cocaine2020

www.wuolah.com/student/cocaine2020

3028

EJERCICIOS COMPLEMENTARIOS TEMA 2.pdf

Ejercicios maxima verosimilitud resueltos

2º Tecnicas Cuantitativas Ii

Grado en Administración y Dirección de Empresas

Facultad de Ciencias Económicas y Empresariales

Universidad de Granada

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su
totalidad.
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-944687

Departamento de Métodos Cuantitativos para la Economía y la Empresa

Técnicas Cuantitativas II ∼ 2011-2012
Gade-Derecho A

Relación 2: Estimación puntual de parámetros

2.1 El departamento de calidad de cierta empresa realiza diez llamadas diarias para conocer
la satisfacción del cliente. Imaginemos que el número de clientes que se declaran insatisfechos
diariamente se distribuye según una distribución binomial. Si de los últimos estudios se de-
sprende que el número medio y más frecuente de clientes insatisfechos diariamente es 3. ¿Cuál

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
sería el valor del estimador del parámetro p siguiendo el razonamiento intuitivo del método de
estimación de maxima verosimilitud? ¿Y usando el método de los momentos?
Se define la variable aleatoria, X, número de clientes insatisfechos, de manera que consideramos que
se distribuye según una distribución Binomial de parámetros n y p. En primer lugar estimaremos el
parámetro p usando el método de máxima verosimilitud. En este caso necesitamos conocer la función
de probabilidad, que tomará la siguiente expresión:
 
n
P (Xi = xi ; p) = p xi q (n−xi ) .
xi

Entonces, partiendo de una muestra de tamaño m, se obtiene la siguiente expresión para su función
de verosimilitud:
"m  # m m
Y n  P xi P (n−xi )
L(p; x1 , . . . , xm ) = p i=1 q i=1 .
xi
i=1

Tomando logaritmos en la expresión anterior:

m m
! !
X X
ln L(p; x1 , . . . , xm ) = xi · ln p + (n − xi ) · ln(1 − p)
i=1 i=1
m m
! !
X X
= xi · ln p + n·m− xi · ln(1 − p),
i=1 i=1

y derivando con respecto a p

m
P m
P
xi n·m− xi
∂ i=1 i=1
ln L(p; x1 , . . . , xm ) = −
∂p p 1−p
m
P
xi − nmp
i=1
= .
p(1 − p)

Entonces, igualando la expresión anterior a cero se obtiene la ecuación

m
P
xi − nmp m
i=1
X
=0⇒ xi − nmp = 0,
p(1 − p)
i=1

1
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-944687

cuya solución es
m
1 1 X X̄
p= · · xi = .
n m n
i=1

3
Como se sabe que n = 10 se puede concluir que p̂ = 10 = 00 3.

Usando el método de los momentos se obtiene que E[X] = np, luego entonces np = X̄, y por tanto,
el estimador puntual buscado es pb = X̄n , que coincide con la estimación obtenida mediante el método
de máxima verosimilitud.
2.2 Erase una vez un día, del mes de agosto de cualquier año, que estaba aburrido/a en
mi casa, por lo que me asomé a la ventana y me dediqué a contar los coches que pasaban en
intervalos de 2 minutos. Obtuve los siguientes datos: 12, 11, 9, 11, 10, 9, 11, 9, 10, 10, 8. Sabiendo
que la distribución que sigue la variable aleatoria «número de coches que pasan por debajo de

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
la ventana de mi casa cada 2 minutos» es una distribución de Poisson con parámetro λ, se pide:

(a) Estimar, por el método de los momentos, el parámetro poblacional desconocido de la

distribución anterior. Obtener un valor numérico a partir de la muestra anterior.
Para estimar el parámetro λ, tomamos el momento de orden uno que coincide con E[X] = λ,
luego directamente λb = X̄. Para obtener un valor numérico a partir de la muestra anterior se
calcula la media muestral como:
11
P
xi
i=1 110
λ̂ = = = 10.
n 11

(b) Teniendo en cuenta el valor del apartado anterior para el parámetro poblacional descono-
cido, calcular la probabilidad de que por dicho punto pasen exactamente 9 coches cada 2
minutos.
Teniendo en cuenta que X P (λ = 10):

e −λ λ9
P (X = 9) = = 00 12511.
9!

2.3 En la siguiente tabla se recogen las previsiones realizadas en abril de 2007 por el Instituto
Nacional de Estadística (INE) y la Fundación de las Cajas de Ahorro (FUNCAS) para la tasa
de variación anual del IPC en tanto por cien para los distintos meses del año 2008:

E F M A M J J A S O N D
Previsiones 3’1 3’1 2’9 2’7 2’8 2’8 2’8 2’8 2’8 2’8 2’8 2’8
Observado 4’3 4’4 4’5 4’2 4’6 5 5’3 4’9 4’5 3’6 2’4 1’4
Errores 1’2 1’3 1’6 1’5 1’8 2’2 2’5 2’1 1’7 0’8 -0’4 -1’4

Suponiendo que los errores en la predicción de la tasa de variación anual del IPC se distribuyen
normalmente, calcule una estimación para el error medio y su varianza.
Se define la variable, X, error en la estimación, de manera que se distribuye según una distribución
normal.
Se sabe que el estimador del parámetro µ es la media muestral y por tanto:
12
P
xi
i=1 140 9
µ̂ = X = = = 10 24.
n 12

Cúelale un troyano al suspenso - Maths Informática

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-944687

Con respecto al estimador del parámetro σ se sabe que es la cuasi-desviación típica muestral, es decir:
v
u n
uP
u (xi − X)2
t i=1
Sn−1 = .
n−1

Sustituyendo:
r
130 83
Sn−1 = = 10 12.
11

2.4 En una distribución normal de media desconocida y varianza 25, se toman muestras aleato-
rias simples de tamaño 2, considerándose los siguientes estimadores de la media poblacional.
Determine cual de los tres es el mejor desde el punto de vista de sesgo y eficiencia.

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
X1 + X2
A = 00 65X1 + 00 35X2 , B = X1 + X2 , C= .
2

Procedemos a calcular, en primer lugar, el valor esperado de cada uno de los estimadores propuestos:

E[A] = 00 65E[X1 ] + 00 35E[X2 ] = 00 65µ + 00 35µ = µ(00 65 + 00 35) = µ,

E[B] = E[X1 ] + E[X2 ] = µ + µ = 2µ,

E[X1 ] + E[X2 ] µ+µ 2µ
E[C] = = = = µ.
2 2 2
Se observa que los estimadores A y C son insesgados ya que su valor esperado coincide con el parámetro
al que desea estimar.

Calculemos, a continuación, la varianza de cada uno de los estimadores:

V ar (A) = 00 652 V ar (X1 ) + 00 352 V ar (X2 ) = 00 652 σ 2 + 00 352 σ 2 =

= 00 545σ 2 = 00 545 × 25 = 130 625,

V ar (B) = V ar (X1 ) + V ar (X2 ) = σ 2 + σ 2 = 50,

 
X1 + X2 1
V ar (C) = V ar = (V ar (X1 ) + V ar (X2 )) =
2 4
1 2
(σ + σ 2 ) = 120 5.
=
4
Se observa que el estimador que presenta menor varianza es el C. Notése que, como es lógico, los dos
estimadores insesgados presentan menor varianza que el estimador sesgado.
2.5 Sea una población distribuida según una binomial de parámetros n = 15 y p, obtener el
estimador de máxima verosimilitud utilizando una muestra aleatoria de tamaño 3.
Partiendo de una muestra de tamaño 3, se obtiene la siguiente expresión de la función de verosimilitud:
3 3
3 
" # P P
Y n xi (n−xi )
L(p; x1 , x2 , x3 ) = p i=1 (1 − p)i=1 .
xi
i=1

Maths Informática, academia especializada en estudios de informática UCM

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-944687

Tomando logaritmos en la expresión anterior:

3  3
# " !
Y n X
ln L(p; x1 , x2 , x3 ) = ln + xi · ln p
xi
i=1 i=1
3
! " 3  # 3
!
X Y n  X
+ (15 − xi ) · ln(1 − p) = ln + xi · ln p
xi
i=1 i=1 i=1

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
3
!
X
+ 15 · 3 − xi · ln(1 − p),
i=1

y derivando con respecto a p

3
P 3
P
xi 15 · 3 − xi
∂ i=1 i=1
ln L(p; x1 , x2 , x3 ) = −
∂p p 1−p
3
P
xi − 15 · 3 · p
i=1
= .
p(1 − p)

Entonces, igualando la expresión anterior a cero se obtiene la ecuación

3
P
xi − 15 · 3 · p 3
i=1
X
=0⇒ xi − 15 · 3 · p = 0,
p(1 − p)
i=1

cuya solución es
3
1 1 X X̄
p= · · xi = .
15 3 15
i=1

2.6 Sea una población N(10, σ 2 ) donde σ 2 es desconocida. Se pide obtener el estimador de
máxima verosimilitud de σ 2 para una muestra de tamaño 20.
Si X ∼ N(10, σ 2 ), entonces su función de densidad corresponde a la siguiente expresión:

(x − 10)2
 
1
f (x; σ 2 ) = √ exp − .
σ 2π 2σ 2

Entonces, para una muestra de tamaño 20, la función de verosimilitud corresponde a la expresión:
20
( )
2 1 1 X 2
L(σ ; x1 , . . . , x20 ) = 20 · exp − 2 (xi − 10) ,
(σ 2 ) 2 2σ
i=1

y tomando logaritmos neperianos en la expresión anterior:

20
20 1 X
ln L(σ 2 ; x1 , . . . , x20 ) = − ln σ 2 − 2 (xi − 10)2 .
2 2σ
i=1

Derivando con respecto al parámetro desconocido:

20
∂ 2 20 1 1 X
ln L(σ ; x 1 , . . . , x 20 ) = − · + (xi − 10)2 .
∂σ 2 2 σ 2 2 (σ 2 )2
i=1

4
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-944687

Igualando a cero la expresión anterior y resolviendo la ecuación que obtenemos, el candidato a ser
estimador máximo verosímil es:
20
c2 = 1
X
σ (xi − 10)2 .
20
i=1

Para comprobar que realmente es el estimador máximo verosímil falta comprobar que la segunda
derivada es negativa en el punto anterior. Cuestión que queda propuesta al lector.
2.7 Según un estudio de Dun & Braderstreet presentado el 30 de enero de 2009, el número de
procesos de quiebra e insolvencia en Portugal durante el año 2008 fueron 3344, lo que supone
aproximadamente 279 procesos mensuales de media. Suponiendo que el número de quiebras
mensuales se ajusta a una distribución de Poisson, se pide obtener una estimación máximo
verosímil del parámetro λ.

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
En el caso de la distribución Poisson, la función de verosimilitud se expresará como:
n
P
xi
−nλ λi=1
L(λ; x1 , x2 , . . . , xn ) = e · n ,
Q
xi !
i=1

ya que su función de cuantía es:

λx
P [X = x; λ] = e −λ · , x = 0, 1, 2, . . .
x!

Entonces, tomando logaritmos

n n
! !
X Y
ln L(λ; x1 , x2 , . . . , xn ) = xi · ln λ − ln xi ! − nλ,
i=1 i=1

y derivando la expresión anterior con respecto a λ:

n
P
xi
∂ i=1
ln L(λ; x1 , x2 , . . . , xn ) = − n.
∂λ λ

Igualando a cero la derivada anterior se obtiene la igualdad

n
P
xi
i=1
− n = 0,
λ
cuya solución es el posible estimador puntual buscado
n
b=1
X
λ xi .
n
i=1

De manera que, para este ejercicio concreto, el estimador de λ será λ

b = 279, que es el número medio
de procesos presentados al mes.
2.8 Supongamos que el número de siniestros de responsabilidad civil declarados mensualmente
por una determinada empresa de transporte de mercancías por carretera es una variable aleato-
ria con distribución de Poisson de parámetro λ. Se realiza un estudio de los últimos 7 meses y
se obtienen los siguientes resultados: 3, 5, 2, 1, 2, 3 y 4 siniestros, respectivamente. Determine

Mucho MATHS que una academia

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-944687

la mejor estimación que se puede obtener para el parámetro λ a partir de estos datos y explique
las razones teóricas que le han hecho tomar esa decisión.

Dada la variable, X, número de siniestros de responsabilidad civil, que se distribuye según una dis-
tribución Poisson de parámetro λ, el mejor estimador de dicho parámetro será la media muestral.
Se trata del estimador que se obtiene aplicando tanto el método de los momentos como el método
de maxima verosimilitud y es insesgado, eficiente, consistente y suficiente. A partir de los datos del
enunciado, se calcula la media muestral:
λ̂ = X = 20 8571.

2.9 La proporción de hombres con cargo directivo se considera una variable aleatoria con
función de densidad:
1 1 −1
f (x) = xλ ,

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
λ
para todo x ∈ (0, 1) y λ > 0.

(a) Determine el estimador del parámetro λ por el método de máxima verosimilitud.

(b) Si suponemos una muestra de 16 empresas elegidas al azar, la proporción de hombres con
cargo de directivo es
00 36, 00 71, 00 65, 00 94, 00 83, 00 75, 00 76, 00 64,
00 61, 00 56, 00 84, 00 67, 00 79, 00 52, 00 94, 00 73.
Se pide obtener una estimación del parámetro λ.

En primer lugar obtengamos el estimador máximo verosímil para el parámetro λ. Con tal objetivo, a
partir de una muestra aleatoria simple de tamaño n, la función de verosimilitud en este caso tiene la
siguiente expresión:
n
! 1 −1
λ
1 Y
L(λ; x1 , . . . , xn ) = n · xi .
λ
i=1
Tomando logaritmos neperianos en la expresión anterior:
  n
1 Y
lnL(λ; x1 , . . . , xn ) = −n ln λ + − 1 · ln xi ,
λ
i=1

y derivando con respecto al parámetro desconocido:

n
∂ n 1 Y
ln L(λ; x1 , . . . , xn ) = − − 2 · ln xi .
∂λ λ λ
i=1

Luego igualando a cero la expresión anterior y resolviendo la ecuación que surge, obtenemos el can-
didato a estimador máximo verosímil:
n
b = − 1 · ln
Y
λ xi .
n
i=1

Para comprobar que realmente es el estimador máximo verosímil, basta con demostrar que la segunda
derivada del logaritmo neperiano de la función de verosimilitud es negativa en dicho punto. Por tanto,
calculamos en primer lugar dicha segunda derivada:
n n
∂2 n 2λ Y n 2 Y
2
ln L(λ; x1 , . . . , xn ) = 2 + 4 · ln xi = 2 + 3 · ln xi ,
∂λ λ λ λ λ
i=1 i=1

Cúelale un troyano al suspenso - Maths Informática

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-944687

que evaluada en λ
b tiene la siguiente expresión:
n
∂2 n 2 Y
ln L(λ;
b x1 , . . . , x n ) =  n 2 +  n 3 · ln xi
∂λ2 1 1 i=1
Q Q
n2 · ln xi − n3 · ln xi
i=1 i=1
n3 2n3
=  n 2 −  n 2
Q Q
ln xi ln xi
i=1 i=1
n3
= − 2 < 0.
n
Q
ln xi
i=1
 n 2
Q

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
Adviértase que la expresión anterior es negativa ya que n > 0 al ser el tamaño muestral y ln xi >
i=1
0 evidentemente.
n
b = − 1 · ln
Q
Por tanto, λ n xi es el estimador máximo verosímil.
i=1
16
xi = 00 002562643, es claro que:
Q
Finalmente, puesto que
i=1

0
b = − 1 · ln(00 002562643) = − −5 966716 = 00 3729198.
λ
16 16

2.10 Comprobar si el estimador de máxima verosimilitud en una distribución B(2, p) es inses-

gado.
El estimador del parámetro p es:
X
. p̂ =
2
Para que un estimador se pueda considerar insesgado, su valor esperado debe coincidir con el parámetro
que desea estimar. Por ello, procedemos a calcular el valor esperado de la media muestral.
 Pm  " m # m
i=1 xi 1 1 X
X
E[X] = E = E xi = E[xi ].
m m m
i=1 i=1

Se sabe que Xi B(2, p) y, por tanto, E[xi ] = 2p. Por ello,

m
1 X 1
E[X] = 2p = (2pm) = 2p.
m m
i=1

Por tanto, E[p̂] = 21 E[X] = 12 ·2p = p. Se deduce pues que el estimador del parámetro p es insesgado.
2.11 El número de suspensiones de pago que suceden en una semana en determinada ciudad,
es una variable aleatoria que sigue una distribución de Poisson. Comprobar que el estimador
del número medio de suspensiones de pagos semanales, parámetro λ, es suficiente.
La función de verosimilitud de la distribución de Poisson puede tomar la expresión:
 
 1   · λnx · exp {−nλ}
L(λ; x1 , . . . , xn ) = 
 n 
Q
xi !
i=1

Maths Informática, academia especializada en estudios de informática UCM

a64b0469ff35958ef4ab887a898bd50bdfbbe91a-944687

Se puede comprobar que la función de verosimilitud puede factorizarse según el teorema de Neyman
y por tanto se puede decir que λ̂ es un estadístico suficiente.
2.12 Suponga que una empresa produce cierto material de manera que el peso del producto
final sigue una distribución normal con desviación típica igual a 00 7. Deduzca el estimador de
máxima verosimilitud para el peso medio del producto final a partir de una muestra de tamaño
10.
En este caso, X ∼ N(µ, 00 72 ), cuya función de densidad es

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
(x − µ)2
 
1
f (x; µ) = √ · exp − .
2π · 00 7 00 98

Entonces, para una muestra de tamaño 10, la función de verosimilitud corresponde a la expresión:
 
10
 P (x − µ)2 
 

 i 

i=1
L(µ; x1 , . . . , x10 ) = exp − ,

 00 98 


 


y tomando logaritmos neperianos en la expresión anterior:

10
1 X
lnL(µ; x1 , . . . , x10 ) = − (xi − µ)2 .
00 98
i=1

Derivando con respecto al parámetro desconocido:

10
∂ 1 X
ln L(µ; x1 , . . . , x10 ) = 0 (xi − µ).
∂µ 0 49
i=1

Igualando a cero la expresión anterior y resolviendo la ecuación que obtenemos, el candidato a ser
estimador máximo verosímil es:
10
1 X
µ
b= xi = x.
10
i=1

Para comprobar que realmente es el estimador máximo verosímil falta comprobar que la segunda
derivada es negativa en el punto anterior. Puesto que

∂2 10
ln L(µ; x1 , . . . , x10 ) = − 0 < 0,
∂µ2 0 49
sea quien sea µ, para µ = x también. Por tanto, se trata del estimador máximo verosímil de µ.