Estadística I

Tarea 2: Estimación puntual

Fecha de entrega: lunes 30 de septiembre

1. Sea {xi }ni=1 ∼ fX (x; θ). En clase se vio que para encontrar el estimador máximo verosímil se tiene
que resolver la siguiente ecuación:
máx L(x; θ).
θ

Supongamos que las primeras dos derivadas de fX (x; θ) existen y que fX (x; θ) > 0. Si se dene
`(x; θ) = log L(x; θ), demuestra que, para obtener el estimador máximo verisímil, es equivalente
resolver
máx `(x; θ).
θ

2. El principio de verosimilitud nos dice que, en la inferencia sobre θ, después de que x es observada,
toda información relevante al experimento esta contenida en la función de verosimilitud. Por lo tanto,
dos funciones de verosimilitud contienen la misma información sobre θ si son proporcionales entre
sí. Consideremos los dos siguientes modelos para las variables aleatorias X1 y X2 :

A) X1 , X2 ∼ N (θ, 1) independientes e idénticamente distribuidas.

B) (X1 , X2 ) ∼ H (θ), con densidad
3 exp{− 14 (x1 + x2 − 2 θ)2 }
H (X1 , X2 ; θ) = π − 2 , −∞ < x1 , x2 < ∞.
1 + (x1 − x2 )2

a) Encuentra las verosimilitudes correspondientes. ¾Cómo son entre ellas?

b) Si se esta haciendo inferencia sobre la media, ¾se esta violando el principio de verosimilitud?

3. Sea {xi }ni=1 una muestra aleatoria de una población con fdp dada por:

f (x; θ) = θx−2 , 0 < θ ≤ x < ∞

a) Encuentra una estadística suciente y completa para θ.

b) ¾Pertenence a la familia exponencial? Argumenta tu respuesta.
c) Encuentra el EMV de θ y su Error Cuadrático Medio.
d) ¾Existe el estimador por el método de momentos? Argumenta tu respuesta.

4. Sea {xi }ni=1 una muestra aleatoria de la distribución Poisson con parámetro θ.

1
 a) Encuentra un estimador insesgado para τ (θ) = (1 + θ) e−θ .
b) Encuentra el estimador máximo verosímil de τ (θ).

5. Sea {xi }ni=1 una muestra aleatoria de la distribución N (θ, 1).

a) ¾Existe un estimador insesgado de θ2 ? Si es así, encontrarlo.

b) ¾Existe un estimador insesgado de P (X > 0)? Si es así, encontrarlo.
c) Si ahora, {Xi }ni=1 ∼ N (θ, θ), θ > 0, encuentra una estadística suciente para θ.

6. Sean {xi }m
i=1 varaibles aleatorias con distribución multinomial, es decir

m
n!
(1)
Y
f (x; p1 , . . . , pm ) = Qm pxi i ,
i=1 xi !
i=1

en donde x1 + · · · + xm = n y p1 + · · · + pm = 1.
Supongamos que n es conocido, encuentra el estimador, por el método de máxima verosimilitud,
para p1 , . . . , pm . HINT: En este caso la verosimilitud esta dada por la Ecuación (1) y recuerda que
la suma de las p0i s es igual a uno.

7. Sea {xi }ni=1 una muestra aleatoria con función de densidad dada por

si x > 1,
(
θ e−θ x
f (x; θ) =
1 − e−θ si 0 6 x 6 1.

¾Es posible encontrar un estimador de θ por el método de momentos? Argumenta tu respuesta.

8. Sea {Xi }ni=1 una muestra aleatoria de una población Ga(a, b). Si a y b son desconocidas, no existe
fórmula explícita para los EMV de ellas, pero el máximo puede encontrarse numéricamente. En-
cuentra los EMV de a y b para los datos que obtengas simulando en R 10000 observaciones de una
distribución gamma con parámetros a = 4.2 y b = .8 jando una semilla (set.seed) 123456.

9. Sea {x1 , x2 } ∼ Blli(θ). Consideremos los siguientes estimadores para θ

x1 + x2
T1 (x) = , T2 (x) = mı́n{x1 , x2 }.
2

Encuentra el Error Cuadrático Medio de T1 y T2 . De estas dos propuestas, ¾cuál es la mejor?

10. Sea {Xi }3i=1 una muestra aleatoria de una población normal con media µ y varianza σ 2 . Consideremos
los siguientes estimadores para µ:
X1 + 2X2 + 3X3 X1 + 4X2 + X3
T1 (x) = T2 (x) =
6 6

Calcula el Error caudrático Medio de T1 y T2 . De estas dos propuestas, ¾cuál es la mejor? y ¾Existe
algún otro estimador mejor que estos dos?

2
11. Supongamos que se tiene una muestra aleatoria {xi }ni=1 con función de densidad dada por f (x; θ).
Sea x = (x1 , . . . , xn ) un conjunto de datos de T = (T1 , T2 ), donde T1 = T1 (x) y T2 = T2 (x) son dos
estadísticos independientemente distribuidos. Demuestra que su información de Fisher esta dada por

IT (θ) = IT1 (θ) + IT2 (θ).

12. Sea {xi }ni=1 con las siguientes funciones de densidad:

x2
a) f (x; θ) = xθ e− 2 θ I(0,∞)
(x)
θ>0

b) f (x; θ) = θ xθ−1 I(0,1)

(x)
θ>0

c) f (x; θ) = 12 e−|x−θ| I(−∞,∞)

(x)
θ ∈ (−∞, ∞)
e−(x−θ)
d) f (x; θ) = 2
(x)
I(−∞,∞) θ ∈ (−∞, ∞)
[1+e−(x−θ) ]
e) f (x; θ) = 1
I
(x)
π [1+(x−θ)2 ] (−∞,∞)
θ ∈ (−∞, ∞)

Encuentra la Cota Inferior de Crámer y Rao para τ (θ) = θ y la estadística T (x) para la cual se
alcanza la igualdad.