PONTIFICIA UNIVERSIDAD CATOLICA

FACULTAD DE CIENCIAS SOCIALES

ESPECIALIDAD DE ECONOMIA
ESTADISTICA INFERENCIAL
PRACTICA DIRIGIDA 7
Problema 1*
Sea Y j = + 0 X j + j j = 1,2,..., n , donde es parmetro por estimar mientras que 0 es de valor conocido. Estime usando el mtodo de mnimos cuadrados y, bajo los supuestos clsicos, vea si es insesgado y
consistente.
Solucin:
n d (Y X ) 2
dQ( )
j
0
j
Q( ) = = (Y j 0 X j )
=0
=0
d
d
j =1
j =1
j =1

2
j

j =1

j =1

j =1

j =1

j =1

2(Y j 0 X j ) = 0 Y j n 0 X j = 0 n = Y j 0 X j = Y 0 X
= Y 0 X es el estimador de mnimos cuadrados en este caso (no se estima 0 pues por dato es conocido)
n

Yj
y E (Y ) = E (

E ( ) = E (Y 0 X ) = E (Y ) 0 X
0
67
8

(
+
X
+
E
(

0
j
j ))
n

j =1

)=

j =1

E ( +
=

j =1

X j + j)

n + 0 X j
j =1

j =1

E (Y j )

= + 0 X luego E ( ) = + 0 X 0 X = y se ve que el

estimador hallado es estimador insesgado de

Problema 2*
a) Si X es la rentabilidad de una inversin, con X ~ LogN ( , 02 ) siendo 02 conocido. Estime mediante
mxima versomilitud y vea si es estimador consistente de .
b) Si X ~ U ( x;0,2 ), halle estimadores de mediante los mtodos de momentos y de mxima verosimilitud.
c) Si X tiene funcin de densidad f X ( x; ) = e ( x ) x ; > 0 . Estime con Mxima verosimilitud.
Solucin:
~

a)

'

(;

&(*

'
'

'

(;

# 0. Dada una m.a.

230

<5 7
<7

4 &(*

5& ' 67
!

&

se tiene:

y la funcin de verosimilitud por maximizar, para estimar

&(*

'

'

+&(*

'

'./

23 +&(*

maximizar derivando.

42

'

,4

&(*

5& ' 67
!

2 &(*

4 3ln 2;

5& ' 67
!
'./ 5& '
>?
&

0 &(* 23

es

'

! 1

Para simplificar los clculos, mejor usemos la LogVerosimilitud 2

2

,,

230

que es funcin diferenciable y se puede

'./ 5& '

&

y, asumiendo el mximo, se tiene

que es el estimador mximo verosmil.
Para la consistencia, es ms sencillo usar insesgamiento y eficiencia asintticos:

5&

A 5&

&7

es el punto crtico

'
'./
'./
@ + './& ' ,
. Como >? es insesgado para cualquier tamao de
@ >?
&
&
&
muestra, entonces es insesgado cuando la muestra es grande, i.e. lim&E @ >?
lim&E
.

Para la eficiencia asinttica, necesitamos primero F >?

'./ 5& '

,
&

F+

&

&(* F 23

&

&(*

3
. Y tomando lmite: lim&E F >?
0. Se cumple la condicin de eficiencia
lim&E
&
&
asinttica y por tanto, >? es estimador consistente de .
b) ~G ; 0,2H y hay que estimar el parmetro por Momentos:
K L
@
J H
H es la ecuacin
Tenemos p=1 parmetro, entonces tomamos una ecuacin; I
erstructural.
La correspondiente ecuacin de estimacin es I
M J0HN1 O
HN Q HN : El estimador de momentos
Q.
de H es HN>R>
&

Estimacin por Mxima Verosimilitud:

~G ; 0,2H
;H
0 S T 2H, donde en el rango de X, sta es acotada por el parmetro; dada
L

VW 0 S ( T 2H W
y por tanto:
0 Y3 Z[ \]V
&
&
+
,
VW 0
S
T
2H W
+
,
(
=U L VW 0 S O3_ ( ` T ( T O _ ( ` T 2H
U L
0 Y3 Z[ \]V
0 Y3 Z[ \]V
,

una m.a.

Como

c)

<b L
<L
<b L
<L

,,

&

'

se tiene:

(; H

&(*

'

(; H

T 0, no se obtiene el mximo derivando, recurrimos a mtodos heursticos:

Como
T 0, la funcin de verosimilitud H es funcin no creciente de H y para maximizarla hay que
hacer que H tienda a cero dentro de lo posible, pero como ocurre la restriccin O _ ( ` T 2H, entonces el
> _ ' `
> _ ' `
menor valor aceptable para H es H
, as que es HN>?
.

6 ' 6L
VW H T ( W y
cY
0 Y3 Z[ \]V
Q
6 './ ' 6L
VW H T ( W cY &L6& VW H T O3_ ( ` T ( y aqu
&(* ' ( ; H
por tanto: H
cY
0 Y3 Z[ \]V
0 Y3 Z[ \]V
<b L
d 0, no se obtiene el mximo derivando, recurrimos a mtodos heursticos: la funcin de verosimilitud
<L
H es funcin no decreciente de H y para maximizarla hay que hacer que H tienda a e, dentro de lo
posible, pero como ocurre la restriccin H T O3_ ( ` entonces el mayor valor aceptable para H es H
O3_ ( `, as que es HN>? O3_ ( `.

;H

Y6

6L

H T

dada una m.a.

,,

&

'

se tiene:

(; H

Problema 3*
a) Para el ingreso diario X de una cabina de internet se propone como modelo de datos una distribucin gamma
( = 2, ) . Halle la distribucin asinttica del estimador mximo verosmil de y use la propiedad de
Invarianza para estimar = P( X > 1) .
b) Si el nmero X de operaciones bancarias que un agente econmico realiza por da es una variable aleatoria
con distribucin de Poisson P( x; ) , estimar usando mxima verosimilitud y luego estimar = P( 2 )
N estimador mximo verosmil de i, para muestras grandes sabemos que iN ~ 0i, 2iN 1 donde
2, i y i

Solucin:
a)
~ ; h
k
j

23

k
j

m
&Al+ 5&op
mn

;i

23 s

m
5&op
mn

&Al+

;j , q

2
4 w q
i
i

@ lv

~ ; h

. En este caso:

;j , q

4 4 223 i

23

1
@ xsv 2 w
&

&

4 2i t z

N~
y i

+i, 23,
i2

2, i
u

uj

23

;i

1
v 2 w @{
i

;i

j r

4 2

4 2i |

1
v 2w F
i

La parte de invarianza no se puede hacer, es error en la confeccin de la PD.

# 0

1
v 2 w 2i2
i

i2

b) De

~} ; ~ y dada la m.a., obtenemos

&(* }

'

&(*

(; ~

debemos maximizar, con respecto a ~, o mejor an, maximicemos 2 ~

2 ~

<5
<

2 30&(* }

43 e &(*

'

(; ~

23

0 ~

'./ '

'./

'

'./ '
&

43~ e &(*

'
'

230 ~ 1

23 4 23 &(*

Q , y asumiendo el mximo, ~>?

'./ '

'./
(

'

, funcin que

! .

Q es el estimador MV de ~.

En cuanto a } d 2
14} T1
14}
0 4}
1
1 4 Y 6 4 Y 6 ~
6
6
1 4 Y 1 e ~ que es una funcin de ~, i.e. J ~
1 4 Y 1 e ~ y por la propiedad de invarianza:
k
Q
6
6
>? J0~>? 1 1 4 Y 01 e ~>? 1 1 4 Y
1e Q .

21 de Noviembre de 2015
ACG./SAMP.