Guia Olea Parte 1

Ejercicios Resueltos y Propuestos
Curso EYP 2113

Tomo I
Primera Edici
on
Trabajo de Recopilacion , Organizacion y Elaboracion

Patricia Jimenez P. & Ricardo Olea O.
Dpto. de Estadstica - Facultad de Matematicas
Pontificia Universidad Catolica de Chile
Santiago, Diciembre 2004

Prefacio
Con la intencion de apoyar la labor docente que desarrolla el Departamento de Estadstica

de la Facultad de Matematicas de la Pontificia Universidad Catolica de Chile, se ha real-
izado un trabajo de recopilacion y elaboracion de ejercicios resueltos y propuestos para el
curso EYP2113, algunos de los cuales fueron desarrollados en ayudantas y han sido parte
de interrogaciones en semestres anteriores.
Queremos agradecer muy en especial a FONDEDOC, por haber confiado en este proyecto
y habernos entregado todo su apoyo para poder ver realizada esta necesidad tanto para el
Departamento de Estadstica, como para todos los alumnos y alumnas que son beneficiados
de los cursos de servicio que ofrece el mismo.
Este trabajo ha sido fruto de la labor que desarrollaron docentes y ayudantes que dictaron
el curso durante los a
nos 2002 y 2003.
Especficamente deseamos agradecer a los profesores
Ricardo Aravena
Alejandro Jara
Ignacio Vidal
Ademas quisieramos agradecer el aporte de Jorge Gonzalez, Mario Tagle y Joaqun Rojas,
tanto por el material donado, como por la revision de este libro.
Atentamente.
Direccion
Departamento de Estadstica
Facultad de Matematicas
Santiago, Diciembre 2004
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
II
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Indice general
1. Estimacion 1
1.1. Ejercicios Resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2. Test de Hip otesis 49

2.1. Ejercicios Resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3. Ejercicios Resueltos de Interrogaciones 81

3.1. Interrogaciones I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.2. Soluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.3. Interrogaciones II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.4. Soluciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
A. Formulario de Distribuciones I
B. Formulario de An
alisis de Regresi
on Simple III
C. Tablas de distribuci on VII

C.1. Distribucion t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VII
C.2. Distribucion 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VIII
C.3. Distribucion F ( = 0,05) . . . . . . . . . . . . . . . . . . . . . . . . . . . . IX
C.4. Distribucion Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XI
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
IV INDICE GENERAL
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Captulo 1
Estimaci
on
1.1. Ejercicios Resueltos

EJERCICIO 1
Suponga que se tiene una m.a. de tama

no 2n tomada de una poblacion X, con E(X) = y
V ar(X) = 2 . Sean:
2n n
1 X 1X
X1 = xi y X2 = xi
2n i=1 n i=1
dos estimadores de .Cual es el mejor estimador de ?. Explique su eleccion.

SOLUCION
El mejor estimador sera aquel que tenga menor error cuadratico medio E.C.M.. Primero
veamos si son insesgados los estimadores.
2n
! 2n
1 X 1 X 1
E(X 1 ) = E xi = E(xi ) = 2n =
2n i=1
2n i=1
2n
n
! n
1 X 1X 1
E(X 2 ) = E xi = E(xi ) = n =
n i=1
n i=1 n
Luego ambos estimadores son insesgados, por lo tanto el mejor estimador de entre los dos,
sera aquel que tenga menor varianza.
2n
! 2n
1 X ind 1
X 1 2 2
V ar(X 1 ) = 2 V ar xi = V ar(x i ) = 2n =
4n i=1
4n2 i=1 4n2 2n
n
! n
1 X ind 1
X 1 2
V ar(X 2 ) = 2 V ar xi = 2 V ar(xi ) = 2 n 2 =
n i=1
n i=1 n n
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
2 Captulo 1. Estimaci
on
Luego, como el que tiene menor varianza es X 1 , escogemos este, pues esto produce un menor
E.C.M.
EJERCICIO 2
Suponga que 1 y
2 son estimadores insesgados del parametro . Se sabe que V ar(
1 ) = 10

y V ar(2 ) = 4.Cual es el mejor y en que sentido lo es?

SOLUCION
Como ambos son insesgados, el mejor estimador sera aquel que tenga menor varianza, lo
2 tiene
que, en este caso, conlleva a tener un menor E.C.M.. Luego observando, vemos que

menor varianza que 1 , por lo tanto escogemos 2 como mejor estimador de .
EJERCICIO 3
Suponga que 1 y 2 son estimadores del parametro . Se sabe que E( 1 ) = , E(

2) = ,
2
1 ) = 10 y V ar(
V ar( 2 ) = 4. Cual es el mejor y en que sentido lo es?

SOLUCION
Si observamos cuidadosamente, vemos que 1 es insesgado para pero que

2 no lo es.
Ahora la mejor forma de ver cual es mejor es comparando los E.C.M. de cada uno, ya que
esta medida considera el sesgo producido por cada estimador y la varianza que tienen.
E.C.M.( 1 ) = V ar(
1 ) + Sesgo2 (
1 ) = 10 + 02 = 10
2
2
E.C.M.(2 ) = V ar(2 ) + Sesgo (2 ) = 4 + = 4 + ( )2
2 2
Como se puede ver, el E.C.M. de 2 depende del verdadero valor que tiene , luego debemos
2 sera mejor que
hacer un analisis mas detallado, para saber cuando 1.
Cuando ocurre:
1 ) E.C.M.(
E.C.M.( 2)
2

10 4 +
2
16 + 2
10
4
40 16 + 2
2 40 16
2 24
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
1.1 Ejercicios Resueltos 3
1 sera mejor estimador de que

Es decir, 2 cuando el verdadero valor de sea:

24 o cuando 24
2 sera mejor estimador de que
Equivalentemente, 1 cuando

24 < < 24
EJERCICIO 4
no n, de una poblacion N (, 2 ).
Sea X1 , . . . , Xn una muestra aleatoria de tama
2
(a) Demuestre que X es un estimador sesgado de 2 .
(b) Determine la magnitud del sesgo en el estimador.
(c) Que sucede con el sesgo a medida que aumenta el tama

no n de la muestra?

SOLUCION
2
(a) Como X N (, 2 ) entonces se sabe que X N (, n ), luego si queremos demostrar
2
que X es sesgado para 2 ocupamos la siguiente relacion:
2
V ar(X) = E(X ) E 2 (X)
2 2
= E(X ) 2
n
Luego despejando lo que necesitamos, obtenemos:
2 2
E(X ) = + 2
n
Lo cual es distinto de 2 , que es el caso donde habra sido insesgado el estimador.
(b) La magnitud del sesgo, no es mas que el tama

no de este, es decir, su valor.
2 2
Sesgo(X ) = E(X ) 2
2 2 2
Sesgo(X ) = + 2 2 =
n n
2
(c) A medida que el tama no de muestra aumenta, el sesgo n
0, es decir, el estimador
es asintoticamente (cuando n ) insesgado.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
EJERCICIO 5
Una maquina produce artculos defectuosos con probabilidad . En la inspeccion de artculos

se define la v.a.
1, si el artculo i es defectuoso;
Yi =
0, si el artculo i no es defectuoso.
En una muestra de tama
no 5 se observan dos artculos defectuosos:
(a) Proponga un modelo apropiado para el problema y estime la proporcion de artculos

defectuosos usando el metodo de maxima verosimilitud.

SOLUCION
(a) Dada la definicion del problema y la estructura de la variable aleatoria, Y tiene una
distribucion Bernoulli
Y Ber(p) P (Y = y) = py (1 p)1y
donde el parametro p, que es la probabilidad del exito, es desconocida, por lo que la

estimaremos por maxima verosimilitud.
5
Y
L(y; p) = pyi (1 p)1yi
i=1
P5 P5
yi
L(y; p) = p i=1 (1 p)5 i=1 yi
Aplicando logaritmo natural, obtenemos:

5
X 5
X
`(y; p) = yi ln(p) + 5 yi ln(1 p)
i=1 i=1
Luego, para maximizar la funcion de verosimilitud, derivamos con respecto al parametro

p, que es el que estamos buscando e igualamos a cero para despejar p.
5 5
!
X X
yi yi 5
` i=1 i=1
= + =0
p p 1p
5
X
yi
i=1
p =
5
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Pero como nos dicen que se observaron dos artculos defectuosos, es decir solo dos de
los yi son 1, la suma de estos es 2,
2
p =
5
EJERCICIO 6
El n
umero de conexiones mal soldadas por microcircuito integrado en una operacion de
manufactura electronica sigue una distribucion Binomial(20,p) con p desconocida. El costo
de corregir los errores, por microcircuito, es:
C = 3X + X 2
En base a una muestra aleatoria X1 , X2 , ..., Xn encuentre el EMV del costo total esperado
de corregir los errores de estos microcircuitos observados.

SOLUCION
Como p es desconocida, hay que estimarla en una primera instancia, en este caso por maxima
verosimilitud.
n
Y 20
L(x; p) = pxi (1 p)20xi
i=1
xi
n
Pn
xi 20n
Pn
xi
Y 20
L(x; p) = p i=1 (1 p) i=1
i=1
xi
Aplicando logaritmo natural, obtenemos:
n
X n
X
`(x; p) = xi ln(p) + 20n xi ln(1 p)
i=1 i=1
Luego, para maximizar la funcion de verosimilitud, derivamos con respecto al parametro p,

que es el que estamos buscando e igualamos a cero para despejar p.
n n
!
X X
xi xi 20n
` i=1 i=1
= + =0
p p 1p
n
X
xi
i=1
p =
20n
Ahora procedemos a calcular el costo esperado por medio de la esperanza.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
E(C) = 3E(X) + E(X 2 )
= 3np + np(1 p) + (np)2
= 3np + np np2 + n2 p2
= 4np + np2 (n 1)
[ = 4nb
Luego el E.M.V. de E(C) es E(C) p2 (n 1) por invarianza del E.M.V.
p + nb
EJERCICIO 7
En encuestas, es difcil obtener respuestas precisas a preguntas delicadas tales como Has
usado alguna vez herona? o Has hecho trampa alguna vez en un examen?. Warner introdujo
el metodo de respuestas aleatorizadas para tratar tales situaciones. El encuestado hace girar
una flecha en una rueda o extrae una bola desde una urna que contiene dos bolas de dos
colores para determinar cual de las dos afirmaciones contestara: (1)Tengo la caracterstica
A, o (2)No tengo la caracterstica A. El encuestador no conoce cual afirmacion sera con-
testada pero solamente anotara un s o un no. Se cree que es mas probable que el encuestado
responda verazmente si el o ella saben que el encuestador no conoce cual afirmacion sera con-
testada. Sea R la proporcion de una muestra que contesta S. Sea p la probabilidad que la
afirmacion 1 sea contestada (p es conocido desde la estructura del metodo aleatorizado), y
sea q la proporcion de la poblacion que tiene la caracterstica A. Sea r la probabilidad que
un encuestado responda s.
(a) Muestre que r = (2p 1)q + (1 p)
(b) Si r es conocida, Como podra determinarse q?

SOLUCION
Definamos como:
R: Proporcion de la muestra que contesta s.
p: Probabilidad que la afirmacion 1 sea contestada.
q: Probabilidad de la poblacion que tiene la caracterstica A.
r: Probabilidad que un encuestado responda si.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
(a)
r = P (responda s)
= P (responda s | contesta afirmacion 1)P (contesta afirmacion 1)

+ P (responda s | no contesta afirmacion 1)P (no contesta afirmacion 1)
= pq + (1 p)(1 q)
= pq + 1 p q + pq
= 2pq + 1 p q
= (2pq + 1)q + (1 p)
(b) Sera cosa de despejar q, es decir,
r (1 p) = (2p 1)q
luego
r+p1
q=
2p 1
EJERCICIO 8
Suponga que X1 , X2 , ..., Xn constituye una m.a. de una distribucion cuya funcion densidad
es la siguiente

x1 , 0 < x < 1;
f (x; ) =
0, e.o.c.
Ademas, suponga que el valor de es desconocido ( > 0).
(a) Determine el EMV de .
(b) Determine el EMV de E(X).

SOLUCION
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
(a)
n
Y
L(x1 , . . . , xn ; ) = x1
i
i=1
n
!1
Y
= n xi / ln
i=1
n
X
l(x1 , . . . , xn ; ) = n ln + ( 1) ln xi /
i=1
n
X
l(x1 ,...,xn ,) n

=
+ ln xi
i=1
n
bEM V = X
n
ln xi
i=1
(b)
1 1
x+1 1
Z Z
1
E(X) = xx dx = x dx = =
0 0 +1 0 +1
\=
Luego E(X)
+1
por la invarianza del E.M.V.
EJERCICIO 9
Sean X1 , X2 , . . . , Xn variables aleatorias i.i.d. con funcion densidad dada por

( + 1)x ;0 < x < 1
fX (x) =
0 ;e.o.c.
(a) Encuentre el estimador de por el metodo de momentos.
(b) Encuentre el estimador de por el metodo de maxima verosimilitud.
(c) Eval
ue ambos estimadores usando los siguientes datos:
X 0.1 - 0.3 0.3 - 0.6 0.6 - 0.7 0.7 - 0.9

Frecuencia 3 1 2 3

SOLUCION
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
(a) El metodo de momentos consiste en igualar el momento muestral con el momento

poblacional.
Para el caso k = 1 tenemos la siguiente igualdad

E(X) = X
Necesitamos calcular E(X):
Z Z
E(X) = xfX (x)dx = x ( + 1)x dx
Rec X Rec X
Z 1
= ( + 1) x+1 dx
0
x+2 x=1
= ( + 1)
+ 2 x=0

+1
=
+2
Luego
E(X) = X
+1
=X
+2
+ 1 = X + 2X
(1 X) = 2X 1
2X 1

M M =
1X
(b) !
n
Y n
Y n
Y
n
L(x; ) = f (xi ) = ( + 1)xi = ( + 1) xi \ ln
i=1 i=1 i=1
n
X
`(x; ) = n ln( + 1) + ln(xi ) \
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
n
` n X
= + ln(xi ) = 0
+ 1 i=1
n
n X
= ln(xi )
+1 i=1
n
+1= n
X
ln(xi )
i=1

n

M V =
Xn + 1

ln(xi )

i=1
(c) Para evaluar los estimadores necesitamos convertir los datos tabulados a un set de
datos compuestos por las marcas de cada clases
Marca de Clase (0.2) (0.45) (0.65) (0.8)

X 0.1 - 0.3 0.3 - 0.6 0.6 - 0.7 0.7 - 0.9
Frecuencia 3 1 2 3
Se puede representar el conjunto de valores para X como:
[X : 0,2; 0,2; 0,2; 0,45; 0,65; 0,65; 0,8; 0,8; 0,8]
Calculando ahora lo necesario para poder evaluar los estimadores con estos datos tab-
ulados
k
1X 1
X= mi fi = (0,2 3 + 0,45 1 + 0,65 2 + 0,8 3) = 0,5277
n i=1 9
n n
!
X Y
ln(xi ) = ln xi = ln(0,000778752) = 7,15781
i=1 i=1
Luego al evaluar estos resultados en los estimadores, estos toman los siguientes valores:
2X 1 2 0,52777 1

M M = = = 0,117612
1X 1 0,52777
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim

n 9

M V = n
+ 1 =
+ 1 = 0,257367
X 7,15781
ln(xi )

i=1
EJERCICIO 10
Sean X1 , ..., Xn , Y1 , ..., Yn v.a. independientes con Xi Exp( 1 ) e Yj Exp( 1 ), con

i = 1, ..., n; j = 1, ..., n. Se define el parametro = (1 , 2 ) por 1 = y 2 = .
(a) Determine los EMV (estimador maximo verosmil) para 1 y 2
(b) Encuentre el sesgo y el ECM (error cuadratico medio) de 1

SOLUCION
xi yi
(a) Dada la independencia existente entre las variables, tenemos que fXi ,Yj (xi , yj ) = 1 e 1 e ,
luego la verosimilitud conjunta es la siguiente:
P
yi
P
xi

L(x, y; ) = 1
n n
e e \ ln
P P
xi yi
`(x, y; ) =

n ln() n ln() \
P
`

= xi
2
n

= x = 1
= 0
P
`

= yi
2
n

= 0 = y

Tenemos que por la invarianza de los EMVs, 2 = , luego reemplazando queda que 2 = xy .
(b) Por formula el ECM (1 ) = V ar(1 ) + Sesgo2 (1 ), donde el Sesgo(1 ) = E(1 ) 1 .

Luego veremos primero si tiene sesgo (sesgado):
n
X

xi n n
i=1 1 X 1X

E(1 ) = E = E(xi ) = =

n n i=1 n i=1
Luego como es insesgado (recuerde que 1 = ), el Sesgo(1 ) = 0.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
Por lo tanto para calcular el ECM (1 ) basta calcular su varianza.

n
X
xi n
!
1 X
V ar(1 ) = V ar
i=1
n = n2 V ar xi

i=1
n n
1 X
ind 1 X 2 2
= 2 V ar(xi ) = 2 =
n i=1 n i=1 n
2 n
Por lo tanto ECM (1 ) = n
el cual 0.
EJERCICIO 11
n
X
x
Sean X1 , ..., Xn iid con densidad e , x 0, n 2. Sea Sn = Xi . Es bien conocido
i=1
que Z = Sn tiene densidad:
z n1 ez
fZ (z) = , z0
(n 1)!
=
Utilice esto para calcular el sesgo y el ECM de n1
.
Sn

SOLUCION

Necesitamos calcular la esperanza y varianza de .

=E n1 1
E() P = (n 1)E P = (n 1)E P
xi xi xi

1
= (n 1)E = (n 1)E
Z Z
= (n 1)E(Z 1 )
n1 z
z n2 ez
Z Z
1 z e
= (n 1) z dz = (n 1) dz
0 (n 1)! 0 (n 1)!

(n 1) z n2 ez
Z
= dz =
n1 0 (n 2)!
es un estimador insesgado, es decir, Sesgo()

Por lo tanto = 0. Luego queda que:
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
= V ar()
ECM () = E(
2 ) E 2 ()

2 !
n1
=E 2
Sn
2

2
= (n 1) E 2
Z2
= 2 (n 1)2 E(Z 2 ) 2

z n1 ez
Z
2
= (n 1) 2
z 2 dz 2
0 (n 1)!

2 (n 1)2 z n3 ez
Z
= dz 2
(n 1)(n 2) 0 (n 3)!
2 (n 1)
= 2
(n 2)
2
=
n2
= 2 n
Por lo tanto el ECM () n2
0.
EJERCICIO 12
iid
Sean Y1 , ..., Yn U (0, ). Sea T = M ax(Y1 , ..., Yn ) y considere los estimadores de de la
forma cT, c 0.
(a) Para que valor de c, cT es insesgado?
(b) Para que valor de c, el ECM (cT ) es mnimo?

SOLUCION
Si T corresponde al Maximo, entonces su funcion densidad es de la forma fT (t) = n[FY (t)]n1 fY (t),
donde fY (t) = 1 y FY (t) = t .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
(a) Calcularemos la esperanza para determinar el insesgamiento.

E(cT ) = cE(T )

tn1 1
Z
=c tn dt
0 n1

cn tn+1
Z
cn
= n tn dt =
n n + 1 0

0
cn n+1 cn
= n
=
n+1 n+1
n+1
Luego si c = n
, cT es insesgado.
(b) En primer lugar calcularemos lo necesario para obtener el ECM y as despues encontrar
el c que lo minimice.
E(2 ) = E((cT )2 ) = c2 E(T 2 )

tn1 1 c2 n
Z Z
2 2
=c t n n1 dt = n tn+1 dt
0 0
c2 n tn+2 c2 n2

= n =
n+2 0 n+2

Ahora calculemos V ar():
2 2 2 2 2
= c n c n
V ar()
n + 2 (n + 1)2

2 2 1 n
= c n
n + 2 (n + 1)2
(n + 1)2 n(n + 2)

2 2
= c n
(n + 1)2 (n + 2)

2 2 1
= c n
(n + 1)2 (n + 2)
Ademas el sesgo queda de la siguiente forma:

= cn = cn n 1
Sesgo()
n+1 n+1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
y as obtenemos el ECM , resultando:
c2 n2 (cn n 1)2

=
ECM () + 2
(n + 1)2 (n + 2) (n + 1)2
Ahora utilizando los metodos matematicos (1a Derivada) para minimizar, encontraremos el
c correspondiente.

ECM () 2cn2 22 n(cn n 1)
= + =0
c (n + 1)2 (n + 2) (n + 1)2
n+2
c =
n+1
Para verificar si realmente es mnimo, se calcula la segunda derivada.

2 ECM () 2n2 2n2 2
= +
c2 (n + 1)2 (n + 2) (n + 1)2
la cual es positiva n > 0, luego cuando c = n+2

, se minimiza.
el ECM ()
n+1
EJERCICIO 13
Suponga que X sigue una distribucion de Pareto, su funcion de densidad esta dada por:
f (x; , ) = x1 , x y 1
Asuma que > 0 es conocido y que X1 , ..., Xn son v.a. iid.
(a) Encuentre un estimador de momentos para .
(b) Determine el EMV de .

SOLUCION
Como los Xi siguen distribucion de Pareto, se tiene que su esperanza y varianza son conoci-
das:
2
E(X) = , >1 V ar(X) = , >2
1 ( 1)2 ( 2)
(a) Igualando el momento poblacional con el muestral, se obtiene el estimador de momen-
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
tos:
n
1X
= xi
1 n i=1

=x
1
X = x
x
=
x
(b) Teniendo que las observaciones distribuyen Pareto, la funcion de verosimilitud es la

siguiente:
n
(+1)
Y
L(x; , ) = xi
i=1
n
!(+1)
Y
= n n xi \ ln
i=1
n
X
`(x; , ) = n ln() + n ln() ( + 1) ln(xi ) \
i=1
n
X
` n

=
+ n ln() ln(xi ) = 0
i=1
= n
n
X
n ln() ln(xi )
i=1
EJERCICIO 14
Sea Y1 , ..., Yn una muestra aleatoria proveniente de una poblacion N (, ), con > 0 y de-
sconocido. A partir de una muestra aleatoria correspondiente a 25 pesos de circuitos, con
Xn Xn
Yi = 1264 y con Yi2 = 5240, determine la estimacion maximo verosmil de .
i=1 i=1

SOLUCION
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
n
Y 1 1
L(y; ) = exp (yi )2
i=1
2 2
( n
)
X
n
= (2) 2
1
exp 2 (yi )2 \ ln
i=1
n
X
`(y; ) = n2 ln(2) n
2
ln() 1
2
(yi )2
i=1
n
X
= n2 ln(2) n
2
ln() 1
2
(yi2 2yi + 2 )
i=1
n n
X X n
= n2 ln(2) n
2
ln() 1
2
yi2 + yi \
i=1 i=1
2
n
X n
`

n
= 2 + 1
22
yi2 =0
i=i
2
n
X
n + 1
2
yi2 n = 0 \ 2
i=1
n
X
n + yi2 n2 = 0 \ n1
i=1
n
X
yi2 /n + 2 = 0
i=1
2 + y 2 = 0

1 1+4y 2
= 2
1 = 13,98
2 = 14,98
y como en el enunciado nos dicen que > 0, nos quedamos con 1 = 13,98.
EJERCICIO 15
Ingenieros electricos japoneses han inventado un sistema de radar llamado detector de blancos
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
moviles (MTD, moving target detector), disenado para rechazar los ecos parasitos provocados
por el terreno, la lluvia, las aves y otras fuentes de interferencia. Los investigadores han
demostrado que la magnitud X de la frecuencia Doppler de una se nal recibida por radar se
puede modelar por una distribucion Weibull, con parametro = 2 y > 0, tal que:

2x 1 2
f (x) = exp x x>0

En base a una muestra aleatoria de tama no n, determine el estimador maximo
P veros mil de
y obtenga su estimacion con las siguientes magnitudes de frecuencias si 50 x
i=1 i
2
= 51,9.

SOLUCION
n
Y 2xi 1 2
L(x; ) = exp xi
i=1

n
! ( n
)
Y X
2n
= n
xi exp 1 x2i \ ln
i=1 i=1
n n
X 1X 2
`(x; ) = n ln(2) n ln() + ln(xi ) x \
i=1
i=1 i
n
X
x2i
` i=1

= n + 2
=0
n
X
x2i
i=1 2
n
=
n
X
x2i
= i=1
n
Reemplazando por los valores dados en el inicio, queda que
= 1,038
EJERCICIO 16
En una fabrica se seleccionan diariamente motores y se inspeccionan hasta encontrar el

primer motor defectuoso. Sea (X1 , . . . , Xn ) una m.a. de X distribuida geometricamente con
p desconocido.
(a) Determine el estimador de momentos para p.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
(b) Determine el estimador maximo verosmil de p.
(c) De los registros de 100 das se obtuvo la siguiente informacion del n

umero de motores
inspeccionados.
N de motores inspeccionados 1 2 3 4 5
N de das 8 10 15 25 42
Estime la probabilidad de que en un da cualquiera se deban inspeccionar mas de dos

motores para encontrar uno defectuoso.

SOLUCION
Dado que Xi Geom(p) tenemos que:
1 1
P (X = x) = p(1 p)x1 ; E(X) = V ar(X) =
p p2
(a) Igualando momento poblacional con el muestral, queda:
n
X
xi
1 i=1
=
p n
n 1
p = n =
X x
xi
i=1
(b) Haciendo el procedimiento usual tenemos lo siguiente:
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
n
Y
L(x; p) = p(1 p)xi 1
i=1
P
(xi 1)
= pn (1 p)
P
xi n
= pn (1 p) \ ln
n
!
X
`(x; p) = n ln(p) + xi n ln(1 p)
i=1
n
X
= n ln(p) + xi ln(1 p) n ln(1 p) \p
i=1
n
X
xi
` n i=1 n
= + =0
p p 1p 1p
n
X
xi n
n i=1
=
p 1p
n
!
X
n(1 p) = p xi n
i=1
n
p = n = 0,2610
X
xi
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
(c) Recordando la propiedad de invarianza que tienen los estimadores maximo verosmiles,
lo que se pide, se puede traducir estadsticamente en:
P (X > 2) = 1 P (X 2)
= 1 P (X = 1) P (X = 2)
= 1 p(1 p)11 p(1 p)21 = 1 p p(1 p)
= (1 p)2 = 0,5459
EJERCICIO 17
iid
Sean X1 , . . . , Xn U (1 , 2 ). Es decir, la densidad de Xi es:
1
f (x) = 1 x 2
2 1
(a) Encuentre el estimador de momentos para los parametros de esta distribucion.
(b) Encuentre el estimador maximo verosmil para 1 y 2 .

SOLUCION
(a) Se necesita encontrar los estimadores de 1 y 2 , luego por ser dos parametros, utilizaremos
el primer y segundo momento para armar un sistema de ecuaciones.
Momentos poblacionales:
1 + 2
E(X) =
2
Z 2
2 1
E(X ) = x2 dx
1 2 1
22 + 2 1 + 12
=
3
Igualando momentos poblacionales con muestrales, queda el siguiente sistema de ecuaciones:
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
1 + 2
=x (1)
2
22 + 2 1 + 12
= x2 (2)
3
Despejando tenemos de (1) que 1 = 2x 2 y reemplazando en la segunda ecuacion se
obtiene:
(2x 2 )2 + (2x 2 )2 + 22 = 3x2
4x2 4x2 + 22 + 2x2 22 + 22 = 3x2
22 2x2 + 4x2 3x2 = 0

Resolviendo esta ecuacion de segundo grado con los metodos usuales, se obtiene:
p
4x2 16x2 + 12x2
2x p
2 = = x 3x2 3x2 = x 3S 2
2
Luego reemplazando 2 en (1) se tiene que 1 = 2x 2 = 2x x 3S 2 = x 3S 2 .

(b) En el caso de aquellas distribuciones en que su dominio depende de los parametros a

estimar (en este caso la distribucion es valida cuando 1 x 2 ), el procedimiento de
estimacion debe considerar un muy peque no detalle como se muestra a continuacion:
1
L(x; 1 , 2 ) = I( ) (x1 ) . . . I(2 1 ) (xn )
(2 1 )n 2 1
n
1 Y
= I( ) (xi )
(2 1 )n i=1 2 1
n
1 Y
= I(x > ) (xi )I(xi <2 ) (xi )
(2 1 )n i=1 i 1
n
1 Y
= I(min(xi )>1 ) (xi )I(max(xi )<2 ) (xi )
(2 1 )n i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Como se muestra a continuacion tanto el mnimo como el maximo de los xi son el estimador
maximo verosmil de 1 y 2 respectivamente.
Figura 1.1: Estimacion Theta 1 Figura 1.2: Estimacion Theta 2
EJERCICIO 18
Sea X1 , . . . , Xn una m.a. con media y varianza 2 . Se propone estimar mediante

n
X
X= ci Xi
i=1
donde los ci son n

umeros fijos. Determine los ci tal que el estimador sea insesgado y de
varianza mnima.

SOLUCION
Pn
Se tiene que
=X = i=1 ci Xi . Se determinara inicialmente los ci para que se cumpla el
insesgamiento.
n
! n n
X X X
E(
) = E ci Xi = ci E(Xi ) = ci
i=1 i=1 i=1
n
X
luego para que
sea insesgado, debe cumplirse que ci = 1
i=1
La varianza es la siguiente:
n
! n n n
m.a.
X X X X
V ar(
) = V ar ci Xi = c2i V ar(Xi ) = c2i 2 = 2
c2i
i=1 i=1 i=1 i=1
Para determinar que sea de varianza mnima, se ocuparan procedimientos de calculo (mul-
tiplicadores de Lagrange) para que se cumpla el insesgamiento y la variabilidad mnima
simultaneamente.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
n n
!
X X
L = mn 2 c2i ci 1
ci
i=1 i=1
L
= 2 2ci = 0 (1)
ci
n
L X
= ci 1 = 0 (2)
i=1
Para poder ocupar la condicion dada en (2), sumaremos las n ecuaciones que se obtienen al
derivar con respecto a ci , i = 1, . . . , n, resultando la siguiente ecuacion:
n
X
2
2 ci n = 0 (3)
i=1
Luego despejando (2) y reemplazando en (3), queda lo siguiente:
2 2 = n
2 2
= (4)
n
Finalmente, reemplazando (4) en (1) resulta:
2 2
2 2 ci =
n
1
ci =
n
Luego
= X es el estimador optimo.
EJERCICIO 19
Sean X1 , . . . , Xn una m.a. N (0, 2 ).
(a) Encuentre el EMV de 2 .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
X12 +Xn2
(b) Sea 2 = 2
otro estimador de 2 . Son insesgados ambos estimadores?
(c) Cual de los dos es mejor?. Justifique.

SOLUCION
(a) Usando el procedimiento usual, tenemos:
n
x2i

2
Y 1
L(x; ) = exp 2
i=1 2 2 2
P 2
2 n xi
= (2 ) 2 exp \ ln
2 2
P 2
2 n 2 xi
`(x; ) = ln(2 ) \ 2
2 2 2
P 2
` n 1 xi
2
= 2
2 + =0
2 2 2( 2 )2
Luego simplificando y despejando se obtiene que:

n
X
x2i
2 = i=1
n
(b)
n
X

2
xi n
2
i=1
1X
E(
)=E

= n
E(x2i )
n i=1
n n
1X 1X 2
= (V ar(xi ) + E 2 (xi )) = ( + 0)
n i=1 n i=1
= 2
Por lo tanto el EMV es insesgado. Veremos ahora el propuesto.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
x21 + x2n E(x21 ) + E(x2n )

2
E(
)=E =
2 2
[V ar(x1 ) + E 2 (x1 )] + [V ar(xn ) + E 2 (xn )] [ 2 + 0] + [ 2 + 0]

= =
2 2
= 2
Luego el estimador propuesto 2 tambien es insesgado.
(c) Para determinar cual de ellos es mejor, se calcula el ECM que en este caso, por ser
ambos insesgados, se reduce a el calculo de sus varianzas.
n
X

x2i n
2
i=1 m.a. 1 X
V ar(
) = V ar
n
=
2
V ar(x2i )

n i=1
n
1 X
= 2 (E(x4i ) E 2 (x2i ))
n i=1
n
1 X 4
= (3 4 )
n2 i=1
n
1 X 4
= 2 2
n i=1
2 4
=
n
x21 + x2n

2 ind 1
V ar(
) = V ar = (V ar(x21 ) + V ar(x2n ))
2 4
1
= (2 4 + 2 4 )
4
= 4
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Como 2 4
n
< 4 2 es mejor estimador que 2 .
para n > 2,
Nota: Observe que si n = 2 los estimadores son igualmente eficientes.
EJERCICIO 20
Sean X1 , X2 ind. con Xi P (). Se desea estimar P (X1 = 0) = e .
(a) Encuentre el EMV de P (X1 = 0).
(b) Encuentre ECM de:
1 X1 +X2

i. 2
ii. Proporcion de Xi = 0 (puede ser 0, 0.5 o 1)
(c) Demuestre que i. tiene menor ECM para todo > 0
1 X1 +X2

(d) Muestre que el estimador T = 2
no alcanza la cota de cramer rao.

SOLUCION
(a) Para esto primero se debe sacar el EMV de y despues usar la propiedad de invarianza.
2
Y e xi
L(x; ) =
i=1
xi !
e2 x1 +x2
= \ ln
x1 !x2 !
`(x; ) = 2 + (x1 + x2 ) ln() ln(x1 !) ln(x2 !) \
` x1 + x2
= 2 + =0

Despejando se obtiene que:
= x1 + x2 = x

2
Por lo tanto
0
e x1 +x2
\
P (X = 0) = = e = ex = e 2
0!
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
1 Z
(b-i.) Denominaremos 1 =

2
, donde X1 + X2 = Z P (2).
En primer lugar calculamos el sesgo.
" # z
Z
1 X 1
E = P (Z = z)
2 z=0
2
z
X 1 (2)z e2
=
z=0
2 z!

2
X z
=e
z!
|z=0{z }
e por Taylor
= e2 e
= e
Por lo tanto es un estimador insesgado para P (X1 = 0), luego el ECM se reduce a la Vari-
anza.
Z !
= V ar 1
ECM ()
2
2Z ! Z !
1 1
=E E2
2 2
2z
X 1 (2)z e2
= e2
z=0
2 z!
z z z 2
X 1 2e
= e2
z=0
4 z!
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
z
2
X 1
=e e2
2 z!
|z=0 {z }
/2
e
= e2 e/2 e2
= e3/2 e2
2
X
I(Xi =0)
(b-ii.) Por otra parte definamos 2 = 2
i=1
que precisamente representa la proporcion
de Xi = 0, entonces 22 Binomial(2, e ) y es claro que E(22 ) = 2e por lo que 2 es
insesgado, luego el ECM se reduce a al calculo de la varianza.
1
ECM (2 ) = V ar(2 ) = V ar(22 )
4
1
= 2e (1 e )
4
1
= e (1 e )
2
(c) Para tal demostracion, ocuparemos la siguiente tautologa:
1
0 < (e 2 e )2
3
< e 2e 2 + e2
1 3 1
< e e 2 + e2
2 2
1 3 1
= e e 2 + e2 e2
2 2
3
Luego despejando resulta que e 2 e2 < 21 e (1 e ).
Por lo tanto ECM (1 ) < ECM (2 ) > 0.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on

(h()0 )2 2
(d) Recordemos que la CCR = I()
donde I() = E 2
`(x) .
De la parte (b-i) tenemos que la V ar(T ) es

x1 +x2 !
1 3
V ar(T ) = V ar = e 2 e2
2
Ahora necesitamos:
h() = e \
h()0 = e ( )2
(h()0 )2 = e2
2

I() = E `(x)
2

x1 + x2
= E
2
2
=
2
2
=

Luego se obtiene que

e2 e2
CCR = = 6= V ar(T )
2/ 2
es decir, T no alcanza la CCR.
EJERCICIO 21
Sean X1 , . . . , Xn v.a. iid con funcion de densidad dada por:

f (x) = , x > 1, > 1
x+1
(a) Determine el EMV de .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
1
(b) Encuentre el EMV de e .

SOLUCION
(a)
n
Y
L(x; ) =
i=1 x+1
i
n
= !+1 \ ln
n
Y
xi
i=1
n
X
`(x; ) = n ln() ( + 1) ln(xi ) \
i=1
n
` n X
= ln(xi ) = 0
i=i
Despejando se obtiene que

n
= n
X
ln xi
i=1
(b) Utilizando la propiedad de invarianza que tienen los EMV, obtenemos que:
1
P
c1 ln xi
e = e b = e n
EJERCICIO 22
iid
Sean X1 , . . . , Xn U (0, ). Sean c y d dos constantes positivas y considere los estimadores
de :
ec = cX ed = dXmax
(a) Calcule los errores cuadraticos medios de ec y ed en funcion de c, d y .
(b) Encuentre los valores de c y d de c y d, que minimizan los errores cuadraticos medios.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on

SOLUCION
(a) Tenemos que ECM (ec ) = V ar(ec ) + Sesgo2 (ec ).
V ar(ec ) = V ar(cX) = c2 V ar(X)
n
c2 X
= 2 V ar(Xi )
n i=1
c2 2
= n
n2 12
c2 2
=
12n
Sesgo(ec ) = E(ec )
= cE(X)
n
cX
= E(Xi )
n i=1

=c
2
c2
=
2
Por lo tanto, queda que
2
c2 2

c2
ECM (ec ) = + 2
12n 2
Tenemos que ECM (ed ) = V ar(ed ) + Sesgo2 (ed ).
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
V ar(ed ) = d2 V ar(max{Xi })
Por lo que recordemos que la distribucion del maximo(Z) de los Xi es:
fZ (z) = n[FX (z)]n1 fX (z)
Luego en este caso, haciendo Z = max{Xi }, la distribucion queda de la siguiente forma
z n1 1 z n1
fZ (z) = n =n n , 0<z<

Ahora se calculan las esperanzas correspondientes para obtener la varianza necesaria para el
ECM .
Z
E(Z) = znz n1 n dz
0
Z
n
= n z n dz
0

n+1
z
= nn

n + 1

0
n n+1
=n
n+1
n
=
n+1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
Z
2
E(Z ) = z 2 nz n1 n dz
0
Z
n
= n z n+1 dz
0

n+2
z
= nn

n + 2

0
n+2
= nn
n+2
n 2
=
n+2
V ar(ed ) = d2 E(Z 2 ) E 2 (Z)

n2

2 n 2
=d 2
n+2 (n + 1)2
n2

2 2 n
=d
n + 2 (n + 1)2
Sesgo(ed ) = E(ed )
= dE(max{Xi })
n
=d
n+1

n
= d 1
n+1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Por lo tanto, queda que
2
n2

n n
ECM (ed ) = d2 2 2
+ d 1
n + 2 (n + 1)2 n+1
(b) Para esto utilizaremos el metodo de la derivada
2 2 c
ECM (ec ) = 2c + 2 = 0
c 12n 2
2 c2
2c + 2 = 0
12n 2
1 2 2

c + = 2
6n 2
2 + 3n2

c = 2
6n
6n
c=
1 + 3n
Verificando con el criterio de la segunda derivada, es facil ver que esta es positiva > 0,
luego el valor de c encontrado minimiza el ECM (ec ).
n2

n n n
ECM (ed ) = 22 d + 2 2
d 1 =0
d n + 2 (n + 1)2 n+1 n+1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
n2 n2

2 n 2 n
2 d + 2 d =0
n + 2 (n + 1)2 (n + 1) 2 n+1
n(n + 1)2 n2 (n + 2) n2

2 n
2 d + 22 d 22 =0
(n + 2)(n + 1)2 (n + 1) 2 n+1
. n(n + 1)2 n2 (n + 2) + n2 (n + 2) . n
22 = 2 2
(n + 2)(n + 1)2 n+1
(n + 2)(n + 1)2

n
d=
n+1 n(n + 1)2
n+2
d=
n+1
Verificando con el criterio de la segunda derivada, es facil ver que esta es positiva > 0,
luego el valor de d encontrado minimiza el ECM (ed ).
EJERCICIO 23
Sean X1 , X2 , ..., Xn variables aleatorias con funcion de densidad dada por:
1 |x|
f (x; , ) = e x, R y 0
2
Determine un estimador insesgado y de varianza mnima para
Hint: E(X) = , V (X) = 2 2 y | X | Exp( 1 ).

SOLUCION
Para encontrar tal estimador, se utilizara el metodo del EMV.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
n
Y 1 |xi|
L(x; ) = e
i=1
2
( n
)
1 1X
= exp |xi | \ ln
(2)n i=1
n
1X
`(x; ) = |xi | n ln(2) \
i=1
n
X
|xi |
` i=1 n
= =0
2
n
X
|xi |
= i=1
n
Para determinar si es insesgado, se ocupa el Hint:
E(|X |) = V ar(|X |) = 2
Por lo tanto resulta:
n
X

|xi | n
i=1 1X
E = E(|xi |)

n n
i=1
n
1X
=
n i=1
= Por lo tanto es Insesgado
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on

(h()0 )2 2
Recordemos que la CCR = I()
donde I() = E 2
`(x) .
Calculamos la varianza, y veremos si alcanza la CCR, de ser as sera de varianza mnima.
n
X

|xi | n
i=1 1 X
V ar

= n2
V ar(|xi |)
n i=1
n
1 X 2
= 2
n i=1
2
=
n
Como el estimador es insesgado, solo queda por calcular I()
2

I() = E `(x)
2
n
X

|xi |
i=1 n
= E 2 3
+
2

n
!
2 X n
= 3E |xi |
i=1
2
2 n
= 3
n 2

n
=
2
2 Por lo tanto es de varianza mnima.

Por lo tanto CCR = n
la cual corresponde a la V ar().
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
EJERCICIO 24
Sea X1 , . . . , Xn iid Ber(p).

n
X
(a) Demuestre utilizando dos formas distintas que T = xi es un estadstico suficiente.
i=1
(b) Se quiere estimar V ar(X1 ). Muestre que W = X1 (1 X2 ) es un estimador insesgado

de V ar(X1 ).
(c) Encuentre un mejor estimador de W .

SOLUCION
(a)
Por Teorema de Factorizacion de Neyman.
Teorema 1 Si existen funciones g() y h(), tales que f (x; ) = g(T (x), ) h(x), en-
tonces T (x) es estadstico suficiente.
Para este caso de la Bernoulli:
n
Y
L(x; ) = f (x; )
i=1
n
Y
= xi (1 )1xi
i=1
P P
xi
= (1 )n xi
1
| {z } |{z}
g(T (x), ) h(x)
n
X
T (x) = xi
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
Por familia Exponencial
Si f (x, ) = exp{T (x)c() + d() + s(x)} entonces T (x) es estadstico suficiente.
Para este caso de la Bernoulli:
n
Y
L(x; ) = f (x; )
i=1
n
Y
= xi (1 )1xi
i=1
P P
xi
= (1 )n xi
P xi

= (1 )n \ ln \ exp
1

n
X
= exp xi ln + n ln(1 ) + |{z}
0

i=1 | 1 | {z }

| {z } {z }
T (x) c() d() s(x)
n
X
Por lo tanto T (x) = xi es estadstico suficiente.
i=1
(b) Tenemos que W = X1 (1 X2 ) y como X1 Ber(p) entonces V ar(X1 ) = p(1 p).
E(W ) = E(X1 (1 X2 )) = E(X1 ) E(X1 X2 )
ind
= E(X1 ) E(X1 )E(X2 )
= p p2
= p(1 p)
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Por lo tanto W es un estimador insesgado de la varianza de X1 .
(c) Usando el Teorema Rao - Blackwell, el cual dice:
Teorema 2 Si T (y) es un estimador insesgado de h() y S(y) es un estadstico suficiente

de , entonces I(y) = E(T (y)|S(y)) es un estimador insesgado de h() y cumple con
V ar(I(y)) V ar(T (y)).
tenemos lo siguiente:
!
n
X
(x) = E X1 (1 X2 ) xi = u
i=1
! !
n n
X X
=1P X1 (1 X2 ) = 1 xi = u + 0 P X1 (1 X2 ) = 0 xi = u
i=1 i=1
!
n
X
=P X1 (1 X2 ) = 1 xi = u
i=1
n !
X
=P X1 = 1, X2 = 0 xi = u
i=1
n
!
X
P X1 = 1, X2 = 0, xi = u
i=1
= n
!
X
P xi = u
i=1
n
!
X
P X1 = 1, X2 = 0, xi = u 1 0
i=3
= n
!
X
P xi = u
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
n
!
X
P (X1 = 1)P (X2 = 0)P xi = u 1
ind i=3
= n
!
X
P xi = u
i=1
n2 u1

p(1 p) u1
p (1 p)n2u+1
= n u

u
p (1 p)nu
n2

u1
= n

u
u(n u)
=
n(n 1)
X(n u) 1/n
=
n1 1/n
nX(1 X)
=
n1
El cual, por Rao-Blackwell, es mejor estimador.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
1.2 Ejercicios Propuestos 43
1.2. Ejercicios Propuestos

i.i.d
1. Sean X1 , . . . , Xn P(). Se considera el estimador de , Sa = aX.
a) Encuentre el sesgo, varianza y E.C.M. de Sa (X) en funcion de a y de .

b) Para fijo, encuentre el valor de a que minimice el E.C.M.
c) Para a fijo, determine para que valores de , Sa (X) es mejor que X.
i.i.d
2. Sean X1 , . . . , Xn N (, 2 ) y considere la familia de estimadores
n
X
2 = (Xi X)2
i=1
Encuentre el valor de que minimice el E.C.M.

i.i.d
3. Sean X1 , . . . , Xn N (, 2 ). Sea Ta (X1 , . . . , Xn ) = aX. Encuentre el valor de a que
minimice el E.C.M. si se quiere estimar . Estudie el comportamiento cuando:
a) 0
b)
c) n
4. Sean Y1 , . . . , Yn i.i.d. con distribucion Uniforme en el intervalo [0, ] y sea Ymax el

maximo de los n valores. Alguien sugiere utilizar Ymax para estimar . Calcule el error
cuadratico medio de este estimador en funcion de .
Indicacion: Verifique que
Ymax
a)
Beta(n, 1)
1
b) Si Z Beta(, ) entonces V (Z) = + + ++1
n
X
5. Demuestre que xi es suficiente minimal cuando
i=1
a) xi i.i.d. P()
b) xi i.i.d. E()
6. Sea X1 , . . . , Xn una muestra de una poblacion con densidad

1
f (x) = exp{(x )/}, < x < , 0 < <

Encuentre un estadstico suficiente bidimensional para (, ).
7. Suponga X1 , . . . , Xn es una muestra de una poblacion con cada una de las siguientes
densidades.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
a) f (x|) = x1 , 0 < x < 1, > 0.

b) f (x|) = axa1 exp(xa ), x > 0, > 0, a > 0.
(+1)
c) f (x|) = a /x , x > a, > 0, a > 0.
Encuentre una estadstica suficiente real valorada para , con a fijo.
8. Sea = (1 , 2 ) un parametro bivariado. Suponga que T1 (x) es suficiente para 1
siempre que 2 sea fijo y conocido, mientras que T2 (x) es suficiente para 2 siempre que
1 sea fijo y conocido. Asuma que 1 , 2 varan independientemente,1 1 , 2 2
y que el conjunto S = {x : f (x|) > 0} no depende de .
a) Muestre que si T1 y T2 no dependen de 1 y 2 respectivamente, entonces (T1 (X), T2 (X))
es suficiente para .
b) Exhiba un ejemplo en el cual (T1 (X), T2 (X)) es suficiente para , T1 (X) es sufi-
ciente para 1 cuando 2 es fijo y conocido, pero T2 (X) no es suficiente para 2
cuando 1 es fijo y conocido.
9. Sea X1 , . . . , Xn una muestra de una poblacion con densidad f (x|) dada por

1 x
f (x|) = exp , x

Donde = (, ) con < < , > 0.
a) Muestre que mn(X1 , . . . , Xn ) es suficiente para cuando es fijo.

b) Encuentre un estadstico suficiente minimal para cuando es fijo.
c) Encuentre un estadstico suficiente bidimensional para .
10. Sea X1 , . . . , Xn una m.a de una poblacion con densidad

f (x) = x1 , 0 < x < 1, > 0
P
a) Es Xi suficiente para ?.
iid
11. Sean X1 , . . . , Xn P oisson(), > 0. Se quiere estimar g() = exp{a} con a 6= 0.
Se propone el estimador siguiente
a nX
Tn = 1
n
Estudie y comente las propiedades que tiene el estimador propuesto.
12. Sean Y1 , . . . , Yn una m.a. de una poblacion con densidad Beta(p, q). Muestre que el
estadstico suficiente para (p, q) es (t1 , t2 ), donde
n
!1/n n
!1/n
Y Y
t1 = yi , t2 = (1 yi )
i=1 i=1
son la media geometrica de los yi y de (1 yi ) respectivamente.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
13. Muestre que las siguientes distribuciones pertenecen a la Familia Exponencial
a) Poisson
b) Exponencial
c) Gamma
d) Beta
e) Weibull
14. Sean X1 , . . . , Xn i.i.d. con densidad
f (x, ) = x1 , 0 x 1, > 0
Encuentre el estimador de por el metodo de sustitucion de momentos.
15. Sean X1 , . . . , Xn i.i.d. U (1 , 2 ).

1 +2
Encuentre el estimador de momentos de q(1 , 2 ) = 2
.
16. Sean X1 , . . . , Xn i.i.d con funcion de densidad

(x)
f (x, ) = e(x) ee , < x < , < <
Encuentre un estadstico suficiente.
17. En un experimento de cruce de arvejas, una arveja puede resultar de tipo 1 con prob-
abilidad (1 )2 , de tipo 2 con probabilidad 2(1 ) o de tipo 3 con probabilidad
2 , 0 < < 1, desconocido. Se examinan n arvejas y se observa Nj = n umero de
arvejas del tipo j, j = 1, 2, 3.
a) Demuestre que N2 + 2N3 es un estadstico suficiente.

b) Encuentre los EMV de las probabilidades que una arveja resulte del tipo j,
j = 1, 2, 3.
umero de errores tipograficos en una pagina de un diario sigue una P(). Se tienen
18. El n
observaciones X1 , . . . , Xn independientes, donde Xi = n umero de errores tipograficos
en la i-esima pagina de un diario, i = 1, . . . , n. Encuentre el EMV de q() = los errores
de una pagina exceden 21.
19. Sean X1 , . . . , Xn i.i.d Bernoulli(p) con 0 < p < 1. Se quiere estimar insesgadamente
g(p) = p.
a) Muestre que el estimador X1 es insesgado para g(p) y mediante el teorema de

Rao-Blackwell encuentre un estimador mejor que X1 . Compruebe que es mejor.
b) Muestre que el estimador 21 (X1 + X2 ) es insesgado para g(p) y al igual que en (a)
encuentre un mejor estimador. Compruebe que es mejor.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
20. Sean X1 , . . . , Xn i.i.d con funcion de densidad

1
f (x; ) = exp{(x )/}1(x>)

con = (, )
a) Muestre que E(x) = + .

b) Muestre que T = (X(1) , ni=1 (Xi X(1) )) es suficiente para .
P
21. Suponga que X1 , . . . , Xn , Xn+1 son i.i.d Bernoulli(p). Se quiere estimar g(p) = P ( ni=1 Xi >
P
Xn+1 ).
a) Muestre que 1(Pni=1 Xi >Xn+1 ) es un estimador insesgado de g(p).

b) Encuentre un estimador mejor que el propuesto en (a).
(Yi )2
P
22. Sea Y1 , ..., Yn N (, 2 ). Si es conocido, demuestre que
2 = n
alcanza la
cota de CramerRao. Comente la significancia de este resultado.
23. Suponga que cuando medimos el radio de un crculo lo hacemos con un error cuya
distribucion es N (0, 2 ) y que realizamos n mediciones independientes. Encuentre un
estimador insesgado para el area del crculo y vea si la varianza de este estimador
alcanza la cota de Cramer-Rao.
24. Sea Y una v.a. con funcion de probabilidad
|y|

PY (y; ) = 2
(1 )1|| , y = 1, 0, 1 y 0 1.
a) Defina el estimador
2 si Y = 1
W (Y ) =
0 en otro caso
Muestre que W (Y ) es un estimador insesgado de .
b) Encuentre un estimador insesgado mejor que W (Y ) y muestre que es mejor.
c) Verifique si el estimador en (b) alcanza la cota de Cramer-Rao.
25. Sean X1 , . . . , Xn i.i.d N (, 2 ). Muestre que

v
n1 uX
u n
( 2 ) t
T = (Xi X)2
2( n2 ) i=1
es insesgado para 2 .
26. Se tienen 2 lotes con artefactos de 2 marcas distintas. Cada artefacto de marca i falla
con probabilidad pi , i = 1, 2. Se obtienen m.a de tama
no ni del lote i = 1, 2 y se observa
Xi = numero de defectuosos en la muestra i.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
a) Encuentre un estadstico suficiente para (p1 , p2 ).

b) Encuentre estimadores insesgados de p1 y p2 que sean funciones del estadstico
encontrado en (a).
27. Sea Y1 , . . . , Yn una muestra aleatoria de la distribucion Binomial(1, ), donde es un

parametro desconocido. Calcule los estimadores maximo verosmil y de momentos de
.
28. Suponga una muestra de tama no n de la distribucion N ormal(, 2 ). Encuentre el

estimador maximo verosmil para , con 2 conocido y el estimador maximo verosmil
para 2 , con conocido.
29. Sea Y1 , ..., Yn una muestra de la distribucion N (, 2 ).
a) Grafique la funcion de verosimilitud y su logaritmo si 2 = 1, Y = 10.

(Yi Y )2 = 20.
P
b) Grafique el logaritmo de la funcion verosimilitud si Y = 10,
c) Repita (a) si el tama
no de la muestra es 100. Compare los resultados.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
on
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Captulo 2
Test de Hip
otesis
2.1. Ejercicios Resueltos

EJERCICIO 25
Sean X1 , ..., Xn v.a. i.i.d. N(, 2 ), con 2 conocido
(a) Encuentre la region de rechazo para el T.R.V. de
H 0 : = 0 versus H1 : 6= 0
(b) Encuentre el I.C. de 1 % resultante de la inversion del test en (a)

SOLUCION
(a) El primer paso a seguir es construir la verosimilitud de los datos y encontrar el EM V

del parametro testeado.
n
Y
2 21 1 2
L(x; ) = (2 ) exp 2 (xi )
i=1
2
( n
)
n 1 X
= (2 2 ) 2 exp 2 (xi )2 \ ln
2 i=1
n
n 2 1 X
`(x; ) = ln(2 ) 2 (xi )2 \
2 2 i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
50 Captulo 2. Test de Hip
otesis
n
`(x; ) 1 X
= 2 (xi ) = 0
i=1
n
X
xi = n
i=1
n
X
xi
i=1

= =x
n
Ahora, para construir el T RV encontramos de la forma:
LH0 (x)
= <c
LH1 (x)
de modo que en LH0 (x) se reemplaza el valor de bajo H0 y en LH1 (x) se reemplaza el valor
de bajo H1 , en caso de no ser especfico tal valor, se reemplaza por el EM V .
Por lo tanto se tiene:
( n
)
n
X
(2 2 ) 2 exp 21 2 (xi 0 )2
i=1
= ( n
)
X
n
(2 2 ) 2 exp 21 2 (xi x)2
i=1
( n n
)
1 X 2 1 X
= exp 2 (xi 0 ) + 2 (xi x)2
2 i=1 2 i=1
( " n n
#)
1 X X
= exp (xi x)2 (xi 0 )2
2 2 i=1 i=1
n n o
= exp 2 (x2 20 x + 20 ) \ ln
2
n 2
ln() = (x 20 x + 20 )
2 2
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Debe cumplirse que
n 2 2 2
(x 20 x + 20 ) < c \ <0
2 2 n

(x 0 )2 > c1 \
|x 0 | > k
Por lo tanto la region de rechazo R = {|x0 | > k} donde k dependera del nivel de confianza
y la distribucion del resultado.
(b) La inversion de la region anterior, se traduce en una region de confianza
A = Rc = {|x 0 | k}
Por lo tanto un intervalo de confianza simetrico y de nivel , bajo H0 , se traduce en:
P (|x | k) = 1
P (|x | k) = P (k x k)
2
Por otro

lado sabemos que X N (, n ), luego estandarizando se tiene
que n(x)

N (0, 1).

k n n(x ) k n
P (k x k) = P

k n k n
=P Z P Z <

k n k n
=P Z 1+P Z <

k n
=P Z =1
2
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis
Por lo tanto debe cumplirse que:

k n
= Z1 2

k = Z1 2
n
Finalmente, el intervalo de 100(1 ) % confianza sera de la forma

Z1 2 x Z1 2
n n

x Z1 2 x + Z1 2
n n
EJERCICIO 26
Sea X una v.a. con densidad f (x) = ex , x > 0

Se obtiene una observacion de la v.a. Y = X , (1, 2) y se necesita construir un test para
H0 : = 1 versus H1 : = 2
(a) Encuentre el test optimo al nivel de significancia = 0,01
(b) Calcule la potencia del test en la parte (a).

SOLUCION
(a) Lo primero que debemos hacer, es encontrar la funcion densidad de Y , para poder realizar
el T RV .
Utilizando tecnicas de Probabilidades (Teorema Cambio de Variable), se tiene que:
1 1 1
fY (y) = ey y , y>0

Recordemos que solo tenemos una observacion, por lo que la verosimilitud es la misma den-
sidad.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
fY (y)H0
=
fY (y)H1
ey
1 1
c
ey 2 y 2
1
ey+ y
y 2 c1 \ ln

y+ y + ln( y) c2
Esta inecuacion, se refleja en la siguiente grafica
Figura 2.1: TRV
Luego las soluciones cumplen con y c4 o y c5 (Region de Rechazo).

Por lo tanto, bajo H0 , Y Exp(1) y resulta:
Z c4 Z
x
P (Y c4 Y c5 ) = e dx + ex dx
0 c5
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis
Ahora, hay varias alternativas, por ejemplo que c4 = 0.
Z
P (Rechazo) = ex dx = ex

c5 c5
= ec5 = \ ln
c5 = ln()
c5 = ln()
Por lo tanto R = {y ln()} es el test optimo de acuerdo al Lema de Neyman - Pearson.

Reemplazando = 0,10, se tiene que R = {y 2,3}.
(b) Recordemos que la potencia del test, es P (Rechazar|H1 ), por lo que se tiene:
P (Y 2,3) = P (X 2 2,3)
p
= P (X 2,3)
Z
=
ex dx
2,3

x
= e
2,3

= e 2,3
= 0,219
EJERCICIO 27
La legislacion impone a los aeropuertos ciertas normas con respecto al ruido emitido por los
aviones en el despegue y aterrizaje. En los alrededores, el limite aceptado es de 80 decibels.
Mas alla de este limite el aeropuerto debe pagar multa. Los habitantes aseguran que el ruido
en dicha zona sobrepasa el valor limite. El aeropuerto, que asegura que no es cierto, decide
contratar un grupo de expertos, quienes para concluir asumen que la intensidad del ruido
sigue una distribucion N(, 49). Si se considera
H0 : = 80 versus H1 : = 78
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Encuentre la region critica de Neyman-Pearson, para un nivel de significacion del 0.05.

Que decision tomaran los expertos si se obtiene un promedio de 79.1 decibels en una mues-
tra de 100 aviones ?
Encuentre el error tipo I y el error tipo II.

SOLUCION
Comenzamos por calcular la verosimilitud de los datos, para posteriormente reemplazar los
valores de , seg
un Neyman-Pearson.
n 1
1 (xi )2
2
Y 1
L(x) = exp
i=1
2 2 2 2
n
X
(xi )2

n

i=1
= (2 2 ) 2 exp

2 2

Por lo tanto el test queda de la siguiente forma:
LH0 (x)
=
LH1 (x)
n
X
(xi 80)2

n i=1
(249) 2 exp 249

= n
X
2

(x i 78)

n i=1
(249) 2 exp 249

Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis
n n

X X
2 2
i 80) i 78)

(x (x

i=1 i=1
= exp + \ ln

2 49 2 49

n
X n
X
2
(xi 80) (xi 78)2
= i=1 + i=1
2 49 2 49
Empezando a despejar la inecuacion, resulta:
n
X n
X
(xi 80)2 (xi 78)2
i=1 + i=1
< c \2 49
2 49 2 49
n
X n
X
2
(xi 80) + (xi 78)2 < c1
i=1 i=1
n
X
4 xi 316n < c2
i=1
n
X
4 xi < c 3
i=1
n
X
xi < k
i=1
Luego la region de rechazo es

( n )
X
R= xi < k
i=1
49
Ahora para encontrar k, calcularemos el error Tipo I, recordando que X N (, 100 ).
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
P (RechazarH0 |H0 ) =
n
!
X
P xi < k = 80 =

i=1
n
X

xi
i=1 k
P < = 80=

n n

P (X < k2 | = 80) =

x k2
P < = 80 =
0,49 0,49

k2 80
P Z< = 0,05
0,49
k2 80
= 1,65
0,49
k2 = 78,845

n
X

xi

i=1
R= < 78,845

n

En este caso x = 79,1 > 78,845
Por lo tanto no existe evidencia en los datos para rechazar H0 , luego el lmite del ruido es
aceptado.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis
P (error Tipo I) = P (rechazar H0 |H0 )
n
X

xi
i=1
=P < 78,845 = 80

n

x 78,845
=P < = 80
0,7 0,7
= P (Z < 1,65)
= 0,05 =
P (error Tipo II) = P (aceptar H0 |H1 )
n
X

xi
i=1
=P
n > 78,845 = 78

x 78,845
=1P < = 78
0,7 0,7
= 1 P (Z < 1,21)
= 1 0,8869
= 0,1131 =
Luego la potencia del Test es 1 = 1 0,1131 = 0,8869.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
EJERCICIO 28
Considere una muestra aleatoria X1 , . . . , Xn proveniente de una distribucion Bernoulli(),

en donde {0,2, 0,4}. Encuentre un test de tama no = 0,05 para la hipotesis H0 : = 0,2
versus H1 : = 0,4.

SOLUCION
Comenzaremos por calcular la verosimilitud asociada a esta distribucion, para luego aplicar
el Lema de Neyman-Pearson.
P P
xi
L(x, ) = (1 )n xi
P xi

= (1 )n
1
Por lo tanto, queda lo siguiente:
LH1 (x)
T =
LH0 (x)
P xi
0,4
0,6
0,610
= P xi
0,2
0,8
0,810
P
xi
= 2,666 0,7510 k \ ln
n
X
xi ln(2,666) + 10 ln(0,75) k1
i=1
n
X k1 10 ln(0,75)
xi
i=1
0,98
n
X k1 + 2,876
xi = k2
i=1
0,98
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis
n
X
Note que xi Bin(n, ), por lo tanto para encontrar k, se calcula el error tipo I.
i=1
P (rechazar H0 |H0 ) = 0,05
n
!
X
P xi k2 | = 0,2 = 0,05
i=1
EJERCICIO 29
Sea X una variable aleatoria proveniente de una distribucion logstica, esto es,
ex
f (x) = , xR
[1 + ex ]2
(a) Encuentre el test de Neyman-Pearson para H0 : = 0 versus H1 : = 1.
(b) Determine la region de rechazo
(c) Determine la potencia del test.

SOLUCION
(a) Seg
un Neyman-Pearson, se rechaza H0 si
LH1 (x)
k
LH0 (x)
En este caso, como solo se tiene una observacion, las verosimilitudes se reducen simplemente
a la densidad. Por lo tanto la razon queda de la siguiente forma:
ex1
[1+ex1 ]2
ex k
[1+ex ]2

(1 + ex )2 ke(1 + ex1 )2 \

1 + ex ke(1 + ex1 )
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim

ex ex1 ke ke 1

x ke
e (1 ) ke 1
e

ke 1 e k e
ex = \ ln
1 k e k
e
!
e k e
x ln
e k
(b) Para encontrar la region de rechazo con = 0,20, k debe ser tal que
P (R|H0 ) =
Por lo tanto queda lo siguiente
" !#
e k e
P X > ln = 0,2
e k

ex
Z
= dx
ln() [1 + ex ]2

1
=
1 + ex

ln()
1
=
1 + eln()
1
= = 0,2
e k e
1+
e k
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis

(5 1)( e k) = e k e

4 e 4 k = 2,7183 k 1,6487

6,7183 k = 8,2436
k = 1,5056
Luego con un nivel de confianza del 80 % se rechaza H0 cuando x 1,3862.
(c) La potencia del Test es P (R|H1 ), luego queda
!
e 1,51 e
P (R|H1 ) = P x > ln H1 : = 1
e 1,51

ex1
Z
= dx
ln(1,39) (1 + ex1 )2

1
=

x1
1+e

1,39
1
= = 0,4029
1 + e1,391
Luego la potencia del test es de 0.4029 cuando = 0,20.
EJERCICIO 30
Use el Lema de Neyman Pearson para establecer la region crtica al hacer un test para
H0 : = 0 versus H1 : = 1 con 1 < 0
con = 0,05 y a partir de una muestra aleatoria (Y1 , . . . , Yn ) de una poblacion con funcion
de densidad
f (y, ) = 2 yey y > 0, > 0

SOLUCION
Seg
un Neyman Pearson, necesitamos
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
n
Y
L1 (y) = 21 yi e1 yi
i=1
n
!
Y P
= 2n
1 yi e1 yi
i=1
n
Y
L0 (y) = 20 yi e0 yi
i=1
n
!
Y P
= 2n
0 yi e0 yi
i=1
Por lo tanto haciendo el cuociente, se obtiene
n
!
Y P
2n
1 yi e1 yi
i=1
n
! >k
Y P
2n
0 yi e0 yi
i=1
2n
1 P
yi (0 1 )
e >k \ ln
0
n
1 X
2n ln + yi (0 1 ) > k1
0 i=1
n
X 1
yi (0 1 ) > k1 2n ln
i=1
0

1
n
X k1 2n ln 0
yi >
i=1
0 1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis

1
k1 2n ln 0
Como se quiere conocer la region para = 0,05, necesitamos encontrar el valor
P de 0 1
correspondiente. Para tal efecto es necesario conocer P la distribucion de Yi , pero como
Yi Gamma(2, ) y son independientes, se tiene que Yi Gamma(2n, ). Luego la re-
gion crtica esta dada por:
P (R|H0 ) =

X n k1 2n ln 01
P Yi > H0 : = 0 = 0,05
i=1
0 1
Z
2 0 y
( ) 0 ye
k1 2n ln
1
0
dy = 0,05
0 1
Luego la region crtica, resultara de la integral evaluada y despejando el valor de k1 .
EJERCICIO 31
Sea Y1 , . . . , Yn una muestra de la distribucion Normal con media y varianza 2 conocida.

Considere las hipotesis
H0 : 0 vs H1 : > 0
Determine el valor de k (la region crtica) en funcion de un nivel de significancia prede-
terminado si se rechaza H0 para Y > k.

SOLUCION
En primer lugar tenemos que si los Yi N (, 2 ) entonces Y N (, 2 /n).

Luego para encontrar tal k, recordando que Z N (0, 1), se precede de la siguiente manera:
P (R|H0 ) =
P (Y > k|H0 ) =

n(Y ) n(k )
P > H 0 : 0 =

Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim

n(k 0 )
P Z> =

n(k 0 )
1P Z =

n(k 0 )
P Z = 1

n(k 0 )
= Z1

n(k 0 ) = Z1

k = 0 + Z1
n

R = y : y > 0 + Z1
n
EJERCICIO 32
Sean X1 , . . . , Xn variables aleatorias iid con funcion de densidad
2x x2
f (x, ) = e , x > 0, > 0

Construya un TRV para verificar las hipotesis H0 : 0 versus H1 : < 0 y encuentre su

region crtica.
Ayuda: Como distribuye Xi2 ?.

SOLUCION
El supremo de , en L(x) esta dado por el EMV de . Luego se tiene:
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis
n
Y 2xi x2
i
L (x) = e
i=1

n Yn
!
2 1 P 2
= xi e xi \ ln
i=1
n n
X 1X 2
`(x) = n[ln(2) ln()] + ln(xi ) x \
i=1
i=1 i
n
`(x) n 1 X 2
= + 2 x =0
i=1 i
n
X
x2i
i=1 n
=
2
n
X
x2i
i=1 /2
=
n
X n
x2i
= i=1
= x2
n
Luego el TRV, toma la siguiente forma:
n

n
,
n
-

2
Y n X 2
xi exp n - xi
n 2
X
X
xi i=1 2 i=1

x i

i=1 i=1
n
n
, ( n
) >k
n Y n X
2
0
xi exp x2i
i=1
0 i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
n
( n
)
n0 1 X

n
exp n + x2i > k \ ln
X 0
x2i i=1

i=1

n
n0 1 X 2
n ln n n + 0 xi > k 1

X 2 i=1
xi
i=1

n
n0 1 X
n ln n

1 + 0
x2i > k1
X
x2i i=1

i=1
n
X k
x2i > 0 1
i=1

n
n
ln X
n 0

x2 i
i=1
| {z }
c
Por lo tanto la region de crtica esta dada por:

( n
)
X
R= x: x2i > c
i=1
donde c debe cumplir que !

n
X
P x2i > cH0 =

i=1
n
X
Luego para determinar c se necesita conocer la distribucion de x2i .
i=1
Por teora de Probabilidades (Teorema Cambio de Variable) se tiene que
n
X 1
W = x2i Gamma n,
i=1

Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis
Por lo tanto, para conocer c, dado un cierto nivel de significancia , se debera resolver la
siguiente ecuacion:
n
! Z
X 1 w
P x2i > c H0 = wn1 e dw =

i=1 c n (n)
EJERCICIO 33
Sea Xi la diferencia entre los tiempos de duracion de las i-esimas piezas de dos equipos
similares, i = 1, . . . , n. Si todas las piezas funcionan independientemente y los tiempos
de duracion de estas piezas siguen una distribucion exponencial de parametro , se puede
demostrar que X1 , . . . , Xn es una muestra aleatoria iid con funcion de densidad dada por:
1
f (x, ) = e|x| x R, > 0
2
Construya un TRV para verificar las hipotesis H0 : 0 versus H1 : < 0 y encuentre
su region crtica.
Ayuda: Como distribuye |Xi |?.

SOLUCION
El T RV dice que rechace H0 si:
LH1 (x)
>k
LH0 (x)
Luego para comenzar, es necesario conocer el EM V de para su posterior reemplazo en el
T RV .
n
Y 1
L(x; ) = e|xi |
i=1
2
n
P
= e |xi | \ ln
2
n
X
`(x; ) = n(ln() ln(2)) |xi | \
i=1
n
`(x; ) n X
= |xi | = 0
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
n
n X
= |xi |
i=1
= n
n
X
|xi |
i=1
Luego el T RV nos queda como sigue:
n

,

Xn

n
n
n exp , |x i |
X X n

|xi | i=1
|x |
2

i

i=1 i=1
( n
) >k
n
X
0

2
exp 0 |xi |
i=1
n
( n
)
n
exp n + 0
X

n |xi | > k \ ln
X
i=1
0 |xi |

i=1

n
n
n + 0
X
n ln
n |xi | < k1
X
i=1
0 |xi |

i=1

n
X n
0 |xi | < k1 n
ln

n
1

X
i=1
0 |xi |

i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis

n

k1 n ln X
n

1

n

0 |xi |
i=1
X
|xi | <
i=1
0
| {z }
c
Luego la region de rechazo esta dada por

( n
)
X
R= x: |xi | < c
i=1
donde c se obtiene para alg

un dado como:
n
!
X
P |xi | < cH0 =

i=1
n
X
considerando que |xi | Gamma(n, ).
i=1
EJERCICIO 341
Sea X1 , . . . , X25 una muestra aleatoria de una poblacion normal con varianza igual a 100.
(a) Derive, paso a paso, el test optimo para determinar la region de rechazo de H0 : = 0
versus H1 : = 2 con un nivel de significancia de = 10 %. Cual es la potencia del
test?
(b) Para la misma situacion anterior, pero con H1 : > 0. Evalue la potencia en = 1 y
= 2 para n = 25 y n = 100. A partir de estos puntos, bosqueje las curvas de potencia
del test en el mismo eje de coordenadas (indique claramente la leyenda de los ejes).

SOLUCION
(a) Considerando las hipotesis, el test optimo esta dado por Neyman-Pearson, por lo tanto
se tiene:
1
Pregunta I2 II Sem. 03
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
LH0 (x)
N P =
LH1 (x)
1
n x2i
P
(2 2 ) 2 e 22
= n 1 P
(xi 2)2
(2 2 ) 2 e 22
1
= e 22 [ x2i (xi 2)2 ]
P P
1 P
= e 22 [4( xi n)]

Ahora lo que se necesita es el valor de c tal que P (N P < cH0 ) = , es decir

1 P
[4( xi n)]
P e 2 2 < c H0 : = 0 =

n
!
X
P x i > c H0 : = 0 =

i=1
P
xi
Ademas tenemos que bajo H0 , n
N (0, 2 /n) con 2 = 100 y n = 25, luego resulta:
n
X

n
! xi
X i=1

P x i > c H0 : = 0 = P
n > c

i=1
c

x
Se estandariza: P > = = 0,1
10/ 25 2
c
= 1,28
2
c = 2,56 c = 64
Luego la region de rechazo para H0 es
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis
( n
)
X
R= x: xi > 64 o bien R = {x : x > 2,56}
i=1
Ahora la potencia del test, esta dada por
n
!
X x 1 2,56 2
P xi > 64H1 =P >

i=1
/ n 2
= P (Z > 0,28)
= 1 0,6103
= 0,3897
(b) Cuando n = 25 y 2 = 100 con = 10 %.

Se rechaza H0 si x > 2,56, luego tenemos que
Y
( = 1) = P (x > 2,56)
2,56 1
= P (Z > )
2
= P (Z > 0,78)
= 0,2177
Y
( = 2) = P (x > 2,56)
2,56 2
= P (Z > )
2
= P (Z > 0,28)
= 0,3897
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Cuando n = 100 y 2 = 100 con = 10 %.

Se rechaza H0 si x > 2,56, luego tenemos que
Y
( = 1) = P (x > 1,28)
1,28 1
= P (Z > )
1
= P (Z > 0,28)
= 0,3897
Y
( = 2) = P (x > 1,28)
1,28 2
= P (Z > )
1
= P (Z > 0,72)
= 0,7642
Figura 2.2: Curvas de Potencia
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis
EJERCICIO 352
Sea X1 , . . . , Xn variables aleatorias independientes distribuidas seg

un la siguiente funcion de
probabilidad discreta, con 0 < < 1
x 1 2 3
P (X = x) 2(1 ) (1 )2
2
P
Sea Ni el n umero de observaciones igual a i, para i = 1, 2, 3, con Ni = n. Determine la
regla optima de nivel = 0,1, en terminos de N1 , N2 , N3 , para la hipotesis H0 : = 0 versus
H1 : 6= 0 .

SOLUCION
En este caso la regla optima se traduce a utilizar el T RV , para lo cual en esta ocasion nece-
sitamos el EM V de .
n!
L(x) = (2 )N1 (2(1 ))N2 ((1 )2 )N3
N1 !N2 !N3 !
n!
= 2N2 2N1 +N2 (1 )2N3 +N2 \ ln
N1 !N2 !N3 !
`(x) = (2N1 + N2 ) ln() + (2N3 + N2 ) ln(1 ) \
`(x) 2N1 + N2 2N3 + N2

= =0
1
2N1 + N2
=
2(N1 + N2 + N3 )
Por lo tanto, construyendo la razon de verosimilitudes, se obtiene:
n!
N1 !N2 !N3 !
2N2 02N1 +N2 (1 0 )2N3 +N2
= n!
N1 !N2 !N3 !
2N2 2N1 +N2 (1 )
2N3 +N2
2N1 +N2 2N3 +N2

0 1 0
=
1
2
Pregunta I2 II Sem. 03
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Recordemos que 2 ln() 2(m) .
Por lo tanto se rechaza H0 si 2 ln() > 2(m) , esto es:

0 1 0
2 (2N1 + N2 ) ln + (2N3 + N2 ) ln > 2,71 = 20,1 (1)
1
EJERCICIO 36
Un fabricante de fibras textiles esta investigando una nueva fibra para tapicera, la cual tiene
una elongacion media por hilo de 12 kg. con una desviacion estandar de 0.5 kg. La compa na
desea probar la hipotesis H0 : 1 12, utilizando para ello una muestra aleatoria de tama no
4.
(a) Cual es la probabilidad del error tipo I si la region crtica esta definida
como x < 11,5kg.
(b) Encuentre el error tipo II para el caso donde la verdadera elongacion promedio
es 11.5 kg.

SOLUCION

(a) Error Tipo I : P (rechazar H0 H0 ) = .
Considerando (bajo H0 ) que X N (12, 0,52 ) X N (12, 0,52 /4)
!
(x 12) 4 (11,5 12) 4
P (x < 11,5H0 ) = P <
0,5 0,5
= P (Z < 2)
= 0,02275
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis

(b) Error Tipo II: P (aceptar H0 H1 ) =
Considerando (bajo H1 ) que X N (11,5, 0,52 ) X N (11,5, 0,52 /4)
!
(x 11,5) 4 (11,5 11,5) 4
P (x 11,5H1 ) = P
0,5 0,5
= P (Z 0)
= 0,5
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
2.2. Ejercicios Propuestos

1. Sean Y1 , . . . , Yn v.a i.i.d representando la proporcionon de cierta componente qumica
presente en n muestras de un determinado producto, y cuya funcion de densidad es
dada por
f (y|) = y 1 , 0<y<1
a) Encuentre el EMV de .
b) Utilizando el Lema de Neyman-Pearson, construya un test de nivel para con-
trastar
H0 : = 0 vs H1 : = 1 (1 > 0 )
c) Eval
ue el test cuando 0 = 0,3, 1 = 0,6, = 0,05 y
y1 0.1
y2 0.8
y3 0.5
y4 0.4
y5 0.6
Pn
Ayuda: Utilice que 2 i=1 log Yi 22n y que 210 (0,95) = 18,30
2. Suponga que el n umero de tiros al aro de Michael Jordan hasta que este convierte su
primera anotacion sigue una distribucion geometrica de parametro , donde repre-
senta la probabilidad de convertir una anotacion, es decir
P (X = x) = (1 )x1 x = 1, 2, . . . 01
a) En una m.a de n partidos, en los cuales M. Jordan ha convertido al menos un gol

se observan X1 , . . . , Xn donde Xi = N umero de tiros al arco del aereo hasta
convertir una anotacion en el i-esimo partido. Determine la region crtica de nivel
para contrastar las siguientes hipotesis:
H0 : = 0 H1 : = 1 (1 > 0 )
Utilice aproximacion Normal.

b) Suponga que 0 = 0,5 y 1 = 0,8 Cual sera si conclusion a partir de una muestra
de 32 partidos con media muestral de 2.73? Use = 0,05.
3. Sean X1 , . . . , Xn v.a i.i.d con distribucion de Pareto, es decir

f (x|, ) = 1[,) >0 >0
x+1
a) Muestre que el TRV de H0 : = 1 vs H1 : 6= 1 rechaza H0 si T + n log T < k
con Qn
i=1 Xi
T = log
(mni Xi )n
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis
4. Un fabricante de neumaticos afirma que, bajo condiciones normales, la vida promedio

de sus neumaticos es mayor que 50,000 kms. En una muestra aleatoria simple de
15 neumaticos sometidos a pruebas de duracion, se obtiene un promedio de 54,000
kms. con una desviacion estandar de 10,000 kms. Suponiendo que la duracion de los
neumaticos sigue una distribucion normal:
a) Encuentre un intervalo de 99 % de confianza para la duracion promedio de los
neumaticos.
b) Realice un test de hipotesis para contrastar la afirmacion realizada por el fabri-
cante de neumaticos. Formule H0 y H1 suponiendo que una publicidad enga nosa
es el error mas grave. Use nivel de significancia 5 %. Concluya.
c) Calcule la potencia del test realizado en (b) para = 52, 000 kms.
5. Un fabricante sostiene que el diametro interior de un tubo de aluminio que produce es
de 100 mm. Una muestra de 10 tubos fue medida con los siguientes resultados:
100.36 100.31 99.99 100.11 100.64

100.85 99.42 99.91 99.35 100.51
a) Se aceptara lo que dice el fabricante?
b) Cual es la probabilidad de aceptar lo que el fabricante afirma cuando el diametro
es realmente 100.55 mm.? (Utilice S 2 como estimador de 2 ).
6. Muchas casas antiguas tienen sistemas electricos que utilizan fusibles en lugar de inter-
ruptores automaticos de circuito. Un fabricante de fusibles de 40 A quiere estar seguro
de que la media de corriente a la que se queman los fusibles es 40. Si la media de
corriente es menor de 40, los clientes se quejan porque deben cambiar los fusibles con
mucha frecuencia. Si la media de corriente es mayor de 40, el fabricante podra ser el
culpable de los da nos al sistema electrico por el mal funcionamiento de los fusibles.
Para verificar la corriente de los fusibles se debe seleccionar e inspeccionar una mues-
tra de estos. Si fuera a realizarse una prueba de hipotesis sobre los datos resultantes,
cuales hipotesis nula y alternativa seran de interes para el fabricante?
7. Una mezcla de ceniza pulverizada de combustible y cemento Portland para techar
debe tener una resistencia a la compresion de mas de 1,300KN/m2 . La mezcla no
se utilizara a menos que una evidencia experimental indique de manera concluyente
que se ha cumplido la especificacion de resistencia. Supongamos que la resistencia a la
compresion para especmenes de esta mezcla esta distribuida normalmente con = 60.
Representemos con el verdadero promedio de resistencia a la compresion.
a) Cuales son las hipotesis nula y alternativa adecuadas?

b) Representemos con X el promedio muestral de resistencia a la compresion para
n = 20 especmenes seleccionados al azar. Considere el procedimiento de prueba
utilizando el estadstico de prueba X y la region de rechazo x 1331,26. Cual es
la distribucion de probabilidad del estadstico de prueba cuando H0 es verdadera?.
Cual es la probabilidad de un error tipo I para el procedimiento de prueba?
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
8. La consejala de la juventud de un ayuntamiento maneja el dato de que la edad a la que

los hijos se independizan de sus padres es una v.a. normal con media 29 a nos. Aunque
la desviacion estandar no plantea dudas, se sospecha que la media ha aumentado, sobre
todo por el poco apoyo a la poltica de ayuda al empleo que ha llevado a cabo el ayun-
tamiento. As de un estudio reciente sobre 100 jovenes, que se acaban de independizar,
se ha obtenido una media de 30.7 a nos de edad y una desviacion estandar de 3 a
nos.
a) Con un nivel de significancia del 1 %, es correcta la sospecha que se tiene, acerca

de la edad media que se independizan los jovenes?
b) Se sabe que el porcentaje de personas, que corresponden al sexo femenino y se
independizan antes de los 29 a
nos, no supera el 45 %. Si una muestra de 60 jovenes
son mujeres, y 35 de ellas cumple con las caractersticas antes expuestas, que se
puede concluir con un nivel de significancia del 5 %.
9. Un consumidor de cierto producto acusa al fabricante diciendo que mas del 20 % de

las unidades producidas eran defectuosas para confirmar su acusacion se utilizo una
muestra de tamano 50 donde el 27 % de los artculos eran defectuosos Que concluye
usted?
10. Una fabrica de hamburguesas inicio un proceso de revision de los estandares de calidad
de sus productos. Dichos estandares establecen ciertas dimensiones para el diametro
de sus hamburguesas, el diametro medio es de 13.9 cm con una desviacion estandar
estimada de 0.9 cm. Una estandar de calidad establece que el diametro medio de
las hamburguesas debe ser de 14.5 cm Hay alguna evidencia en los datos que las
hamburguesas tienen un diametro incorrecto? Que supuesto utilizo?
11. Se efectua una prueba de impacto Izod sobre 20 muestras de tubera PVC. El estandar
ASTM para este material requiere que la resistencia al impacto Izod sea mayor que
1.0 ft-lb/in. El promedio y la desviacion estandar muestrales son x = 1,25 y s = 0,25,
respectivamente. Pruebe H0 : = 1,0 contra H1 : > 1,0 utilizando = 0,01. Obtenga
conclusiones.
12. El sistema de enfriamiento de un submarino nuclear esta formado por un ensamble

de tuberas soldadas por donde circula un lquido refrigerante. Las especificaciones
requieren que la resistencia de la soldadura sea mayor o igual que 150 psi.
a) Suponga que los ingenieros del dise

no deciden probar la hipotesis H0 : = 150
contra H1 : > 150. Explique por que esta eleccion de hipotesis alternativa mejor
que H1 : < 150.
b) Al tomar una muestra aleatoria de 20 soldaduras se tiene que x = 153,7 psi. y
s = 11,3 psi. Que conclusiones pueden obtenerse con respecto a la hipotesis del
inciso a)? Utilice = 0,05.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
otesis
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Captulo 3
Ejercicios Resueltos de
Interrogaciones
3.1. Interrogaciones I
1. Sea X1 , X2 , . . . , Xn , una muestra aleatoria con funcion de densidad dada por:
f (x | ) = x1 I[0,1] (x)
determine el EMV y el estimador de momentos de .

iid
2. Sean X1 , X2 , . . . , Xn E (). Determine la distribucion asintotica del EMV de la tasa
media , la cual se define por = 1 .
3. Sea X1 , X2 , . . . , Xn , una muestra aleatoria con funcion de densidad dada por:

f (x | ) = I(0,) (x) ,
(1 + x)+1
donde > 0. Determine un estadstico suficiente para .

iid
4. Sean X1 , X2 , . . . , Xn U 21 , + 1

2
. Determine el error cuadratico medio del esti-
mador de momentos de .
5. Suponga que X 1 es la media de una muestra aleatoria de tama no n de una poblacion

con media y varianza 12 , X 2 es la media de una muestra aleatoria (independiente de
la muestra aleatoria anterior) de tama no n de una poblacion con media y varianza
22 y que ademas
= X 1 + (1 ) X 2 es un estimador de .
a)
es insesgado?
b) Cual debe ser el valor de para que la varianza de
sea mnima?
iid
6. Sean X1 , X2 , . . . , Xn P oisson ().
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
82 Captulo 3. Ejercicios Resueltos de Interrogaciones
a) Determine un intervalo de confianza a proximado del 95 % de confianza para si

n = 100 y x = 4.
b) Obtenga la distribucion asintotica del estimador maximo verosmil de P (X = 0).
7. Sean X1 , X2 , . . . , Xn v.a. iid con funcion de densidad dada por:

f (x | ) = I(1,) (x) ,
x+1
donde > 0.
a) Determine el EMV de .

b) Demuestre que n ni=1 Xi es el EMV de exp 1 .
pQ
que un intervalo de confianza aproximado de nivel (1 ) 100 % para

c) Demuestre
exp 1 viene dado por
v
u n p Qn Pn
uY n
i=1 Xi i=1 ln (Xi )
n
t Xi z1 2 3 .
i=1 n2
iid
8. Sean Y1 , . . . , Yn v.a. tales que Yi = xi + i , i = 1, . . . , n, con i N (0, 2 ) y es
conocido; y xi son constantes predeterminadas.
a) Sean
n Pn
1 X Yi Yi
= y
= Pi=1
n
n i=1 xi i=1 xi
dos estimadores posibles para . Calcule el sesgo y el error cuadratico medio para
cada estimador.
b) Bajo que condiciones sobre los xi los estimadores propuestos anteriormente son
consistentes en media cuadratica?
9. En el tiempo t = 0 hay un individuo vivo en cierta poblacion. Supongamos ahora

que el tiempo que transcurre hasta el primer nacimiento esta distribudo exponencial-
mente con parametro . Despues del primer nacimiento, hay dos individuos vivos que
se pueden volver a reproducir de forma independiente. El tiempo hasta que el primero
vuelve a dar a luz es exponencial con parametro y del mismo modo para el segun-
do individuo. Por lo tanto, el tiempo hasta el siguiente nacimiento es el mnimo de
dos variables aleatorias exponenciales independientes de parametro . Analogamente,
una vez que haya ocurrido el segundo nacimiento, hay tres individuos vivos, as que el
tiempo hasta el siguiente nacimiento distribuye como el mnimo de tres v.a. exponen-
ciales independientes de parametro , y as sucesivamente. Suponga que se observan n
nacimientos y se anotan los tiempos entre los nacimientos sucesivos, es decir, se dispone
de X1 , . . . , Xn . Derive el EMV de y obtenga la distribucion asintotica de este.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
3.1 Interrogaciones I 83
iid
10. Cada una de las variables aleatorias X1 , . . . , Xn P oisson () miden el numero de
clientes que solicitan informacion a una empresa constructora durante un da. Se quiere
saber el numero esperado de clientes que solicitan informacion en un da y para esto
se tomo una muestra aleatoria durante 50 das de la cantidad de clientes que llegaron
por da, obteniendose:
Numero de clientes por da 0 1 2 3 4

Cantidad de das observados 17 22 7 3 1
a) En base a los datos observados, encuentre la estimacion maximo verosmil de la

probabilidad de que no hayan clientes en un da.
b) En base a los datos observados, calcule un intervalo de confianza aproximado de
nivel (1 ) 100 % para la cantidad estimada en el inciso (a).
11. Una urna contiene fichas rojas y negras. Se extrae una ficha de ella. Si la ficha obteni-
da es roja, se lanza 9 veces la misma moneda de forma independiente, anotandose los
resultados de cada lanzamiento. Si la ficha es negra, se lanza de forma independiente
la misma moneda hasta obtener 5 caras, anotandose los resultados. Sea p la probabil-
idad de obtener una ficha roja de la urna y la probabilidad de obtener cara en un
lanzamiento de esa moneda.
a) Si se observo ({ficha roja}, {cara, sello, sello, cara, cara, cara, sello, sello, sello}),
cual es la estimacion maximo verosmil de p y .

1, si la ficha es roja
b) Si en otro experimento se definen las v.a. Y = , X =n umero
0, si la ficha es negra
de caras anotadas y Z =n umero de lanzamientos de la moneda, escriba la funcion
de probabilidad del vector aleatorio (Y, X, Z) en funcion de los parametros p y .
c) Suponga ahora que en la funcion de probabilidad del inciso anterior, p es conocido,
pertenecera esta funcion de probabilidad a la familia exponencial? y encuentre
un estadstico suficiente para .
12. Cuando la frecuencia genetica esta en equilibrio, los genotipos AA, Aa y aa ocurren con
probabilidad (1 )2 , 2 (1 ) y 2 , respectivamente. Plato et al. (1964) publico los
siguientes datos para una muestra de 190 personas:
Tipo de Hemoglobina
Hp1-1 Hp1-2 Hp2-2
10 68 112
b) Determine la varianza asintotica del EMV de .
c) Determine un I.C. de nivel para .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
13. La edad en la que se adquiere la capacidad de lecto-escritura puede considerarse como

una v.a. continua uniforme en (, a), con a una constante conocida (por ejemplo, a = 7
a
nos). A fin de estimar , se toma una muestra aleatoria X1 , . . . , Xn de la edad exacta
en que adquieren la capacidad de lecto-escritura n ninos.
a) Obtenga el estimador de momentos de .
b) es consistente en media cuadratica?. Justifique.
14. La distribucion de Pareto ha sido muy utilizada en economa, dado que su funcion de
densidad presenta una cola pesada (es decir decae lentamente). Su funcion de densidad
esta dada por:
f (x| , x0 ) = x0 x(+1) I[x0 ,) (x) ,
donde x0 es una constante conocida y > 1. Para una muestra aleatoria X1 , . . . , Xn

con esta distribucion responda:
a) Esta distribucion pertenece a la familia exponencial?. Justifique. Identifique un

estadstico suficiente para .
b) Demuestre que el EMV de es funcion del estadstico suficiente y obtenga la

varianza asintotica de dicho estimador.
15. Suponga que tres componentes electronicas independientes son puestas a funcionar y
despues de T horas se presenta una falla. Asuma que la distribucion de los tiempos de
vida de cada componente sigue una ley E (1 ).
b) Obtenga la distribucion asintotica del EMV de .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
3.2 Soluciones 85
3.2. Soluciones
1. El logaritmo de la funcion de verosimilitud es l () = n ln () + ( 1) ln ( ni=1 xi ).
Q
Luego, al resolver la ecuacion dl() d

= 0 para , se tiene el punto estacionario =
2
Pn nln(xi ) . Pero como ddl() = n2 < 0, entonces el punto estacionario es un

2
i=1
=
maximo, y por tanto el EMV para es
n
= Pn .
i=1 ln (Xi )
R1
Por otra parte, = E (X) = 0 x dx = +1 , luego = 1 , y el estimador de
momentos para es
X
= .
1X
1
2. Haciendo la reparametrizacion =
, el logaritmo de la funcion de verosimilitud es
Pn
i=1 xi
l () = n ln () Luego, al resolver la ecuacion dl()

. d
= 0 para , se tiene

d2 l()
el punto estacionario
= x. Pero como d2 = xn2 < 0, entonces el punto
=

estacionario es un maximo, y por tanto el EMV para es
= X.

Por otra parte, como la distribucion exponencial pertenece a la familia exponencial,

entonces la informacion de Fisher para viene dada por
2
d l () n nX n
I () = E 2
= E 2 2 3 = 2 .
d
Finalmente,
la distribucion de
para n suficientemente grande es aproximadamente
2
N , n .
3. Notemos que
n n
!
n Y Y
f (x1 , . . . , xn | ) = Qn +1
I(0,) (xi ) = g (1 + xi ) , h (x1 , . . . , xn ) ,
[ i=1 (1 + xi )] i=1 i=1
por Q
tanto, debido al teorema de factorizacion, un estadstico suficiente para podra
ser ni=1 (1 + Xi ) o alguna funcion biyectiva de este. Otro estadstico suficiente para
podra ser toda la muestra, pero este no aportara ninguna utilidad extra.
+
4. La media y varianza de una variable aleatoria con distribucion U (, ) son 2
y
2
()
12
respectivamente. Por tanto, en nuestro caso tenemos, = E (X) = . Luego,

el estimador de momentos para es = X. Este estimador es insesgado: E =
1
Px
n i=1 E (Xi ) = , lo que implica
1 1 2

2 1 1 + 1
E = V ar = V ar X = V ar (X) = 2 2
= .
n n 12 12n
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
2
5. Notemos que para i = 1, 2 se cumple E X i = y V ar X i = ni .

) = E X 1 +(1 ) E X 2 = +(1 ) = , por tanto
a) E ( es insesgado
para .
) = 2 V ar X 1 +(1 )2 V ar X 2 = V ar X 1 + V ar X 2 2 2V ar X 2 +

b) V ar (

V ar X 2 , luego V ar (
) es una funcion de que es una parabola que abre hacia
arriba y que por tanto su valor mnimo lo alcanza en

V ar X 2 2

= = 2 2 2.
V ar X 1 + V ar X 2 1 + 2
6. Es facil ver que la log-verosimilitud de cumple que l () nx ln () n, l0 () =

nx

n y l00 () = nx
2
< 0.

a) De l0 () = 0 se tiene que = x, pero como l00 = n < 0, entonces =X
x
es el EMV para . Ademas como la distribucion Poisson pertenece a la familia
00 n n

exponencial se cumple que I () = E [l ()] = 2 E X = . Por tanto, la
)n
(
distribucion asintotica para

es N (0, 1), y de aqu que un intervalo de
q
confianza aproximado de nivel (1 ) 100 % para sea X z1 2 Xn , donde z1 2

es el cuantil 1 2 de una distribucion N (0, 1). Luego, para los datos observados
y = 0,05 se tiene
" r r #
4 4
4 1,96 , 4 + 1,96 = [3,608, 4. 392] .
100 100
b) Notemos que P (X = 0) = e =: g (), por g 0 () = e

tanto . Pero como
0 ()]2
sabemos que la distribucion asintotica de g es N g () , [g
, entonces la
I()
distribucion asintotica del EMV de P (X = 0) es
2

e
N e , .
n
7. La log-verosimilitud de cumple l () n ln () ln ( ni=1 xi ), l0 () = n ni=1 ln (xi )

Q P
y l00 () = n2 < 0.

a) De l0 () = 0 se tiene que = Pn nln(xi ) , pero como l00 = n2 < 0, entonces
i=1
= Pn nln(Xi ) es el EMV para .

i=1

b) El EMV de exp 1 es
Pn ( " n
!#) n1 v
u n
1 i=1 ln (Xi )
Y uY
n
exp = exp = exp ln Xi =t Xi .
n i=1 i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
3.2 Soluciones 87
exp( 1 )

c) Como debemos buscar un I.C para g () = exp 1

, entonces g 0 () = 2
.

Ademas, como x+1 = exp { ( + 1) ln (x) + ln ()}, entonces dicha distribucion
pertenece a la familia exponencial, teniendo as,
n
I () = E [l00 ()] = 2 .

pQ
Por tanto, el error estandar asintotico de exp 1 = n ni=1 Xi es
s
1
0
[g ()] 2 exp
= .
I () n

Luego, un intervalo de confianza aproximado de nivel (1 ) 100 % para exp 1
viene dado por
v v
u n exp 1 u n Qn
Xi ni=1 ln (Xi )
p
n
P
uY uY i=1
tn
Xi z1 2 = tn
Xi z1 2 3 .
i=1 n i=1 n2
8. Observemos que las v.a. Yi son independientes y con distribucion N (xi , 2 ) con
conocido.

a) E = n1 ni=1 E(Y i)
= , por tanto el sesgo de es cero. De aqu se tiene que
P
xi
n n
2 X 2
2 1 X V ar (Yi )
E
= V ar = 2 = 2 x .
n i=1 x2i n i=1 i
Por tanto,
2
Pnpara2que sea consistente en media cuadratica debe cumplirse que
lm n i=1 xi = 0.
n

Por otra parte, E = Pn1 xi ni=1 E (Yi ) = , por lo que tambien es inses-
P
i=1
gado. De aqu se tiene que
n
2
2

1 X
E = V ar = Pn 2 V ar (Y i ) = .
( i=1 xi ) i=1 nx
Por tanto, para que sea consistente en media cuadratica debe cumplirse que
lm nx = .
n
b) Fue hecho al resolver el inciso (a).
9. Por la descripcion del problema se tiene que las v.a. Xi = mn {Yj } son independientes
j=1,...,i
iid
y donde Y1 , . . . , Yi E (). La funcion de densidad de las v.a. Xi viene dada por
i1 x
fXi (x) = i [1 FY (x)]i1 fY (x) = i 1 1 ex

e
= i exp (ix) .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Por tanto, la funcion de verosimilitud en dependencia de los datos observados es

n n
!
Y X
L ( |x1 , . . . , xn ) = fXi (x) = n!n exp ixi ,
i=1 i=1
y su logaritmo cumple,
n
X
l () n ln () ixi .
i=1

=
Luego, de l0 () = 0 se tiene Pn n , y como l 00
= n2 < 0, entonces el EMV
i=1 ixi
de es
= Pn n
.
i=1 iXi
Por otra parte, como Xi E (i), la informacion de Fisher viene dada por
n
I () = E [l00 ()] =
2

2
y la distribucion asintotica de es N , n .
iid = X con
10. Es conocido que si X1 , . . . , Xn P oisson () entonces el EMV de es
distribucion asintotica N , n .

a) Como P (X = 0) = e = g () entonces el EMV para P (X = 0) es g = e .
Pero de los datos observados tenemos x = (0 17 + 1 22 + 2 7 + 3 3 + 4 1) /50 =
49
50
1, y por tanto la estimacion para P (X = 0) es g (1) = e1 .
0 2
b) Del inciso (a) se tiene que la varianza asintotica de e es [gI()
()]
= exp(2)
n
=

1 2
50
e . Por tanto, un intervalo de confianza aproximado de nivel (1 ) 100 %
para P (X = 0) = e es
1
e1 z1 2 e1 .
5 2
11. Siempre hay que tener en cuenta que la extraccion de una ficha es un suceso indepen-
diente del lanzamiento de la moneda, sin embargo no es independiente del n umero de
veces que se lanzara la moneda.
a) La v.a. Y definida en 4.(b) sigue una distribucion Bin (1, p), pero es conocido que
el EMV de p es p = Y , por tanto, como se observo Y = 1 (se observo una fciha
roja), entonces la estimacion maximo verosmil de p es p = 1.
Como se observo una ficha roja, entonces la v.a. X definida en 4.(b) distribuye
Bin (9, ), pero es conocido que el EMV de es = Xn , por tanto, como se
observaron 4 caras, entonces X = 4 y la estimacion maximo verosmil de es
= 94 .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
3.2 Soluciones 89
b) Por la descripcion del experimento, si se obtiene una ficha roja (con probabilidad
p), luego se realiza un experimento Bin (9, ); y si la ficha es negra (con probabil-
idad 1 p), luego se realiza un experimento BinN eg (5, ). Luego, por la formula
de probabilidad total, se tiene
P(Y,X,Z) (y, x, z) = P (X = x, Z = z| Y = 1) P (Y = 1) + P (X = x, Z = z| Y = 0) P (Y = 0)
= P (X = x| X Bin (9, )) I{9} (z) P (Y = 1)
+P (Z = z| Z BinN eg (5, )) I{5} (x) P (Y = 0)

9 9x y z1
= x
(1 ) p + 5 (1 )z5 (1 p)1y ,
x 51
donde la u ltima igualdad solo se cumple si y {0, 1}, x {0, 1, . . . , 9} y z =
5, 6, . . ., en otro caso P(Y,X,Z) (y, x, z) = 0.
Pero como 9 es un n umero de lanzamientos y 5 es un n umero de caras entonces,
para el caso general (Y, X, Z) (no necesariamente con 9 lanzamientos y 5 caras),
se tiene

z zx y z1
P(Y,X,Z) (y, x, z) = x
(1 ) p + x (1 )zx (1 p)1y
x x1
si y {0, 1}, x {0, 1, . . . , z} y z = x, x + 1, . . .; y P(Y,X,Z) (y, x, z) = 0 en otro
caso.
c) El conjunto {(y, x, z) : y {0, 1} ; x {0, 1, . . . , z} ; z = x, x + 1, . . .} no depende
del parametro , y como en este caso p es conocido, entonces

z z1 1y
y
p + (1 p) x (1 )zx
x x1

z y z1 1y
= exp x ln + z ln (1 ) + ln p + (1 p) .
1 x x1
De aqu se ve claramente que P(Y,X,Z) (y, x, z) pertenece a la familia exponencial,
por tanto un estadstico suficiente para es (T1 , T2 ) donde T1 (Y, X, Z) = X y
T2 (Y, X, Z) = Z.
Nota: Aplicando el teorema de factorizacion tambien se puede llegar a que (X, Z)
es un estadstico suficiente para .
12. En este caso las observaciones provienen de una

distribucion M ultinomial n = 190, (1 )2 , 2 (1 ) , 2 .

a) La verosimilitud de cumple, L () (1 )2x1 [2 (1 )]x2 2x3 y su logaritmo,

l () (2x1 + x2 ) ln (1 ) + (x2 + 2x3 ) ln (). Luego,alresolver la ecuacion 0 =
l0 () = 2x1
1 +x2
+ x2 +2x

3
, se tiene = x2 +2x
2n
3
. Como l00 = 2x1 +x 2
2 x2 +2x3
2
<0
(1)
entonces efectivamente el EMV de es = X2 +2X 2n
3
, y la estimacion segun los datos
68+2112
es = 2190 = 95 . 73
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
b) Como
m
( m m
)
n! Y X X
P (x1 , . . . , xm ) = Qm pxi i = exp xi ln (pi ) + ln (n!) ln (xi !) ,
i=1 xi ! i=1 i=1 i=1
entonces la distribucion multinomial pertenece a la familia exponencial, por lo

que
2E (X1 ) + E (X2 ) E (X2 ) + 2E (X3 )
I () = E [l00 ()] = +
(1 )2 2
" #
2 (1 )2 + 2 (1 ) 2 (1 ) + 22 2n
= n 2 + 2
=
(1 ) (1 )
y la varianza asintotica de = X2 +2X3

2n
es (1)
2n
.
c) Un I.C. para de nivel es
r r
X 2 + 2X 3 (2n X2 2X3 ) (X2 + 2X3 )
z1 2 I 1 = z1 2
2n 8n3
s
2 2
1 n (X1 X3 )
= X2 + 2X3 z1 2 .
2n 2n
+a (a )2
13. Debemos tener en cuenta que si X U(,a) entonces E (X) = 2
y V ar (X) = 12
.
a) Al resolver la ecuacion X = +a
2
, nos queda el estimador de momentos para es
= 2X a.
)2 = V ar (

b) Como E ( ) = 2E X a = , entonces E ( ) = 4V ar X =
(a )2
3n
0. Por tanto es consistente en media cuadratica.
iid
14. Estamos suponiendo que X1 , . . . , Xn f (x| ).
a) S pertenece a la familia exponencial ya que

x0 x(+1) I[x0 ,) (x) = exp ln (x) + ln x0 ln (x) + ln I[x0 ,) (x) .

Por tanto un estadstico suficiente para es T (X1 , . . . , Xn ) = n1 ni=1 ln (Xi ).

P
Pn
b) La log-verosimilitud
Pn de cumple, l () i=1 ln (xi ) + n ln () + n ln (x0 ),
0 00
l () = i=1 ln (xi ) + + n ln (x0 ) y l () = n2 . El EMV para es
n
n 1
= Pn =
i=1 ln (Xi ) n ln (x0 ) T (X1 , . . . , Xn ) ln (x0 )

ya que cumple l0 = 0 y l00 < 0.
Por otra parte, la varianza asintotica de es
1 2
I 1 () = [E (l00 ())] = .
n
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
3.2 Soluciones 91
15. Que despues de T horas se presente una falla, significa que el menor tiempo de vida de
las tres componentes fue de T horas. Por tanto si X1 , X2 y X3 respresentan el tiempo de
iid
vida de cada componente, entonces T = mn {X1 , X2 , X3 } donde X1 , X2 , X3 E (1 ).
a) La funcion de densidad de la v.a. T viene dada por

h i2
31 1 t 1 t
fT (t) = 3 [1 FX (t)] fX (t) = 3 1 1 e 1 e
= 31 exp 31 t .

Por tanto l () ln () 3t1 , l0 () = 1 2 00 2

+ 3t y l () = 6t .
3
De l0 () = 0 se tiene = 3t, pero como l00 = (3t)2 6t (3t)3 = 9t2 < 0,

entonces = 3T es el EMV de .
b) Para buscar una distribucion asintotica es necesario suponer que se observara una
iid
muestra aleatoria T1 , . . . , Tn E (31 ). Pero como la E (31 ) pertenece a la
familia exponencial, entonces I () = nE (l00 ()) = 6nE (T ) 3 n2 = n2 .
Luego, la distribucion asintotica de = 3T es
2

N , .
n
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
3.3. Interrogaciones II
1. En una muestra aleatoria de 200 residentes de cierta ciudad en Los Estados Unidos
que conducen un automovil de fabricacion estadounidense, 165 indicaron que emplean
el cinturon de seguridad. Otra muestra aleatoria, independiente de la anterior, de 250
residentes de la misma ciudad que conducen un automovil de fabricacion extranjera,
revelo que 198 utilizan el cinturon de seguridad.
a) Existe alguna evidencia que indique una diferencia en el uso del cinturon de
seguridad entre los conductores de automoviles estadounidenses y extrenjeros?
(utilice = 0,05).
b) Determine el valor-p de esta prueba y bosqueje el grafico de la funcion de potencia
respectiva (identifique claramente las leyendas de los ejes).
2. Una empresa de sondeos prueba dos barrenas perforando pozos hasta una profundidad
maxima de 125 metros y anotando el n umero de horas que requiere el proceso. La
primera barrena, (1), se utilizo en 12 casos con un tiempo medio de 17.3 horas. Con la
segunda, (2), se perforaron 10 pozos, obteniendose un resultado de 22.3 horas (tiempo
medio). Las desviaciones estandar muestrales son s1 = 6 y s2 = 6. Hay evidencia que
permita afirmar que la barrena 1 es mas eficiente que la barrena 2, en terminos de
menor tiempo medio?
a) Plantee las hipotesis y lleve a cabo el test considerando = 0,01. Cual es su

conclusion?
b) Cual es el menor valor de para el cual el test es significativo?
c) Esboce la curva de potencia. Calcule la probabilidad (usando distribucion normal
en vez de t-student) del error de tipo II si 1 2 = 3.
3. Sea X una v.a. cuyas funciones de probabilidad bajo H0 y H1 estan dadas por,
X 1 2 3 4 5 6 7
P (X = x| H0 ) 0.01 0.01 0.01 0.01 0.01 0.01 0.94
P (X = x| H0 ) 0.06 0.05 0.04 0.03 0.02 0.01 0.79
a) Encuentre el test mas potente de nivel = 0,04 para contrastar H0 vs. H1 .

b) Determine la probabilidad del error de tipo II del test encontrado en (a).
4. Se dice que la aleacion reduce la resistencia de un tipo estandar de conductor electrico

y que las mediciones de la resistencia en conductores estandares y con aleacion dis-
tribuye normal. Se hicieron diez mediciones en un conductor estandar, obteniendose
una resistencia promedio de 0.19 ohm, y una desviacion estandar de 0.03 ohm. Otras
diez mediciones independientes se hicieron en un alambre aleado y se obtuvo una re-
sistencia promedio de 0.11 ohm y una desviacion estandar de 0.02. La aleacion parece
reducir la resistencia promedio del alambre? Asumiendo varianzas iguales, probar en
el nivel de significacion de 5 %.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
3.3 Interrogaciones II 93
5. Sea X1 , X2 , . . . , Xn una muestra aleatoria con distribucion Geo(1 ), y sea Y1 , Y2 , . . . , Ym

otra muestra aleatoria independiente de la anterior con distribucion Geo(2 ). Derive el
TRV (paso a paso) para la hipotesis: H0 : 1 = 2 versus H1 : 1 6= 2 .
6. Un
especialista afirma que el tiempo en desarrollar la I2 sigue una distribucion f (x) =
kx si x (0, 120) min.
. A una muestra de 50 alumnos que rindieron la I2 de in-
0 si no
geniera se les midio el tiempo. La tabla adjunta muestra los resultados obtenidos.
Existe evidencia que permita afirmar que los tiempos considerados no se ajustan a la
distribucion especificada por el especialista? (use un nivel de significancia del 5 %).
Categora Frec. Obs.
< 1 hora 10
1 a 1.5 horas 20
1.5 a 2 horas 20
7. Sea xX1 , X2 , . . . , Xn , una muestra aleatoria con funcion de densidad dada por fX (x) =
1

e .
a) Construya el test uniformemente mas potente para probar las hipotesis H0 :

0 vs. H1 : > 0 .
b) Suponga que para comparar las hipotesis H0 : 8 contra H1 : > 8 se toma
una muestra de tama no n = 1 y se considera un nivel de significacion = 0,1.
Encuentre el punto crtico del test.
c) En base al inciso (b):
1) Calcule la potencia de este test para = 12.
2) Calcule el valor-p para X1 = 15.
8. Sea X1 , X2 , . . . , Xn una muestra aleatoria con distribucion U[0,] con > 0 y sea T =
max {Xi }. Se quiere comparar las hipotesis H0 : 0 vs. H1 : > 0 y para esto se
i=1,...,n
utiliza el test que rechaza H0 cuando T > t0 .
a) Obtenga la funcion de potencia de este test, demuestre que es creciente en y

eval
uela para n = 3, 0 = 2 y t0 = 1,9.
b) Calcule el punto crtico t0 para un nivel de significacion del 10 % en funcion de 0 .
c) Encuentre el valor-p cuando n = 3 y
1) max {xi } = 1,9 y 0 = 2.
i=1,...,n
2) max {xi } = 2,1 y 0 = 2.
i=1,...,n
9. Sea X1 , X2 , . . . , Xn una muestra aleatoria proveniente de una poblacion Bernoulli de

parametro . Derive el test optimo, paso a paso, para las hipotesis: H0 : = 0 versus
H1 : = 1 , con 0 > 1 .
a) Obtenga la forma de la region de rechazo de nivel .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
b) Para n = 25, 0 = 0,20, 1 = 0,10, = 5 % y usando el TLC, obtenga la region

de rechazo.
10. Suponga que se realizan n mediciones bajo las condiciones de un tratamiento (1),
y otras n mediciones son tomadas, independientemente, bajo otro tratamiento (2).
Asuma que los datos tienen distribucion normal y que la desviacion estandar pobla-
cional de cualquier observacion es 10 bajo cualquier tratamiento.
a) Cuan grande debe ser n de modo que el intervalo de confianza al 95 % para

1 2 tenga un ancho igual a 2?
b) Cuan grande debe ser n de modo que el test H0 : 1 = 2 contra H1 : 1 > 2
tenga potencia igual a 0.5 si 1 2 = 2 y = 0,10?
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
3.4 Soluciones 95
3.4. Soluciones
1. Sea pl la proporcion de uso de cinturon en autos locales, y pe la proporcion de uso de
cinturon en autos extranjeros. Luego, debemos probar las hipotesis H0 : pl = pe vs.
H1 : pl 6= pe .
a) El estadstico observado para el test aproximado de comparacion de proporciones

es
pl pe
Z=r
1 1
p (1 p) nl + ne
donde
165 198
nl pl + ne pe 200 200 + 250 250
p= = = 0,81.
nl + ne 200 + 250
Luego,
165
200
198
250
Z=q = 0,89.
1 1
0,81 (1 0,81) 200 + 250
Como z1/2 = z0,975 = 1,96, entonces de Z = 0,89 < 1,96 se tiene que no
se rechaza H0 , y por tanto, no hay suficientes evidencias para decir que existen
diferencias significativas en el uso del cinturon de seguridad entre los conductores
de autos estadounidenses y extranjeros.
b) En este caso se tiene
p = P (|Z| > 0,89) = 2P (Z > 0,89) = 2 [1 P (Z 0,89)] = 2 [1 0,8133] = 0,3734.
iid
Sean Xi B (1, pl ) v.a. que toman el valor 1 si el conductor de auto local usa
iid
cinturon Yj B (1, pe ) otras v.a. que toman el valor 1 si el conductor de auto
extrajero usa cinturon, donde i = 1, . . . , 200 y j = 1, . . . , 250. Luego, por el
teorema de lmite central se tiene
200
1 X pl (1 pl )
pl = Xi N pl , ,
200 i=1 200
250
1 X pe (1 pe )
pe = Yj N p e , y
250 j=1 250
p pe (pl pe )
ql N (0, 1) .
pl (1pl ) pe (1pe )
200
+ 250
Por tanto, el grafico de la funcion de potencia es similar al del test para comparar
H0 : x = y vs. H1 : x 6= y cuando los datos distribuyen normal. Luego, el
grafico de la funcion de potencia es similar al de la figura 3.1.
2. Este problema se resuelve con un test de comparacion de dos medias con datos normales
de varianzas desconocidas, pero consideradas iguales.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
()
= pl pe
Figura 3.1: Funcion de potencia
a) Sea i el tiempo medio en que la barrena i (i = 1, 2) se demora en perforar el

pozo. Luego, debemos probar las hipotesis H0 : 1 2 vs. H1 : 1 < 2 .
Como
(n1 1) S12 + (n2 1) S22 36 (11 + 9)
Sp2 = = = 36,
n1 + n2 2 12 + 10 2
entonces
X Y 17,3 22,3
t= p 1 1
= = 1,94.
Sp n 1 + n 2 6 121 + 101
De la tabla se tiene que t(n1 +n2 2),1 = t(20),0,99 = 2,528, pero como t = 1,94 >
2,528 = t(20),0,99 , entonces no se rechaza H0 .
Por tanto, los datos no ofrecen suficientes evidencias que permitan afirmar que la
barrena 1 es mas eficiente que la barrena 2.
b) Debemos buscar o acotar el valor-p. De acuerdo a los percentiles de la distribucion
t(20) se tiene t(20),0,95 = |1,725| < |1,94| < |2,086| = t(20),0,975 . Luego, el menor valor
de para el cual el test es significativo, p, cumple 0,025 < p < 0,05.
c) Consideremos := 1 2 , luego
!
X Y
() = P (rechazar H0 |) = P < 2,528

p 1 1
Sp n 1 + n 2
!
X Y
= P < 2,528 p 1 = P t(20) < 2,528 .

p
Sp n1
1 + n 1
2 S p n 1 + n 1
2
2,57
De aqu se tiene que () es decreciente al aumentar , lm () = 0, lm () =

1 y (0) = 0,01. Por lo que el grafico de la funcion de potencia se puede ver en
la figura 3.2.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
3.4 Soluciones 97
()
Figura 3.2: Funcion de potencia
Por otra parte, se tiene

3
(3) = P ( error tipo II| = 3) = 1 (3) = 1 P t(20) < 2,528
2,57

3
1 P Z < 2,528 = P (Z 1,36) = P (Z < 1,36) = 0,913.
2,57
h i
f ( X|H1 )
3. Por el lema de Neyman-Pearson debemos buscar k 0 tal que P > k H0 =

f ( X|H0 )
.
a) De los datos se tiene

X 1 2 3 4 5 6 7
f ( X|H1 )
f ( X|H0 )
6 5 4 3 2 1 79/94
P (X = x| H0 ) 0.01 0.01 0.01 0.01 0.01 0.01 0.94
h i
Luego, debemos buscar k 0 tal que P ff (( X|H 1)
> k H0 = = 0,04.

X|H0 )
h i
Para k = 2 se tiene P ff (( X|H
X|H1 )
> 2 H0 = 0,04. Por tanto, el test que rechaza H0

0)
f ( x|H1 )
si f ( x|H0 )
> 2 es el test mas potente de nivel = 0,04.
b) El error de tipo II para el test encontrado en (a) es

f (X| H1 )
=P 2 H1 = P (X {5, 6, 7}| H1 ) = 0,02 + 0,01 + 0,79 = 0,82.
f (X| H0 )
4. Sea e la media de la resistencia en un conductor estandar y a , en un conductor

aleado. Sea X e la media muestral de la resistencia en un conductor estandar y X a , en
un conductor aleado. Debemos probar las hipotesis H0 : a e vs. H1 : a < e . Pero
como
(n 1) Se2 + (m 1) Sa2 9 (0,0009 + 0,0004)
Sp2 = = = 0,00065,
m+n2 18
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
entonces
X Xa 0,19 0,11
t= e = = 9,94.
Sp n1 + m1 0,018 101 + 101
De la tabla de distribuciones t-student se tiene
|t| = 9,94 > 1,734 = t(18),0,95 = t(m+n2),1 .
Por lo que se rechaza H0 y se concluye que los datos muestran evidencias de que la
aleacion reduce la resistencia promedio del alambre.
5. Para X = (X1 , . . . , Xn ) y Y = (Y1 , . . . , Ym ), la funcion de verosimilitud es

n
Y m
Y
L (1 , 2 | X, Y) = f (Xi | 1 ) f (Yj | 2 ) = 1n 2m (1 1 )nXn (1 2 )mY m ,
i=1 j=1
y su logaritmo es

l (1 , 2 ) = n ln (1 ) + m ln (2 ) + nX n ln (1 1 ) + mY m ln (1 2 ) .
De
l (1 , 2 ) n nX n
0= =
1 1 1 1
1 1
se tiene
1 = X . Analogamente, se tiene que
2 = Y .
Por otra parte, bajo H0 : 1 = 2 = se tiene

l () = (n + m) ln () + nX n + mY m ln (1 ) .
Por lo que de
dl () n + m nX n + mY m
0= =
d 1
se tiene 1
nX + mY

= .
n+m
Por tanto,
supL (| X, Y)
0 | X, Y)
L ( n+m (1
)nXn+mY m
(X, Y) = = = .
supL (1 , 2 | X, Y) L ( 2 | X, Y)
1 , 1n
2m (1 2 )mY m
1 )nXn (1

Pero como 2 ln () 2(21) , entonces se rechaza H0 si

2 n ln ( 2 ) + nX n ln (1
1 ) + m ln ( 1 ) + mY m ln (1
2 )

2 (n + m) ln ( ) + nX n + mY m ln (1 )
> 2(1),1 .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
3.4 Soluciones 99
iid
6. Sean Xi f (x) las v.a. que representan los tiempos en desarrollar la I2, y se quiere
comparar las hipotesis H0 : Xi f (x) contra H1 : Xi f (x). De acuerdo a los datos
obtenidos debemos hacer un test de bondad R de ajuste en donde los valores esperados
vienen dados por Ei = npi , donde pi = i kxdx.
R 120 2
Como 1 = 0 kxdx = k 120 2
1
, entonces k = 7200 .
Por tanto,
60
602
Z
1 1
p1 = xdx = = ,
7200 0 7200 2 4
90
902 602
Z
1 5
p2 = xdx = =
7200 60 7200 2 16
y
120
1202 902
Z
1 7
p3 = xdx = = .
7200 90 7200 2 16
Finalmente,
3 3
X (Oi Ei )2 X (Oi npi )2
2calc = =
i=1
Ei i=1
npi
50 2 5 2
7
2
10 4
20 50 16 20 50 16
= 50 + 5 + 7 = 4,74.
4
50 16 50 16
Pero como 2calc = 4,74 < 5,99 = 2(2),0,95 , no se rechaza H0 y asumimos que los tiempos
para desarrollar la I2 siguen la distribucion dada.
7. La u
nica va que hemos visto para buscar test potentes ha sido usando el lema de
Neyman-Pearson.
h i
f (X)
a) Luego, para > 0 dado, debemos buscar c 0 tal que = P f10 (X) < c = 0

donde 1 > 0 . De aqu se tiene
Pn
n
0 exp 1
0 i=1 Xi

= P Pn < c = 0
n 1
1 exp 1 i=1 Xi
" ( n ) #
1 1 X
= P exp Xi < c0 = 0

1 0 i=1
" n # " n #
1 1 X X
= P Xi < c00 = 0 = P Xi > k = 0 .

1 0 i=1
i=1

Por tanto se rechaza H0 si ni=1 Xi > k.

P
b) Como n = 1, se rechaza H0 : 8 si X1 > k. Luego,

Z
1 y k
0,1 = P [X1 > k| = 8] = e 8 dy = e 8 ,
k 8
de donde se tiene k = 8 ln (10) 18. 421.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
c) Sabemos que P otencia () = P [X1 > k| ]. Luego,

R y
h i
1 12 8 ln(10)
1) P otencia (12) = P [X1 > 8 ln (10)| = 12] = 8 ln(10) 12 e dy = exp 12 =

1 3
10
10 0. 215 44.
R y 15
2) p = P [X1 > 15| = 8] = 15 81 e 8 dy = e 8 0. 153 35.

0 si x < 0
iid 1
8. Como Xi U[0,] entonces fX1 (x| ) = I[0,] (x) y FX1 (x| ) = x/ si x [0, ] .
1 si x >

Luego,
a) fT (t| ) = n [FX1 (t| )]n1 fX1 (t| ) = nn tn1 I[0,] (x). Por tanto la funcion de
potencia es Z n
n n1 t0
() = P (T > t0 ) = n
t dt = 1 .
t0
d() tn
Pero como d
=
> 0 para todo > 0, entonces () es creciente. Ademas,
0
n+1
n 3
t0 1,9
() = 1 =1 = 0,142625.
2
b) Como la funcion de potencia es creciente tenemos,
n
t0
= sup () = sup () = (0 ) = 1 .
0 0 0
1 1
Luego, si = 0,1 se tiene t0 = (1 ) n 0 = (0,9) n 0 .
c) En ambos casos consideraremos n = 3.
n 3
1) V alor p = P (T > 1,9| = 0 ) = 1 1,90
= 1 1,9 2
= 0,142625. Ob-
serven que coincide con el resltado del inciso (a), y esto no es por casualidad.
2) Notemos que si 0 = 2, entonces el recorrido de la v.a. T es [0, 2], y por tanto
V alor p = P (T > 2,1| = 0 ) = P (T > 2,1| = 2) = 0.
9. Notemos que los siguientes resultados serviran tambien para comparar las hipotesis
H0 : 0 vs. H1 : < 0 , y que no se utilizara el valor especfico de 1 , salvo que
0 > 1 .
a) Por el lema de Neyman-Pearson tenemos

" Pn X Pn #
0 i=1 i (1 0 )n i=1 Xi
= P < c = 0
Pn

Pn
X
1 i=1 i (1 1 )n i=1 Xi
n
( P )
X n
0 (1 1 ) i=1 i 1 0
= P < c = 0

1 (1 0 ) 1 1
( n )
X 0 (1 1 )
= P Xi ln < c 0 = 0 ,

1 (1 0 )
i=1

Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
3.4 Soluciones 101
h i
0 (11 )
pero como 0 > 1 implica que ln > 0, entonces debemos buscar k tal
1 (10 )
que ( n )
X
=P Xi < k = 0 .

i=1
Luego, como Y = ni=1 Xi B (n, 0 ) bajo H0 : = 0 , entonces se rechaza H0

P
si,
Xn
Xi < k0 ,
i=1
donde k0 es el mayor entero k tal que
k1
X n
0y (1 0 )ny .
y
y=0
b) Por el TLC se tiene que

p 0 ) n
(
p N (0, 1)
0 (1 0 )
bajo H0 , donde p = X. Luego, se rechaza H0 si

p 0 ) n
(
p < z = z1 .
0 (1 0 )
iid iid
10. Estamos suponiendo que X1 , . . . , Xn N (1 , 2 ), Y1 , . . . , Yn N (2 , 2 ), = 10 y
que Xi
Yj para todo i, j = 1, . . . , n.
a) Sabemos que un I.C. para 1 2 al 95 % es X Y 1,96 10n , cuya longitud debe

ser igual a 2, o sea, 2 1,96 10n = 2, de donde se tiene n = 384.16. Luego, para
asegurar la confiabilidad deseada y tener un valor entero de n, debe tomarse una
muestra de tama no 385.

(XY ) n
b) Sabemos que el test rechaza H0 : 1 = 2 en favor de H1 : 1 > 2 si 2
>
z1 . Pero como
r !
2
P otencia ( = 1 2 ) = P X Y > z1 1 2 =
n

X Y (1 2 ) (1 ) n
2

= P q > z1 1 2 =
n 2 2

n
= P Z > z1 ,
2
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
)
(XY
donde Z = 2
distribuye N (0, 1) bajo H1 : 1 2 = > 0. De lo anterior
n
tenemos que
n
P Z z1 = 1 P otencia () .
2
Por tanto,
n
z1P otencia() = z1 .
2
Del problema tenemos, = 2, P otencia (2) = 0,5, = 0,1 y = 10. Por tanto,

2 n
z0,5 = z0,9 ,
10 2

2 n
y de aqu, 0 = 1,28 10 , lo que implica n = 81.92. Pero como debemos tomar un
2
tama no de muestra entero y que cumpla las exigencias pedidas entonces n debe
ser igual a 82.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Ap
endice A
Formulario de Distribuciones
P (X = x) | fX (x) E(X) V (X) MX (t) RX (x)
X Bernoulli(p) px (1 p)1x p p(1 p) (1 p) + pet x = 0, 1.

n
X Binomial(n, p) x
px (1 p)nx np np(1 p) ((1 p) + pet )n x = 0, 1, . . . , n
(1p) pet
X Geom(p) p(1 p)x1 1 , si (1 p)et < 1 x = 1, 2, . . .
p p2 1(1p)et
r
et p

x1 r(1p)
X BN(r, p) pr (1 p)xr r x = r, r + 1, r + 2, . . .
r1 p p2 1(1p)et
M N M

X Hiper(M, N, n) x nx
N
np nM
N
( N M
N
)( N n
N 1
) x = 0, 1, . . . , mn(M, n)
n
x e t
X Poisson() x!
e(e 1) x = 0, 1, . . .
1 a+b (ba)2 etb eat

X Unif(a, b) ba 2 12 t(ba)
, t 6= 0 axb
X Exp() ex 1 1 ,t < x>0

2 t
(x)2 2 2
t+ t
X Normal(, 2 ) 1 e 2 2 2 e 2 < x <
2 2

1 x1 ex
X Gamma(, ) , t< x>0
() 2 t
(+)
X Beta(, ) x1 (1 x)1 0x1
()() + (+)2 (++1)
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
II Captulo A. Formulario de Distribuciones
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Ap
endice B
Formulario de An
alisis de Regresi
on
Simple
1. Modelo de Regresi
on Estimado
y =0 + 1 x
0 =y 1 x
n
X n
X
n
xi yi
X i=1 i=1
xi yi
n
1 = i=1 !2
n
X
n
xi
X i=1
x2i
i=1
n
2. Suma de cuadrados
n
!2
X
n n
xi
X X i=1
a) Sxx = (xi x)2 = x2i .
i=1 i=1
n
n
!2
X
n n
yi
X X i=1
b) Syy = (yi y)2 = yi2 .
i=1 i=1
n
n
X n
X
n n
xi yi
X X i=1 i=1
c) Sxy = (xi x)(yi y) = xi yi
i=1 i=1
n
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
IV Captulo B. Formulario de An
alisis de Regresi
on Simple
d ) SSE = Syy 1 Sxy .
e) SSR = 1 Sxy .
f ) SST = SSR + SSE = Syy
3. Varianzas y Desviaciones Est

andar
SSE
2 =
a) n2
r
x2
b) se(0 ) = 2 n1 + Sxx
q
c) se(1 ) = 2
Sxx
4. Test de Hip
otesis para los coeficientes
a) H0 : 0 = 0 H1 : 0 6= 0
0
T0 =
se(0 )
b) H0 : 1 = 0 H1 : 1 6= 0
1
T1 =
se(1 )
En ambos caso se rechaza la hipotesis nula si |Ti | > tn2,1/2
5. Intervalos de Confianza
a) Intervalos de Confianza para los coeficientes
IC(0 ) =0 tn2,1/2 se(0 )
IC(1 ) =1 tn2,1/2 se(1 )
b) Intervalo de Confianza para la Prediccion y0 en el valor x0 , donde y0 = 0 + 1 x0

s
1 (x x)2
0
IC(y0 ) = y0 tn2,1/2 2 1 + +

n Sxx
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
V
y|x0 = 0 + 1 x0
c) Intervalo de Confianza para la respuesta media, donde
s
1 (x0 x)2
y|x0 tn2,1/2
IC(y|x0 ) = 2
+
n Sxx
on R2
6. Coeficiente de Determinaci
Sxy SSE
R2 = 1 =1
Syy Syy
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
VI Captulo B. Formulario de An
alisis de Regresi
on Simple
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
Ap
endice C
Tablas de distribuci
on
C.1. Distribuci
on t de Student
Magnitud de en una cola
gl 0.20 0.15 0.10 0.05 0.025 0.01 0.005 0.0005
1 1.38 1.96 3.08 6.31 12.71 31.82 63.66 636.58
2 1.06 1.39 1.89 2.92 4.30 6.96 9.92 31.60
3 0.98 1.25 1.64 2.35 3.18 4.54 5.84 12.92
4 0.94 1.19 1.53 2.13 2.78 3.75 4.60 8.61
5 0.92 1.16 1.48 2.02 2.57 3.36 4.03 6.87
6 0.91 1.13 1.44 1.94 2.45 3.14 3.71 5.96
7 0.90 1.12 1.41 1.89 2.36 3.00 3.50 5.41
8 0.89 1.11 1.40 1.86 2.31 2.90 3.36 5.04
9 0.88 1.10 1.38 1.83 2.26 2.82 3.25 4.78
10 0.88 1.09 1.37 1.81 2.23 2.76 3.17 4.59
11 0.88 1.09 1.36 1.80 2.20 2.72 3.11 4.44
12 0.87 1.08 1.36 1.78 2.18 2.68 3.05 4.32
13 0.87 1.08 1.35 1.77 2.16 2.65 3.01 4.22
14 0.87 1.08 1.35 1.76 2.14 2.62 2.98 4.14
15 0.87 1.07 1.34 1.75 2.13 2.60 2.95 4.07
16 0.86 1.07 1.34 1.75 2.12 2.58 2.92 4.01
17 0.86 1.07 1.33 1.74 2.11 2.57 2.90 3.97
18 0.86 1.07 1.33 1.73 2.10 2.55 2.88 3.92
19 0.86 1.07 1.33 1.73 2.09 2.54 2.86 3.88
20 0.86 1.06 1.33 1.72 2.09 2.53 2.85 3.85
21 0.86 1.06 1.32 1.72 2.08 2.52 2.83 3.82
22 0.86 1.06 1.32 1.72 2.07 2.51 2.82 3.79
23 0.86 1.06 1.32 1.71 2.07 2.50 2.81 3.77
24 0.86 1.06 1.32 1.71 2.06 2.49 2.80 3.75
25 0.86 1.06 1.32 1.71 2.06 2.49 2.79 3.73
26 0.86 1.06 1.31 1.71 2.06 2.48 2.78 3.71
27 0.86 1.06 1.31 1.70 2.05 2.47 2.77 3.69
28 0.85 1.06 1.31 1.70 2.05 2.47 2.76 3.67
29 0.85 1.06 1.31 1.70 2.05 2.46 2.76 3.66
30 0.85 1.05 1.31 1.70 2.04 2.46 2.75 3.65
0.84 1.04 1.28 1.64 1.96 2.33 2.58 3.29
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
VIII Captulo C. Tablas de distribuci
on
C.2. on 2
Distribuci
Proporci
on del Area hasta +
gl 0.995 0.99 0.975 0.95 0.90 0.75 0.50
1 0.00 0.00 0.00 0.00 0.02 0.10 0.45
2 0.01 0.02 0.05 0.10 0.21 0.58 1.39
3 0.07 0.11 0.22 0.35 0.58 1.21 2.37
4 0.21 0.30 0.48 0.71 1.06 1.92 3.36
5 0.41 0.55 0.83 1.15 1.61 2.67 4.35
6 0.68 0.87 1.24 1.64 2.20 3.45 5.35
7 0.99 1.24 1.69 2.17 2.83 4.25 6.35
8 1.34 1.65 2.18 2.73 3.49 5.07 7.34
9 1.73 2.09 2.70 3.33 4.17 5.90 8.34
10 2.16 2.56 3.25 3.94 4.87 6.74 9.34
11 2.60 3.05 3.82 4.57 5.58 7.58 10.34
12 3.07 3.57 4.40 5.23 6.30 8.44 11.34
13 3.57 4.11 5.01 5.89 7.04 9.30 12.34
14 4.07 4.66 5.63 6.57 7.79 10.17 13.34
15 4.60 5.23 6.26 7.26 8.55 11.04 14.34
16 5.14 5.81 6.91 7.96 9.31 11.91 15.34
17 5.70 6.41 7.56 8.67 10.09 12.79 16.34
18 6.26 7.01 8.23 9.39 10.86 13.68 17.34
19 6.84 7.63 8.91 10.12 11.65 14.56 18.34
Proporci
on del Area hasta +
gl 0.25 0.10 0.05 0.03 0.01 0.005 0.001
1 1.32 2.71 3.84 5.02 6.63 7.88 10.83
2 2.77 4.61 5.99 7.38 9.21 10.60 13.82
3 4.11 6.25 7.81 9.35 11.34 12.84 16.27
4 5.39 7.78 9.49 11.14 13.28 14.86 18.47
5 6.63 9.24 11.07 12.83 15.09 16.75 20.51
6 7.84 10.64 12.59 14.45 16.81 18.55 22.46
7 9.04 12.02 14.07 16.01 18.48 20.28 24.32
8 10.22 13.36 15.51 17.53 20.09 21.95 26.12
9 11.39 14.68 16.92 19.02 21.67 23.59 27.88
10 12.55 15.99 18.31 20.48 23.21 25.19 29.59
11 13.70 17.28 19.68 21.92 24.73 26.76 31.26
12 14.85 18.55 21.03 23.34 26.22 28.30 32.91
13 15.98 19.81 22.36 24.74 27.69 29.82 34.53
14 17.12 21.06 23.68 26.12 29.14 31.32 36.12
15 18.25 22.31 25.00 27.49 30.58 32.80 37.70
16 19.37 23.54 26.30 28.85 32.00 34.27 39.25
17 20.49 24.77 27.59 30.19 33.41 35.72 40.79
18 21.60 25.99 28.87 31.53 34.81 37.16 42.31
19 22.72 27.20 30.14 32.85 36.19 38.58 43.82
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
C.3 Distribuci
on F ( = 0,05) IX
C.3. Distribuci
on F ( = 0,05)
Grados de libertad Grados de libertad para el numerador

denominador 1 2 3 4 5 6 7 8 9 10
1 161 199 216 225 230 234 237 239 241 242
2 18.5 19.0 19.2 19.2 19.3 19.3 19.4 19.4 19.4 19.4
3 10.1 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99
120 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91
3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88 1.83
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
X Captulo C. Tablas de distribuci
on
(Continuaci
on)
Grados de libertad Grados de libertad para el numerador

denominador 12 15 20 24 30 40 60 120
1 244 246 248 249 250 251 252 253 254
2 19.4 19.4 19.4 19.5 19.5 19.5 19.5 19.5 19.5
3 8.74 8.70 8.66 8.64 8.62 8.59 8.57 8.55 8.53
4 5.91 5.86 5.80 5.77 5.75 5.72 5.69 5.66 5.63
5 4.68 4.62 4.56 4.53 4.50 4.46 4.43 4.40 4.37
6 4.00 3.94 3.87 3.84 3.81 3.77 3.74 3.70 3.67
7 3.57 3.51 3.44 3.41 3.38 3.34 3.30 3.27 3.23
8 3.28 3.22 3.15 3.12 3.08 3.04 3.01 2.97 2.93
9 3.07 3.01 2.94 2.90 2.86 2.83 2.79 2.75 2.71
10 2.91 2.85 2.77 2.74 2.70 2.66 2.62 2.58 2.54
11 2.79 2.72 2.65 2.61 2.57 2.53 2.49 2.45 2.40
12 2.69 2.62 2.54 2.51 2.47 2.43 2.38 2.34 2.30
13 2.60 2.53 2.46 2.42 2.38 2.34 2.30 2.25 2.21
14 2.53 2.46 2.39 2.35 2.31 2.27 2.22 2.18 2.13
15 2.48 2.40 2.33 2.29 2.25 2.20 2.16 2.11 2.07
16 2.42 2.35 2.28 2.24 2.19 2.15 2.11 2.06 2.01
17 2.38 2.31 2.23 2.19 2.15 2.10 2.06 2.01 1.96
18 2.34 2.27 2.19 2.15 2.11 2.06 2.02 1.97 1.92
19 2.31 2.23 2.16 2.11 2.07 2.03 1.98 1.93 1.88
20 2.28 2.20 2.12 2.08 2.04 1.99 1.95 1.90 1.84
21 2.25 2.18 2.10 2.05 2.01 1.96 1.92 1.87 1.81
22 2.23 2.15 2.07 2.03 1.98 1.94 1.89 1.84 1.78
23 2.20 2.13 2.05 2.01 1.96 1.91 1.86 1.81 1.76
24 2.18 2.11 2.03 1.98 1.94 1.89 1.84 1.79 1.73
25 2.16 2.09 2.01 1.96 1.92 1.87 1.82 1.77 1.71
30 2.09 2.01 1.93 1.89 1.84 1.79 1.74 1.68 1.62
40 2.00 1.92 1.84 1.79 1.74 1.69 1.64 1.58 1.51
60 1.92 1.84 1.75 1.70 1.65 1.59 1.53 1.47 1.39
120 1.83 1.75 1.66 1.61 1.55 1.50 1.43 1.35 1.25
1.75 1.67 1.57 1.52 1.46 1.39 1.32 1.22 1.00
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
C.4 Distribuci
on Normal XI
C.4. Distribuci
on Normal
Segunda cifra decimal en z
z 0.0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim

Guia Olea Parte 1

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Guia Olea Parte 1

Uploaded by

Copyright:

Available Formats

Ejercicios Resueltos y Propuestos

Curso EYP 2113

Trabajo de Recopilacion , Organizacion y Elaboracion

Santiago, Diciembre 2004

Con la intencion de apoyar la labor docente que desarrolla el Departamento de Estadstica

Especficamente deseamos agradecer a los profesores

Santiago, Diciembre 2004

2. Test de Hip otesis 49

3. Ejercicios Resueltos de Interrogaciones 81

C. Tablas de distribuci on VII

1.1. Ejercicios Resueltos

Suponga que se tiene una m.a. de tama

dos estimadores de .Cual es el mejor estimador de ?. Explique su eleccion.

Suponga que 1 y 2 son estimadores del parametro . Se sabe que E( 1 ) = , E(

Si observamos cuidadosamente, vemos que 1 es insesgado para pero que

1 sera mejor estimador de que

(b) Determine la magnitud del sesgo en el estimador.

(c) Que sucede con el sesgo a medida que aumenta el tama

(b) La magnitud del sesgo, no es mas que el tama

Una maquina produce artculos defectuosos con probabilidad . En la inspeccion de artculos

(a) Proponga un modelo apropiado para el problema y estime la proporcion de artculos

donde el parametro p, que es la probabilidad del exito, es desconocida, por lo que la

Aplicando logaritmo natural, obtenemos:

Luego, para maximizar la funcion de verosimilitud, derivamos con respecto al parametro

Luego, para maximizar la funcion de verosimilitud, derivamos con respecto al parametro p,

E(C) = 3E(X) + E(X 2 )

= 3np + np(1 p) + (np)2

(a) Muestre que r = (2p 1)q + (1 p)

(b) Si r es conocida, Como podra determinarse q?

R: Proporcion de la muestra que contesta s.

p: Probabilidad que la afirmacion 1 sea contestada.

q: Probabilidad de la poblacion que tiene la caracterstica A.

r: Probabilidad que un encuestado responda si.

= P (responda s | contesta afirmacion 1)P (contesta afirmacion 1)

(b) Sera cosa de despejar q, es decir,

Ademas, suponga que el valor de es desconocido ( > 0).

(a) Determine el EMV de .

(b) Determine el EMV de E(X).

Sean X1 , X2 , . . . , Xn variables aleatorias i.i.d. con funcion densidad dada por

(a) Encuentre el estimador de por el metodo de momentos.

(b) Encuentre el estimador de por el metodo de maxima verosimilitud.

X 0.1 - 0.3 0.3 - 0.6 0.6 - 0.7 0.7 - 0.9

(a) El metodo de momentos consiste en igualar el momento muestral con el momento

Para el caso k = 1 tenemos la siguiente igualdad

Marca de Clase (0.2) (0.45) (0.65) (0.8)

Se puede representar el conjunto de valores para X como:

[X : 0,2; 0,2; 0,2; 0,45; 0,65; 0,65; 0,8; 0,8; 0,8]

Sean X1 , ..., Xn , Y1 , ..., Yn v.a. independientes con Xi Exp( 1 ) e Yj Exp( 1 ), con

(a) Determine los EMV (estimador maximo verosmil) para 1 y 2

(b) Encuentre el sesgo y el ECM (error cuadratico medio) de 1

(b) Por formula el ECM (1 ) = V ar(1 ) + Sesgo2 (1 ), donde el Sesgo(1 ) = E(1 ) 1 .

Luego como es insesgado (recuerde que 1 = ), el Sesgo(1 ) = 0.

Por lo tanto para calcular el ECM (1 ) basta calcular su varianza.

es un estimador insesgado, es decir, Sesgo()

(a) Para que valor de c, cT es insesgado?

(b) Para que valor de c, el ECM (cT ) es mnimo?

(a) Calcularemos la esperanza para determinar el insesgamiento.

E(2 ) = E((cT )2 ) = c2 E(T 2 )

y as obtenemos el ECM , resultando:

la cual es positiva n > 0, luego cuando c = n+2

Asuma que > 0 es conocido y que X1 , ..., Xn son v.a. iid.

(a) Encuentre un estimador de momentos para .

(b) Determine el EMV de .

(a) Igualando el momento poblacional con el muestral, se obtiene el estimador de momen-