Jessica Lizeth Martnez 1127036
Estadstica Aplicada 1
Taller 3.
1. Para una muestra aleatoria de una distribucin poisson () se tienen dos estimadores:
()
Cul estimador proporciona mejor estimaciones?
Para conocer cual estimador proporciona mejores estimaciones lo primero que debemos hacer es conocer si
son estimadores insesgados o sesgados, ya que esta es una caracterstica buena para un estimador porque si
el estimador es insesgado tiene una alta probabilidad de tomar un valor cercano al valor del parmetro.
Como nuestra distribucin de probabilidad es poisson conocemos que:
()
( )
Para el estimador
tenemos que:
(
) (
El sesgo de
es:
(
Como el sesgo es cero (0), entonces
es un estimador insesgado.
Para el estimador
tenemos que:
(()) (
) (
((
) (
((
) (
))
(() ()
) (
(()
()
()) ()
El sesgo de
es:
(
Como el sesgo es cero (0), entonces
es un estimador insesgado.
Como llegamos a la conclusin de que ambos estimadores son insesgados, entonces hallo el error cuadrtico
medio que en este caso son las varianzas de los estimadores, ya que cuando un estimador tiene una varianza
menor que otro decimos que el estimador es ms eficiente, para calcular este ECM utilizamos R para
diferentes repeticiones.
(
) (
) (
) (
)
Con estos datos obtenidos se puede observar que la varianza del estimador
es menor, por lo que podemos
concluir que
es el estimador de mxima eficiencia, es decir el mejor estimador. Grficamente se
observa:
Jessica Lizeth Martnez 1127036
Estadstica Aplicada 1
Para conocer la eficiencia de cada estimador insesgado se tiene que:
()
()
()
La eficiencia relativa de
respecto a
(ambos estimadores insesgados) se obtiene as:
(
)
(
)
(
)
(
)
(
)
En nuestro caso lo calculamos en R:
Jessica Lizeth Martnez 1127036
Estadstica Aplicada 1
Y se puede observar que para cada repeticin los valores obtenidos son >1 con lo que podemos
concluir que
es ms eficiente que
() . Por lo tanto
es el estimador que proporciona
mejores estimaciones.
2. Si se tiene una muestra aleatoria (
) de una poblacin con distribucin uniforme (0,), construya
el estimador por el mtodo de mxima verosimilitud y por el mtodo de los momentos, y compare por medio
de simulacin las propiedades de los estimadores.
Estimador por el mtodo de los momentos:
()
Igualando los momentos:
Estimador por el mtodo de mxima verosimilitud:
() (
[()] (
[()]
Como no podemos despejar recurrimos a los estadsticos de orden entonces:
Sea
los estadsticos de orden de la muestra entonces;
La funcin de mxima verosimilitud se hace grande cuando el valor de es pequeo, por tanto;
; El valor ms pequeo que puede tomar es
Por ende el estimador de mxima verosimilitud de es
, el n-esimo estadstico de orden.
Siendo nuestros estimadores:
entonces hallamos el sesgo para cada uno de ellos:
La esperanza de una variable uniforme es: ()
Por lo tanto:
()
)
Por lo tanto el estimador
es insesgado, mientras que el estimador
es un estadstico de orden,
entonces hallo el sesgo para cada uno de los estimadores en R obteniendo:
Jessica Lizeth Martnez 1127036
Estadstica Aplicada 1
DNDE: [,1] REPRESENTA EL SESGOT1, [,2] REPRESENTA EL SESGOT2
Grficamente se observa:
En la grfica se observa el comportamiento del sesgo para ambos estimadores. Se puede ver que
es un
estimador insesgado mientras que
se vuelve insesgado a medida que el tamao de la muestra aumente
cumpliendo con la propiedad de insesgamiento asinttico.
Ahora hallo el error cuadrtico medio, ya que cuando un estimador tiene una varianza menor que otro decimos
que el estimador es ms eficiente, para calcular este ECM utilizamos R para diferentes repeticiones
obteniendo:
[,3] REPRESENTA EL ECMT1 Y [,4] REPRESENTA EL ECMT2
Grficamente se observa:
Jessica Lizeth Martnez 1127036
Estadstica Aplicada 1
En la grfica se observa que el estimador
presenta menor ECM en comparacin de
, tambin se puede
ver que a medida que aumente el tamao de la muestra el ECM de ambos estimadores van disminuyendo
por lo tanto son consistente en ECM.
Como solo un estimador es insesgado no puedo obtener la eficiencia de los estimadores, por lo tanto con los
anteriores datos obtenidos puedo concluir que el estimador de los momentos es mejor para estimar el
parmetro ya que
tiende a ser un estimador insesgado y con mnima varianza.
3. El contenido porcentual de calcio en cierto compuesto se puede modelar como una variable aleatoria Beta
( ).
( )
()
Encuentre el estimador por el mtodo de mxima verosimilitud y por el mtodo de los momentos y compare
por medio de simulacin las propiedades de los estimadores.
El estimador por mxima verosimilitud es:
(
) (
)(
) (
((
)) (
) (
)
() (
() ( ) (
() (
((
))
Jessica Lizeth Martnez 1127036
Estadstica Aplicada 1
El estimador por el mtodo de los momentos es:
.Como la ()de una distribucin Beta es: ()
En nuestro caso para entonces: ()
Igualamos
():
Despejamos y obtenemos:
Siendo nuestros estimadores:
entonces hallamos el sesgo para cada uno de
ellos en R obteniendo:
DNDE: [,1] REPRESENTA EL SESGOT1, [,2] REPRESENTA EL SESGOT2
Con esta grafica podemos observar que ambos estimadores son sesgados, pero se vuelven insesgados a
medida que el tamao de la muestra aumente cumpliendo con la propiedad de insesgamiento asinttico.
Hallando el error cuadrtico medio obtengo:
Jessica Lizeth Martnez 1127036
Estadstica Aplicada 1
[,3] REPRESENTA EL ECMT1 Y [,4] REPRESENTA EL ECMT2
Grficamente:
Podemos observar que el ECM para ambos estimadores es muy similar as que se concluye que ambos
estimadores son eficientes y como ambos son asintticamente insesgados entonces los dos estimadores son
eficientes.
