 no es insesgado.
Solucin
a) X 2
=
( ) ( ) ( ) ( )
2
n
n
1
2 X E
n
1
2 X
n
1
2E X 2E X 2 E
E
n
1 i
i
n
1 i
i
= = = |
.
|
\
|
= = =

= =

b) En este caso necesitamos saber la f.d.p de la v.a. ( )
i
X
mx
n i 1
U
s s
=
Recordemos que (X
1
, , X
n
) una muestra aleatoria simple de una v.a. con distribucin
U[(0, )], por tanto las n v.a. que constituyen la muestra son independientes e
idnticamente distribuidas y la F.d.a de cada una de ellas es la de una v.a. U[(0, )], es
decir:
( ) ( )
>
< s
<
= s =
x si 1
x 0 si
x
0 x si 0
x X P x F
Entonces la F.d.a. de la v.a. U ser:


Pgina 12 de 13
( ) ( ) ( ) | |
>
< s |
.
|
\
|
<
= = s =
u si 1
u 0 si
u
0 u si 0
u F u U P u G
n
n

Hallando la derivada de G(u) respecto de u hallamos la f.d.p. de la v.a. U
( ) ( ) | | ( ) ( ) 0, u si
u
n u .F' u F n u G'
1 n
1 n
e |
.
|
\
|
= =

Calculamos ahora la esperanza del EMV:
( ) | | ( ) ( )
( )
insesgado. mente asinttica es si pero
insesgado es no estimador el por tanto
1 n
n
1 n

n
1
n
u
0 u
1 n
1 n
u
n
1
n du
1
1 n
u
un U E
i
X mx E
1 n
+
=
+
|
.
|
\
|
=
=
=
=
|
|
.
|
\
|
+
+
} |
.
|
\
|
=
= =
+

Problema 10. Obtener el estimador de mxima verosimilitud del parmetro de una
distribucin de Poisson.
Solucin
Sea (X
1
, X
2
,, X
n
) una muestra aleatoria simple de una v.a. X con distribucin de Poisson de
parmetro .
La f.d.p de X es:
... 2, 1, 0, x si
x!
x
e x) P(X p(x) =
= = =

Funcin de verosimilitud:

( )
( )
n
x ...
2
x
1
x
!
n
!....x
2
x !
1
x
1
n
e
!
n
x
n
x
...e
!
2
x
2
x
...e
!
1
x
1
x
e
)
n
x X ).......P(
2
x ).P(X
1
x P(X l
+ + +
=
=

=
= = = = =

Tomando logaritmos neperianos, obtenemos:

( ) ( ) ( ) ).ln x ... x (x ) ! !...x x ! ln(x n lnl L
n 2 1 n 2 1
+ + + + = =

Derivando L() respecto de e igualando a cero se obtiene el valor de que maximiza la
funcin de verosimilitud.


Pgina 13 de 13
( )
X
n
1 i
i
X
n
1
n
...x
2
x
1
x
n
d
dL
=
=
= =
+ +
+ =

Problema 11. Se sabe que los defectos de un tipo de acero siguen una distribucin de Poisson.
Al estudiar una muestra de tamao 5 de este tipo de acero se detectaron 1, 2, 1, 3, 1 defectos en
cada uno de los elementos de la muestra.
a) Obtener un estimador insesgado para el promedio, , de defectos en este tipo de acero.
b) Calcular la varianza del estimador obtenido y determinar un estimador de sta.
Solucin
a) El estimador obtenido en el problema anterior es insesgado, dado que:
( ) n
n
1
X E
n
1
X
n
1
E ) X E( )
E(
n
1 i
i
n
1 i
i
= = = |
.
|
\
|
= =

= =

Para los datos de la muestra, la estimacin de mxima verosimilitud es:

5
8
5
1 3 1 2 1
=
+ + + +
=

b)
( )
( )
. parmetro con Poisson de n distribuci
con v.a. es X si X Var que recordar

n
n
2
n
1
n
1 i
i
X Var
2
n
1
n
1 i
i
X
n
1
Var ) X Var( )
Var(
=
= =
=
= |
.
|
\
|

=
= =

( )
muestra la de datos 5 los con estimada varianza la
25
8
5
5
8

siendo ,
n
es varianza la de estimador un
n
Var
=
=

Ejer Cici Os Re Sueltos e MV

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ejer Cici Os Re Sueltos e MV

Uploaded by

Copyright:

Available Formats

UNLP Facultad de Ingeniera Materia: Estadstica

Carreras: Ing. Electromecnica y Electricista Magster Lic. Alicia Ledesma

> + > + >

> es cierta. Por tanto

You might also like