Estadstica Matemtica

Control 1
Jos Luis Molina Borboa
112214
12 de septiembre de 2011
Todos los clculos fueron hechos con diez decimales de precisin.
1. Considere la distribucin angular con funcin de densidad
f (x; ) =

1+x
2 , |x|

con || 1.
a) Encuentre el estimador de momentos (EMM) del parmetro .
Sean x1 , ..., xn v.a.i.i.d Angular()
1

1
1+x
2

E[X] =

dx =

x1 +...+xn
n

1
2

x2
2

+ x3

|11 =

Y tenemos que m1 =

x + x2 dx =

1
2

(= E[X])

Entonces, igualando obtenemos

n

=3

1X
xi = 3x
n i=1

b) Cmo encontrara el correspondiente estimador de mxima verosimilitud (EMV)? Construya

la ecuacin correspondiente.
La funcin de mxima verosimilitud est dada por:
L(, x) = f (x | ) =

n
Y

f (xi | )

i=1

Aplicando logaritmo a la funcin, obtenemos la funcin que tenemos que maximizar

`(, x) =

n
X

ln(1 + axi ) n ln(2)

i=1

2. En Comunidad ITAM encontrar asociada a su clave nica la muestra observada de tamao n =

20, proveniente de una poblacin que es modelada mediante una distribucin gamma, X (, ),
con funcin de densidad
x1 x
e
f (x; , ) =
IR+ (x)
()
con > 0 y > 0.
e
a) Encuentre los EMM,
e y .
Con esta parametrizacin, sabemos que
E[X] =
ya que V ar(X) =

( + 1)
y E[X 2 ] =

= E[X 2 ] E[X]2 .

Sean x1 , ..., xn v.a.i.i.d como arriba. Los momentos se obtienen de la siguiente manera:
m1 =

x1 + ... + xn
=x
n

m2 =
Igualando

= m1 y

(+1)
2

x21 + ... + x2n

n

= m2 , obtenemos los estimadores resolviendo para y :

m21
m2 m21

m1
.
m2 m21

Haciendo el clculo con la muestra observada de tamao 20 [1], obtenemos que m1 = 0.659132053
y m2 = 0.571561255. Por lo tanto, las estimaciones de los parmetros por el mtodo de momentos
son:
0.6591320532

=
= 3.168748677
0.571561255 0.6591320532
0.65913205
=

= 4.807456506
0.571561255 0.6591320532
Vemos que, en efecto,

= 0.659132052 = m1 (= x) y

(
+1)

= 0.571561255 = m2 .

 EMV. Incluya los detalles de los primeros

b)Mediante algn mtodo numrico encuentre
y ,
pasos del algoritmo.
Tenemos que la funcin de mxima verosimilitud est dada por:
L(, ; x) =

n
Y
x1
i

()

i=1

exi

Aplicamos logaritmo para obtener la funcin log de verosimilitud :

`(, ; x) = n[ ln ln () ] + ( 1)

n
X

ln xi

i=1

n
X

xi

i=1

Derivando parcialmente e igualando a cero obtenemos:

n
X
`
= n ln n() +
ln xi = 0

i=1
n

`
X
=n
xi = 0

i=1
Donde () es la funcin digamma, definida por () =

d
d ln().

El mximo de s puede ser obtenido analticamente con facilidad, y puede ser estimado una vez
que conozcamos
:
n

=P

=
xi
x
obtenemos:
Dividiendo cada derivada parcial entre n y sustituyendo el valor de
n

n
1 `
1X
1X
= ln( P ) () +
ln xi = ln ln x () +
ln xi . . . (1)
n
xi
n i=1
n i=1
n

1 `
1X

xi = x = 0
=

n
n

x
i=1
Igualando (1) a cero, obtenemos la funcin de la cual debemos despejar . Usaremos el mtodo de
iteraciones de Newton-Raphson, i.e.,
xn+1 = xn

f (xn )
f 0 (xn )

Con esto, 1 est dado por (utilizando 0 como el obtenido por el mtodo de momentos):
Pn
ln 0 (0 ) ln x + n1 i=1 ln xi
1 = 0
1/0 0 ( )
0
y as sucesivamente. Las aproximaciones utilizadas para la funcin () y su derivada (la funcin
trigamma) se encuentran listadas al final del documento.
3

k
0
1
2
3
4
5
6
7
8
9

Lk
0.000066445
0.000117113
0.000153862
0.000155687
0.0001556916
0.0001489101
0.0001556333
0.0001557382
0.0001556916
0.0001556916

`k
-9.619135
-9.052368
-8.779453
-8.767659
-8.7676333
-8.8121673
-8.7680076
-8.767334
-8.7676333
-8.7676333

k
3.168748677
1.748041851
2.10251526
2.1962252
2.20086904
2.00879475
2.18314261
2.20072806
2.20087946
2.20087947

k
4.80745651
2.65203588
3.18982403
3.33199575
3.33904114
3.04763627
3.31214754
3.33882725
3.33905695
3.33905696

4k
1.420706826
0.354473409
0.09370994
0.00464384
0.19207429
0.17434786
0.01758545
0.0001514
0.00000001

Donde Lk es el valor de la funcin de verosimilitud, `k el valor de ln(L), k , k las correspondientes

estimaciones y 4k el cambio en la aproximacin de |Lk Lk1 |.
3.33905696.
Concluimos que, utilizando el mtodo de mxima verosimilitud, 2.20087947 y
Volvemos a observar que, en efecto, = 0.659132052 = x y
son iguales a E[X] y E[X 2 ], respectivamente.

(
+1)

= 0.571561255. Que a su vez

Aproximaciones utilizadas
(
ln k (1 + (1 (1/10 1/(21k 2 ))/k 2 )/(6k))/(2k), si k 8
(k) =
(k + 1) 1/k,
si k < 8
(
(1 + (1 + (1 (1/5 1/(7k 2 ))/k 2 )/(3k))/(2k))/k, si k 8
0 (k) =
0 (k + 1) + 1/k 2 ,
si k < 8

Muestra aleatoria
0.75873171
0.18260325
0.54185029
0.93762201
0.1608437
0.56494826
0.55476157
0.16670722
0.60921295
0.56956728
0.83235714
0.03494693
1.04358582
0.35917232
1.46056279
1.04211486
0.85511495
1.28639687
0.54058647
0.68095467