Professional Documents
Culture Documents
y
MV
Si con X denotamos el precio hace un mes y con Y el precio actual, entonces + = X Y , y en particular Y es
funcin lineal de una variable normal, de modo que podemos aplicar la Propiedad Reproductiva de la
distribucin Normal: Funciones lineales de variables normales, tambin tienen distribucin normal, pero
con su respectiva media y varianza. Esto es, ) 10 , 100 (
2
N X y + = X Y ) , (
2
Y Y
N Y donde
+ = + = + = = 100 ) ( ) ( ) ( ) ( E X E X E Y E
Y
y = = = ]
2 2
) [( ) (
Y Y
Y E Y V
= = + = ] ]
2 2
) 100 [( ) 100 [( X E X E
2
10 ) ( = X V
Escribiendo la funcin de verosimilitud en trminos de la muestra de valores actuales
j
Y (pues esos son los
datos que tenemos y no los de
j
X ):
) ( L = ) ; (
1
=
n
j
j Y
y f
j
= = =
=
=
n
j
y
n
j
Y
y
j Y Y j
e e
1
10 * 2 / ) 100 (
1
2 / ) (
10 * 2 2
2 2 2 2
n
y
n
j
j
e
) 10 * 2 (
1
2
2
) 100 (
10 * 2
1
=
. Tomando logaritmo
neperiano:
| | = ) ( ln L
n
n
j
j
y ) 10 * 2 ln( ) 100 (
10 * 2
1
1
2
2
=
, que es funcin derivable, as que podemos aplicar
clculo diferencial para maximizar:
| |
0
) ( ln
=
L
0 ) 1 ( ) 100 ( 2
10 * 2
1
1
2
=
=
n
j
j
y 0 ) 100 (
1
=
=
n
j
j
y 0 100
1
=
=
n
j
j
n n y
100 = Y y verificando el mximo, se llega a que 100
= Y
MV
. Ntese que:
= + = = = = 100 ) 100 ( 100 100 ) ( ) 100 ( )
(
Y MV
Y E Y E E , es decir,
MV
es insesgado. Adems
n
Y V Y E Y E Y V V
MV
2
2 2
10
) ( ] )) 100 ( [( ] ) ] 100 [([ ) 100 ( )
( = = + = = =
Sobre la consistencia
100
= Y
MV
y ya vimos que = )
(
MV
E , luego =
n
MV
E )
( lim
y
n
V
MV
2
10
)
( = , luego 0
10
lim )
( lim
2
= =
n
n
MV
n
V
En suma, se cumplen las dos condiciones para que
MV
se estimador consistente de
2
Clculo de
MOM
Planteamos + = + = + = = 100 ) ( ) ( ) ( ) (
1
E X E X E Y E m y reemplazando parmetros por estimadores
tenemos la ecuacin de estimacin
MOM
M Y
100
1
+ = = y as Y
MOM
=100
=
0 ) ( 2
1
0
n
j
j j
X Y
= =
=
n
j
j
n
j
j
X n Y
1
0
1
0
= =
=
n
j
j
n
j
j
X Y n
1
0
1
X Y
0
=
X Y
0
= es el estimador de mnimos cuadrados en este caso (no se estima
0
pues por dato es conocido)
X Y E X Y E E
0 0
) ( ) ( ) ( = = y =
+ +
= = =
= = =
n
X E
n
Y E
n
Y
E Y E
n
j
j j
n
j
j
n
j
j
1
0
1 1
) ( ) (
) ( ) (
X
n
X n
n
E X
n
j
j
n
j
j j
0
1
0
1
0
0
) ) ( (
+ =
+
=
+ +
= =
8 7 6
luego = + = X X E
0 0
) ( y se ve que el
estimador hallado es estimador insesgado de
Problema 3
Si X es la rentabilidad de una inversin, con ) , ( ~
2
0
LogN X siendo
2
0
conocido. Estime mediante el
Mtodo de Momentos y use el Plim para probar que que
es estimador consistente de
Solucin:
) , ( ~
2
0
LogN X
0
2 / ) (ln
2
0
2
) , ; (
2
0
2
x
e
x f
x
X
=
pero como
2
0
es conocido, slo hay p = 1 parmetro por
investigar.
Planteamos p = 1 ecuacin estructural, que es ) (
1
X E m = . Como en el caso de la distribucin lognormal se
cumple que
2
2
2
) (
t
t
t
e X E
+
= , entonces
2
0
2
1
1
) (
+
= = e X E m
y la correspondiente ecuacin de estimacin
es
2
0
2
1
1
+
= e M .
Pasando al despeje de + = =
+
2
0
2
1
2
1
) ln(
2
0
X e X
2
0
2
1
) ln( = X sera el estimador de
Momentos de
Para la consistencia, como es funcin de X y para X conocemos su lmite en probabilidad Plim, mejor
usamos Plim y el Teorema de Slutsky:
3
( )
{
( )
{
( )
2
0
.
2
0
tan
2
0
2
0
2
1
lim ln
2
1
) ln( lim
2
1
lim ) ln( lim
2
1
) ln( lim lim = =
|
|
|
\
|
= |
\
|
= X P X P P X P X P P
Slutsky T
te cons
= + =
|
|
\
|
=
|
|
\
|
=
+
2
0
2
0
2
0
2
1
2
0
2
1
2
1
2
1
ln
2
1
lim ln
2
0
e X P
x
43 42 1
, o sea es estimador consistente de
Problema 4
Suponga un modelo de regresin de la forma
j j
Y + =
junto con los supuestos clsicos. Por error se aplica
MCO usando un modelo de la forma
j j j
X Y + + = en lugar del modelo verdadero: Halle los estimadores
MCO
correspondientes al modelo equivocado
j j j
X Y + + = y vea si el estimador de es consistente.
Sugerencias:
El modelo equivocado es
j j j
X Y + + = y aplicamos MCO a ( )
2
1
) , (
=
=
n
j
j j
X Y Q
( )( ) 0 1 2
) , (
1
= =
=
n
j
j j
X Y
Q
( ) 0
1 1 1
= = =
= =
n
j
n
j
j j
n
j
j j
X n Y X Y
( )( ) 0 2
) , (
1
= =
=
j
n
j
j j
X X Y
Q
( ) 0
1 1
2
1 1
2
= =
= = = =
n
j
n
j
j
n
j
j j j
n
j
j j j j
X X Y X X X Y X
\
|
=
=
= =
0
0
1 1
2
n
j
n
j
j j j
X X n Y X
X n n Y n
\
|
= +
= +
= =
n
j
j j
n
j
j
Y X X X n
Y X
1 1
2
\
|
= +
=
= =
n
j
j j
n
j
j
Y X X X n X Y
X Y
1 1
2
) (
X Y n Y X X n X
n
j
j j
n
j
j
=
= = 1
2
1
2
) (
) (
2
1
2
1
X n X
X Y n Y X
n
j
j
n
j
j j
=
=
y X Y = , as que los estimadores MCO
del modelo equivocado son:
j
n
j
n
j
j
j
n
j
j
n
j
j j
Y
X n X
X X
X n X
X Y n Y X
=
= =
=
|
|
|
|
|
\
|
=
1
2
1
2
2
1
2
1
) (
) (
) (
y X Y
=
Para ver la consistencia, veamos primero el Insesgamiento asinttico (cuando n ):
| | | | | | | | | | | |
E X Y E X E Y E X Y E E = = =
| | | |
}
| | | |
}
= = =
+ =
=
=
(
(
+ = + = =
(
(
(
(
=
n
j
j
n
j
j
n
j
Y
j
n
j
j
E
n
E
n
Y E
n n
Y
E Y E
j j
1
0
1 1
1
1 1 1
| | =
E | | =
|
|
|
|
|
\
|
=
|
|
|
|
|
\
|
=
(
(
(
(
|
|
|
|
|
\
|
=
=
=
=
=
=
n
j
n
j
j
j
j
n
j
n
j
j
j
j
n
j
n
j
j
j
X n X
X X
Y E
X n X
X X
Y
X n X
X X
E
1
2
1
2 1
2
1
2 1
2
1
2
) (
) (
) (
) (
) (
) (
4
0 ) (
) (
1
) (
) (
0
1
2
1
2 1
2
1
2
=
=
|
|
|
|
|
\
|
=
=
=
=
4 48 4 47 6
n
j
j
n
j
j
n
j
n
j
j
j
X X
X n X X n X
X X
; Entonces | | = E , esto es, el estimador de
con el modelo equivocado es insesgado, a pesar de todo. Por tanto como | | = E | | =
limE
n
Falta ver la varianza asinttica:
| | | | | | | | | | | | = + = + = = )
, ( 2
, ( 2
2
Y Cov X V X Y V X Y Cov X V Y V X Y V V
)
, ( 2
) (
2
1
2
2
2
2
Y Cov X
X n X
X
n
n
j
j
=
Por definicin de covarianza y propiedad de valor esperado tenemos:
)
, (
1
)
, (
1
)
,
1
( )
, (
1 1 1
= = =
= = =
n
k
k
n
k
k
n
k
k
Y Cov
n
Y Cov
n
Y
n
Cov Y Cov
Aplicando a )
, (
k
Y Cov las propiedades del valor esperado:
) , (
) (
) (
)
) (
) (
, ( )
, (
1
2
1
2 1
2
1
2
j k
n
j
n
j
j
j
j
n
j
n
j
j
j
k k
Y Y Cov
X n X
X X
Y
X n X
X X
Y Cov Y Cov
=
=
=
=
|
|
|
|
|
\
|
=
|
|
|
|
|
\
|
=
Aplicando la definicin de covarianza y recordando que se trata de una m.a., llegamos a
=
=
j k si
j k si
Y Y Cov
j k
0
) , (
2
Por lo anterior 0
) (
) (
) , (
) (
) (
)
, (
2
1
2
1
2 1
2
1
2
=
|
|
|
|
|
\
|
=
|
|
|
|
|
\
|
=
=
=
=
n
j
n
j
j
j
j k
n
j
n
j
j
j
k
X n X
X X
Y Y Cov
X n X
X X
Y Cov
Llegamos entonces a 0 )
, (
1
)
, (
1
)
,
1
( )
, (
1 1 1
= = = =
= = =
n
k
k
n
k
k
n
k
k
Y Cov
n
Y Cov
n
Y
n
Cov Y Cov
De lo anterior tenemos finalmente: | |
) ( ) (
2
1
2
1
2 2
2
1
2
2
2 2
X n X n
X
X n X
X
n
V
n
j
j
n
j
j
n
j
j
=
+ =
=
=
=
| | 0
) (
lim lim
2
1
2
2
2 2
=
|
|
|
|
|
\
|
+ =
=
X n X
X
n
V
n
j
j
n n
, pues 0
2
1
2
>
=
X n X
n
j
j
2
1
2
X n X
n
j
j
>
=
de modo que el
denominador crece ms rpido que el numerador si n tiene a infinito.
Juntando los resultados | | =
limE
n
y | | 0 lim =
V
n
, llegamos a que es estimador consistente de
5
Problema 5
Si ) , ( ~
2
X
N X y de esta distribucin se toma una m.a. de tamao n ) ,..., , (
2 1 n
X X X ; si ) , ( ~
2
Y
N Y y
de esta distribucin se toma una m.a. de tamao m ) ,..., , (
2 1 m
Y Y Y . Construya el MELI de
Y X
+ =
Sugerencias:
Dadas las muestras independientes ) ,..., , (
2 1 n
X X X , ) ,..., , (
2 1 m
Y Y Y : Sea
el MELI de
Y X
+ =
estimador lineal
= =
+ =
m
j
j j
n
i
i i
Y X
1 1
, donde } {
i
y } {
j
estn por determinar
estimador insesgado ( ) =
|
|
\
|
+ =
= =
m
j
j j
n
i
i i
Y X E E
1 1
Y X
m
j
j j
n
i
i i
Y X E + =
|
|
\
|
+
= = 1 1
( ) ( )
Y X
m
j
j j
n
i
i i
Y
X
Y E X E
+ = +
= = 1 1
3 2 1
3 2 1
Y X
m
j
j Y
n
i
i X
+ = +
= = 1 1
1 1
1 1
= =
= =
m
j
j
n
i
i
y (dos condiciones de insesgamiento)
\
|
+ =
= = = = 1
2
1
2
1 1
2
2
) ( ) (
3 2 1
3 2 1
Mn
m
j
j
n
i
i
= +
= = 1
2
1
2
, pues
2
>0 es constante y entonces, minimizar el producto equivale a minimizar
su segundo factor
El problema es entonces 1 1 ) (
1 1 1
2
1
2
,
= = +
= = = =
m
j
j
n
i
i
m
j
j
n
i
i
y a sujetos Mn
j i
. Aplicando Lagrange:
El Lagrangiano es ) 1 ( ) 1 (
1
2
1
1
1
2
1
2
= = = =
+ + + =
m
j
j
n
i
i
m
j
j
n
i
i
L y planteando puntos crticos:
(1) 0 2 0
1
= =
k
k
L
n k
k
,..., 2 , 1 2
1
= =
(2) 0 2 0
2
= =
l
l
L
m l
l
,..., 2 , 1 2
2
= =
(3) 0 1 0
1 1
= =
=
n
i
i
L
y reemplazando
k
2
1
= de (1), llegamos a
n
n
i
2
0
2
1
1
1
1
= =
(4) 0 1 0
1 2
= =
=
m
j
j
L
y reemplazando
l
2
2
= de (2), llegamos a
m
m
i
2
0
2
1
2
1
2
= =
De lo anterior se sigue que n
k
/ 1 2 /
1
= = y m
l
/ 1 2 /
2
= =
Asumiendo condiciones de 2do. Orden o sea que se trata de un mnimo, tenemos:
Y X Y
m
X
n
Y X
m
j
j
n
i
i
m
j
j j
n
i
i i
+ = + = + =
= = = = 1 1 1 1
1 1
, es decir Y X
MELI
+ =
Problema 6
Sea X v.a. tal que existen los sucesivos valores esperados (momentos poblacionales) ( ) X E m =
1
, ( )
2
2
X E m = ,
, ( )
k
k
X E m = , . Si ) ,..., , (
2 1 n
X X X es muestra aleatoria de la poblacin de X y se define
k
M estimador de
k
m mediante
n
X
M
n
j
k
j
k
=
=
1
.
a) Pruebe que
k
M es estimador consistente de
k
m
6
b) Si X es la rentabilidad de una inversin con ) , ( ~
2
0
LogN X siendo
2
0
conocido, estime mediante
Momentos y pruebe que
es estimador consistente.
Sugerencias:
a) Usando Insesgamiento y Eficiencia asintticos:
( ) ( )
}
( )
k k
n
j
m
k
j f f
n
j
X E
k
j
n
j
k
j
k
m nm
n
X E
n
X E
n n
X
E M E
k
j X X
k
= = = =
|
|
|
|
\
|
=
=
=
=
=
1 1 1
1 1
) (
1
3 2 1
3 2 1
y tomando lmite para n grande, es obvio
que ( )
k k
n
k
n
m m M E = =
lim lim : Se cumple la primera condicin de consistencia
( ) ( )
}
( ) ( )
( )
n
X V
X nV
n
X V
n
X V
n n
X
V M V
k
k
n
j
k
j f f
n
j
X V
k
j
n
j
k
j
k
j X X
k
= = = =
|
|
|
|
|
\
|
=
=
=
=
=
2
1
2
1
) (
2
1
1 1 1
3 2 1
y tomando lmite
( )
( )
( )
{
0 lim lim
<
= =
k
X V
k
n
k
n
n
X V
M V : Se cumple la segunda condicin de consistencia.
Entonces hemos probado que
k
M es estimador consistente de
k
m
b) ) , ( ~
2
0
LogN X y
2
0
conocido, entonces :
Tenemos p=1 parmetro planteamos p=1 ecuacin estructural:
2
0
2
1
1
) (
+
= = = e X E m
X
Reemplazamos parmetros por estimadores y obtenemos la ecuacin de estimacin:
2
0
2
1
+
= e m
2
0
2
1
+
= e X
Despejando con logaritmos, tenemos el estimador de momentos de :
2
0
2
1
) ln( = X
Como es funcin de X y por la Ley de Grandes Nmeros, conocemos el Plim de
X ( ) ) lim(
X
X P = , para estudiar la Consistencia de usaremos el Plim y sus propiedades:
= = + = =
2
0
tan
2
0
2
0
2
1
)) lim(ln( )
2
1
lim( ) lim(ln( )
2
1
) lim(ln( ) lim( X P P X P X P P
te cons
3 2 1
{
( ) ( )
= + =
|
|
\
|
= = =
+
2
0
2
0
2
0
2
1
2
0
2
0
2
1
2
1
2
1
ln
2
1
ln
2
1
) lim( ln
2
0
e X P
X
Slutsky de Teorema
, y as
hemos probado que es estimador consistente de
Problema 7
Para el consumo Y de las familias, se plantea que ste depende linealmente del correspondiente Ingreso disponible
X , de modo que | | + = X Y E Y | , donde es un residuo aleatorio, X es no aleatoria y | | X X Y E + = |
Dada una muestra de n familias se obtiene ) , ( ),..., , ( ), , (
2 2 1 1 n n
Y X Y X Y X de modo que
j j j
X Y + + = ,
donde se asume 0 ) ( =
j
E y
2
) ( =
j
V , habiendo independencia entre los residuos
j
.
a) Halle los estimadores de y mediante mnimos cuadrados
b) Pruebe que
MCO
es estimador insesgado de
Sugerencias:
Problema resuelto en clase
7
Problema 8
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 el estimador MV de
) 1 ( > = X P
Sugerencias:
Si ) , 2 ( ~ = X y ) ,..., , (
2 1 n
X X X es muestra aleatoria de la poblacin de X , entonces la f. de nsidad es
2
/
) ; (
x
X
e x
x f
= y la verosimilitud es
=
=
= =
n
j
x
j
n
j
j X
j
j
e x
x f L
1
2
/
1
) ; ( ) (
y la LogVerosimilitud es
( ) =
|
|
\
|
=
|
|
\
|
=
|
|
\
|
= =
= =
=
n
j
j
j
n
j
x
j
n
j
j X
x
x
e x
x f L l
j
j
1 1
2
/
1
) ln( 2 ) ln( ln ) ; ( ln ) ( ln ) (
= =
=
n
j
n
j
j j
n x x
1 1
) ln( 2
1
) ln(
) ( l
2 2
0
1
2
1 1
2
1
X
n
x
n x
n
j
j
n
j
j
=
|
|
\
|
= =
|
|
\
|
=
=
=
y as, el estimador M.V. de es
2
X
MV
=
Para el caso de ) 1 ( > = X P , como ) (
1
2
/
h dx
xe
x
= =
aplicamos la Invarianza y tenemos
)
2
( )
(
X
h h
MV MV
= = . Falta explicitar la frmula de ) ( h , eso es tarea para el lector.
En cuanto a la distribucin asinttica resulta )
2
, ( ~
2
n
N
MV
Problema 9
Si ) , ; ( ~ x U X estime y mediante mxima verosimilitud. Luego estime
X
Sugerencias:
caso otro en
x si
x f x U X
X
0
) (
1
{ ) , ; ( ) , ; ( ~
\
|
j MV
x Mx = y por la propiedad de Invarianza, dado que
2
} { } {
2
) , (
j j
X X
x Mx x Mn
h
+
=
+
= =
23 de Junio de 2011
ACG./SAMP.