Tarea 2 Inferencia estadı́stica 2018-1

Profesora: Graciela Martı́nez Sánchez, graciela.mtz@ciencias.unam.mx

Ayudante: Jessica Garduño Muñiz, jeesgm@gmail.com
Fecha de entrega: 5 de octubre de 2018 a las 17:00 hrs.

La tarea se entrega en equipos de 2 ó 3 personas, en orden y bien escritas. Los ejercicios de R se

envı́an al correo del ayudante y se encuentran marcados con R.

1. Sea X1 , . . . , Xn una m.a. de una distribución cuya función de densidad (masa, en el caso discreto)
es dependiente del parámetro desconocido θ. Encuentre el estimador de momentos del parámetro θ
de las siguientes densidades de probabilidad.

(i) f (x; θ) = θxθ−1 , 0 < x < 1, 0 < θ < ∞.

1
(ii) f (x; θ) = , −θ < x < θ, 0 < θ < ∞.
2θ
(iii) f (x; θ) = θx−2 , 0 < θ < x < ∞.

2. Un modelo de probabilidad usado para describir distribuciones de salarios es la distribución

Pareto, cuya función de densidad de probabilidad es

θαθ
f (x; θ) = , 0 < α ≤ x < ∞, 0 < θ < ∞,
xθ+1
donde el valor de α representa el salario mı́nimo.

(i) Encuentre el estimador máximo verosı́mil de θ a partir de una m.a. X1 , . . . , Xn .

(ii) En paı́ses donde no existe el salario mı́nimo reglamentado, se tiene que α es desconocido.
Encuentre el estimador máximo verosı́mil de α y θ.

(iii) Exhiba las estadı́sticas suficientes para α y θ.

3. Sea X1 , . . . , Xn una m.a. de una distribución N(µ, σ2 ), donde µ = σ2 = θ. Demuestre que el

estimador máximo verosimil de θ es
 n
1/2 
1 4 X 
θ̂ =  + .
 
 2

 
1 X − 1
  
 i 
2 n
 


i=1

4. Suponga que un investigador desea estimar la proporción p de mariposas monarca con un tipo
de marca en las alas. Para esto, considere dos posibles experimentos. En cada caso identifique la
distribución a ajustar.

(i) Suponga que el investigador captura una mariposa a la vez hasta encontrar 5 mariposas con
el tipo de marca. Si el investigador tuvo que capturar en total 43 mariposas, ¿cuál es el valor
estimado de p?.

(ii) Suponga que el investigador capturó 58 mariposas al final del dı́a y sólo encontró 6 mariposas
con el tipo de marca. ¿cuál es el valor estimado de p?.

1
5. (R) Sea X1 , X2 , X3 , X4 , X5 una m.a. de una distribución Cauchy con mediana θ, esto es, con función
de densidad
1 1
f (x; θ) = , −∞ < x < ∞, −∞ < θ < ∞.
π 1 + (x − θ)2
Si x1 = −10.065, x2 = 3.457, x3 = 2.789, x4 = 3.538, x5 = 4.943.

(i) Grafique la función de log-verosimilitud.

(ii) Utilizando algún método numérico obtenga una estimación de θ.

6. Sea X1 , . . . , Xn una m.a. de una distribución con función de densidad f (x|θ) = θxθ−1 , con 0 < x < 1.
Suponga que la distribución inicial del parámetro tiene función de densidad

λr θr−1 e−λθ
π(θ) = , con 0 < θ < ∞.
Γ(r)
(i) Encuentre la distribución final de θ, π(θ|x).

(ii) Utilizando una función de pérdida cuadrática, encuentre el estimador bayesiano de θ.

7. Sean θ̂1 y θ̂2 dos estimadores insesgados de θ, con Var(θ̂1 ) = σ21 y Var(θ̂2 ) = σ22 . Se define el
siguiente estimador

θ̂3 = αθ̂1 + (1 − α)θ̂2 , 0 < α < 1.

(i) ¿Es θ̂3 un estimador insesgado de θ?.

(ii) Si θ̂1 y θˆ2 son independientes. ¿Para qué valor de α se minimiza la varianza de θ̂3 ?.

(iii) Si θ̂1 y θˆ2 no son independientes y cov(θ̂1 , θ̂2 ) = c , 0. ¿Para qué valor de α se minimiza la
varianza de θ̂3 ?.

8. Sea X1 , . . . , Xn los tiempos de supervivencia de una m.a. de n individuos a los que se les dió un
tratamiento médico y supón que tiene una distribución exponencial de media θ.

(i) Demuestre que θ̂ = X̄ es un estimador insesgado de θ y calcule su varianza.

(ii) ¿θ̂ alcanza la cota inferior de Cramér-Rao para estimadores insesgados?

(iii) Sea Y = min{X1 , . . . , Xn }. Encuentre P(Y > y) y deduce la función de densidad de Y. Muestre
que su media y varianza son θ/n y θ2 /n.

(iv) Proponga un estimador insesgado de θ basado en Y. De los dos estimadores obtenidos, ¿cuál es
más eficiente? ¿cuál es consistente?.

9. Sea X1 , X2 , . . . , Xn una m.a. de una distribución Bernoulli(p). El objetivo es estimar η = p(1 − p).
(i) Muestre que el estimador η̃ = X1 (1 − X2 ) es insesgado para η.

(ii) Encuentre un mejor estimador η̂ = E(η̃|T ), donde T = ni=1 Xi .

P

(iii) ¿Es η̂ el estimador insesgado de mı́nima varianza?.

(iv) ¿Son el m.l.e. y el obtenido en el inciso anterior similares?.

2
10. Sea X1 , . . . , Xn una m.a. con distribución uniforme en el intervalo (0, θ).

(i) Encuentre la cota inferior de Cramér-Rao de la varianza de un estimador insesgado de θ.

(ii) Ahora considere θ̂ = X(n) , el estimador máximo verosı́mil de θ, encuentre una constante c tal
que θ̃ = cθ̂ es un estimador insesgado de θ.

(iii) Calcule la varianza del estimador θ̃, ¿Por qué la varianza de este estimador es menor que la cota
inferior de Cramér-Rao?.

11. Sea X una sola observación de una distribución N(0, θ), (σ2 = θ).

(i) ¿Es |X| una estadı́stica suficiente?

(ii) ¿Es X 2 un estimador insesgado de θ?.

12. Sea X1 , . . . , Xn una muestra aleatoria de la población con distribución uniforme U(θ, θ + 1).
Demuestre que S = (Y1 , Yn ), donde Y1 = min{X1 , . . . , Xn } y Yn = max{X1 , . . . , Xn }, es una estadı́stica
suficiente minimal pero no es completa.

13. Sea X1 , . . . , Xn una muestra aleatoria de la población cuya función de densidad es

θ2
f (x; θ) = (x + 1)e−θx , 0 < x < ∞, 0 < θ < ∞.
θ+1
(i) Demuestre que la función de densidad de X pertenece a la familia exponencial.

(ii) Obtenga una estadı́stica suficiente minimal y completa.

14. Considere el caso de una distribución N(θ, θ2 ) de la cual se observa una muestra aleatoria de
tamaño n, siendo el parámetro θ desconocido.

(i) Muestre que se está frente a un caso de una familia exponencial en que la dimensión de la
estadı́stica suficiente minimal, es 2; siendo la dimensión original igual a 1 (caso curioso en
estadı́stica) y muestre que la estadı́stica suficiente minimal es equivalente a T = (X̄, S 2 ), la
media muestral y n1 i (Xi − X̄)2 .
P

(ii) Exhiba una función de T que tenga valor esperado cero para todo θ que sin embargo no sea una
función idénticamente nula, con ella demostrando que T no es completa. Hint: Observe las
distribuciones de las dos componentes de T y observe por ejemplo que E(X̄ 2 ) = θ(n + 1)/n.