Professional Documents
Culture Documents
s s
=
otherwise , 0
2 0 ,
8
3
2
x x
x f
X
Dibujamos un crculo de radio X . Sea
2
X Y t = su rea. Debemos encontrar ( ) y f
Y
.
Evaluamos primero:
( ) ( ) ( ) ( )
( )
2
2
3
0
3
0
2
2 2
2 0 ,
8
1
3 8
3
8
3
Pr Pr Pr Pr
t
t
t t
t
t
t
t
s s
(
(
|
.
|
\
|
= = =
=
|
|
.
|
\
|
s =
|
.
|
\
|
s = s = s =
}
}
y
y x
dx x y F
dx x f
y
X
y
X y X y Y y F
y
y
Y
y
X Y
( )
( )
|
.
|
\
|
|
.
|
\
|
=
(
(
|
.
|
\
|
= =
t t t
1
2
3
*
8
1
8
1
2
1
2
3
y y
dy
d
dy
y dF
y f
Y
Y
( )
s s
=
contrario caso en , 0
4 0 ,
16
3
2
1
2
3
t
t
y y
y f
Y
Problema 2
( ) u
u
u < < = y
y
y f
Y
0 ,
2
;
2
Nuestra muestra es
n
Y Y Y ,..., ,
2 1
.
(a) Mostrar que Y W
2
3
= es un estimador insesgado de u .
Para que W sea un estimador insesgado de u , debemos mostrar que | | u = W E .
4
| | | | | |
= = =
=
(
=
(
= =
(
=
n
i
i
n
i
i
n
i
i
Y E
n
Y E
n
Y
n
E Y E Y E W E
1 1 1
2
3
2
3 1
2
3
2
3
2
3
.
Note que usamos el hecho de que tenemos una muestra aleatoria independiente.
| | ( ) u u
u u u u
u
u u
3
2
3
2
3
2 2 2
3
2
0
3
2
0
2
2
0
2
= = = = = =
} } }
y
dy y dy
y
y dy y f y Y E
Y i
Combinando ambas ecuaciones obtenemos:
| | u u =
(
=
3
2
2
3
n
n
W E , Lo que demustra que Y W
2
3
= es un estimador insesgado de u .
(b) Encontrar el lmite de Cramer-Rao.
El lmite de Cramer-Rao se define como:
( )
|
|
.
|
\
|
c
c
>
2
2
1
Var
u
u
L
E
.
( )
< <
=
otherwise , 0
0 ,
2
2
u
u
y
y
y f
Y
Construimos entonces la funcin de verosimilitud:
( )
[
=
=
n
i
i Y
y f L
1
*
, donde, gracias a que
i
y son independientes, se tiene que:
[ [
= =
=
n
i
i n
n n
i
i
y y
1
2
1
2
2 2
u u
.
Tomamos luego el logaritmo, para obtener la log-verosimilitud:
=
+ = =
n
i
i
y n n L L
1
*
ln ln 2 2 ln ln u
Calculamos luego la primera y segunda derivada:
u u u
n n L 2
0
2
0 = + =
c
c
2 2 2
2
2 1
2
u u u
n
n
L
=
|
.
|
\
|
=
c
c
Luego, el lmite de Cramer-Rao es:
n
n
dy
y n
n
E
L
E
2
2
1
2 2
1
2
1 1
2
2
2
0
2
2
2
2
u
u
u u
u
u
u
=
=
|
.
|
\
|
=
|
|
.
|
\
|
c
c
}
5
Notamos que obtuvimos un lmite de Cramer-Rao negative. Sin embargo, estamos
seguros de que podemos obtener un mejor lmite (cero), pues sabemos que la varianza no
puede ser negativa.
La razn para este resultado es que los lmites de j dependen del parmetro u , lo cual es
una violacin de los supuestos que se requieren para la existencia del lmite de Cramer-
Rao. Sea, en este caso NO se puede usar el lmite de Crammer Rao como una medida de
eficiencia.
(c) Comparar ( ) W Var con el lmite de Cramer-Raoy explicar.
( ) ( ) ( )
(
= |
.
|
\
|
=
|
.
|
\
|
=
|
.
|
\
|
=
= =
n
i
i
n
i
i
y
n
y
n
Y Y W
1
2
1
2
Var
1
4
9 1
Var
4
9
Var
2
3
2
3
Var Var
( ) ( ) ( ) Y
n
Y n
n
W Var
4
9
Var
4
9
Var
2
= =
La varianza se calcula de la siguiente forma:
( ) ( ) ( ) | |
2 2
Var Y E Y E Y =
( ) ( )
2 4
2
4
2 2 2
2 4
2
0
4
2
0
3
2
0
2
2 2 2
u u
u u u u
u
u u
= = = = = =
} } }
y
dy y dy
y
y dy y f y Y E
Y
Y de la parte (a), ( ) u
3
2
= Y E .
Luego:
( )
n n n n n
W
8 18
1
4
9
9
4
2
1
4
9
9
4
2 4
9
3
2
2 4
9
Var
2 2 2
2
2
2
2
u u u
u
u
u
u
= =
(
=
(
=
(
(
|
.
|
\
|
=
Ver la parte b) para una discusin de por qu el lmite de Cramer-Rao no se puede usar
en este caso..
Problema 3
Necesitamos encontrar el estimador mximo verosmil de u para la pdf
( )
( )
u u
u
> =
y e y f
y
Y
, ; . La funcin de verosimilitud es:
( )
[
=
=
n
i
y
i
e L
1
* u
,
y el log-verosimilitud es:
( )
( ) u u
u
n y y e L L
n
i
i
n
i
i
n
i
y
i
+ = =
(
= =
[
= = =
1 1 1
*
ln ln
Luego:
n
L
=
c
c
u
, que es independiente deu .
6
Necesitamos luego buscar maneras alternativas de maximizar L. Sabemos que
n i y
i MLE
,..., 2 , 1 ,
= s u .
Tambin, L es lineal en u , con un coeficiente positivo. Necesitamos encontrar luego el
u ms grande posible que cumpla con ser menor que el ms pequeo de los
i
y
observados:
( )
n MLE
y y y ,..., , min
2 1
= u .
Problema 4
( ) | | ( ) ( ) | | ( ) | | | | | |
( ) ( ) ( ) | |
| |
| | | | ( ) | | | |
| | | | ( ) | | | | | |
( ) | | ( ) ( )
( )
0
1
1
1
1
1
indep. que Dado /
1 1
que Dado /
que Dado / ,
2
2 2 2
2
2
2
2 2
2 2
2 2 2
=
+ + =
+ + =
= +
(
+
(
=
= =
+ =
+ =
= = =
o o
N N N
N
N
N
x E x Var
N
N
N
y E x E xy E x E x Var x
N
E x x
N
E
x E x E x Var x E x x E
x x x x x x E
x x x E
x E x E x x E x x x E x E x x x Cov
i i
i
i j
j i
i
i i
i
i i i i
Una forma equivalente de llegar lo mismo es usar las propiedades de las covarianzas:
,
donde la igualdad final usa el hecho de que X
i
y
son independientes y tienen
covarianza 0.