Estadstica I, 2014-1 Tarea 2A. Precede a examen 2 Profesor: Dra. Guillermina Eslava, [email protected], Ayudante: Ricardo Samaniego, ric182 [email protected]. Grupo 9085, Saln Yeliscalli 203, Lu-Vie, 10 a 11 hrs. Grupo 9295, Saln P118, Lu-Vie, 16 a 17 hrs. La tarea resuelta de forma individual se recibirá el viernes 25 de octubre y se devolverá calificada el martes 29 también a la hora de clase. Examen: jueves 31 de octubre. 1. Demuestre que, bajo condiciones de regularidad, se cumple la siguiente igualdad: d2 d ln f (x; θ)] = E[( ln f (x; θ))2 ]. 2 dθ dθ 2. Supongamos que E[θˆ1 ] = E[θˆ2 ] y que V ar[θˆ1 ] = σ1 , V ar[θˆ2 ] = σ2 , con θ̂1 independiente de θ̂2 . Se define el estimador siguiente: −E[ θˆ3 = αθˆ1 + (1 − α)θˆ2 0 ≤ α ≤ 1. i) ¿ Es θˆ3 un estimador insesgado para θ? ii) ¿ Para qué valor de la constante α se minimiza la varianza de θˆ3 ? iii) ¿ Para qué valor de la constante α se minimza la varianza de θˆ3 si ahora θˆ1 y θˆ2 no son independientes pero son tales que Cov(θˆ1 , θˆ2 ) = c 6= 0. 3. Considere una m.a.i.i. de n observaciones independientes x1 , ..., xn de una distribución f (x) = θ2 x exp {−θx}, 0 ≤ x < ∞, θ > 0. P Considere a θ̂ = (2n − 1)/ ni=1 xi como un estimador del parámetro θ. Considere el caso particular n = 1 y conteste lo siguiente. i) ii) iii) iv) v) Encuentre E(θ̂) Encuentre la CICR para V (θ̂). Exhiba la informacin de Fisher Iθ . Usando Iθ calcule V (θ̂). Calcule directamente V (θ̂) y compare con iv). 4. Considere una m.a.i.i de observaciones x1 , ..., xn de una distribución f (x) = 1 xp−1 exp {−x/θ}, Γ(p)θp p > 0; 0 ≤ x < ∞ Considere a θ̂ = x̄/p como un estimador del parámetro θ suponiendo p conocido. 1 i) ii) iii) iv) Encuentre E(θ̂). Encuentre la CICR para V (θ̂). Exhiba la información de Fisher para θ. Si θ̂ es un estimador de varianza mı́nima, muestre V (θ̂). 5. Considere una m.a.i.i de observaciones independientes x1 , ..., xn de una distribución Sea x1 , ..., xn una secuencia de v.a.i.i. con ditribución Binomial(m, p) Considere a P xi como un estimador del parámetro p. p̂ = ni=1 mn i) ii) iii) iv) Encuentre E(p̂). Encuentre la CICR para V (p̂). De la información de Fisher contenida en {x1 , ..., xn } para p, Ip . Si p̂ es un estimador de varianza mı́nima, de la expresin de V (p̂). 6. Dada una m.a.i.i de n observaciones {x1 , ..., xn } de una distribución Cauchy: f (x) = 1 π[1 + (x − θ)2 ] − ∞ < x < ∞, −∞ < θ < ∞. Muestre que la CICR de la varianza de un estimador θ̂ insesgado es igual a 2/n. 7. Sea {x1 , ..., xn } una m.a.i.i de n observaciones independientes de una distribución P oisson(λ). λx x : 0, 1, ... P [X = x] = exp{−λ} x! P Considere a λ̂ = n1 ni=1 xi como un estimador de λ. i) Calcule E(λ̂) ii) Encuentre la CICR para V (λ̂) iii) Considere a exp{λ̂} como un estimador de exp λ = P [X = 0]. Calcule E(exp{λ̂}). P Hint: observe que y = ni=1 xi tiene una distribución P oisson(nλ). iv) Calcule V (exp{λ̂}). 8. Sea x una v.a. con función de densidad f (x; θ) = θf1 (x) + (1 − θ)f2 (x), donde 0 < θ < 1 y f1 y f2 son funciones de densidad especı́ficas cuyo rango de variación no dependen de θ. Demuestre que la cota inferior de Cramér y Rao al estimar θ con una muestra de n observaciones independientes (generalmente no se alcanza) es igual a θ(1 − θ)/{n(1 − I)}, donde Z ∞ f1 (x)f2 (x) I= dx. f (x; θ) −∞ Hint: Exprese a (f1 − f2 )2 en trminos de (f − f1 )(f − f2 ). 9. Sea X1 , ..., Xn v.a.i.i.d. con fdp f (x; θ) = 2 1 θ 0 < x < θ. i) Encuentre la CICR. de la varianza de un estimador insesgado de θ. )Yn , es un ii) Ahora considere el estimador Yn = max(X1 , ..., Xn ), muestre que ( n+1 n estimador insesgado para θ y calcule su varianza. iii) ¿Por qué la varianza de este estimador es menor que la cota inferior de Cramér y Rao? 10. Considere a {x1 , ..., xn } como una m.a. de n observaciones independientes de una Q distribución Beta(α, β) con α > 0 y β = 2. Muestre que el producto ni=1 xi es una estadı́stica suficiente para α. f (xi ) = Γ(α + β) α−1 xi (1 − xi )β−1 , 0 < xi < 1, i = 1, ..., n Γ(α)Γ(β) 11. Sea x1 , x2 , ..., xn una muestra aleatoria de tamaño n de una distribución geométrica con función de densidad dada por: f (x; θ) = θ(1 − θ)x , Pruebe que Pn i=1 x = 0, 1, 2, ... Xi es una estadı́stica suficiente para θ. 12. Pregunta que involucra a la familia exponencial, por entregarse. 3