6.

Estimadores Puntuales – Ejercicios Resueltos

ANÁLISIS ESTADÍSTICO

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

ln [𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜃)] = 𝑛 ln 4 + 𝑛 ln 𝜃 − 𝜃 ∑ 𝑥𝑖 + ln ∏ 𝑥𝑖3 4

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

Posteriormente, sobre la base de la muestra aleatoria de 5 planchas, calculamos el valor de 𝜃̂

5 5
𝜃̂ = 4 4 4 4 4
= = 2,282
0,5 + 0,5 + 0,8 + 0,9 + 1 2,1907

Finalmente, calculamos probabilidad requerida por el ejercicio:

4
𝑃(𝑥 < 0,7) = 𝐹 (𝑥 = 0,7) = 1 − 𝑒 −2,282∙ 0,7 = 0,4218

Respuesta: La probabilidad que una plancha, elegida al azar, tenga resistencia inferior a 0,7, es igual
a 0,4218.

Página 118 Alejandro González Tapia – Ingeniería Civil en Minas

 6. Estimadores Puntuales – Ejercicios Resueltos
ANÁLISIS ESTADÍSTICO

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)

2.1) Sea 𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏 una muestra aleatoria de X, con β desconocido, determine el estimador

máximo verosímil del parámetro β.
2.2) ¿Cuál la probabilidad de que en la fábrica transcurran más de 8 horas sin averías?

2.1) Solución: Sabemos que la derivada de la función de distribución, es igual a la función de

densidad, es decir:

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)

Luego, definimos la “función de verosimilitud”:

𝑛

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

Determinamos el logaritmo natural de 𝐿(𝛽):

𝑛

[2𝑛 2𝑛 −𝛽 2 ∑ 𝑥𝑖2
ln[𝐿 (𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝛽)] = ln 𝛽 𝑒 ∏ 𝑥𝑖 ]
𝑖=1
𝑛 𝑛

ln[𝐿 (𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝛽)] = 𝑛 ln 2 + 2𝑛 ln 𝛽 − 𝛽 2∑

𝑥𝑖2 + ∑ ln 𝑥𝑖
𝑖=1 𝑖=1

Derivando con respecto a 𝛽, e igualamos a cero:

𝑛
𝜕 ln[𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝛽)] 2𝑛
=0 → − 2𝛽̂ ∑ 𝑥𝑖2 = 0
𝜕𝛽 𝛽̂ 𝑖=1

Despejamos 𝛽̂, quedando de la siguiente forma:

𝑛
2𝑛 𝑛 𝑛
= 2𝛽̂ ∑ 𝑥𝑖2 → 𝛽̂2 = → 𝛽̂ = √ 𝑛 2 = 𝐸. 𝑀. 𝑉 (𝛽)
𝛽̂ ∑𝑛𝑖=1 𝑥𝑖2 ∑𝑖=1 𝑥𝑖
𝑖=1

Alejandro González Tapia – Ingeniería Civil en Minas Página 119

 6. Estimadores Puntuales – Ejercicios Resueltos
ANÁLISIS ESTADÍSTICO

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

En seguida, determinamos la probabilidad que nos solicita el problema:

2
𝑃 (𝑥 > 8) = 1 − 𝑃 (𝑥 ≤ 8) = 1 − 𝐹 (8) = 1 − [1 − 𝑒 −(8∙0,1616) ] = 0,188
Respuesta: La probabilidad de que en la fábrica transcurran más de 8 horas sin averías, es igual a
0,188.

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

∑ 𝒙𝒊 = 𝟏𝟒𝟔, 𝟐𝟖 𝒚 ∑ 𝒙𝟐𝒊 = 𝟓𝟏𝟎, 𝟓𝟖

𝒊=𝟏 𝒊=𝟏
̂𝟐
3.2) Determine si el estimador 𝜽 es insesgado.

3.1) Solución: Definimos la “función de verosimilitud”, la que está dada por:

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

Calculamos el logaritmo natural de 𝐿 (𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝜃 2 ):

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

Página 120 Alejandro González Tapia – Ingeniería Civil en Minas

 6. Estimadores Puntuales – Ejercicios Resueltos
ANÁLISIS ESTADÍSTICO

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

𝜃̂4 ∑𝑛𝑖=1 𝑥𝑖 2 ∑𝑛𝑖=1 𝑥𝑖 2

= → 𝜃̂2 = = 𝐸. 𝑀. 𝑉. (𝜃 2 )
𝜃̂2 2𝑛 2𝑛

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

Luego, determinamos por medio de propiedades la esperanza de 𝑥𝑖 2 , de la siguiente forma:

𝑉(𝑥) = 𝐸(𝑥 2 ) − [𝐸(𝑥)]2 → 𝐸 (𝑥 2 ) = 𝑉(𝑥) + [𝐸(𝑥)]2

2
2)
4−𝜋 2 𝜋 4𝜃 2 − 𝜋𝜃 2 + 𝜋𝜃 2
𝐸(𝑥𝑖 = 𝜃 + [𝜃√ ] = = 2𝜃 2
2 2 2

Posteriormente, calculamos la expresión antes definida:

∑𝑛𝑖=1 𝐸(𝑥𝑖2 ) ∑𝑛𝑖=1 2𝜃 2 2𝜃 2 𝑛

𝐸(𝜃̂2 ) = = = = 𝜃2
2𝑛 2𝑛 2𝑛

Finalmente, como se cumple la igualdad, el estimador es insesgado.

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

Determinamos la “función de verosimilitud”:

𝑛

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

Alejandro González Tapia – Ingeniería Civil en Minas Página 121

 6. Estimadores Puntuales – Ejercicios Resueltos
ANÁLISIS ESTADÍSTICO

En seguida, calculamos el logaritmo natural de 𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝛼 ):

𝑛

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

Respuesta: En base a la muestra aleatoria, la probabilidad estimada de que la variable aleatoria no

sea inferior a 1, es igual a 0,3893.

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

Se propone a las siguientes estadísticas como estimadores de µ:

𝒙𝟏 + 𝟐𝒙𝟐 + 𝟑𝒙𝟑 𝟒𝒙𝟐 − 𝒙𝟏

̂𝟏 =
𝝁 ̂𝟐 =
𝝁
𝟔 𝟑

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.

Página 122 Alejandro González Tapia – Ingeniería Civil en Minas

 6. Estimadores Puntuales – Ejercicios Resueltos
ANÁLISIS ESTADÍSTICO

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:

𝑥1 + 2𝑥2 + 3𝑥3 𝐸 (𝑥1 ) + 2𝐸(𝑥2 ) + 3𝐸(𝑥3 ) 𝜇 + 2𝜇 + 3𝜇 6𝜇

𝐸(𝜇̂ 1 ) = 𝐸 ( )= = = =𝜇
6 6 6 6
4𝑥2 − 𝑥1 4𝐸 (𝑥2 ) − 𝐸(𝑥1 ) 4𝜇 − 𝜇 3𝜇
𝐸(𝜇̂ 2 ) = 𝐸 ( )= = = =𝜇
3 3 3 3
Es decir, ambos estimadores puntuales de µ son insesgados.
En seguida, debemos determinar la varianza de cada uno de los estimadores, para así ver cuál de los
dos estimadores es más eficiente:

𝑥1 + 2𝑥2 + 3𝑥3 𝑉(𝑥1 ) + 22 𝑉(𝑥2 ) + 32 𝑉(𝑥3 ) 2 + 42 + 92 7 2

𝑉(𝜇̂ 1 ) = 𝑉 ( )= 2
= = 
6 6 36 18

4𝑥2 − 𝑥1 42 𝑉 (𝑥2 ) + 𝑉(𝑥1 ) 162 + 2 17 2

𝑉(𝜇̂ 2 ) = 𝑉 ( )= = = 
3 32 9 9

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 )

Calculamos el logaritmo natural de 𝐿 (𝑥1 , 𝑥2 , 𝑥3 ; 𝜇):

3
3 (𝑥𝑖 − 𝜇)2
ln 𝐿(𝑥1 , 𝑥2 , 𝑥3 ; 𝜇) = − ln(2𝜋𝜎 2 ) − ∑
2 2𝜎 2
𝑖=1
Derivamos e igualamos a cero:
3 3
𝜕 ln 𝐿(𝑥1 , 𝑥2 , 𝑥3 ; 𝜇) −2 1
=0 → − 2 ∑(𝑥𝑖 − 𝜇̂ ) = 0 → ∑(𝑥𝑖 − 𝜇̂ ) = 0
𝜕𝜇 2𝜎 𝜎2
𝑖=1 𝑖=1

3
∑3𝑖=1 𝑥𝑖
∑ 𝑥𝑖 = 3𝜇̂ → 𝜇̂ = = 𝑥̅ = 𝐸. 𝑀. 𝑉(𝜇)
3
𝑖=1

Alejandro González Tapia – Ingeniería Civil en Minas Página 123

 6. Estimadores Puntuales – Ejercicios Resueltos
ANÁLISIS ESTADÍSTICO

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 ∑3𝑖=1 𝐸(𝑥𝑖 ) 3𝜇

𝐸 (𝜇̂ ) = 𝐸 ( )= = =𝜇
3 3 3

Por lo tanto, el estimador puntual de 𝜇 es insesgado, luego, determinaremos la varianza de dicho

estimador, para ver si mejor estimador, como se ve a continuación:

∑3𝑖=1 𝑥𝑖 𝑉(∑3𝑖=1 𝑥𝑖 ) 3𝜎 2 𝜎 2
𝑉 (𝜇̂ ) = 𝑉 ( )= = =
3 32 9 3

En seguida, como la varianza de 𝜇̂ es menor en comparación a las varianza de 𝜇̂ 1 e 𝜇̂ 2 , se concluye

que el estimador puntual, 𝜇̂ , es más eficiente, es decir, mejor.

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 .

6.1) Solución: Utilizaremos la siguiente variable:

𝑥 = “Número de veces que se debe subir la barrera en un intervalo de 10 minutos, para que pasen
vehículos en un sector de alta seguridad”

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

Página 124 Alejandro González Tapia – Ingeniería Civil en Minas

 6. Estimadores Puntuales – Ejercicios Resueltos
ANÁLISIS ESTADÍSTICO

Determinamos el logaritmo natural de 𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , ):

𝑛 𝑛 𝑛
1 𝑛 1
ln[𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , )] = ln [𝑒 − 𝑛 ∙∏ ∙  ∑𝑖=1 𝑥𝑖 ] = − 𝑛 + ln [∏ ] + ∑ 𝑥𝑖 ln 
𝑥𝑖 ! 𝑥𝑖 !
𝑖=1 𝑖=1 𝑖=1
Derivando e igualando a cero:
𝜕 ln[𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , )] ∑𝑛𝑖=1 𝑥𝑖
=0 → −𝑛 + =0
𝜕 ̂
∑𝑛𝑖=1 𝑥𝑖
̂ = = 𝑥̅ = 𝐸. 𝑀. 𝑉()
𝑛

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

En conclusión, la efectividad de los estimadores depende del tamaño de la muestra, ya que, si la

muestra es igual a uno, el estimador más eficiente es ̂ 2, en cambio, si la muestra es mayor a uno, el
mejor estimador es ̂ 1.

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

Determine cuál es el mejor estimador para 𝝁. Justifique su respuesta.

Alejandro González Tapia – Ingeniería Civil en Minas Página 125

 6. Estimadores Puntuales – Ejercicios Resueltos
ANÁLISIS ESTADÍSTICO

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

𝐸(𝜇̂ 2 ) = 𝐸 (8𝑥2 − 3𝑥5 ) = 8𝐸 (𝑥2 ) − 3𝐸 (𝑥5 ) = 8(𝜇 − 5) − 3(𝜇 − 5) = 5(𝜇 − 5)

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 (𝜇1 ) = 𝐸(𝜇

̂1 ) − 𝜇 = 5(𝜇 − 5) − 𝜇 = 5𝜇 − 25 − 𝜇 = 4𝜇 − 25

𝑠𝑒𝑠𝑔𝑜(𝜇
̂2 ) = 𝐸(𝜇
̂2 ) − 𝜇 = 5(𝜇 − 5) − 𝜇 = 5𝜇 − 25 − 𝜇 = 4𝜇 − 25

En seguida, calculamos la varianza de cada uno de los estimadores propuestos:

5

𝑉(𝜇̂ 1 ) = 𝑉 (∑ 𝑥𝑖 ) = 5 𝑉(𝑥) = 5𝜎 2
𝑖=1

𝑉(𝜇̂ 2 ) = 𝑉(8𝑥2 − 3𝑥5 ) = 82 𝑉(𝑥2 ) + 32 𝑉(𝑥5 ) = 73 𝜎 2

Finalmente, calculamos el error cuadrático medio del estimador, para así saber cuál de los dos
estimadores puntuales es mejor, lo que se realiza con la siguiente fórmula:

𝐸. 𝐶. 𝑀(𝜇) = 𝑉(𝜇̂ ) + [𝑠𝑒𝑠𝑔𝑜(𝜇)]2

𝐸. 𝐶. 𝑀(𝜇̂ 1 ) = 𝑉 (𝜇̂ 1 ) + [𝑠𝑒𝑠𝑔𝑜(𝜇̂ 1 )]2 = 5 𝜎 2 + (4𝜇 − 25)2

𝐸. 𝐶. 𝑀(𝜇̂ 2 ) = 𝑉(𝜇̂ 2 ) + [𝑠𝑒𝑠𝑔𝑜(𝜇̂ 2 )]2 = 73 𝜎 2 + (4𝜇 − 25)2

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.

8.1) Determine el estimador máximo verosímil de 𝜶, si la función de distribución de

probabilidad de la exponencial truncada es:

𝑭(𝒕) = 𝟏 − 𝒆−𝜶(𝒕−𝒕𝟎 ) 𝒕 > 𝒕𝟎

8.2) Encuentre la estimación puntual del parámetro a para el valor 𝒕𝟎 = 𝟏 cuando se ha

observado los siguientes tiempos de desintegración de un átomo (u.t.): 3, 7, 5, 8, 4, 1, 5,
2, 9 y 6.

Página 126 Alejandro González Tapia – Ingeniería Civil en Minas

 6. Estimadores Puntuales – Ejercicios Resueltos
ANÁLISIS ESTADÍSTICO

8.1) Solución: Sabemos que la derivada de la función de distribución es igual a la función de

densidad, es decir:
𝑑 𝑑
𝑓 (𝑡) = 𝐹 (𝑡) 𝑓(𝑡) = [1 − 𝑒 −𝛼(𝑡−𝑡0) ] = (−𝑒 −𝛼(𝑡−𝑡0) )(−𝛼)
𝑑𝑡 𝑑𝑡

𝑓 (𝑡) = 𝛼 𝑒 −𝛼(𝑡−𝑡0) 𝑡 > 𝑡0

En seguida, definimos la “función de verosimilitud”:

𝑛

𝐿 (𝛼 ) = ∏ 𝑓 (𝑡𝑖 , 𝛼 )
𝑖=1

𝐿(𝑡1 , 𝑡2 , … , 𝑡𝑛 ; 𝛼 ) = (𝛼 𝑒 −𝛼(𝑡1−𝑡0) ) ∙ (𝛼 𝑒 −𝛼(𝑡2−𝑡0 ) ) ∙∙∙ (𝛼 𝑒 −𝛼(𝑡𝑛−1 −𝑡0) ) ∙ (𝛼 𝑒 −𝛼(𝑡𝑛−𝑡0) )

−𝛼 ∑𝑛𝑖=1(𝑡𝑖−𝑡0 )
𝐿 (𝑡1 , 𝑡2 , … , 𝑡𝑛 ; 𝛼) = 𝛼𝑛 𝑒

Aplicamos logaritmo natural:

𝑛
ln[𝐿(𝑡1 , 𝑡2 , … , 𝑡𝑛 ; 𝛼 )] = ln[𝛼 𝑛 𝑒 −𝛼 ∑𝑖=1(𝑡𝑖−𝑡0) ]
𝑛

ln[𝐿 (𝑡1 , 𝑡2 , … , 𝑡𝑛 ; 𝛼 )] = 𝑛 ln 𝛼 − 𝛼 ∑(𝑡𝑖 − 𝑡0 )

𝑖=1
Derivando e igualando a cero:
𝑛
𝜕 ln[𝐿(𝑡1 , 𝑡2 , … , 𝑡𝑛 ; 𝛼)] 𝑛
=0 → − ∑(𝑡𝑖 − 𝑡0 ) = 0
𝜕𝛼 𝛼
̂
𝑖=1

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.

Alejandro González Tapia – Ingeniería Civil en Minas Página 127

 6. Estimadores Puntuales – Ejercicios Resueltos
ANÁLISIS ESTADÍSTICO

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

9.1) Determine el estimador máximo verosímil de 𝜽.

9.2) En base a una muestra aleatoria de 𝒙, determine la estimación máximo verosímil de 𝜽,
donde la muestra está constituida por los siguientes datos: 0,7; 0,9; 0,6; 0,8; 0,9; 0,7;
0,9; 0,8. Estime la probabilidad del tiempo máximo necesario para terminar un proceso,
el cual exceda los 0,25 segundos, y a la vez no supere los 0,75 segundos.
𝟐𝜽̂−𝟏
̂ + 𝟏. b)
9.3) Determine el estimador máximo verosímil de: a) 𝜽 ̂−𝟏
𝜽

9.1) Solución: Determinamos la “función de verosimilitud”:

𝑛

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

ln[𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝜃)] = ln [(𝜃 + 1 )𝑛 ∏ 𝑥𝑖 𝜃 ]

𝑖=0
𝑛 𝑛

ln[𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝜃)] = 𝑛 ln(𝜃 + 1) + ∑ 𝜃 ln 𝑥𝑖 = 𝑛 ln(𝜃 + 1) + 𝜃 ln ∏ 𝑥𝑖

𝑖=0 𝑖=0

Derivamos e igualamos a cero:

𝑛
𝜕 ln[𝐿(𝑥1 , 𝑥2 … , 𝑥𝑛 , 𝜃)] 𝑛
=0 → + ln ∏ 𝑥𝑖 = 0
𝜕𝜃 ̂
𝜃+1
𝑖=0
𝑛
𝑛 𝑛
= − ln ∏ 𝑥𝑖 → 𝜃̂ = − − 1 = 𝐸. 𝑀. 𝑉(𝜃)
𝜃̂ + 1 ln ∏𝑛𝑖=0 𝑥𝑖
𝑖=0

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

Página 128 Alejandro González Tapia – Ingeniería Civil en Minas

 6. Estimadores Puntuales – Ejercicios Resueltos
ANÁLISIS ESTADÍSTICO

Luego, estimamos que la probabilidad de 𝑥 ∈ ]0,25; 0,75[

0,75 0,75 0,75
̂
𝑃(0,25 < 𝑥 < 0,75) = ∫ 𝑓(𝑥, 𝜃̂) 𝑑𝑥 = ∫ (𝜃̂ + 1)𝑥 𝑑𝑥 = 𝜃 ∫ (4,0271)𝑥 3,0271 𝑑𝑥
𝑥 = 0,25 𝑥 = 0,25 𝑥 = 0,25

𝑃(0,25 < 𝑥 < 0,75) = 0,3102

Respuesta: En base a una muestra aleatoria de 𝑥, que nos otorga el ejercicio, el estimador máximo
verosímil de 𝜃, corresponde a 3,0271, y al estimar que la probabilidad del tiempo máximo necesario
para terminar un proceso, exceda los 0,25 segundos, y a la vez no supere los 0,75 segundos es igual
0,3102.

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:

a) 𝐸. 𝑀. 𝑉(𝜃 + 1) = 𝐸. 𝑀. 𝑉(𝜃) + 1 = 𝜃̂ + 1 = 3,0271 + 1

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

Alejandro González Tapia – Ingeniería Civil en Minas Página 129