Está en la página 1de 5

Solucionario de la Prueba de entrada -

Estadı́stica Bayesiana
Milla Noa David Alex1
1
Asignatura: Estadı́stica Bayesiana
2
Escuela Profesional de Ingenierı́a Estadı́stica
3
Universidad Nacional de Ingenierı́a

19/06/2019

Resumen
El presente trabajo muestra la resolución de la Prueba de entrada
....

1. Solucionario de ejercicios
1.1. Problema 1
0
Sea X = (X1 , X2 , ....., Xn ) un vector aleatorio n-dimensional (n ≥ 3) con
función de densidad.
n
1 Pn 2 Y 2
pX (x1 , x2 , ....xn ) = n/2
e−1/2. i=1 xi .[1 + xi .e−1/2.xi ]

i=1

Halle las distribuciones marginales de X


Solución:

X = (x1, x2, ....., xn), n ≥ 3, donde :

Pn n
x2i 2
Y
pX(x1, x2, ....xn) = (2π)−n/2 .e−1/2. i=1 .[1 + xi .e−1/2.xi ]
i=1
n n
Y 2 Y 2
pX(x1, x2, ....xn) = (2π)−1/2 .e−xi /2 [1 + xi .e−xi /2 ]
i=1 i=1

n n n
Y 2 Y 2 Y 2
pX(x1, x2, ....xn) = (2π)−1/2 .e−xi /2 + ( (2π)−1/2 .e−xi /2 ).( xi .e−xi /2 )
i=1 i=1 i=1

n n
Y 2 Y 2
pX(x1, x2, ....xn) = (2π)−1/2 .e−xi /2 + (2π)−1/2 .exi .xi
i=1 i=1

1
La función de densidad marginal para xj será: P (xj ) = <n−1 Px (x! , x2 , ......xn )dx∗
R

Donde x∗ es el vector conformado por todas las variables xi donde i 6= j

Z n Z n
Y 2 Y 2
PX ( x j ) = ( (2π)−1/2 .e−xi /2 )dx + ( (2π)−1/2 .exi .xi )dx
<n−1 i=1 <n−1 i=1

Z Z
2 Y 2 2 Y 2
PX ( xj ) = (2π)−1/2 .e−xj /2 . (2π)−(n−1)/2 . e−xi /2 dx + (2π)−n/2 .xj .exj /2 . ( e−xi .xi )dx
<n−1 i6=j <n−1 i6=j

YZ ∞ YZ ∞
2 2 2 2
PX ( xj ) = (2π)−1/2 .e−xj /2 . (2π)−1/2 .exi /2 dxi + (2π)−n/2 .e−xj /2 .xj ). (xi .exi .dxi )
i6=j −∞ i6=j −∞

Z ∞ Z ∞ √
−1/2 −x2i /2 −1/2 2
(2π) .e dxi = (2π) . exi /2 dxi = (2π)−1/2 .Γ(1/2). 2 = 1
−∞ −∞

∞ b 2 2 2
−e−xi −e−b /2
e−b /2
Z Z
2 2
e−xi .xi .dxi = lı́m e−xi .xi .dxi = lı́m = lı́m + =0
−∞ b→∞ −b b→∞ 2 b→∞ 2 2
2
e−xj /2
P (xj ) = √ , xj ∈ <

1.2. Problema 2
Sea Y ∼ Np ( , Σ)∧W ∼ G( n2 , n2 ) y µ ∈ Rp .SiYyWsonindependientes, ladistribuciónt−
Studentmultivariadaquedacaracterizadaporlatransf ormación.

Y
X =µ+ √
W
P
Diremos que X ∼ Tp (n, µ, ).Usando el teorema de la transformación de vec-
tores aleatorios ,obtenga la función de densidad de X
Solución

Y ∼ Np ( , Σ)∧W ∼ G( n2 , n2 ) , donde Y y W son independientes.


Como W ∼ G( n2 , n2 ), W = Zn ⇒ Z ∼ X 2 (n) ⇒ Y y Z son
también independientes.
⇒ X = Upx1 + √Y Z = R ⇒ Z = nR2
n
∂Z ∂Z Y = (X − U )R
∂R ∂X 2nR
⇒ |J| = ∂Y ∂Y = X−U R.I = |2nR||R.Ip −(X −U )(2nR)−1 ,0| p
∂R ∂X
= (2nR)|R.Ip | = 2nR.Rp |Ip |
⇒ |J| = 2nRp+1

2
n −1
1 0 −1 .y .e−z/2
⇒ fY,Z (y, z) = fy (y).fz (z) = (2π)−n/2 .|Σ|−1/2 .e− 2 y .Σ . z 2 n2
2 .Γ( n
2
)
Esto es debido a que Y y Z son
independientes
n
n 0 −1 ((x−u)r) 2 ) 2 −1 .e−nr 2 /2
⇒ fX,R (x, r) = fy ((x−u)r, nr2 ).J = (2π)−n/2 .|Σ|−1/2 .e 2 ((x−u)r Σ . (nr n
2 2 .Γ( n2
)
−p/2 −1/2 n/2 −nr 2 (x−u)0 Σ−1 (x−u)
⇒ fX,R (x, r) = π p+n.|Σ| .n p

−1
.e 2 (1+ n
) n+p−1
.r , x∈R
r ∈ R+
2 2 .Γ( n
2
)
Z +∞
π −p/2 .|Σ|−1/2 .nn/2 +∞ −nr2 (1+ (x−u)0 Σ−1 (x−u) ) n+p−1
Z
⇒ f(x) = fX,R (x, r).dr = p+n e 2 n .r .dr
0 2 2 −1 0

0 −1 (x−u)
2−1/2 .k−1/2 .dk
I Haciendo: r2 . n2 (1+ (x−u) Σn ) = k ⇒ dr = (x−u)0 Σ−1 (x−u) 1/2
n1/2 (1+ n
)

+∞
2(n+p−1)/2 .k (n+p−1)/2 .e−k
Z
π −p/2 .|Σ|−1/2 .nn/2
⇒ f(x) = p+n . (x−u)0 Σ−1 (x−u) (n+p−1)/2
2 2 −1 .Γ( n
2
) 0 n(n+p−1)/2 .(1 + )
n
2−1/2 .k−1/2
× (x−u)0 Σ−1 (x−u) 1
dk
n1/2 (1+ n
)2

Z +∞
(n+p)
π −p/2 .|Σ|−1/2 0 −1 (n+p)
⇒ f(x) = p
−1 n
.(1+ (x−u) Σn (x−u) )− 2 . k 2
−1
.e−k .dk
2 2 .Γ( 2 )
|0 {z }
Γ (n+p)
2
Γ n+p
(2 ) (x−u)0 Σ−1 (x−u) − (n+p)
⇒ f(x) = p 1 .(1 + n
) 2 , x ∈ Rp
Γ( n ) (π.n) 2 .|Σ| 2
2

red∴ X ∼ Tp (n, u, Σ)

1.3. Problema 3
Sea X una matriz aleatoria de orden nxp (con p < n) tal que
P (X ∈ A) = 0 , donde

A = (X ∈ <nxp /rango(X) < p)


Si se tiene que:
0
βb = (X X)−1 X 0 Y
Y /X ∼ Nn (Xβ, σ 2 .V ), V > 0
Halle E(β)
b y Cov(β)
b
Solución

3
X es una matriz aleatoria de orden nxp (p < n)
0
Además: βb = (X X)−1 X 0 , Y Nn (Xβ, σ 2 .V ), V > 0
0 0 0 0
E(βb )=E((X X)−1 X Y ) = E(E((X X)−1 X Y )/X))

Esto debido a la propiedad de la esperanza condicional


0 0
E(βb )=E((X X)−1 X 0 E(Y /X))) = E((X X)−1 (X 0 X)β) = E(Ip .β) =
βpx1
0 0 0 0 0 0
cov( β)=cov((X
b X)−1 X Y ) = E(cov((X X)−1 X Y )/X)+cov(E(X X)−1 X Y )/X))
0 0 0 0 0
cov( β)=E((X
b X)−1 X cov(Y /X)X(X X)−1 ))+cov((X X)−1 X E(Y /X))
0 0 0 0 0 0
cov( β)=E(X
b X)−1 X .σ 2 .V.X X)−1 X ) + cov(X X)−1 (X X)β)
0 0 0
cov( β)=σ
b 2
.E((X X)−1 X V.X(X X)−1 ) + cov(Ip β)

P ero cov(Ip β) = 0,
0 0 0
cov( β)=σ
b 2
.E((X X)−1 X V.X(X X)−1 )

1.4. Problema 4
Suponga que (X1 , X2 , ....Xn ) son condicionalmente independien-
tes dado θ y (xi /θ) ∼Ber(θ).

Si θ ∼ Beta(α, β)
¿A que familia de distribución pertenece la densidad p(θ/x), don-
0
de x = (X1 , X2 , ....., Xn ) ?
Solución

0
Xi /θ ∼ Ber(θ), P (xi /θ) = θxi .(1 − θ)1−xi , X = (x1 , .....xn )

n n
Y Y Pn Pn
P (x/θ) = p(xi /θ) = θxi .(1 − θ)1−xi = θ i=1 xi
.(1 − θ)n− i=1 xi

i=1 i=1

θα−1 .(1 − θ)β−1


Además : θ ∼ Beta(α, β) , f (θ) = , θ ∈ (0, 1)
B(α, β)

4
p(x/θ).p()θ
Sabemos que : p(θ/x) = p(x)
, pero p(x) es una constante
respecto de θ

Pn
xi
Pn θα−1 .(1 − θ)β−1
p(θ/x), p(θ/x).p(θ), θ i=1 .(1 − θ)n− i=1 xi
.
B(α, β)
Pn Pn
p(θ/x), θ(α+ i=1 xi )−1
.(1 − θ)(n− i=1 xi +β)−1

Vemos que p(θ/x) tiene la forma de una distribución beta .


Por tanto:
n
X n
X
P (θ/x) ∼ Beta(α + xi , n − xi + β)
i=1 i=1

También podría gustarte