Академический Документы
Профессиональный Документы
Культура Документы
1.- La resistencia de una plancha es una variable aleatoria continua X cuya función de
𝟒
densidad es: 𝒇(𝒙, 𝜽) = 𝟒𝜽𝒙𝟑 𝒆−𝜽𝒙 , 𝒄𝒐𝒏 𝜽 > 0; 𝑥 > 0. Su función de distribución de probabilidad
𝟒
es: 𝑭(𝒙) = 𝟏 − 𝒆−𝜽𝒙 , con desconocido. Sea (𝒙𝟏 , 𝒙𝟐 … , 𝒙𝒏) una m.a. (n) de X, determine el
estimador máximo verosímil de .
Sobre la base de una muestra aleatoria de 5 planchas, las resistencias observadas fueron: 0,5;
0,5; 0,8; 0,9 y 1. Determine la probabilidad que una plancha, elegida al azar, tenga resistencia
inferior a 0,7.
1) Solución: La primero que debemos hacer es calcular la “función de verosimilitud”, lo que se lleva a
cabo, por medio de la siguiente fórmula:
𝑛
4 4 4 4
𝐿 (𝜃) = ∏ 𝑓 (𝑥𝑖 , 𝜃) = (4𝜃𝑥1 3 𝑒 −𝜃 𝑥1 ) ∙ (4𝜃𝑥2 3 𝑒 −𝜃 𝑥2 ) ∙∙∙∙∙∙ (4𝜃𝑥𝑛 − 1 3 𝑒 −𝜃 𝑥𝑛−1 ) ∙ (4𝜃𝑥𝑛 3 𝑒 −𝜃 𝑥𝑛 )
𝑖=1
𝑛
𝑛 𝑛 − 𝜃 ∑ 𝑥𝑖 4 ∏ 𝑥𝑖3
𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜃) = 4 𝜃 𝑒
𝑖=1
Luego, tenemos que determinar el logaritmo natural de 𝐿(𝜃), como se muestra a continuación:
𝑛
[4𝑛 𝑛 − 𝜃 ∑𝑛
𝑖=1 𝑥𝑖
4
∏ 𝑥𝑖3 ]
ln [𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜃)] = ln 𝜃 𝑒
𝑖=1
𝑛 𝑛
𝑖=1 𝑖=1
En seguida, se obtiene el valor de 𝜃 que maximiza 𝐿(𝜃), lo que se logra derivando ln [𝐿(𝜃)] con
respecto a los parámetros desconocidos 𝜃 e igualando a cero dicha derivada, es decir:
𝑛
𝜕 ln[𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜃)] 𝜕(𝑛 ln 4 + 𝑛 ln 𝜃 − 𝜃 ∑𝑛𝑖=1 𝑥𝑖 4 + ln ∏𝑛𝑖=1 𝑥𝑖3 ) 𝑛
=0 → =0 → − ∑ 𝑥𝑖 4 = 0
𝜕𝜃 𝜕𝜃 𝜃̂
𝑖=1
Después, se despeja 𝜃 de la expresión anterior, para así obtener el estimador máximo verosímil de 𝜃,
como se ve a continuación:
𝑛 𝑛
𝜃̂ = 𝑛 4
→ 𝐸. 𝑀. 𝑉. (𝜃) = 𝑛
∑𝑖=1 𝑥𝑖 ∑𝑖=1 𝑥𝑖 4
Respuesta: La probabilidad que una plancha, elegida al azar, tenga resistencia inferior a 0,7, es igual
a 0,4218.
2.- En una fábrica se ha medido el tiempo X, en horas, transcurrido entre dos detenciones
provocadas por averías en las máquinas, en una muestra aleatoria se obtuvo los siguientes
tiempos: 3, 1, 7, 3, 8, 11, 7, 1, 8, 4 en horas. Se sabe que la función de distribución que sigue
dicho tiempo es
𝜶
𝑭(𝒙) = 𝟏 − 𝒆−(𝒙𝜷) 𝑿 ~ 𝑾𝒆𝒊𝒃𝒖𝒍𝒍 (𝜶 = 𝟐, 𝜷)
𝑑 𝑑 2 2
𝑓 (𝑥, 𝛽) = 𝐹(𝑥) → 𝑓 (𝑥, 𝛽) = [1 − 𝑒 −(𝑥𝛽) ] = (−𝑒 −(𝑥𝛽) ) (−2𝑥𝛽2 )
𝑑𝑥 𝑑𝑥
2
𝑓 (𝑥, 𝛽) = 2𝛽2 𝑥𝑒 −(𝑥𝛽)
𝐿(𝛽) = ∏ 𝑓(𝑥𝑖 , 𝛽)
𝑖=1
𝛽)2 2 2 2
𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝛽) = (2𝛽2 𝑥1 𝑒 −(𝑥1 ) ∙ (2𝛽2 𝑥2 𝑒 −(𝑥2𝛽) ) ∙∙∙ (2𝛽2 𝑥𝑛−1 𝑒 −(𝑥𝑛−1𝛽) ) ∙ (2𝛽2 𝑥𝑛 𝑒 −(𝑥𝑛𝛽) )
𝑛
𝑛 2𝑛 −𝛽 2 ∑ 𝑥𝑖2 ∏ 𝑥𝑖
=2 𝛽 𝑒
𝑖=1
[2𝑛 2𝑛 −𝛽 2 ∑ 𝑥𝑖2
ln[𝐿 (𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝛽)] = ln 𝛽 𝑒 ∏ 𝑥𝑖 ]
𝑖=1
𝑛 𝑛
𝑛
𝜕 ln[𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝛽)] 2𝑛
=0 → − 2𝛽̂ ∑ 𝑥𝑖2 = 0
𝜕𝛽 𝛽̂ 𝑖=1
2.2) Solución: Utilizando la muestra que nos proporciona el ejercicio, calculamos el Estimador Máximo
Verosímil, como se ve a continuación:
10 10
𝛽̂ = √ 2 2 2 2 2 2 2 2 2 2
=√ = 0,1616
3 + 1 + 7 + 3 + 8 + 11 + 7 + 1 + 8 + 4 383
3.- La distancia 𝒙 entre un árbol cualquiera y el árbol más próximo a él, en un bosque, sigue
una distribución de Rayleigh con función de densidad:
𝒙𝟐
−
𝒙𝒆 𝟐𝜽𝟐 𝝅
𝒇(𝒙) = { 𝜽𝟐
𝒙 ≥ 𝟎; 𝜽 ≥ 𝟎 𝒕𝒂𝒍 𝒒𝒖𝒆 𝑬(𝑿) = 𝜽√ 𝟐
𝟎 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
𝟒−𝝅
𝑽(𝑿) = 𝟐
𝜽𝟐
3.1) Determine el estimador máximo verosímil 𝜽𝟐, a partir de una muestra aleatoria de 𝒙, de
tamaño 50, obtenida la siguiente información.
𝟓𝟎 𝟓𝟎
𝐿(𝜃) = ∏ 𝑓(𝑥𝑖 , 𝜃 2 )
𝑖=1
𝑥 2 𝑥 2 𝑥 2 𝑥 2
− 12 − 22 − 𝑛−1 − 𝑛2
𝑥1 𝑒 2𝜃 𝑥2 𝑒 2𝜃 𝑥𝑛−1 𝑒 22𝜃 𝑥𝑛 𝑒 2𝜃
𝐿 (𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝜃 2 ) = ( )∙( ) ∙∙∙ ( )∙( )
𝜃2 𝜃2 𝜃2 𝜃2
2 𝑛
𝑥𝑖
− ∑𝑛 −2𝑛
𝐿 (𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝜃) = 𝑒 𝑖=1 2𝜃2 𝜃 ∏ 𝑥𝑖
𝑖=1
2 𝑛 𝑛 𝑛
2 − ∑𝑛
𝑥𝑖
−2𝑛
1
ln[𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝜃 )] = ln [𝑒 𝑖=1 2𝜃2 𝜃 ∏ 𝑥𝑖 ] = − 2 ∑ 𝑥𝑖 2 − ln 𝜃 2𝑛 + ∑ ln 𝑥𝑖
2𝜃
𝑖=1 𝑖=1 𝑖=1
A continuación, derivamos ln[𝐿 (𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝜃 2 )], con respecto a 𝜃 2 e igualamos a cero, es decir:
𝑛
𝜕 ln[𝐿 (𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝜃 2 )] 1 2
𝑛
= 0 → ∑ 𝑥𝑖 − =0
𝜕𝜃 2 2𝜃̂4 𝜃̂ 2
𝑖=1
Luego, con la información que nos brinda el ejercicio, calculamos el valor de 𝜃̂2
∑𝑛𝑖=1 𝑥𝑖 2 510,58
𝜃̂2 = = = 5,1058
2𝑛 100
3.2) Solución: Sabemos que para que estimador 𝜃̂2 sea insesgado, se debe cumplir que la esperanza
de estimador sea igual al estimador, es decir:
∑𝑛𝑖=1 𝑥𝑖 2 ∑𝑛𝑖=1 𝐸(𝑥𝑖 2 )
𝐸(𝜃̂2 ) = 𝜃 2 → 𝐸(𝜃̂ 2 ) = 𝐸 ( )=
2𝑛 2𝑛
2
2)
4−𝜋 2 𝜋 4𝜃 2 − 𝜋𝜃 2 + 𝜋𝜃 2
𝐸(𝑥𝑖 = 𝜃 + [𝜃√ ] = = 2𝜃 2
2 2 2
4.- Sea 𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏 , muestra aleatoria de una población 𝒙 ~ 𝒆𝒙𝒑 (𝜶); 𝜶 > 0 y desconocido:
4.1) Encuentre el estimador máximo verosímil de α.
4.2) Si las observaciones de una muestra aleatoria para la variable X son: 1,1; 0,9; 1,4; 1,2;
0,7. Estime la probabilidad de que la variable aleatoria no sea inferior a 1.
4.1) Solución: Lo primero que debemos hacer es definir la función exponencial con variable α, la que
se expresa de la siguiente forma:
𝑓 (𝑥) = 𝛼 𝑒 −𝛼 𝑥 ; 𝛼 > 0
𝐿(𝛼 ) = ∏ 𝑓(𝑥𝑖 , 𝛼 )
𝑖=1
∑𝑛
𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝛼 ) = (𝛼 𝑒 −𝛼 𝑥1 ) ∙ (𝛼 𝑒 −𝛼 𝑥2 ) ∙∙∙ (𝛼 𝑒 −𝛼 𝑥𝑛−1 ) ∙ (𝛼 𝑒 −𝛼 𝑥𝑛 ) = 𝛼 𝑛 𝑒 −𝛼 𝑖=1 𝑥𝑖
ln 𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝛼 ) = 𝑛 ln 𝛼 − 𝛼 ∑ 𝑥𝑖
𝑖=1
Derivando e igualando a cero:
𝑛
𝜕 ln 𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝛼 ) 𝑛
=0 → − ∑ 𝑥𝑖 = 0
𝜕𝛼 𝛼̂
𝑖=1
𝑛 1
𝛼̂ = = = 𝐸. 𝑀. 𝑉(𝛼 )
∑𝑛𝑖=1 𝑥𝑖 𝑥̅
4.2) Solución: Utilizando los datos de la muestra aleatoria que nos entrega el problema,
determinamos el estimador puntual 𝛼̂:
1 1 1
𝛼̂ = = 1,1+0,9+1,4+1,2+0,7 =
𝑥̅ 1,06
5
∞ ∞
1 −
1
𝑥 −
1
𝑃(𝑥 ≥ 1) = ∫ 𝑓(𝑥) 𝑑𝑥 = ∫ 𝑒 1,06 𝑑𝑥 = 0 − [−𝑒 1,06 ] = 0,3893
1,06
𝑥=1 𝑥=1
5.- Sea 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 muestra aleatoria proveniente de una distribución normal con media µ y
varianza 2, cuya función densidad es:
𝟏 (𝒙 − 𝝁)𝟐
𝟐) −
𝒇(𝒙, 𝝁, 𝝈 = ∙𝒆 𝟐𝝈𝟐 𝒔𝒊 − ∞ < 𝑥 < ∞
√𝟐𝝅𝝈𝟐
5.1) Pruebe si estos estimadores son insesgados e indique cual es más eficiente.
5.2) Encuentre el estimador máximo verosímil de µ.
5.3) Compare el estimador obtenido por el método de máxima verosimilitud con los dos
propuestos, ¿Cuál es mejor estimador para µ? Justifique su respuesta.
5.1) Solución: Lo primero que debemos corroborar es, si se cumple que la esperanza del estimador
puntual es igual al estimador puntual, sabiendo que la media y la varianza de 𝑥1 , 𝑥2 , 𝑥3 es µ y 2,
respectivamente, como se ve a continuación:
Debido a que 𝑉 (𝜇̂ 1 ) es menor que 𝑉(𝜇̂ 2 ), se llega a la conclusión que el estimador puntual 𝜇̂ 1 es más
eficiente que el estimador puntual 𝜇̂ 2 .
5.2) Solución: En este ítem lo primero que debemos hacer es definir la “función de verosimilitud”:
3
𝐿(𝑥1 , 𝑥2 , 𝑥3 ; 𝜇) = ∏ 𝑓 (𝑥𝑖 ; 𝜇)
𝑖=1
3 2 2
1 −
(𝑥𝑖 − 𝜇) 1 − ∑3
(𝑥𝑖 − 𝜇)
𝐿 (𝑥1 , 𝑥2 , 𝑥3 ; 𝜇) = ∏ ∙𝑒 2𝜎2 = 3 ∙ 𝑒 𝑖=1 2𝜎2
𝑖=1
√2𝜋𝜎 2 (√2𝜋𝜎 2 )
3
∑3𝑖=1 𝑥𝑖
∑ 𝑥𝑖 = 3𝜇̂ → 𝜇̂ = = 𝑥̅ = 𝐸. 𝑀. 𝑉(𝜇)
3
𝑖=1
5.3) Solución: Empezamos por determinar si el estimador puntual de 𝜇 que determinamos en el ítem
anterior es insesgado, lo que llevamos a cabo de la siguiente forma:
∑3𝑖=1 𝑥𝑖 𝑉(∑3𝑖=1 𝑥𝑖 ) 3𝜎 2 𝜎 2
𝑉 (𝜇̂ ) = 𝑉 ( )= = =
3 32 9 3
6.- En un estacionamiento el número de veces (𝒙) que se debe subir la barrera en un intervalo
de 10 minutos, para que pasen vehículos en un sector de alta seguridad, se considera una
variable aleatoria con distribución de Poisson de parámetro λ desconocido.
6.1) En una muestra aleatoria de 8 intervalos de 10 minutos cada uno, elegidos en forma
independiente, se registra para cada intervalo el valor que toma la variable en estudio 𝒙.
𝒙 3 5 8 7 4 5 6 2
Encuentre la estimación máximo verosímil de .
6.2) Sea (𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏 ) una muestra aleatoria tamaño n de 𝒙 ~ Poisson()
𝒙 +𝟑𝒙
Si 𝝀̂𝟏 = ∑𝒏𝒊=𝟏 𝒊 ; 𝝀̂𝟐 = 𝟏 𝒏 ; son estimadores del parámetro . Determine cuál de ellos es
𝒙
𝒏 𝟒
el mejor estimador del parámetro .
Luego, sabemos que dicha variable tiene una distribución de Poisson, como se muestra a
continuación:
𝑒 − 𝑥
𝑥 ~ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 () 𝑓(𝑥, ) = { 𝑥 = 0,1,2, …
𝑥!
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
En seguida, definimos la “función de verosimilitud”:
𝑛
𝐿 () = ∏ 𝑓 (𝑥𝑖 ; )
𝑖=1
𝑛
𝑒 − 𝑥1 𝑒 − 𝑥2 𝑒 − 𝑥𝑛−1 𝑒 − 𝑥𝑛 1 𝑛
𝐿 𝑥1 , 𝑥2 … , 𝑥𝑛 , = (
( ) )∙( ) ∙∙∙ ( )∙( ) = 𝑒 − 𝑛 ∙ ∏ ∙ ∑𝑖=1 𝑥𝑖
𝑥1 ! 𝑥2 ! 𝑥𝑛−1 ! 𝑥𝑛 ! 𝑥𝑖 !
𝑖=1
En seguida, utilizando la muestra aleatoria, obtenemos el valor del estimador máximo verosímil, como
se ve a continuación:
3 + 5 + 8 + 7 + 4 + 5 + 6 + 2 40
̂ = = =5
8 8
Respuesta: En una muestra aleatoria de ocho intervalos de 10 minutos cada uno, elegidos en forma
independiente, la estimación máxima verosímil corresponde a 5.
6.2) Solución: Lo primero que se debe hacer es determinar si estos estimadores son o no insesgados,
lo que se sabe si se cumple que la esperanza del estimador es igual al mismo estimador, es decir:
∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1 𝐸(𝑥𝑖 ) 𝑛
𝐸(̂ 1 ) = 𝐸 ( )= = =
𝑛 𝑛 𝑛
𝑥1 + 3𝑥𝑛 𝐸 (𝑥1 ) + 3𝐸(𝑥𝑛 ) + 3 4
𝐸(̂ 2 ) = 𝐸 ( )= = = =
4 4 4 4
Por lo tanto, ambos estimadores son insesgados. Entonces, el paso a seguir es determinar la
varianza de cada estimador puntual, lo que se hace de la siguiente manera:
∑𝑛𝑖=1 𝑥𝑖 𝑉(∑𝑛𝑖=1 𝑥𝑖 ) 𝑛
𝑉(̂ 1 ) = 𝑉 ( )= = 2 =
𝑛 𝑛2 𝑛 𝑛
𝑥1 + 3𝑥𝑛 𝑉(𝑥1 ) + 32 𝑉(𝑥𝑛 ) 10 5
𝑉(̂ 2 ) = 𝑉 ( )= = =
4 42 16 8
7.- Sea 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 , 𝒙𝟒 , 𝒙𝟓 una muestra aleatoria de una variable aleatoria con distribución Normal
con media (𝝁 − 𝟓) y varianza 𝝈𝟐 .
Se proponen los siguientes estimadores:
𝟓
̂ 𝟏 = ∑ 𝒙𝒊
𝝁 ̂ 𝟐 = 𝟖𝒙𝟐 − 𝟑𝒙𝟓
𝝁
𝒊=𝟏
7) Solución: Debemos determinar si los estimadores que nos proponen son o no insesgados, como se
muestra a continuación:
5
𝐸(𝜇̂ 1 ) = 𝐸 (∑ 𝑥𝑖 ) = 5(𝜇 − 5)
𝑖=1
Debido a que ambos estimadores propuestos son sesgados, se debe determinar el sesgo o error del
estimador, lo que se calcula con la siguiente fórmula:
𝑠𝑒𝑠𝑔𝑜(𝜇) = 𝐸 (𝜇̂ ) − 𝜇
𝑠𝑒𝑠𝑔𝑜(𝜇
̂2 ) = 𝐸(𝜇
̂2 ) − 𝜇 = 5(𝜇 − 5) − 𝜇 = 5𝜇 − 25 − 𝜇 = 4𝜇 − 25
𝑉(𝜇̂ 1 ) = 𝑉 (∑ 𝑥𝑖 ) = 5 𝑉(𝑥) = 5𝜎 2
𝑖=1
Respuesta: Debido a que el error cuadrático medio de 𝜇̂ 1 es menor que el error cuadrático medio
de 𝜇̂ 2 , se concluye que el mejor estimador para 𝜇, es 𝜇̂ 1 = ∑5𝑖=1 𝑥𝑖 .
8.- Sea 𝒕 la variable aleatoria continua, que indica el tiempo de desintegración de un átomo,
con distribución exponencial truncada con parámetro 𝜶 (𝜶 > 0) es decir, que toma sólo
aquellos valores de 𝒕 superiores a 𝒕𝟎 . Sea (𝒕𝟏 , 𝒕𝟐 , … , 𝒕𝒏 ) una muestra aleatoria tamaño n de 𝐓.
𝐿 (𝛼 ) = ∏ 𝑓 (𝑡𝑖 , 𝛼 )
𝑖=1
−𝛼 ∑𝑛𝑖=1(𝑡𝑖−𝑡0 )
𝐿 (𝑡1 , 𝑡2 , … , 𝑡𝑛 ; 𝛼) = 𝛼𝑛 𝑒
𝑛
𝑛 𝑛 𝑛 1
= ∑(𝑡𝑖 − 𝑡0 ) → 𝛼
̂= = = ∑𝑛
𝛼
̂ ∑𝑛𝑖=1(𝑡𝑖 − 𝑡0 ) ∑𝑛𝑖=1 𝑡𝑖 − 𝑛𝑡0 𝑖=1 𝑡𝑖 𝑛𝑡0
𝑖=1 𝑛
− 𝑛
1
𝛼̂ = = 𝐸. 𝑀. 𝑉(𝛼 )
𝑡̅ − 𝑡0
8.2) Solución: Considerando la muestra que nos entrega el ejercicio, tenemos que:
3+7+5+8+4+1+5+2+9+6 50
𝑡0 = 1 ; 𝑡̅ = = =5
10 10
Reemplazando:
1 1 1
𝛼̂ = = = = 0,25
𝑡̅ − 𝑡0 5 − 1 4
Respuesta: La estimación puntual del parámetro 𝛼 para el valor 𝑡0 = 1, con las diez observaciones
dadas por el problema, es igual a 0,25.
9.- Sea (𝒙𝟏 , 𝒙𝟐 … , 𝒙𝒏 ) una muestra aleatoria de 𝒙, distribuida según 𝒇(𝒙, 𝜽), con 𝜽 desconocido.
Donde 𝒙 representa el tiempo máximo necesario para terminar un proceso, en segundos:
𝜽
𝒇(𝒙, 𝜽) = {(𝜽 + 𝟏)𝒙 𝟎 ≤ 𝒙 ≤ 𝟏 ; 𝜽 > −1
𝟎 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
𝐿(𝜃) = ∏ 𝑓(𝑥𝑖 , 𝜃)
𝑖=0
𝜃]
𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝜃) = [(𝜃 + 1)𝑥1 ∙ [(𝜃 + 1)𝑥2 𝜃 ] ∙∙∙ [(𝜃 + 1)𝑥𝑛−1 𝜃 ] ∙ [(𝜃 + 1)𝑥𝑛 𝜃 ]
𝑛
𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝜃) = (𝜃 + 1)𝑛 ∏ 𝑥𝑖 𝜃
𝑖=0
En seguida, calculamos el logaritmo natural de 𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝜃):
𝑛
9.2) Solución: Determinamos el estimador máximo verosímil de 𝜃, con los datos de la muestra que
nos entrega el ejercicio:
8
𝜃̂ = − −1
ln(0,7 ∙ 0,9 ∙ 0,6 ∙ 0,8 ∙ 0,9 ∙ 0,7 ∙ 0,9 ∙ 0,8)
𝜃̂ = 4,0271 − 1 → 𝜃̂ = 3,0271
9.3) Solución: Debido a que determinamos 𝜃̂, que corresponde al estimador máximo verosímil de 𝜃,
por lo tanto, las expresiones pedidas las calculamos por medio de propiedades:
𝐸. 𝑀. 𝑉(𝜃 + 1) = 4,0271
2𝜃 – 1 2𝐸.𝑀.𝑉(𝜃)−1 ̂ −1
2𝜃 2∙3,0271−1 5,0542
b) 𝐸. 𝑀. 𝑉 ( )= = ̂ = =
𝜃–1 𝐸.𝑀.𝑉(𝜃)−1 𝜃 −1 3,0271−1 2,0271
2𝜃 – 1
𝐸. 𝑀. 𝑉 ( ) = 2,4933
𝜃– 1