Estadística II
Tema 3. Estimación Puntual
Prof. Juan Chapi Mamani
GUÍA PRÁCTICA
La Paz 0 Bolivia
I/2021
« EMI Ingeniería Comercial Estadística II3ACOM
1 Suponga que x1 y x2 son muestras aleatorias de observaciones extraídas de una población de media µ
y varianza σ 2 . Considere los tres estimadores puntuales siguientes, X , Y , Z de µ:
1 1 1 3 1 2
X= x1 + x2 Y = x1 + x2 Z= x1 + x2
2 2 4 4 3 3
a) Demuestre que los tres estimadores son insesgados.
b) ¾Cuál de los estimadores es más e ciente?
c) Halle la e ciencia relativa de X con respecto a cada uno de los otros dos estimadores.
2 Se examina cada uno de 150 artículos recién fabricados y se anota el número de rayones por artículo
(se supone que los artículos están libres de rayones) y se obtienen los siguientes datos:
Número de rayones por artículo 0 1 2 3 4 5 6 7
Frecuencia observada 18 37 42 30 13 7 2 1
Sea X : el número de rayones en un artículo seleccionado al azar y suponga que X tiene una distribución
de Poisson con parámetro λ.
a) Determine un estimador insesgado de λ y calcule la estimación de los datos. [Sugerencia : E(X) = λ
para una distribución Poisson de X , por lo tanto E(X̄) =?]
b) ¾Cuál es la desviación estándar (error estándar) de su estimador? Calcule el error estándar esti-
mado. [Sugerencia : σX
2
= λ con distribución de Poisson de X .]
3 Suponga que un tipo de fertilizante rinde µ1 por acre con varianza σ 2 , mientras que el rendimiento
esperado de un segundo tipo de fertilizante es µ2 , con la misma varianza σ 2 . Sean S12 y S22 las varian-
zas muestrales de rendimientos basadas en tamaños muestrales n1 y n2 , respectivamente, de los dos
fertilizantes. Demuestre que el estimador combinado es
(n1 − 1)S12 + (n2 − 1)S22
b2 =
σ
n1 + n2 − 2
es un estimador insesgado de σ 2 .
4 Considere una muestra aleatoria de X1 , X2 , ..., Xn de la función de densidad de probabilidad
f (x; θ) = 0.5(1 + θx) −1≤x≤1
donde −1 ≤ θ ≤ 1 (esta distribución se presenta en la física de partículas. Demuestre que θb = 3X̄ es
un estimador insesgado de θ. [Sugerencia: Primero determine µ = E(X) = E(X̄).]
5 Suponga que el crecimiento promedio verdadero µ de un tipo de planta durante un periodo de un año
es idéntico al de un segundo tipo, aunque la varianza del crecimiento del primer tipo es σ 2 , en tanto
que para el segundo tipo, la varianza es 4σ 2 2. Sean X1 , X2 , ..., Xm , m observaciones de crecimiento
independientes del primer tipo [por consiguiente E(Xi ) = µ, V (Xi ) = σ 2 ] y sean Y1 , Y2 , ..., Yn , n
observaciones de crecimiento independientes del segundo tipo [E(Yi ) = µ, V (Yi ) = 4σ 2 ].
a) Demuestre que con cualquier δ entre 0 y 1, el estimador µ
b = δ X̄ + (1 − δ)Ȳ es insesgado para µ.
b) Con m y n jas, calcule V (b µ) y luego determine el valor de δ que reduzca al mínimo V (b
µ).
[Sugerencia : Derive V (b
µ) con respecto a δ .]
6 Se selecciona una muestra aleatoria de n cascos para ciclistas fabricados por una compañía. Sea X : el
número entre los n que están agrietados y sea p = P (agrietado). Suponga que sólo se observa X , en
lugar de la secuencia de S y F .
a) Obtenga el estimador de máxima verosimilitud de p. Si n = 20 y x = 3, ¾cuál es la estimación?
b) ¾Es insesgado el estimador del inciso a)?
c) Si n = 20 y x = 3, ¾cuál es el estimador de máxima verosimilitud de la probabilidad (1 − p)5 de
que ninguno de los siguientes cinco cascos esté agrietado?
« EMI Ingeniería Comercial Estadística II3ACOM
7 Sea X la proporción de tiempo destinado que un estudiante seleccionado al azar pasa resolviendo cierta
prueba de aptitud. Suponga que la función de densidad de probabilidad de X es
(
(θ + 1)xθ ; 0 ≤ x ≤ 1
f (x; θ) =
0 ;de lo contrario
donde −1 < θ. Una muestra aleatoria de diez estudiantes produce los datos x1 = 0.92, x2 = 0.79,
x3 = 0.90, x4 = 0.65, x5 = 0.86, x6 = 0.47, x7 = 0.73, x8 = 0.97, x9 = 0.94, x1 0 = 0.77.
a) Use el método de momentos para obtener un estimador de θ y luego calcule la estimación con
estos datos.
b) Obtenga el estimador de máxima verosimilitud de θ y luego calcule la estimación con los datos
dados.
8 Dos sistemas de computadoras diferentes son monitoreados durante un total de n semanas. Sea Xi el
número de descomposturas del primer sistema durante la i-ésima semana y suponga que las Xi son
independientes y que se extraen de una distribución de Poisson con parámetro λ1 . Asimismo, sea Yi el
número de descomposturas del segundo sistema durante la semana i-ésima y suponga independencia
con cada Yi extraída de una distribución de Poisson con parámetro λ2 .
Derive los estimadores de máxima verosimilitud de λ1 , λ2 y λ1 − λ2 . [Sugerencia : Utilizando indepen-
dencia, escriba la función masa de probabilidad conjunta de las Xi y Yi juntas.]
9 Se determina la resistencia al esfuerzo cortante de soldaduras de puntos de prueba y se obtienen los
siguientes datos (lb/pulg2 ):
392 376 401 367 389 362 409 415 358 375
a) Suponiendo que la resistencia al esfuerzo cortante está normalmente distribuida, estime la re-
sistencia al esfuerzo cortante promedio verdadera y la desviación estándar de la resistencia al
esfuerzo cortante utilizando el método de máxima verosimilitud.
b) De nuevo suponiendo una distribución normal, calcule el valor de resistencia por debajo del cual
95 % de todas las soldaduras tendrán sus resistencias. [Sugerencia : ¾Cuál es el percentil 95 en
función de µ y σ ? Utilice ahora el principio de invarianza.]
10 Sean X1 , X2 , ..., Xn una muestra aleatoria de una distribución gama con parámetros α y β .
a) Derive las ecuaciones cuya solución da los estimadores de máxima verosimilitud de α y β . ¾Piensa
que pueden ser resueltos explícitamente?
b) Demuestre que el estimador de máxima verosimilitud de µ = αβ es µ
b = X̄ .
11 En los instantes t = 0, 20 componentes idénticos son puestos a prueba. La distribución de vida útil
de cada uno es exponencial con parámetro λ. El experimentador deja la instalación de prueba sin
monitorear. A su regreso 24 horas más tarde, el experimentador termina de inmediato la prueba
después de notar que y = 15 de los 20 componentes aún están en operación (así que 5 han fallado).
Derive el estimador de máxima verosimilitud de λ. [Sugerencia : Sea Y : el número que sobreviven 24
horas. En ese caso Y ∼ Bin(n, p). ¾Cuál es el estimador de máxima verosimilitud de p? Observe ahora
que p = P (Xi ≥ 24), donde Xi está exponencialmente distribuida. Esto relaciona λ con p, de modo
que el primero puede ser estimado una vez que lo ha sido el segundo.]
12 Sea X1 , X2 , ..., Xn una muestra aleatoria de una distribución N (µ, σ 2 ). Obtener los estimadores de
máxima verosimilitud (EMV) de
a) µ y σ2
b) µ, siendo σ 2 = σ02 conocida.
c) σ 2 , siendo µ = µ0 conocida.
« EMI Ingeniería Comercial Estadística II3ACOM
13 Obtener:
a) Una máquina envasa caramelos, siendo el peso neto (en gramos) de cada bolsa una v.a. con
distribución normal. Los siguientes datos corresponden al peso de 15 bolsas elegidas al azar:
210 197 187 217 194 208 220 199 193 203 181 212 188 196 185
Hallar los EMV de la media y la varianza del peso neto.
b) Con cierto instrumento se realizan 20 mediciones de una magnitud física µ. Cada observación es
de la forma X = µ + , donde es el error de medición (aleatorio).
Se obtuvieron los siguientes datos:
25.11 25.02 25.16 24.98 24.83 25.05 24.94 25.04 24.99 24.96
25.03 24.97 24.93 25.12 25.01 25.12 24.90 24.98 25.10 24.96
Suponiendo que los errores de medición tienen distribución normal con media cero y varianza
0.01, estimar µ. ¾Cuál es la varianza del estimador de µ?
c) Para controlar la precisión de un sistema de medición se mide 24 veces una magnitud conocida
µ0 = 12, obteniéndose los siguientes valores:
12.51 11.66 11.91 12.25 11.54 11.36 12.40 12.19 12.88 12.16 12.69 12.91
12.12 11.02 12.53 11.77 12.72 10.56 11.52 11.66 12.25 12.09 11.48 12.36
Estimar la precisión (es decir, la varianza del error de medición), suponiendo que los errores están
normalmente distribuídos con media cero.
14 Consideremos muestras aleatorias X1 , X2 , ..., Xn para cada una de las siguientes distribuciones:
a) exponencial de parámetro θ.
b) Poisson de parámetro θ
c) con densidad
1 ( 1 −1)
f (x; θ) = x θ 0<x<1 0<θ<1
θ
d) geométrica de parámetro θ.
a) Encontrar en cada caso el estimador de máxima verosimilitud de θ y ver si coincide con el obtenido
por el método de los momentos.
b) En los casos donde sea posible, decir si los estimadores obtenidos son insesgadoso asintóticamente
insesgados.
c) Decir si los estimadores obtenidos son consistentes. Justi car.
15 hallar
a) Se sabe que el tiempo de duración de una clase de lámparas tiene distribución E(θ). Se han
probado 20 lámparas, obteniéndose los siguientes tiempos de duración (en días):
45 53 50 61 39 40 45 47 38 53 54 60 34 46 34 50 42 60 62 50
Estimar el tiempo esperado de la duración de una lámpara.
b) Durante 20 días se ha registrado el número de llamadas en una central telefónica, obteniéndose
los siguientes valores:
35 41 38 40 34 36 41 48 42 39 57 41 35 37 38 41 43 44 46 47
Suponiendo que el número de llamadas diarias sigue una distribución P (θ), estimar el promedio
diario de llamadas.
c) Un estado tiene varios distritos. Supongamos que cada distrito tiene igual proporción θ de personas
que están a favor de una propuesta de control de armas. En cada uno de 8 distritos elegidos al
azar, se cuenta la cantidad de personas que hay que encuestar hasta encontrar alguna de acuerdo
con la propuesta (llamemos X a esta cantidad). Los resultados son: 3, 8, 9, 6, 4, 5, 3, 2 (i.e.: en
el primer distrito las dos primeras personas encuestadas estaban en contra y la tercera a favor).
Basándose en estos datos, calcular el EMV de Pθ (X ≥ 5).
« EMI Ingeniería Comercial Estadística II3ACOM
16 Sea X1 , X2 , ..., Xn una muestra aleatoria de una distribución con media µ y varianza σ 2 .
a) Probar que X̄ 2 no es un estimador insesgado de µ2 . ¾Es asintóticamente insesgado? ¾Es consis-
tente?
b ) ¾Para qué valores de k es µc2 = (X̄ 2 − kS 2 ) un estimador insesgado de µ2 ?.
17 Se de ne el error cuadrático medio de un estimador θb como
h i
ECM (θ)
b =E θb − θ
2
a)
Veri car que ECM (θ)
b = V (θ) b , donde sesgo(θ)
b + sesgo(θ) b − θ.
b = E(θ)
b) ¾Cuánto vale ECM (θ)
b si θb es un estimador insesgado de θ?
c) Consideremos un estimador de la varianza de la forma σ
b2 = ks2 , siendo s2 la varianza muestral.
Hallar el valor de k que minimiza ECM (b
σ ).
2
n+1 4
Sugerencia: Usar que E(s ) =
4
σ
n−1
18 Se desea estimar el valor medio de una distribución normal. Se proponen las siguientes funciones
estimadoras:
4X1 + X2 3X1 + X2
µ
b1 = µ
b2 =
5 4
Indicar cual de ellas es preferible.
19 Sean las siguientes funciones estimadoras del parámetro λ de una distribución de Poisson:
b1 = X1 + X2 + X3
λ b2 = X1 + 2X2 + 3X3
λ
3 6
Indicar cual de ellos es preferible.
20 Un regimiento de montaña transportado íntegramente a lomo de mula tiene 1000 soldados. Según
datos, en el último año la cantidad mensual de accidentes por patadas de mula ha sido de:
1 0 2 0 1 1 0 2 1 0 1 3
Indicar la estimación máximo verosímil del parámetro λ perteneciente a la f. de p. correspondiente a
la cantidad de accidentes.
21 Sean X1 , X2 , X3 , X4 una muestra aleatoria proveniente de una población con distribución de Poisson
con parámetro λ. Considere los siguientes estadísticos de λ
b1 = X1 + X2 + X3 + X4
λ b2 = X1 + 2X2 + 3X3 + 4X4
λ
4 10
Veri que si son insesgados. ¾Cuál es más e ciente? ¾Por qué?
22 Sea X1 , X2 , ..., Xn una m.a de alguna distribución tal que E(Xi ) = µ y V (Xi ) = σ 2 , i = 1, 2, ..., n.
Considere las estadísticas:
n
P
Xi
i=1
T1 = X̄ T2 =
n+1
como posibles estimadores de µ. Obtener los errores cuadráticos mdios de T1 y T2 y demostrar que
ECM (T2 ) < ECM (T1 ) para algunos valores de µ mientras que la proposición inversa es cierta para
otros valores de µ.
« EMI Ingeniería Comercial Estadística II3ACOM
23 Sea X1 , X2 , ..., Xn una m.a de alguna distribución de Poisson cuya función de probabilidades es
e−λ λx
p(x; λ) = x = 0, 1, 2, ....
x!
Obtener el estimador e ciente de λ.
24 Sea X1 , X2 , ..., Xn una m.a de alguna distribución de Poisson cuya función de probabilidades es
e−λ λx
p(x; λ) = x = 0, 1, 2, ....
x!
Demostrar que el estimador e ciente de λ es a su vez una estadística su ciente.
25 Sea X1 , X2 , X3 , X4 una m.a de tamaño cuatro de una población cuya distribución es exponencial con
parámetro θ desconocido. De las siguientes estadísticas ¾cuáles son estimadores insesgados de θ?
X1 + X2 X3 + X4 X1 + 2X2 + 3X3 + 4X4 X1 + X2 + X3 + X4
T1 = + T2 = T3 =
6 3 5 4
26 De entre los estimadores insesgados de θ dados en el ejercicio anterior, determinar cuál es el que tiene
la varianza más pequeña. ¾Cuáles son las e ciencias relativas de los demás estimadores insesgados con
respecto al que tiene la varianza más pequeña?
27 Sea X1 , X2 , X3 , X4 , X5 una muestra aleatoria de una población cuya distribución es normal con media
µ y varianza σ 2 . Considérense las estadísticas
X1 + X2 + X3 + X4 + X5 X1 + X2 + 2X3 + X4 + X5
T1 = T2 =
5 6
como estimadores de µ. Identi car la estadística que posee la varianza más pequeña.
28 Mediante el uso de la Cota Inferior de CramerRao determinar la varianza del estimador insesgado
de varianza mínima de θ cuando se muestrea una población cuya distribución es exponencial con una
densidad
1
f (x; θ) = exp(−x/θ) x>0
θ
Deducir que el estimador e ciente de θ es la media muestral.
29 Sea X1 , X2 , ..., Xn una muestra aleatoria de una población cuya distribución es la de Rayleigh, con
densidad
x
exp(−x2 /2σ 2 )
f (x; σ 2 ) = x>0
σ2
Obtener el estimador de máxima verosimilitud de σ 2 . ¾Es ésta una estadística para σ 2 ?.
30 La siguiente tabla es una distribución de frecuencias para accidentes automovilísticos recabada para un
estudio en La Paz. Asumiendo que el número de accidentes es una variable aleatoria binomial negativa,
úsese el método de momentos para estimar los parámetros binomiales negativos k y p. Comparar las
frecuencias que se observaron con aquellas que se obtienen mediante el empleo de los valores estimadores
de k y de p.
31 Considérese el porcentaje del tiempo total permitido que utiliza un estudiante para realizar un deter-
minado examen. Sea X este porcentaje aleatorio. Supóngase que este porcentaje se distribuye estadís-
ticamente (en tanto por uno) según la función de densidad
f (x; θ) = (θ + 1)xθ 0≤x≤1 θ > −1
Se toma una muestra de 10 estudiantes con el siguiente resultado:
« EMI Ingeniería Comercial Estadística II3ACOM
0.92 0.79 0.90 0.65 0.86 0.47 0.73 0.97 0.94 0.77
a) Calcular un estimador de θ por el método de los momentos.
b) Calcular el estimador de máxima verosimilitud de θ.
32 La distribución
−(α+1)
f (x; α, β) = αβ [1 + βx] x≥0 α>2 β>0
se denomina de Lomax o de Pareto Tipo II. Se utiliza fundamentalmente en problemas de economía,
nanzas y similares. En esta distribución se veri ca
−α 1 α
F (x) = 1 − [1 + βx] E(X) = µ = V [X] = σ 2 =
β(α − 1) β 2 (α − 1)2 (α − 2)
Consideremos en particular el consumo bruto de energía eléctrica anual per cápita en núcleos de pobla-
ción medido en Kwh. Según diferentes estudios dicha variable aleatoria puede considerarse distribuida
de acuerdo con la distribución anterior.
Para calcular el consumo medio en Bolivia, X , se han elegido adecuadamente 50 municipios de los
339 existentes y se ha calculado el consumo anual per cápita en cada uno de ellos. Esta muestra ha
proporcionado, entre otros, los siguientes datos:
50
X
máx{xi } = 33.1621 mı́n{xi } = 0 : 00671 xi = 112.0198
i=1
50
X 50
X 50
X
x2i = 1195.6575 ln(1 + xi ) = 38.4564 ln2 (1 + xi ) = 57.8090
i=1 i=1 i=1
Suponiendo que el parámetro β = 1, calcular los estimadores de α mediante el método de los momentos
y mediante el de máxima verosimilitud.
33 Sea un proceso de Bernouilli, en el que se realizan n pruebas independientes. Sea X el número de éxitos
en esas n pruebas. Se proponen los dos siguientes estimadores de la probabilidad de éxito p.
X X +1
pb0 = pb1 =
n n+1
Contestar a las siguientes preguntas:
a) ¾Son dichos estimadores sesgados?
b) ¾Son asintóticamente insesgados?
c) ¾Son consistentes?
d) ¾Cuál es el de menor varianza?
e) Para un tamaño de muestra n = 5, ¾cuál tiene menor error cuadrático medio?
f) A la vista de los resultados anteriores, ¾cuál de los dos estimadores ha de utilizarse?
34 En muestras aleatorias simples de tamaño n = 3 de una variable aleatoria normal de media µ y varianza
conocida σ 2 = 1, se consideran los siguientes estimadores de µ:
1 1 1 1 1 1 1 3 1
µ
b1 = X1 + X2 + X3 µ
b2 = X1 + X2 + X3 µ
b3 = X1 + X2 + X3
3 3 3 4 2 4 8 8 2
donde X1 , X2 , X3 son las observaciones. Comprobar que son estimadores insesgados y estudiar su error
cuadrático medio.
35 La velocidad de una molécula, según el modelo de Maxwell, es una variable aleatoria con función de
densidad,
4 1 2
f (x; α) = √ 3 x2 e−(x/α) x≥0
πα
Donde α > 0, es el parámetro de la distribución. Se desea estimar el parámetro α por el método de
máxima verosimilitud a partir de una m.a. X1 , X2 , ..., Xn .
« EMI Ingeniería Comercial Estadística II3ACOM
36 La variable aleatoria X1 tiene una distribucion N (µ, σ 2 ) y la variable X2 , independiente de la anterior,
tiene una distribucion N (2µ, 3σ 2 ). Se toma una muestra de tamano n1 de la primera variable y otra de
tamano n2 de la segunda. Para estimar el valor del prametro µ se utiliza el estimador µ
b = aX̄1 + bX̄2,
donde a y b representan constantes, y X̄1 y X̄2 son las medias de ambas muestras. Que condición deben
cumplir los valores de a y b para que el estimador µ b sea centrado (insesgado)?
37 Estimar por máxima verosimilitud el parámetro α de la variable aleatoria cuya función de densidad es
2α (3α−1)/(1−α)
f (x; α) = x 0≤x≤1
1−α
38 Los ingresos X (en miles de millones de dólales) de las empresas del sector privado, durante el año
2018, siguen una distribución con función de densidad:
f (x; θ) = θ2 xe−θx x≥0
Hallar el estimador M.V. de θ.
39 El tiempo T que un estudiante tarda en hacer una tarea de Estadística sigue una variable aleatoria
continua de función de densidad
α
f (t; α) = t≥1 α>0
tα+1
Utilizando el método de los momentos, propón un estimador para el parámetro α.
40 La duración de un componente hasta que se avería por causas se puede modelizar con una distribución
exponencial T ∼ Exp(λ). De una muestra de 5 componentes se tienen las siguientes duraciones en
horas: 18, 94, 22, 143, 114. Obtener la estimación de λ usando el método de los momentos.
41 Dada una muestra aleatoria simple de tamaño n de una distribución con función de densidad
1 1
f (x; θ) = √ x−3/2 x≥
θ θ
siendo θ un parámetro positivo desconocido. Determinar el estimador de máxima verosimilitud de θ y
estudiar si es su ciente.
42 Sea X1 , X2 , ..., Xn una muestra aleatoria con función de densidad:
f (x; θ) = θxθ−1 0<x<1 θ>0
a) Hallar el estadístico su ciente.
b) Hallar el estimador máximo verosímil de θ.
c) Hallar el estimador por el método de los momentos de θ.
43 Sea X1 , X2 , ..., Xn una muestra de tamaño n de la siguiente distribución:
P (x; θ) = θx (1 − θ)1−x x = 0, 1. 0 ≤ θ ≤ 1/2
a) Encontrar el estimador de los momentos y el máximo verosímil de θ.
b) Calcular el error cuadrático medio de cada estimador.
c) ¾Qué estimador se pre ere? Razona la respuesta.
« EMI Ingeniería Comercial Estadística II3ACOM
44 Se desea averiguar cuál es la probabilidad de obtener cara en un lanzamiento con una moneda trucada.
Para ello se ha lanzado la moneda trucada 10 veces obteniendo los siguientes resultados:
Lanzamiento 1 2 3 4 5 6 7 8 9 10
Resultado C C C C X C X C C C
Estimar, mediante el método de los momentos, la probabilidad de obtener cara con esa moneda.
45 La nota nal en la asignatura de Estadística II es una variable aleatoria cuya distribución sigue una
Normal con desviación típica poblacional de 3. Para estimar la media poblacional tomamos una muestra
aleatoria simple de tamaño 5 (X1 , X2 , ..., X5 ) y proponemos los siguientes estimadores:
X1 − 2X2 + 5X4
µ
b1 = b2 = X2 − 2X3 + 2X5
µ
3
a ) ¾Cuál de los dos estimadores propuestos es preferible para estimar la media poblacional? Com-
probar las propiedades de insesgadez y e ciencia.
b ) Estimar la media poblacional por el Método de Máxima Verosimilitud.
c ) ¾Es el estimador obtenido en el apartado anterior mejor que los propuestos?. ¾Por qué?
46 Mostrar que X̄ es un estimador insesgado y consistente para la tasa de una distribución exponencial.
47 Mostrar que s2 es un estimador consistente para la varianza de una distribución normal.
48 Mostrar que X̄ es un estimador insesgado y consistente para τ (p) = 1/p de una distribución geométrica:
P (X = k) = p(1 − p)k−1 k = 1, 2, 3, ...
49 Sea X1 , X2 , ..., Xn una muestra aleatoria simple de una población con media µ y varianza σ 2 .
n
P
Xi
a) Demuestre que X̄ = i=1
es un estimador insesgado y consistente de µ.
n
n
(Xi − X̄)2
P
b) Demuestre que S∗2 = i=1
es un estimador sesgado pero asintóticamente insesgado de
n
σ .
2
n
(Xi − X̄)2
P
c) Demuestre que S 2 = i=1
es un estimador sesgado pero asintóticamente insesgado de
n−1
σ2 .
50 Considere la siguiente función de densidad:
x
−x/θ
θ2 e ;x > 0 θ>0
f (x; θ) =
;x ≤ 0
0
Cuya esperanza y varianza son: µ = E(X) = 2θ y σ 2 = V (X) = 2θ2
a) Para una muestra aleatoria de n observaciones de esta distribución, hallar L(θ) y obtener el
estimador de máxima verosimilitud de θ.
θ2
b ) Muestre que el estimador de máxima verosimilitud es insesgado. La cota de Cramer Rao es .
2n
Muestre que el estimador de máxima verosimilitud es e ciente.
c ) Halle el estimador por el método de momentos. ¾Es e ciente?
