You are on page 1of 13

UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 1 de 13
CAPÍTULO 4.

PROBLEMAS RESUELTOS

Problema 1. El tiempo de vida T ó duración de ciertos componentes electrónicos C es una v.a.
con distribución exponencial con media =4000 horas. Un equipo E está formado por cinco
componentes C dispuestos en serie, de manera que el equipo E falla cuando cualquiera de los
componentes C lo hace (los tiempos de vida de los componentes del equipo son v.a.
independientes).

a) Calcular la probabilidad de que el tiempo de vida de un equipo sea inferior a 1000 horas.
b) Obtener la función de densidad de la variable aleatoria Tiempo de funcionamiento de un
equipo E y calcular su media.
c) Diez equipos E se pusieron en funcionamiento simultáneamente, obteniéndose los siguientes
tiempos de vida: 73, 150, 162, 368, 592, 985, a las 1000 horas el ensayo se interrumpió y 4
equipos no habían fallado. Estimar por MV el tiempo de vida medio de los equipos.
Solución

a) La probabilidad de que un equipo dure menos de 1000 horas será la probabilidad de que al
menos uno de los componentes del equipo dure menos de 1000 horas.

Si T
E
es la v.a. que representa el tiempo de vida de un equipo, se tiene:

P [T
E
( 1000] =1 – P [T] 1000]
5


Por ser los componentes v.a. exponenciales con media 4000 horas, y recordando que:
si T es v.a. con distribución exponencial con parámetro o, la f.d.p de T será:

¦
¹
¦
´
¦
>
÷
=
contrario caso en 0
0 t si
t/α
e
α
1
f(t)

y E(T) =o

Entonces: 0,22 e 1 dt e .
4000
1
1000) P(T
1/4 t/4000 -
1000
1
= ÷ = = <
÷
}


¬ P(T >1000) =0,78 y P(T
E
<1000) =1 – 0,78
5
=0,72 (revisar las cuentas)

b) Nos pide hallar la f.d.p de la v.a .tiempo de funcionamiento de un equipo E, es decir la f.d.p
de T
E
. Recordando lo hecho en probabilidades:
Primer paso. hallar la F.d.a.
UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 2 de 13

| |
5
t
t/4000 -
4000
1
5
E E
dt e . 1 t P(T 1 t) P(T (t) F
(
¸
(

¸

÷ = > ÷ = < =
}
·

integrando se obtiene:
F
E
(t) =1-e
-5t / 4000
, cuando t >0

Segundo paso: derivamos respecto de t, para obtener la f.d.p.

Recordar que:
dt
(t)
E
dF
(t)
E
f =

Operando se obtiene: 0 t cuando
800 t / -
e .
800
1
(t)
E
f > =

Tercer paso: Ver para que valores de t, la función obtenida es una f.d.p. En este caso no hay
nada que hacer al respecto ¬ la función buscada es:

¦
¹
¦
´
¦
>
÷
=
contrario caso en 0
0 t si
800 t /
.e
800
1
(t)
E
f

Observar que es una función de densidad de una v.a. con distribución exponencial y media 800
c) En este problema de estimación hay que tener en cuenta que no se conoce el valor exacto de 4
datos muestrales, siendo toda la información relativa a estos datos “que son mayores que 1000”.
En este caso la función de verosimilitud viene dada por:

k n
)
f
t
E
(T α).P ;
k
(t α)....f ;
1
(t f
÷
>
donde:
n =tamaño muestral
k =número de datos muestrales conocidos con exactitud
t
f
=límite de las observaciones (en este caso 1000)

por tanto la función de verosimilitud vendrá dada por:

4
)
1000/α -
(e .
6
1 i

i
t -
e .
6
α
1
4
)
1000/α -
(e .

6
t -
e .
α
1
.....

2
t -
e .
α
1
.

1
t -
e .
α
1
6 10
1000)
E
α).P(T ;
6
t α)......f( ;
2
α).f(t ;
1
f(t
¿
=
=
= =
=
÷
>


UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 3 de 13
Observar que se debe tener en cuenta que la v.a. tiene distribución exponencial con parámetro
o, y el último factor, es decir (e
-1000/o
)
4
, representa la probabilidad de que haya 4 equipos cuya
duración sea superior a las 1000 horas.

Tomando logaritmo a lo obtenido:
α
4000
6
1 i
α /
i
t α ln 6 )
4
)
α / 1000 -
(e .
6
1 i
α /
i
t -
e .
6
α
1
ln( ÷ ¿
=
÷ ÷ =
¿
=


Derivando respecto de o la expresión obtenida e igualando a cero, se obtiene la ecuación:
0
α
4000
t
α
1
α
6
2
6
1 i
i 2
= + +
÷
¿
=


0
α
4000
2330
α
1
α
6
2 2
= + +
÷


multiplicando por o
2
resulta:
-6o+2330+4000 =0
de donde se obtiene o =1055 horas (probar que efectivamente es máximo).

Por tanto el estimador buscado es: horas 1.055 αˆ =


Problema 2. Si una v.a X tiene f.d.p dada por:

0 θ 1; x 0 ,
θ - 1
1 - 3θ
x .
θ 1

θ) f(x; > s s
÷
=

a) Hallar el estimador del parámetro u por el método de máxima verosimilitud a partir de una
muestra de tamaño n.

b) Comparar el estimador obtenido en a) con el que se obtiene con el método de los momentos.
Solución
a) Sea la muestra aleatoria de tamaño n: (X
1
,…, X
n
). La función de verosimilitud será:
( )
0 θ , 1
n
x 0 ..., 1;
2
x 0 1;
1
x 0

θ 1
1 3θ
n
x
θ 1

...
θ 1
1 3θ
2
x
θ 1

θ 1
1 3θ
1
x
θ 1

θ l
> s s s s s s
÷
÷
÷
÷
÷
÷
÷
÷
÷
=


Tomando ln en la última expresión:

UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 4 de 13
( ) ( ) ( ) | |
¿
=
÷
+ ÷ ÷ + =
= ¿
=
÷
÷
+ ÷ = ¿
=
÷
÷
+ = =
n
1 i
i
lnx .
θ 1
1 - 3θ
θ) nln(1 nlnθ nln2
n
1 i
i
lnx .
θ 1
1 3θ
θ) ln(1 - 2 ln n.
n
1 i
i
lnx .
θ 1
1 3θ
)
θ - 1

ln( n. θ lnl θ L 

luego del tercer signo “=” tener en cuenta: el ln de un cociente es la resta de los ln.
Derivando la expresión anterior, respecto de u, e igualando a cero, se obtiene la ec:
( )
0 lnx .
θ) (1
2
θ 1
n
θ
n

θ dL
n
1 i
i 2
=
÷
+
÷
+ =
¿
=

por tanto:
θ) θ(1
n
θ 1
n
θ
n
n
1 i
i
lnx .
2
θ) (1
2
÷
÷ =
÷
÷ ÷ = ¿
=
÷


¬
( ) θ - 1 2.θ
θ) n.(1
lnx
2 n
1 i
i
÷
÷ =
¿
=
¬

θ) n(1
lnx
n
1 i
i
÷
÷ =
¿
=

¬ 0 nθ n lnx 2.θ.
n
1 i
i
= ÷ +
¿
=
de donde resulta:
¿
=
÷
=
n
1 i
i
lnx 2 n
n
θ (probar que es un
máximo).
El estimador buscado es:
¿
=
÷
=
n
1 i
i
lnx 2 n
n
θ
ˆ


a) Para hacer la comparación que se pide debemos primero hallar el estimador de u por
el método de los momentos.
Recordar que debemos resolver la ecuación: E(X) X =

θ 1

dx
1
0

- 1
2
x .
θ 1

1
0
1
1 3
x x. .
θ 1

E(X)
+
=
}
÷
}
=
÷
=


dx

θ-


Escribimos la igualdad a la que me referí en la pág. anterior:

θ 1

X
+
= despejando u, resulta que el estimador por el método de los momentos es:
X 2
X
θ
ˆ
÷
=
Se observa que los dos estimadores obtenidos por distintos métodos son diferentes.

Pregunta: ¿cuál es mejor y porqué?
Indicación. Fijarse si ambos son insesgados, si alguno no lo es, elegimos el insesgado. si ambos
son insesgados estudiar cuál tiene mayor eficiencia o precisión
UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 5 de 13

Problema 3. En un proyecto espacial de la NASA se ha descubierto que la variación de la
temperatura cada hora en una determinada zona del planeta krypton se distribuye según una v.a.
cuya función de densidad es:
e
1) (α
2
x
2
1
.

1
.
1) (α
1
α) f(x; +
÷
+
=

donde se supone que o >-1. Se desea estimar el parámetro o. Se toma una muestra de n
variaciones de temperatura independientes.
Calcular el estimador de máxima verosimilitud de o.
Solución
Debemos calcular la función de verosimilitud.
( )
e
n
1 i
2
i
x .
1) 2(α
1 -
.
n
) 2π (
1
.
n
) 1 α (
1
α) ;
n
1 i
i
f(x α l
¿
=
+
+
= [
=
=

¬ ( ) ( ) ¿
=
+
÷ ÷ + ÷ = =
n
1 i
2
i
x .
1) 2(α
1
.ln2π
2
n
1) .ln(α
2
n
α lln α L

derivando la expresión anterior respecto de o e igualando a 0, se obtiene la ec.
( )
0
n
1 i
2
i
x .
2
1) 2(α
1
1) (α
1
.
2
n

α dL
= ¿
=
+
+
+
÷ =
debemos hallar o a partir de la ec. anterior.
(1) 1
n
n
1 i
2
i
x
α
n
1 i
2
i
x
1 α
1
n
n
1 i
2
i
x .
2
1) 2(α
1
1) (α
1
.
2
n
÷
¿
=
= ¬ ¿
=
+
= ¬ ¿
=
+
=
+


Comprobamos ahora que se trata de un máximo (en los ejercicios hechos hasta ahora esto se los
dejé para que lo hagan ustedes):

(
(
(
(
¸
(

¸

+
÷
+
=
+
÷
+
=
¿ ¿
= =
1 α
x
2
n
1) (α
1
1) (α
x
1) (α
1
2
n

α) ; X ,..., lnL(X d
n
1 i
2
i
2 3
n
1 i
2
i
2 2
n 1
2
(2)
debemos comprobar que esta derivada segunda es negativa para el valor de o obtenido en (1):
en la expresión (2): -1 α 0
1) (α
1
2
> ¬ >
+


UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 6 de 13
0 n
2
n
1 1
n
x
x
2
n
n
1 i
2
i
n
1 i
2
i
< ÷ =
+ ÷
÷
¿
¿
=
=


luego el valor de o se trata de un máximo.

El estimador buscado es: 1
n
n
1 i
2
i
x
αˆ ÷
¿
=
=

Problema 4. En una distribución con media µ y varianza o
2
para estimar la media se toman
muestras aleatorias de tamaño n. Se consideran dos estimadores:
n
n
1 i
i
X

¿
=
= y
¿
=
¿
=
=
n
1 i
i
n
1 i
i
iX
b
ˆ

Determinar cual es el mejor estimador.
Solución
Para determinar cual de los dos estimadores es mejor nos limitamos a las propiedades de
insesgamiento y eficiencia.

i) ¿Son insesgados?

insesgado es
estimador este µ .nµ
n
1
µ .
n
1
) X E( .
n
1
E( ) aˆ E(
n
1 i
i
n
1 i
)
n
n
1 i
i
X
¬ = = = = =
¿ ¿
= =
¿
=


insesgado. es
estimador este µ iµ
1
) iE(X .
1
) E( ) b
ˆ
E(
n
1 i
n
1 i
i n
1 i
i
n
1 i
i
n
1 i
i
n
1 i
i
iX
¬ = = = =
¿ ¿
= = ¿
=
¿
=
¿
=
¿
=


Por tanto desde el punto de vista del sesgo ambos estimadores son insesgados.

ii) Estudio de la eficiencia de un estimador respecto del otro
(1)? igualdad la escribir puede se ¿porqué

n
2
σ
n
1 i
2
σ
n
1 i
2
n
1
)
i
V(X
2
n
1
(1)
n
1 i
)
i
X V(
2
n
1
)
n
n
1 i
i
X
V( ) aˆ V( = ¿
=
¿
=
= = ¿
=
=
¿
=
=


UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 7 de 13
1 n
1 2n
.
3
2
.
n
2
σ
(2)
2
n)
2
n 1
(
6
1) 1)(2n n(n
2
σ
(1)
2
)
n
1 i
i (
n
1 i
2
i
2
σ
n
1 i
2
σ
2
i
2
)
n
1 i
i (
1
n
1 i
)
i
V(X
2
i
2
)
n
1 i
i (
1
n
1 i
)
i
V(iX
2
)
n
1 i
i (
1
n
1 i
)
i
iX V(
2
)
n
1 i
i (
1
n
1 i
i
n
1 i
i
iX
V ) b
ˆ
V(
+
+
=
+
+ +
=
¿
=
¿
=
= ¿
=
¿
=
¿
=
=
¿
=
=
= ¿
=
¿
=
= ¿
=
¿
=
=
(
(
(
(
(
¸
(

¸

¿
=
¿
=
=
=


Las igualdades (1) y (2) se estudian en matemática, en caso de tener que usarlas se las darán
como indicación.
Obtenidas las varianzas de ambos estimadores, será más eficiente aquel que tenga menor
varianza.
Supongamos que ) aˆ V( ) b
ˆ
V( > ¬
1 n 3 3n 2 4n 1
1 n
1 2n
.
3
2

n
2
σ
1 n
1 2n
.
3
2
.
n
2
σ
> ¬ + > + ¬ >
+
+
¬ >
+
+

la condición hallada es posible, por lo cual la hipótesis ) a V( ) b V( ˆ
ˆ
> es cierta. Por tanto
resulta más eficiente el estimador aˆ por tener menor varianza.

Problema 5. Sea (X
1
,…,X
n
) una muestra aleatoria de una población de media µ y varianza o
2
.
Considérense los siguientes estimadores de µ:
4
n
X
1 n
2 i
i
X .
2) (n
1
2
1
4
1
X
1
µˆ + ¿
÷
=
÷
+ = y ¿
=
=
n
1 i
i
X
n
1
2
µˆ
a) Demostrar que los dos estimadores son insesgados.
b) Determinar la eficiencia relativa de
2
µˆ respecto de
1
µˆ .
c) Calcular el error cuadrático medio de los dos estimadores.
Solución
a)
µ µ
4
1
2)µ (n
2) (n
1
2
1
µ
4
1
)
n
E(X
1 n
2 i
4
1
)
i
E(X
2) (n
1
.
2
1
)
1
.E(X
4
1
)
1
µˆ E(
= + ÷
+
+ =
= ¿
÷
=
+
+
+ =

µ nµ
n
1
n
1 i
µ
n
1
n
1 i
)
i
E(X
n
1
)
2
µˆ E( = = ¿
=
= ¿
=
=

UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 8 de 13
b)
) µˆ V(
) µˆ V(
) µˆ / µˆ ef(
1
2
1 2
=
2
σ
2) 8(n
n
2
σ
16
1
2
2)σ (n
2
2) (n
1
4
1
2
σ
16
1

)
n
V(X
1 n
2 i
16
1
)
i
V(X
2
2) (n
1
4
1
)
1
V(X
16
1
)
1
µˆ V(
÷
= + ÷
÷
+ =
= ¿
÷
=
+
÷
+ =

n
2
σ
2

2
n
1
)
1 n
2 i
i
V(X
2
n
1
)
2
µˆ V( = = ¿
÷
=
=
¬
2
n
2) 8(n
2
σ
2) 8(n
n
n
2
σ
)
1
µˆ /
2
µˆ ef(
÷
=
÷
=

¿Cuál de los dos estimadores es más eficiente? ¿porqué?

b) Como ambos estimadores son insesgados, resulta:
)
2
µˆ V( )
2
µˆ ECM( y )
1
µˆ V( )
1
µˆ ECM( = =

recordar que para un estimador cualquiera µˆ del parámetro µ se verifica:
| |
2
) µˆ sesgo( ) µˆ V( ) µˆ ECM( + =


Problema 6. La F.d.a de una v.a. viene dada por:
k x si ,
α
x
k
1 F(x) > |
.
|

\
|
÷ =
donde el valor de k es conocido. Calcular la varianza asintótica del estimador de máxima
verosimilitud del parámetro α.
Solución
La f.d.p será: k x
1 α
x
α
α.k
dx
dF
f(x) >
+
= =
Dada una muestra aleatoria que toma los valores: (x
1
, x
2
,…, x
n
), la función de verosimilitud
será:
[
=
+
= [
= |
|
|
.
|

\
|
+
=
+ + +
= =
n
1 i
1 α
i
x

.k
n
α
n
1 i
1 α
i
x
α
α.k
1 α
n
x
α
α.k
....
1 α
2
x
α
α.k
.
1 α
1
x
α
α.k
α) ;
n
α)...f(x ;
2
α).f(x ;
1
f(x l(α(
Tomando logaritmo en esta última ecuación se obtiene la función soporte:
UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 9 de 13
) ln(x 1) (α n.α.α.ln( n.ln(α. ) L(
n
i
i ¿
=
+ ÷ + = 
Derivando e igualando a cero para imponer la condición de máximo:
¿
= ÷ + =
n
i!
i
0 ) ln(x n.ln(k)
α
n

dL

de donde se obtiene que el estimador de máxima verosimilitud es:
¿
=
+
=
n
1 i
i
) ln(x nlnk
n
αˆ
Como:
valor verdadero α
2
2

L d
1
) αˆ Var(
=
(
¸
(

¸

÷ =
teniendo en cuenta que:
2 2
2
α
n

L d
÷ = operando resulta que:
n
α
) αˆ Var(
2
= y un estimador de
esta varianza será:
n
αˆ
) αˆ ( V
ˆ
2
=
Problema 7. Se vio como ejemplo en el capítulo 4 que, si X es una v.a. con distribución
uniforme en el intervalo [0, θ], θ> 0 desconocido, un estimador hallado a partir de una muestra
aleatoria simple de tamaño n es:
X 2 θ
ˆ
=
Consideremos ahora una v.a X con distribución U[(-θ, θ)].
Hallar por el método de los momentos un estimador de θ, a partir de una muestra de tamaño n,
(X
1
, …, X
n
).
Solución
Como hay un único parámetro a estimar parece natural plantear una sola ecuación basada en los
momentos poblacional y muestral de primer orden, es decir: µ
1
=M
1
. Haciendo esto:
( )
¿
¿
=
=
= ¬
=
=
÷
= =
n
i
i
n
I
i
X
n
X
n
M
X E
1
1
1
1
1
0
1
0
2
 


Puede verse que a partir de la última igualdad no puede despejarse θ, dado que no depende de θ.
En este caso se hace necesario plantear una ecuación basada en los segundos momentos: µ
2
=M
2
.
UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 10 de 13
Por tanto:
( ) | |
( )
¿ ¿ ¿
= = =
= ¬ = ¬ =
= = + = =
n
1 i
2
i
n
1 i
2
i
2 n
1 i
2
i 2
2 2
2 2
2
X
n
3
θ
ˆ
X
n
1
3
θ
X
n
1
M
3
θ
12

X E Var(X) ) E(X µ

Este ejemplo nos muestra que no siempre podemos usar los momentos en el orden natural.

Problema 8. Sea (X
1
, …, X
n
) una muestra aleatoria simple de una v.a. con distribución U[(0,
θ)]. Hallar, si es posible, un estimador para el parámetro θ por el método de máxima
verosimilitud.
Solución
Función de verosimilitud:

( ) ( )
( ) ( )
¦
¹
¦
´
¦
e e
= =
contrario caso en 0
θ 0, x ;.....; θ 0, x si
θ
1
θ ; x ,..., x , x f θ l
n 1 n
n 2 1

( ) ( ) ( ) ( ) θ 0 θ ln que dado 0 n 0 θ nln θ lnl θ L ¬ = = · = ÷ = =
por tanto no podemos hallar el valor de θ, que maximiza la función de verosimilitud por los
métodos clásicos de Cálculo.
Procedemos entonces como sigue: analizamos como es la función L(θ) para hallar su
máximo,
( ) ( )
( )
¦
¹
¦
´
¦
s s <
= ¬
¦
¹
¦
´
¦
¬ < <
=
ontrario caso en 0
1 i 0 θ; x máx si
θ
1
θ L
contrario caso en 0
i θ x 0 si
θ
1
θ L
i n i n

( )
( )
( )

n i 1 que tal N i todo para x máx θ 0
n i 1 que tal N i todo para x máx θ si
θ
1
θ L
i
i n
¦
¹
¦
´
¦
s s e s
s s e >
=

Graficando L(θ), se obtiene:
UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 11 de 13

Como podemos ver el máximo de la función de verosimilitud se alcanza en:
θ= máx(x
i
); i =1, 2, …, n y por lo tanto el estimador de máxima verosimilitud del parámetro θ
es:
( )
i
X
máx
n i 1
θ
ˆ
s s
=

Problema 9. Dada la v.a. X con distribución U[(0,θ)]:
a) Verificar que el estimador del parámetro θ, hallado por el método de los momentos en
el Cap.4 es insesgado.
b) Verificar que el estimador hallado por MV en el problema 8 no es insesgado.
Solución
a) X 2 θ
ˆ
=
( ) ( ) ( ) ( ) θ
2

n
1
2 X E
n
1
2 X
n
1
2E X 2E X 2 E θ
ˆ
E
n
1 i
i
n
1 i
i
= = = |
.
|

\
|
= = =
¿ ¿
= =


b) En este caso necesitamos saber la f.d.p de la v.a. ( )
i
X
máx
n i 1
U
s s
=
Recordemos que (X
1
, …, X
n
) una muestra aleatoria simple de una v.a. con distribución
U[(0, θ)], por tanto las “n” v.a. que constituyen la muestra son independientes e
idénticamente distribuidas y la F.d.a de cada una de ellas es la de una v.a. U[(0, θ)], es
decir:
( ) ( )
¦
¦
¹
¦
¦
´
¦
>
< s
<
= s =
θ x si 1
θ x 0 si
θ
x
0 x si 0
x X P x F
Entonces la F.d.a. de la v.a. U será:
UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 12 de 13
( ) ( ) ( ) | |
¦
¦
¹
¦
¦
´
¦
>
< s |
.
|

\
|
<
= = s =
θ u si 1
θ u 0 si
θ
u
0 u si 0
u F u U P u G
n
n

Hallando la derivada de G(u) respecto de u hallamos la f.d.p. de la v.a. U
( ) ( ) | | ( ) ( ) θ 0, u si
θ
1
θ
u
n u .F' u F n u G'
1 n
1 n
e |
.
|

\
|
= =
÷
÷

Calculamos ahora la esperanza del EMV:
( ) | | ( ) ( )
( )
insesgado. mente asintótica es si pero
insesgado es no estimador el por tanto θ
1 n
n
1 n
θ

n
θ
1
n
θ u
0 u
1 n
1 n
u
n
θ
0
θ
1
n du
θ
1
1 n
θ
u
un U E
i
X máx E
1 n
+
=
+
|
.
|

\
|
=
=
=
=
|
|
.
|

\
|
+
+
} |
.
|

\
|
=
÷
= =
+


Problema 10. Obtener el estimador de máxima verosimilitud del parámetro λ de una
distribución de Poisson.
Solución
Sea (X
1
, X
2
,…, X
n
) una muestra aleatoria simple de una v.a. X con distribución de Poisson de
parámetro λ.
La f.d.p de X es:
... 2, 1, 0, x si
x!
x
λ
λ
e x) P(X p(x) =
÷
= = =

Función de verosimilitud:

( )
( )
n
x ...
2
x
1
x
λ
!
n
!....x
2
x !
1
x
1
n
λ
e
!
n
x
n
x
λ
λ
...e
!
2
x
2
x
λ
λ
...e
!
1
x
1
x
λ
λ
e
)
n
x X ).......P(
2
x ).P(X
1
x P(X λ l
+ + +
÷
=
=
÷ ÷ ÷
=
= = = = =


Tomando logaritmos neperianos, obtenemos:

( ) ( ) ( ) λ ).ln x ... x (x ) ! !...x x ! ln(x nλ λ lnl λ L
n 2 1 n 2 1
+ + + + ÷ ÷ = =

Derivando L(λ) respecto de λ e igualando a cero se obtiene el valor de λ que maximiza la
función de verosimilitud.
UNLP – Facultad de Ingeniería Materia: Estadística

Carreras: Ing. Electromecánica y Electricista Magíster Lic. Alicia Ledesma

Página 13 de 13
( )
X
n
1 i
i
X
n
1
λ
ˆ
0
λ
n
...x
2
x
1
x
n

λ dL
= ¿
=
= ¬ =
+ +
+ ÷ =

Problema 11. Se sabe que los defectos de un tipo de acero siguen una distribución de Poisson.
Al estudiar una muestra de tamaño 5 de este tipo de acero se detectaron 1, 2, 1, 3, 1 defectos en
cada uno de los elementos de la muestra.
a) Obtener un estimador insesgado para el promedio, λ, de defectos en este tipo de acero.
b) Calcular la varianza del estimador obtenido y determinar un estimador de ésta.
Solución
a) El estimador obtenido en el problema anterior es insesgado, dado que:
( ) λ nλ
n
1
X E
n
1
X
n
1
E ) X E( ) λ
ˆ
E(
n
1 i
i
n
1 i
i
= = = |
.
|

\
|
= =
¿ ¿
= =


Para los datos de la muestra, la estimación de máxima verosimilitud es:

5
8
5
1 3 1 2 1
λ
ˆ
=
+ + + +
=

b)
( )
( )
λ. parámetro con Poisson de ón distribuci
con v.a. es X si λ X Var que recordar

n
λ

2
n
1
n
1 i
i
X Var
2
n
1
n
1 i
i
X
n
1
Var ) X Var( ) λ
ˆ
Var(
=
= = ¿
=
= |
.
|

\
|
¿
=
= =

( )
muestra la de datos 5 los con estimada varianza la
25
8
5
5
8

siendo ,
n
λ
ˆ
es varianza la de estimador un
n
λ
λ
ˆ
Var
=
¬ =