ESTADISTICA II

Mtodo de EMV y MM
Autor: Pablo Tapia

Universidad de Chile
Economa & Negocios

GUIA No. 2 DE EJERCICIOS RESUELTOS

APLICACIONES DE EMV y MM
Profesor: Pablo Tapia

PROBLEMA 1. Parte i. Suponga que posee una muestra {xi } T=1 IID de una poblacin que sigue una i distribucin de Rayleigh con parmetro desconocido de la forma:
f ( xi / ) = ( xi ) exp(xi2 ) con xi > 0

Donde ( xi ) es una funcin slo de las observaciones. Encuentre la funcin de verosimilitud y calcule el estimador de mxima verosimilitud de . Solucin. Funcin de verosimilitud
v fT (x / ) =

T i =1

( xi ) T exp T=1 xi2 i

(1) (2)

v l( ) = ln f T ( x / ) =

T i =1

ln ( xi ) + T ln + T=1 xi2 i

Entonces, se debe resolver el siguiente problema: max l( ) CPO (derivando la ecuacin (2))
T l( ) T = + T=1 xi2 = 0 = T 2 i i =1 xi

(3)

Para verificar que efectivamente (3) es una mximo se debe cumplir que: CSO
2 l( )

Por lo tanto, (3) es un mximo. PROBLEMA 2.

2 l( )
2

T <0 2

Suponga que el momento no central de una variable aleatoria cualquiera se define como:
r r 1 X = E ( X r ) y la estimacin de este momento no central se calcula como X = T

xr i =1 i

Utilice esta informacin para estimar los parmetros y de una distribucin R-gamma si cuenta con una muestra IID de tamao y se sabe que la esperanza y varianza de una variable aleatoria R-gamma se definen como E (X ) = y var( X ) = a 2 , respectivamente. Solucin. Para el primer momento se tiene que:
E ( X ) = 1 = X
1 T

x i =1 i

= xT =

(1)

Adems,
Pagina 1

ESTADISTICA II

Mtodo de EMV y MM
Autor: Pablo Tapia

var( X ) = E ( X 2 ) E 2 ( X ) E ( X 2 ) = var( X ) + E 2 ( X ) = 2 + 2 2

(2) (3)

Utilizando (2) para el segundo momento no central

2 X = 1 T

x2 i =1 i

= 2 + 2 2 1 xT = T

Entonces, se utilizar (1) en (3) para encontrar los estimadores de los parmetros y .
2 X = 1 T

x2 i =1 i

2 = ( ) + ( ) 2 = xT + xT

x2 i =1 i

2 T xT

x2 i =1 i

2 T xT 2 = sx T xT T xT

(4)

Reemplazando (1) en (2) se tiene que:

= xT
2 sx = xT T xT

2 T xT 2 sx

(5)

Por lo tanto, los estimadores solicitados corresponden a las ecuaciones (4) y (5). PROBLEMA 3 Suponga que posee una muestra {x1 , x2 ,..., xT } IID de una poblacin que tiene un comportamiento estocstico con parmetro desconocido de la forma:
2 ( x 1)2 e con > 0 Parte i.- Encuentre el estimador de mxima verosimilitud de 2 .
f (x / 2 ) =

Solucin. En este caso se tiene una funcin de verosimilitud de la forma: T T T 2 i =1 ( xi 1)2 f T ( x / ) = f ( xi / ) = T e con > 0 i =1
Teniendo presente que ( )2 2 , entonces:

l( 2 ) = ln f T ( x / 2 ) = T ln + T ln( 2 )1 2 2 T=1 ( xi 1) 2 i l( 2 ) = ln f T ( x / 2 ) = T ln + T ln 2 2 T=1 ( xi 1) 2 i 2

Optimizando se tiene que: CPO:

l( 2 ) l( 2 ) T = T=1 ( xi 1) 2 = 0 i 2 2 2 T 2 = T 2 i =1 ( xi 1) 2

Parte ii.- Demuestre que el estimador calculado en la parte i, es igual a la mitad del inverso del estimador de mxima verosimilitud de la varianza obtenido de una muestra IID de tamao T con una distribucin normal con media igual a 1. Solucin. Una funcin de distribucin normal con media conocida he igual a 1 y varianza desconocida, es:
f ( x / = 1, ) =
2

1 (2 2 )1 2

1 2 2

( x 1) 2

v f T ( x / 1, 2 ) =

1 (2 2 )T
2

1 2 2

i =1 ( xi 1)2
n

Pagina 2

ESTADISTICA II

Mtodo de EMV y MM
Autor: Pablo Tapia

l( 2 ) =

T T 1 ln(2 ) ln( 2 ) 2 in=1 ( xi 1) 2 2 2 2 T 1 l( 2 ) = 2 + 4 in=1 ( xi 1) 2 = 0 2 2

2 in=1 ( xi 1)

2 =

2 in=1 ( xi 1) 2 1 = 2 2 2 T

PROBLEMA 4. Suponga que posee dos muestras independientes entre y que son IID de tamaos T y 2T , adems ambas muestras tienen distribucin normal con medias iguales a 0 y 1, respectivamente, sin embargo, la varianzas son iguales y desconocidas. Determine el estimador de mxima verosimilitud de la varianza utilizando ambas muestras a la vez y verifquelo. Solucin. Supondremos que las muestras se definen como:
f ( y / = 0, 2 ) = 1 (2 2 )1 2

1 2 2 y2

e
1 2 2

r f T ( y / 0, 2 ) =

1 (2 2 )T
2

1 2 2

i =1 yi2
T

f ( x / = 1, ) =
2

1 (2 2 )1 2

( x 1) 2

1 2 2

v f 2T ( x / 1, 2 ) =

1 (2 2 ) T

i =1 ( xi 1)2
2T

Entonces, la funcin de verosimilitud conjunta de este problema corresponde a:

r v v v f ( y, x / 2 ) = f T ( y / 0, 2 ) f 2T ( x / 1, 2 ) 1 (2 2 ) T 1 (2 2 ) 3T
2 1 2 2

r v f ( y, x / 2 ) = r v f ( y, x / 2 ) =

i =1 ( xi 1) 2
2T 2T

1 (2 2 ) T
2
T

1 2 2

i =1 yi2
T

1 2 2

i =1 ( xi 1)2 + i =1 yi2

Por lo tanto, el logaritmo natural de la funcin de verosimilitud conjunta corresponde a:

1 3T 3T r v T l( 2 ) = ln f ( y , x / 2 ) = ln( 2 ) 2 i2=1 ( xi 1) 2 + T=1 yi2 ln(2 ) i 2 2 2

CPO.
l( 2 )
2

3T 2
4
2

1 2 4

2T i =1 ( xi

1) 2 + T=1 yi2 = 0 i

3T 2 2

1 2 4

2T i =1 ( xi

1) 2 + T=1 yi2 = 0 i

T 3T 2 + i2=1 ( xi 1) 2 + T=1 yi2 = 0 i

2 =

2T i =1 ( xi

1) 2 + T=1 yi2 i 3T

CSO. (Verificacin de mximo).

2 l( 2 ) ( )
2 2

= =

3T 2
4

(
2

2T i =1 ( xi

1) 2 + T=1 yi2 i

) )

2 l( 2 ) ( )
2 2

3T 2 2
6

2 6

2T i =1 ( xi

1) 2 + T=1 yi2 i

Pagina 3

ESTADISTICA II

Mtodo de EMV y MM
Autor: Pablo Tapia

2 l( 2 ) ( 2 ) 2

3T 2 2 2 2 2 2 T T i2=1 ( xi 1) + T=1 yi = i2=1 ( xi 1) + T=1 yi < 0 i i 6 2 6 2

) (

Entonces, El valor encontrado para la estimacin de la varianza es un mximo. PROBLEMA 5. Dada una muestra aleatoria independiente de tamao T de una poblacin gamma con el parmetro conocido , encuentre un estimador de mxima verosimilitud para . Solucin.
f (x / ) =

1 x x e ( )

con > 0
T

T r f (x / ) = T ( )

x i =1 i

i =1 xi
T

r l( ) = ln f ( x / ) = T ln ( ) + T ln + ( 1)

T i =1

ln xi T=1 xi i

Entonces, se debe resolver max l( )

CPO

l( ) T = T=1 xi = 0 i T T = T=1 xi = i T=1 xi i 2 l( ) 2

xT

CSO
=
2 T xT T x2 T T = 2 = = T 2 2

Este resultado ser un mximo si alfa es positivo, y un mnimo si alfa es negativo, sin embargo, para que sea una funcin gamma bien definida alfa debe ser positivo, por lo tanto, el valor encontrado es un mximo. PROBLEMA 4. Suponga que el momento no central de una variable aleatoria cualquiera se define como:
r r 1 X = E ( X r ) y la estimacin de este momento no central se calcula como X = T

xr i =1 i

Utilice esta informacin para estimar los parmetros y de una distribucin gamma si cuenta con una muestra IID de tamao T . Solucin. Se que tienen la esperanza y varianza de una distribucin gamma es igual a:
E( X ) =

y var( X ) =

Adems se sabe que:

var( X ) = E ( X 2 ) E 2 ( X ) E( X 2 ) =

2 = E( X 2 ) 2 2

2 ( + 1) + = 2 2 2
Pagina 4

ESTADISTICA II

Mtodo de EMV y MM
Autor: Pablo Tapia

De esta forma se tiene que los dos primeros momentos no centrales para una distribucin gamma son:
1 = E( X ) = X
2 X = E( X 2 ) =

( + 1) 2

Entonces, las estimaciones de estos momentos no centrales corresponden a:

T 1 = x = xT i =1 i T T ( + 1) 1 2 X = =T x2 2 i =1 i

1 = X

(1) (2)

A partir de las ecuaciones (1) y (2) se pueden determinar una expresin para los estimadores de los parmetros de una gamma, ya que, slo se tiene un sistema de ecuaciones, para ello se reemplazar la ecuacin (1) en la ecuacin (2), de manera tal que:
2 X =

1 1 ( + 1) 1 = + = xT xT + = T 2
1 =

x2 i =1 i

x2 i =1 i

T xT

xT

=
2 sx

x2 i =1 i

2 T xT

T xT

2 sx T xT

T xT

(3)
2

Desde este punto podemos reemplazar (3) en (1) tal que:

1 = X = xT
Tx = xT = 2T sx

Pagina 5

ESTADISTICA II

Mtodo de EMV y MM
Autor: Pablo Tapia

PROBLEMAS PROPUESTOS PROPUESTO 1. El tiempo de fallo, T , de una determinada maquinara textil se distribuye segn la siguiente funcin de densidad
f (t ) = 3t 2 3 exp([t / ]3 ) 0<t

Parte i. Calcular el estimador de mxima verosimilitud de . Parte ii. Dar un intervalo de confianza aproximado para con un nivel de confianza del 95%. Parte iii. Si se toma una muestra de tamao T = 100 y

t3 i =1 i

= 337.500 , dar una estimacin

de . Parte iv. Con los datos del apartado anterior y utilizando el intervalo del apartado (b), contrastar si = 17.2 . PROPUESTO 2. Suponga que posee una muestra {yi } T=1 IID de una poblacin que tiene un comportamiento i estocstico con parmetro desconocido de la forma:
f ( yi / ) = k ( ) x e ( x ) con k ( ) > 0
2

Parte i. Encuentre la funcin de verosimilitud para esta muestra. Parte ii. Demuestre que si la distribucin inicial es una Gama de la forma:
( ) =
(2 ) 1 2 e ( )

con conocidos y positivo. Entonces, la distribucin final es una Gama. Y determine la expresin de esta funcin. Parte iii. Calcule el estimador Bayesiano para el parmetro . PROPUESTO 3. Suponga que posee una muestra {x1 , x2 ,..., xT } IID de una poblacin que tiene un comportamiento estocstico con parmetro 2 desconocido de la forma:
f ( xi / 2 ) =

2 ( xi 1)2 e

Parte i. Encuentre el estimador de mxima verosimilitud de 2 . Parte ii. Demuestre que el estimador calculado en la parte i, es igual a la mitad del inverso del estimador de mxima verosimilitud de la varianza obtenido de una muestra IID de tamao T con una distribucin normal con media igual a 1.

Pagina 6

ESTADISTICA II

Mtodo de EMV y MM
Autor: Pablo Tapia

PROPUESTO 4. Suponga que posee una muestra independiente de tT artculos que pueden estar defectuosos o no (dicotmico), sin embargo, en la muestra slo se encontraron T piezas defectuosas. Parte i. Encuentre la funcin de distribucin final del parmetro de esta poblacin (fraccin de piezas defectuosas), si se sabe que en el pasado la fraccin de piezas defectuosas de esta poblacin sigui una distribucin Beta con parmetros iguales a = tT y = T . Parte ii. Cul ser la mejor estimacin para este parmetro y su volatilidad? Parte iii. Qu pasar con su estimacin si T tiende a infinito?

Pagina 7