1. Actividad Teórica (Ejercicio 0.

1): Se pide demostrar el siguiente teorema:

Teorema: Si el estadístico de prueba tiene una distribución continua, entonces bajo
H0: θ = θ0, el p-valor tiene una distribución Uniforme [0,1].
Demostración: Supongamos que D es el estadístico de Prueba para un contraste de
hipótesis simple donde la hipótesis nula es H0: θ = θ0 y que el estadístico de la prueba es
continuo, cuya función de distribución bajo la hipótesis nula es F D(D)=PrH0(D<d), donde d
es el valor observado cuando una determinada muestra se considera.

Por definición sabemos que el P-valor = inf {α: D ∈ Rα}, donde la región de rechazo es
Rα={D: D>K(α)} bajo la hipótesis simple considerada. Además para un valor D=d, se tiene
un valor fijo del p-valor= PrH0(D>d)=1- FD(D).

De lo anterior, se puede concluir que el P-valor es una variable aleatoria ya que sus
valores están en correspondencia uno a uno con los valores del estadístico D que es una
variable aleatoria. En consecuencia podemos calcular F p(p|H0) que es la función de
distribución de P-valor bajo la hipótesis nula simple.

Fp(p|H0)=PrH0(P<=p) (por definición de función de distribución)

=PrH0(1- FD(D)<=p) (por definición de P-valor cuando se tiene un p-valor fijo)
=PrH0(FD(D)>=1-p) (Despejando FD(D))
=PrH0(D>= F-1D(1-p)) (FD(D) es invertible, por continuidad del estadístico D)
= 1- FD (F-1D(1-p)) (Por definición de función de distribución)
=1-(1-p) (por propiedad de composición de funciones)
=p donde p ∈ (0, 1)

Al derivar la función de distribución del P-valor obtenemos que su función de densidad es

1 y su soporte es p ∈ (0, 1). En consecuencia, el P-valor sigue una distribución Uniforme
[0,1] l.q.q.d. En el script de R que se adjunta a este documento se ha desarrollado una
simulación sobre el comportamiento del p-valor aplicando la simulación de Monte Carlo.

2. Actividad Simulación (Ejercicio 0.2): Sea X1,X2,..Xn una muestra i.id. de una distribución
Uniforme (0, θ) y sea D=max{ X1,X2,..Xn }.
a) Probar que la función de distribución D es la siguiente:

Demostración: En base a las condiciones del problema, se tiene que la distribución

X
acumulada para Xi es F(Xi)= , ∀ x ϵ ( 0 , θ ) y por la independencia de las Xi la función de
θ
n
distribución conjunta para la muestra es igual a π i=1 ( F (X i) ).
Pr(D ≤ u) = Pr(max{ X1,X2,..Xn } ≤ u) = Pr(X1 ≤ u, . . . ,Xn ≤ u)
n n
Pr(X1 ≤ u, . . . ,Xn ≤ u¿=π i=1 ( F X (u) )=F X (u) (Xi i.id.)
i i

u n
F X (u)n=
i ()
θ
∀ u ϵ (0 , θ) (Xi sigue una distribución Uniforme (0, θ))
Por tanto, La distribución del estadístico D=max{ X1,X2,..Xn }, es igual a G(u).

Considerando la siguiente prueba: H0: θ = 1 vs H1: θ > 1.

Miguel Alfonso Flores Sánchez 1 Contraste de especificación

 b) ¿Qué valor de c hará que el nivel de significación de la prueba sea 0.05?.

Por definición del nivel crítico, se tiene que α = PrD(Rechazar Ho/ θ0)=PrD(D>c /
c n
θ0)=1-G(c)=1-
θ0 ( )
. Por tanto, despejando tenemos que c= θ0 (1- α) (1/n)

En consecuencia, con α=0.05, y bajo la hipótesis nula θ=1, tenemos que c=(0.95)
(1/n)

c) Para un nivel de significación α dado, encontrar la potencia en función de θ y n. Es la

prueba propuesta consistente? Hacer algunos gráficos de la potencia como una
función de θ, para varios valores de n y α (por ejemplo, n = 10, 20, 50 y α = 0.05,
0.10).

Dado que c= θ0 (1- α) (1/n) bajo la hipótesis nula a un nivel de significancia α, se tiene
que la función de la potencia de la prueba para θ > θ0 es:

n
θ 0( 1−α )(1/ n) θ0n ( 1−α )
Π (θ)=Pr D (Rechazar Ho/θ> θ 0)=1−G(θ 0(1−α ) )=1− (1 / n)
θ ( =1− ) (
θn )
(1−α )
. Por tanto, bajo la hipótesis nula θ=1, se tiene que Π (θ)=1−
θn

Figura 1: Gráficos de la potencia de prueba para n=10,20,50 y alpha=0.05,0.1

Claramente se puede observar en los gráficos de potencia, por un lado que a medida
que aumenta el tamaño de la muestra tienden a 1 y al mismo tiempo cuando theta
tiende a la hipótesis nula la potencia de la prueba tiende al valor de significancia
fijado alpha. Por otro lado cuando se comparan las potencias de la prueba para
diferentes valores de alpha se puede observar en la Figura 1 que prácticamente son
las mismas funciones. En otras palabras no se cumple que la prueba sea UMP
(Uniformily most powerful).

d) Prepare algunas simulaciones para estudiar el comportamiento del p-valor: En la

Tabla 2, se presentan la estadística descriptiva del resultado de las simulaciones
Miguel Alfonso Flores Sánchez 2 Contraste de especificación
 realizadas para los diferentes escenarios. Claramente en los resultados se puede
observar que en el caso de que theta=1, los p-valores se distribuyen uniformemente
en el intervalo [0, 1]. Por otro lado mientras theta va tomando valores mayores a la
hipótesis nula, es decir para theta>1, la tendencia de los p-valores es a cero.

En la Figura 2, se presentan los respectivos gráficos de histograma y diagrama de

cajas para los diferentes valores de theta cuando el tamaño de la muestra es 50. Los
gráficos para los diferentes tamaños de muestra se los puede generar a partir del
script en R que se adjunta a este trabajo.

Theta =1 Theta =1.05 Theta =1.1

n=10 n=20 n=50 n=10 n=20 n=50 n=10 n=20 n=50
Size (n) 1000.000 1000.000 1000.000 Size (n) 1000.000 1000.000 1000.000 Size (n) 1000.000 1000.000 1000.000
Missing 0.000 0.000 0.000 Missing 0.000 0.000 0.000 Missing 0.000 0.000 0.000
Minimum 0.000 0.002 0.000 Minimum 0.000 0.000 0.000 Minimum 0.000 0.000 0.000
1st Qu 0.250 0.237 0.267 1st Qu 0.000 0.000 0.000 1st Qu 0.000 0.000 0.000
Mean 0.499 0.497 0.505 Mean 0.302 0.188 0.049 Mean 0.185 0.074 0.005
Median 0.503 0.498 0.499 Median 0.191 0.000 0.000 Median 0.000 0.000 0.000
TrMean 0.499 0.496 0.506 TrMean 0.283 0.157 0.014 TrMean 0.154 0.037 0.000
3rd Qu 0.745 0.753 0.747 3rd Qu 0.585 0.345 0.000 3rd Qu 0.339 0.000 0.000
Max. 0.999 0.997 0.999 Max. 0.999 0.993 0.984 Max. 0.998 0.983 0.833
Stdev. 0.283 0.290 0.288 Stdev. 0.325 0.303 0.174 Stdev. 0.291 0.205 0.057
Var. 0.080 0.084 0.083 Var. 0.106 0.092 0.030 Var. 0.085 0.042 0.003
SE Mean 0.009 0.009 0.009 SE Mean 0.010 0.010 0.006 SE Mean 0.009 0.006 0.002
I.Q.R. 0.495 0.516 0.480 I.Q.R. 0.585 0.345 0.000 I.Q.R. 0.339 0.000 0.000
Range 0.999 0.995 0.999 Range 0.999 0.993 0.984 Range 0.998 0.983 0.833
Kurtosis -1.182 -1.246 -1.167 Kurtosis -1.062 0.215 13.771 Kurtosis 0.495 7.599 139.190
Skewness -0.013 0.033 0.018 Skewness 0.617 1.324 3.786 Skewness 1.367 2.911 11.565
Tabla 1: Estadística descriptiva de los p-valores simulados para los diferentes escenarios considerados

A partir de la Figura 2, para el caso donde theta=1, se tiene que se ha generado

muestras tamaño 50 donde la hipótesis nula es cierta, dando como resultado de las
simulaciones un histograma de los p-valores con una forma plana y uniforme sobre
el intervalo [0, 1]. Por tanto podemos verificar que un p-valor no es la probabilidad
de que Ho sea cierto. Esto es claro, ya que a pesar que Ho es cierta, el p-valor está
uniformemente distribuido entre cero y uno.

Para los casos de theta>1, Se tiene que el histograma de los p-valores ya no es

uniforme. Puede observarse que existe más chance de obtener p-valores menores al
nivel de significación, además serán más altos estos valores bajo la hipótesis
alternativa que bajo la hipótesis nula y ese efecto es más claro a medida que theta
incrementa su valor.

Miguel Alfonso Flores Sánchez 3 Contraste de especificación

 Figura 2: Histogramas y diagramas de cajas. De izquierda a derecha para los casos de theta=1,
theta=1.05 y theta=1.1

3. Bibliografía
 Jun Shao (2003), Mathematical Statistics, second edition, Springer. 
 Jun Shao (2005), Mathematical Statistics: Exercises and Solutions, Springer

Miguel Alfonso Flores Sánchez 4 Contraste de especificación