Hoja 4

ESTADÍSTICA Facultad de Ciencias Matemáticas.
UCM
Departamento de Estadı́stica e Investigación Operativa
ESTIMACIÓN PUNTUAL HOJA 4
1. Dada una m.a.s.de tamaño n de una caracterı́stica con distribución uniforme en el intervalo
(0, θ), estudiar si los siguientes estimadores son centrados para la media poblacional y, en caso
contrario, calcular su sesgo:
(a) T (X1 , X2 , . . . , Xn ) = X1
(b) T (X1 , X2 , . . . , Xn ) = X(n)
(c) T (X1 , X2 , . . . , Xn ) = X(1)
(d) T (X1 , X2 , . . . , Xn ) = 21 [X(n) + X(1) ]
2. Sea una población N (µ, σ) de la que se toma una muestra aleatoria simple. Obtenga un es-
tadı́stico insesgado para σ 2 a partir del estadı́stico de Von Neumann
Pn−1
2 i=1(xi+1 − xi )2
σ̂ =
2(n − 1)
3. Sea (X1 , X2 , ..., Xn ) una m.a.s.(n) de una caracterı́stica X de una población U (0, θ), θ > 0, y
sean Tn = max{X1 , X2 , ..., Xn }, y Sn = 2X. ¿Son consistentes?
4. Sea (X1 , X2 , ..., Xn ) una m.a.s. de una distribución N (µ, σ 2 ) con σ 2 varianza poblacional.
Consideramos los siguientes estimadores para σ 2
n n
1X 2 1 X 2
T1 (X1 , X2 , ..., Xn ) = Xi − X y T2 (X1 , X2 , ..., Xn ) = Xi − X
n i=1 n − 1 i=1
(a) Calcular el sesgo y el error cuadrático medio para cada uno.

(b) Probar que entre todos los estimadores de la forma kT1 (X1 , X2 , ..., Xn ) el que proporciona
n
menor error cuadrático medio es T3 (X1 , . . . , Xn ) = T1 (X1 , X2 , ..., Xn )
n+1
5. Sea (X1 , X2 , . . . , Xn ) una muestra aleatoria simple de una población en la que la variable aleato-
ria X tiene una distribución con función de densidad:
fθ (x) = eθ−x , ∀x ≥ θ
1
(a) ¿Es T1 (X1 , X2 , . . . , Xn ) = X(1) − n insesgado para θ?
(b) Calcular su error cuadrático medio.
(c) Probar que T1 es suficiente.
6. Sea (X1 , X2 , ..., Xn ) una m.a.s. de una población Ber(θ), con θ ∈ (0, 1) y sea r un entero
conocido, 0 < r < n. Encontrar el ECUMV para las siguientes funciones de θ:
(a) h(θ) = θr
(b) h(θ) = θr + (1 − θ)n−r
7. Sea (X1 , X2 , ..., Xn ) una m.a.s. de una población con distribución de Poisson P(θ), θ > 0.
(a) Hallar el ECUMV para h(θ) = θ.

(b) ¿Cuál será el ECUMV para h(θ) = P (X = k|θ), k ∈ Z + ?
8. Sea (X1 , X2 , ..., Xn ) una m.a.s. de una población con distribución N (θ, 1). Demostrar que
T (X1 , ..., Xn ) = X̄ 2 − n1 es el ECUMV para h(θ) = θ2 .
9. Sea X1 , X2 , ..., Xn una m.a.s. de una caracterı́stica X cuya función de densidad es
fθ (x) = θxθ−1 I(0,1) (x), θ > 0.

n
1X
Se considera el estadı́stico T (X1 , . . . , Xn ) = − ln Xi .
n i=1
(a) Calcular la esperanza y la varianza de T .

1
(b) ¿Es T el ECUMV para h(θ) = ?
θ
10. Sea (X1 , X2 , ..., Xn ) una m.a.s. de una población con distribución γ(a = θ, p = 1)
n−1
(a) Demostrar que el estadı́stico T (X1 , . . . , Xn ) = es insesgado de mı́nima varianza para
nX
θ2
h(θ) = θ, con varianza V ar(T ) = .
n−2
θ2
(b) Demostrar que la cota de Fréchet–Cramér–Rao (FCR) para h(θ) = θ es .
n
11. Sea una muestra de tamaño uno de una caracterı́stica X que se distribuye según una Poisson
de parámetro λ y se desea estimar h(λ) = e−λ . Consideramos el estimador definido por:
(
1 si X = 0,
T (X) =
0 si X ≥ 1.
(a) ¿Es T insesgado para h(λ)?

(b) ¿Es T eficiente para h(λ)?
12. Las siguientes familias de distribuciones ¿son regulares en el sentido Frechet–Cramer–Rao?. Si

lo son, encontrar la cota inferior para la varianza de un estimador insesgado para h(θ) basado
en una muestra de tamaño n.
1 −x

(a) fθ (x) = exp ∀x > 0 con h(θ) = θ > 0
θ θ
(b) fθ (x) = exp {θ − x} ∀x > θ > 0 con h(θ) = θ
1 1

(c) fθ (x) = √ exp − 2 x2 ∀x ∈ R con h(θ) = θ2
2πθ 2 2θ
En los casos que sea posible, encontrar el ECUMV para h(θ).
n
1 X
13. Sea X ∼ B(N, p) con p ∈ (0, 1) ⊂ R. Comprobar si el estimador T (X1 , X2 , ..., Xn ) = Xi
nN i=1
es eficiente para p.
14. Sea X una variable con distribución Ber(θ) y considera una m.a.s. de X. Determina
(a) la distribución final de θ si su distribución inicial es la uniforme U (0, 1)

(b) la distribución final de θ si la informacón inicial sobre θ viene dada por la Beta(α0 , β0 )
(c) Un estimador de θ en cada una de las situaciones (a) y (b)
15. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una distribución de P(θ). La información inicial
sobre θ viene dada por una distribución Gamma(a, p), a > 0 y p > 0. Hallar la distribución
final del θ y calcular su esperanza y su varianza.
16. Supóngase que la distribución de la puntuación de un test de inteligencia, X, es N (θ, σ 2 = 100).

Si, por informaciones previas, se sabe que la distribución de θ es N (µ = 100, σ02 = 25), ¿Cuál
es la distribución final de θ?
17. Se considera una muestra de tamaño n = 1 de una v.a. con función de probabilidad
fθ (x) = θ(1 − θ)x−1 , x ∈ {1, 2, . . .}, θ ∈ (0, 1)
Si la densidad inicial para el parámetro θ es π(θ) = k(1 − θ)k−1 , con θ ∈ (0, 1), escribe la
distribución final para θ y el estimador puntual Bayes si x = 2 y m = 2.

Hoja 4

Cargado por

Copyright:

Formatos disponibles

Hoja 4

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Hoja 4

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA Facultad de Ciencias Matemáticas.

(a) Calcular el sesgo y el error cuadrático medio para cada uno.

(a) Hallar el ECUMV para h(θ) = θ.

9. Sea X1 , X2 , ..., Xn una m.a.s. de una caracterı́stica X cuya función de densidad es

fθ (x) = θxθ−1 I(0,1) (x), θ > 0.

(a) Calcular la esperanza y la varianza de T .

(a) ¿Es T insesgado para h(λ)?

12. Las siguientes familias de distribuciones ¿son regulares en el sentido Frechet–Cramer–Rao?. Si

(a) la distribución final de θ si su distribución inicial es la uniforme U (0, 1)

16. Supóngase que la distribución de la puntuación de un test de inteligencia, X, es N (θ, σ 2 = 100).

fθ (x) = θ(1 − θ)x−1 , x ∈ {1, 2, . . .}, θ ∈ (0, 1)

También podría gustarte