Professional Documents
Culture Documents
2
j
j =1
j =1
j =1
j =1
j =1
2(Y j 0 X j ) = 0 Y j n 0 X j = 0 n = Y j 0 X j = Y 0 X
= Y 0 X es el estimador de mnimos cuadrados en este caso (no se estima 0 pues por dato es conocido)
n
Yj
y E (Y ) = E (
E ( ) = E (Y 0 X ) = E (Y ) 0 X
0
67
8
(
+
X
+
E
(
0
j
j ))
n
j =1
)=
j =1
E ( +
=
j =1
X j + j)
n + 0 X j
j =1
j =1
E (Y j )
= + 0 X luego E ( ) = + 0 X 0 X = y se ve que el
a)
'
(;
&(*
'
'
'
(;
230
<5 7
<7
4 &(*
5& ' 67
!
&
se tiene:
'
'
+&(*
'
'./
23 +&(*
maximizar derivando.
42
'
,4
&(*
5& ' 67
!
2 &(*
4 3ln 2;
5& ' 67
!
'./ 5& '
>?
&
0 &(* 23
es
'
! 1
,,
230
5&
A 5&
&7
es el punto crtico
'
'./
'./
@ + './& ' ,
. Como >? es insesgado para cualquier tamao de
@ >?
&
&
&
muestra, entonces es insesgado cuando la muestra es grande, i.e. lim&E @ >?
lim&E
.
F+
&
&(* F 23
&
&(*
3
. Y tomando lmite: lim&E F >?
0. Se cumple la condicin de eficiencia
lim&E
&
&
asinttica y por tanto, >? es estimador consistente de .
b) ~G ; 0,2H y hay que estimar el parmetro por Momentos:
K L
@
J H
H es la ecuacin
Tenemos p=1 parmetro, entonces tomamos una ecuacin; I
erstructural.
La correspondiente ecuacin de estimacin es I
M J0HN1 O
HN Q HN : El estimador de momentos
Q.
de H es HN>R>
&
VW 0 S ( T 2H W
y por tanto:
0 Y3 Z[ \]V
&
&
+
,
VW 0
S
T
2H W
+
,
(
=U L VW 0 S O3_ ( ` T ( T O _ ( ` T 2H
U L
0 Y3 Z[ \]V
0 Y3 Z[ \]V
,
una m.a.
Como
c)
<b L
<L
<b L
<L
,,
&
'
se tiene:
(; H
&(*
'
(; H
Como
T 0, la funcin de verosimilitud H es funcin no creciente de H y para maximizarla hay que
hacer que H tienda a cero dentro de lo posible, pero como ocurre la restriccin O _ ( ` T 2H, entonces el
> _ ' `
> _ ' `
menor valor aceptable para H es H
, as que es HN>?
.
6 ' 6L
VW H T ( W y
cY
0 Y3 Z[ \]V
Q
6 './ ' 6L
VW H T ( W cY &L6& VW H T O3_ ( ` T ( y aqu
&(* ' ( ; H
por tanto: H
cY
0 Y3 Z[ \]V
0 Y3 Z[ \]V
<b L
d 0, no se obtiene el mximo derivando, recurrimos a mtodos heursticos: la funcin de verosimilitud
<L
H es funcin no decreciente de H y para maximizarla hay que hacer que H tienda a e, dentro de lo
posible, pero como ocurre la restriccin H T O3_ ( ` entonces el mayor valor aceptable para H es H
O3_ ( `, as que es HN>? O3_ ( `.
;H
Y6
6L
H T
,,
&
'
se tiene:
(; H
Problema 3*
a) 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 use la propiedad de
Invarianza para estimar = P( X > 1) .
b) Si el nmero X de operaciones bancarias que un agente econmico realiza por da es una variable aleatoria
con distribucin de Poisson P( x; ) , estimar usando mxima verosimilitud y luego estimar = P( 2 )
N estimador mximo verosmil de i, para muestras grandes sabemos que iN ~ 0i, 2iN 1 donde
2, i y i
Solucin:
a)
~ ; h
k
j
23
k
j
m
&Al+ 5&op
mn
;i
23 s
m
5&op
mn
&Al+
;j , q
2
4 w q
i
i
@ lv
~ ; h
. En este caso:
;j , q
4 4 223 i
23
1
@ xsv 2 w
&
&
4 2i t z
N~
y i
+i, 23,
i2
2, i
u
uj
23
;i
1
v 2 w @{
i
;i
j r
4 2
4 2i |
1
v 2w F
i
# 0
1
v 2 w 2i2
i
i2
b) De
&(* }
'
&(*
(; ~
<5
<
2 30&(* }
43 e &(*
'
(; ~
23
0 ~
'./ '
'./
'
'./ '
&
43~ e &(*
'
'
230 ~ 1
23 4 23 &(*
'./ '
'./
(
'
, funcin que
! .
Q es el estimador MV de ~.
En cuanto a } d 2
14} T1
14}
0 4}
1
1 4 Y 6 4 Y 6 ~
6
6
1 4 Y 1 e ~ que es una funcin de ~, i.e. J ~
1 4 Y 1 e ~ y por la propiedad de invarianza:
k
Q
6
6
>? J0~>? 1 1 4 Y 01 e ~>? 1 1 4 Y
1e Q .
21 de Noviembre de 2015
ACG./SAMP.