Professional Documents
Culture Documents
Ana
Jesus
UNIVERSIDAD DE CORDOBA
PROGRAMA DE ESTADISTICA
MONTERIA - CORDOBA
05/02/2019
1
27. Determine la cota de Cramer-Rao para la varianza de los estimadores insesgados para θ, basados en
una muestra aleatoria de tamaño n de una población con distribución de Bernoulli de parámetro θ.
Solución:
Entonces
∂
∂θ lnf(x;θ)
Donde
= xln(θ) + (1 - x)ln(1 - θ)
Ası́
∂ x 1−x
∂θ lnf(x;θ) = θ - 1−θ
Por lo tanto
∂
E[( ∂θ lnf(x;θ))2 ] = E[ xθ - 1−x 2
1−θ ]
h i2
x(1−θ)−θ(1−x)
=E θ−θ 2
1
= (θ−θ 2 )2 E[x − xθ − θ+θx]2
1
= (θ−θ 2 )2 E(x - θ)2
1
= θ 2 (1−θ)2
1
= (θ−θ 2 )2 Var(x)
1
= θ 2 (1−θ)2 θ(1 − θ)
1
= θ(1−θ)
Ası́
(r(θ))2
CICR(θ ) = ∂
n.E[( ∂θ lnf (x;θ))2 ]
1
= 1
n. θ(1−θ)
θ(1−θ)
= n
2
28. Con base en el ejercicio 27, ¿existe un UMVUE para θ?
Solución:
Veamos si existe un UMVUE para θ. Para verificar la existencia del estimador utilizamos el método de
máxima veorimilitud.
L(θ) = θx1 (1 − θ)1−x1 I{0,1} (x1 ), ..., θxn (1 − θ)1−xn I{0,1} (xn )
Qn
= i=1 θxi (1 − θ)1−xi I{0,1} (xi )
Pn Pn Qn
xi i=1 (1−xi )
= (θ) i=1 (1 − θ) i=1 I{0,1}(x1 )
Pn Pn Qn
xi
= (θ) i=1 (1 − θ)n− i=1 (xi )
i=1 I{0,1}(xi )
Pn Pn Qn
lnL(θ) = ln (θ) i=1 xi (1 − θ)n− i=1 (xi ) i=1 I{0,1}(xi )
Pn Pn Q
xi
n
= ln (θ) i=1 + ln (1 − θ)n− i=1 (xi ) + ln i=1 I{0,1}(xi )
Pn Pn Q
n
= i=1 xi ln(θ) + (n − i=1 xi ) ln(1 − θ) + ln i=1 I{0,1}(xi )
Pn Pn
= i=1 xi ln(θ) + (n − i=1 xi ) ln(1 − θ) + ln(x1 ) + ... + ln(xn )
∂ ∂
Pn Pn
∂θ lnL(θ) = ∂θ ( i=1 xi ln(θ) + (n − i=1 xi ) ln(1 − θ) + ln(x1 ) + ... + ln(xn ))
Pn
n− n
P
xi i=1 xi
= i=1
θ − (1−θ)
∂
∂θ lnL(θ) =0
Pn
n− n
P
xi i=1 xi
→ i=1
− =0
θb (1−θ)
b
3
Pn
n− n
P
xi i=1 xi
→ i=1
=
θb (1−θ)
b
Pn
(1−θ)
b xi Pn
→ i=1
=n− i=1 xi
θb
Pn
θb n
P
xi i=1 xi
Pn
→ i=1
− =n− i=1 xi
θb θb
Pn
xi Pn Pn
→ i=1
− i=1 xi = n − i=1 xi
θb
Pn
xi
→ i=1
=n
θb
Pn
xi
→ θb = i=1
n
Pn
Xi
Θ
b= i=1
n
Pn xi
= i=1 V ar n
n
= n2 V ar(Xi )
1
= nV ar(Xi )
1
Var(θ)
b =
n Var(X)
θ(1−θ)
= n
θ(1−θ) 1 θ(1−θ)
Nótemos que V ar(θ̂) = n , coincide con la cota de Cramer Rao nIθ = n .
1 θ(1−θ)
nIθ = n .
4
1 θ(1−θ)
nIθ
efθ (θ̂) = V ar(θ̂)
= n
θ(1−θ) =1
n
Ası́ Pn
xi
θ̂ = i=1
n
30. Determine la cota de Cramer-Rao para la varianza de los estimadores insesgados para θ, basados en
una muestra aleatoria de tamaño n de una población con distribución de Poisson de parámetro θ.
Solución:
e−θ .θ x
f(x;θ) = x! x = 0,1,...,n
Entonces
∂
∂θ lnf(x;θ)
Donde
−θ
∂ .θ x
∂θ lnf(x;θ) = ln( e x! )
= - θ + xln(θ) - ln(x!)
x
= θ -1
Por lo tanto
∂
E[( ∂θ lnf(x;θ))2 ] = E[ xθ − 1]2
2
= E[ (x−θ)
θ2 ]
1 2
= θ 2 E[x-θ]
1 2
= θ 2 E[x − 2xθ + θ2 ]
1 2
= θ 2 [E(x ) − 2θE(x) + θ2 ]
5
1 2
= θ 2 [E(x ) − 2θ2 + θ2 ]
1 2
= θ 2 [E(x ) − θ2 ]
1
= θ 2 Var(x)
1
= θ2 θ
1
= θ
Por lo tanto
(r(θ))2
CICR(θ) = ∂
n.E[( ∂θ lnf (x;θ))2 ]
1
= n. θ1
θ
= n
Solucion
si existe un UMVUE para θ . Debemos verificar la existencia del estimador para lo cual utilizamos el
metodo de maxima verosimilitud.
e−θ θ x
fX (x, θ) = x! I(0,1,..) (x)
Luego
Qn
L(θ; x1 , ..xn ) = i=1 fXi (xi ; θ)
e−θ θ xi
Qn
= i=1 [ xi ! I(0,1,..) xi ]
−nθ xi Qn
e
Qn θ
= i=1 I(0,1,..) xi
i=1 xi
−nθ xi Qn
Ln[L(θ; x1 , ..xn )] = Ln[ eQn θ
i=1 I(0,1,..) xi ]
i=1 xi
Pn Qn Qn
= Ln(e−nθ + Ln(θ i=1 xi
) − Ln( i=1 xi !) + Ln( i=1 I(0,1,..) xi )
6
Pn Qn Qn
= −nθ + ( i=1 xi )Ln(θ) − Ln( i=1 xi !) + Ln( i=1 I(0,1,..) xi )
∂ ∂
Pn Qn Qn
∂θ Ln[L(θ; x1 , ..xn )] = ∂θ [−nθ +( i=1 xi )Ln(θ) − Ln( i=1 xi !) + Ln( i=1 I(0,1,..) xi )]
Pn
xi
= −n + i=1
θ
∂
si ∂θ Ln[L(θ; x1 , x2 , ...xn )] =0
Pn
xi
⇒ −n + i=1
=0
θb
Pn
xi
⇒ θb = i=1
n
⇒ θb = x
n
= n2 V ar(Xi )
1
= nV ar(Xi )
1
V ar(θ)
b =
nV ar(X)
θ
= n
θ 1 θ
Notemos que V ar(θ)
b =
n, coincide con la cota de Cramer Rao nIθ = n
1 θ
nIθ n
efθ (θ)
b = = θ
=1
V ar(θ) n
7
Asi
Pn
i=1 xi
Θ
b= = Xn
n
32. Si se asume el modelo gaussiano, ¿X̄n es un UMVUE para el promedio poblacional? ¿La varianza de
Sn2 ; es igual a la correspondiente cota de Cramer-Rao para los estimadores insesgados para la varianza
poblacional?
Solución:
(x−µ)2
= ln √1 − ln(σ) − 1
2Π 2 σ2
∂
Ahora calculamos ∂µ (lnfX (x, µ))
∂ ∂ (x−µ)2
√1 − ln(σ) − 1
∂µ (lnfX (x, µ)) = ∂µ ln 2Π 2 σ2
x−µ
= σ2
h i
x−µ 2
=E σ2
1
= σ 4 E((X − µ)2 )
Vµ (X)
= σ4
8
σ2
= σ4
1
= σ2
1 1 σ
CICR = nIµ = n σ12
= 2n
V (X̄)
V (X̄n ) = n
σ2
= n
33. Si se adopta el modelo gaussiano, y se asume que el promedio poblacional es conocido, ¿existe un
UMVUE para la varianza poblacional? ¿Qué ocurrirı́a si no se asume que el promedio poblacional es
conocido?
Solucion
Tenemos:
(x−µ)2
− 21
1 θ
fX (x, θ) = √ √
θ 2π
e
De manera que:
" #
(x−µ)2
− 12
1 θ
Ln(fX (x, θ)) = Ln √ √
θ 2π
e
2
1 (x−µ)
= Ln( √12π ) − 12 Ln(θ) − 2 θ
∂
Aplicamos ∂θ (Ln(fX (x, θ))
h 2
i
∂ ∂ 1 (x−µ)
∂θ (Ln(fX (x, θ)) = ∂θ Ln( √12π ) − 21 Ln(θ) − 2 θ
9
(x−µ)2 −θ
= 2θ 2
Consideremos la transformacion
(X−µ)2 −θ
Y = 2θ 2
⇒ 2θ2 Y = (X − µ)2 − θ
⇒ 2θ2 Y + θ = (X − µ)2
√
⇒ 2θ2 Y + θ = (X − µ)
√
⇒ 2θ2 Y + θ + µ = X
p
⇒X= θ(2θY + 1) + µ
√ p p
⇒X= θ (2θY + 1) + µ Sea (Z = (2θY + 1))
√
⇒X= θZ + µ
√
⇒X =µ+ θZ
Donde Z ∼ N (0, 1)
Asi Eθ (X − µ)2 = θ Lo que nos dice que Eθ (Y ) = 0
Ahora calculemos Iθ
∂
Iθ = E{( ∂θ (Ln(fX (x, θ)))2 }
2
−θ 2
= E{( (x−µ)
2θ 2 ) }
= Vθ (Y )
2
−θ
= Vθ ( (x−µ)
2θ 2 )
1 2
= 4θ 4 Vθ (Z )
1 2
= 4θ 4 Vθ (Z )
2θ 2
= 4θ 4
1
= 2θ 2
1
por tanto Iθ = 2θ 2 .
10
Luego la cota de Cramer-Rao es:
1 1 2θ 2
CCR = nIθ = n( 2θ12 )
= n
Recordemos que
√
X =µ+ θZ, con Z ∼ N (0, 1). Asi Eθ ((X − µ)2 ) = θ y Eθ ((X − µ)4 ) = θ2 Eθ (Z 4 ) = 3θ2
1
Pn
T = n j=1 (xj − µ)2
Eθ (T ) = Eθ ((X − µ)2 ) = θ
n
2 1 X X
Eθ (T ) = 2 (Eθ ((Xj − µ)2 ) + E((Xi − µ)2 )E((Xj − µ)2 )
n j=1 1≤i6=j≤n
θ2
= n2 (3n + n(n − 1))
= (1 + n2 )θ2
y por tanto
Vθ (T ) = Eθ (T 2 ) − Eθ (T )2
= (1 + n2 )θ2 − θ2
2θ 2
= θ2 + n − θ2
2θ 2
= n
11
34. Determine la cota de Cramer-Rao para la varianza de los estimadores insesgados para el parámetro
de escala, basados en una muestra aleatoria de tamaño n de una población con distribución Gama.
¿Existe un UMVUE para el parámetro de escala?
Solución:
Primero hallemos
2
∂
I(θ) = E ∂µ lnfX (x, µ)
θ
θ2 1 θ1 −1 −θ2 x
fX (x) = Γ(θ1 ) x e I(0,∞) (x)
Recordemos que:
θ1
E[X] = θ2
y
θ1
V[X] = (θ2 )2
Aplicamos ln(f(x;θ1 , θ2 ))
θ
θ21 θ1 −1 −θ2 x
ln(f(x;θ1 , θ2 )) = ln Γ(θ1 ) x e
θ
θ2 1
= ln Γ(θ1 ) + ln(xθ1 −1 ) + ln(e−θ2 x )
∂
Ahora hacemos ∂θ1 [ln(fX (x; θ1 , θ2 ))]
∂ ∂
∂θ1 [ln(fX (x; θ1 , θ2 ))] = ∂θ1 (θ1 ln(θ2 ) − ln(Γ(θ1 )) + (θ1 )ln(x) − ln(x) − (θ2 x))
Γ0 (θ1 )
= ln(θ2 ) − Γ(θ1 ) + ln(x)
∂
Ahora hacemos ∂θ2 [ln(fX (x; θ1 , θ2 ))]
12
∂ ∂
∂θ2 [ln(fX (x; θ1 , θ2 ))] = ∂θ1 (θ1 ln(θ2 ) − ln(Γ(θ1 )) + (θ1 )ln(x) − ln(x) − (θ2 x))
θ1
= θ2 -x
θ1
=x- θ2
2
θ1
=E x− θ2
= V[X]
θ1
= (θ2 )2
1 1 θ1
CICR = nI(θ) = θ = n(θ2 )2
n (θ 1)2
2
Veamos si existe un UMVUE para θ2 . Para verificar la existencia del estimador utilizamos el método
de máxima verosimilitud.
θ
θ21 θ1 −1 −θ2 x
fX (x) = Γ(θ1 ) x e I(0,∞) (x)
θ θ
θ2 1 θ1 −1 −θ2 x1 θ 1
L(θ1 , θ2 , x1 , ..., xn ) = Γ(θ1 ) x1 e I(0,∞) (x1 ), ..., Γ(θ2 1 ) xnθ1 −1 e−θ2 xn I(0,∞) (xn )
θ
Qn θ2 1 θ1 −1 −θ2 xi
= i=1 Γ(θ1 ) xi e I(0,∞) (xi )
θ
θ2 1
Qn Qn Pn Qn
θ1 −1 −θ2 xi
= i=1 Γ(θ1 ) i=1 (xi )e i=1
i=1 (I(0,∞)(xi ) )
Ahora
13
θ
θ2 1
Qn Qn Pn Qn
θ1 −1 −θ2 xi
lnL(θ1 , θ2 ) = ln i=1 Γ(θ1 ) i=1 (xi )e i=1 (I
i=1 (0,∞)(xi ) )
Pn Pn Qn
= nθ1 ln(θ2 ) + (θ1 − 1) i=1 xi − θ 2 i=1 xi − nln(Γ(θ1 )) + ln i=1 I[0,1](xi )
Pn Pn Pn
= nθ1 ln(θ2 ) + (θ1 ) i=1 xi − i=1 xi − θ2 i=1 xi − nln(Γ(θ1 )) + ln(x1 ) + .. + ln(xn )
Luego
∂ ∂
Pn Pn Pn
∂θ2 lnL(θ1 , θ2 ) = ∂θ2 (nθ1 ln(θ2 ) + (θ1 ) i=1 xi − i=1 xi − θ2 i=1 xi − nln(Γ(θ1 )))
nθ1 Pn
= θ2 − i=1 xi
∂
Si ∂θ2 lnL(θ1 , θ2 ) =0
nθ1 Pn
⇒ − i=1 xi = 0
θb2
Pn
θ1 xi
⇒ = i=1
n
θb2
θ1
⇒ = xn
θb2
θ1
⇒ xn = θb2
θ1
Θ
b2 =
Xn
1 θ1
nIθ n(θ2 )2
efθ (θb2 ) = = θ1 =1
V ar(θ)
b
n(θ2 )2
Ası́
θ1
Θ
b2 =
Xn
14
35. Teniendo en cuenta una muestra aleatoria de tamano n de una poblacion Uniforme en el intervalo
∂
(0, θ), calcule Eθ {( ∂θ lnfx (x, θ))2 } y comparelo con la varianza del estimador insesgado para θ basado
en el máximo de la muestra. Se presenta alguna contradiccion
Solucion
Luego:
= −ln(θ)
Calculemos ahora:
∂ ∂
∂θ Ln[fX (x, θ)] = ∂θ (−ln(θ))
= − θ1
Ahora calculamos Iθ
∂
Eθ {( ∂θ lnfX (x, θ))2 }
∂
Iθ = Eθ {( ∂θ lnfX (x, θ))2 }
= Eθ {(− θ12 )2 }
= Eθ ( θ12 )
1
= θ2
1
CCR = nIθ
1
= n( θ12 )
θ2
= n
Por otra parte calculamos la varianza del estimador insesgado para θ basado en el Xn,n de la muestra
.
sea
n+1
Tn = n Xn,n
15
Un estimador insesgado en el maximo de la muestra de la poblacion uniforme.
Como sabemos:
ny n−1
fXn,n (y) = θ n I(0,θ) y
Entonces:
R∞ ny(y)n−1
E(Xn,n ) = −∞ θn dy
luego
Rθ n(y)n
E(Xn,n ) = 0 θ n dy
n
Rθ
= θn 0
y n dy
n+1
n y
= θ n [ n+1 ] |θ0
n θ n+1
= θ n [ n+1 ]
n
= n+1 θ (No es insesgado)
n+1
Pero como sabemos Tn = n Xn,n que si es insesgado para nuestra uniforme X ∼ U nif (0, θ) dado
que:
n+1
E(Tn ) = E n Xn,n
n+1
= n E(Xn,n )
n+1 n
= n · n+1 θ
=θ (es insesgado)
Calculemos ahora
E[( n+1 2
n Xn,n ) ]
(n+1)2 n Rθ
= n2 θn 0
y n+1 dy
(n+1)2 Rθ
= nθ n 0
y n+1 dy
16
h i
(n+1)2 y n+2 θ
= nθ n n+2 |0
(n+1)2 1 n+2
= nθ n · n+2 θ
(n+1)2 1 n 2
= nθ n · n+2 θ θ
(n+1)2 2
= n(n+2) θ
Vθ = E ( n+1 − {E ( n+1
2
2
n Xn,n ) n Xn,n ) }
(n+1)2 2
= n(n+2) θ − θ2
h i
(n+1)2
= n(n+2) − 1 θ2
Ahora comparando la varianza del estimador insesgado Tn de la muestra para θ con la cota de
Cramer-Rao, notamos una contradiccion en relacion de desigualdad de la cota de cramer-rao y la
varianza de Tn .
V (Tn ) ≥ CCR
Es decir:
h i
(n+1)2 θ2
V (Tn ) = n(n+2) − 1 θ2 ≤ CCR = n
17