FACULTAD DE CIENCIAS EXACTAS Y NATURALES

Programa de matemáticas
Ejercicios de Inferencia Estadística
Estimación puntual
27 de septiembre de 2021

Estudiante: Profesor:

1. Sea la variable aleatoria X que sigue la distribución de 5. Sea X una variable una variable aleatoria que tiene por
Pascal: función de densidad

f (x) = p(1 − p)x , donde x = 0, 1, 2, . . . y 0 < p < 1. fθ (x) = 2θ−2 (1 − x) 0 < x < 1.

Encontrar un estimador de p por el método de los mo- Encuentre un estimador de máxima verosimilitud para el
mentos. parámetro θ.
6. Sea X1 , X2 , · · · , Xn una muestra aleatoria simple extraí-
2. Obtenga un estimador por el método de los momentos pa-
da de una población con distribución U (a; b). Encuentre
ra el parámetro a en una distribución Pareto, cuya función
estimadores de a y b por el método de máxima verosimi-
de densidad viene dada por
litud.
axa0
fa (x) = x > x0 . 7. Sea X1 , X2 , · · · , Xn una muestra aleatoria simple extraí-
xa+1
da de una población cuya distribución que tiene función
3. Sean n variables aleatorias independientes X1 , X2 , . . . , Xn de densidad
(
de función de densidad distintas. e−(x−θ) , si x ≥ θ
f (x) =
La función de densidad de Xk es: 0, en otro caso.
(
e−(xk −kθ) , si xk ≥ kθ Calcular el estimador de máxima verosimilitud para el
fk (xk ; θ) =
0, e.o.c. parámetro θ.

a) Calcular la esperanza y la varianza de Xk . 8. Sea X1 , X2 , · · · , Xn una muestra aleatoria simple extraí-

da de una población cuya distribución que tiene función
b) Encontrar la función de densidad conjunta de de densidad
X1 , X2 , . . . , Xn . 
 1 , si 0 ≤ x ≤ θ
c) Encontrar el estimador de máxima verosimilitud θb
f (x) = θ
del parámetro θ. 0, en otro caso.
d ) Encontrar la función de distribución del estimador
θ.
b Encontrar el estimador de máxima verosimilitud para el
n parámetro θ.
e) Encontrar el estimador θ∗ tal que
P
E(Xk ) =
k=1 9. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de una
n
P
xk . población con distribución exponencial truncada con fun-
k=1 ción de densidad
(
4. Sea X1 , X2 , · · · , Xn una muestra aleatoria simple de una e−(x−θ) , x≥0
población con distribución doble exponencial de paráme- f (x) =
0, en otro caso.
tro θ > 0, desconocido con función de densidad
Encuentre el estimador por el método de los momentos
1 −θ|x| de θ.
f (x; θ) = θe x ∈ R.
2
10. Obtenga un estimador, por el método de los momentos,
a) Encuentre el estimador para θ por el método de mo- para el parámetro a de la distribución que tiene por fun-
mentos. ción de densidad
b) Encuentre el estimador para θ por el método de má- 2(a − x)
xima verosimilitud. fa (x) = 0 < x < a.
a2

1
11. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de una b) El método de máxima verosimilitud.
población con distribución gamma de parámetros r y λ,
Γ(r; λ). Muestre que el estimador de máxima verosimili- 17. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de una
tud de µ = rλ es la media muestral µ b = X. población con función de densidad:
 α
 α2
12. Suponiendo dada una muestra aleatoria simple de tama- , si x ≥ 2
f (x; α) = xα+1
ño n, encuentre el estimador para θ por el método de 0, si x < 2
momentos para la siguiente distribución:
con α > 0.
 2x , si x = 1, 2, . . . , θ (θ ∈ N)


f (x; θ) = θ(θ + 1) a) Encontrar el estimador de máxima verosimilitud de


0, en otro caso. α.
b) Encontrar el estimador de α por el método de los
13. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de tama- momentos.
ño n de una población con distribución geométrica para
la cual p es la probabilidad de éxito. 18. Sea X una variable aleatoria con función de masa de pro-
babilidad
a) Utilice el método de momentos para encontrar un
estimador puntual para p. Pθ (X = x) = θ(1 − θ)x−1 x = 1, 2, . . . 0 ≤ θ ≤ 1.
b) Utilice los siguientes datos (simulados a partir de la Encuentre un estimador del parámetro θ por el método
distribución geométrica) para encontrar el estimador de máxima verosimilitud.
de momento para p:
19. Considere una población con función de distribución Pa-
2 5 7 43 18 19 16 11 22 reto, calcule el estimador de máxima verosimilitud para
4 34 19 21 23 6 21 7 12 β si la función de distribución es:
 α β
F (x; α, β) = 1 − con 0 < α < x y β > 0
¿Cómo utilizará esta información? x
con α conocido y β desconocido.
14. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de ta-
maño n. Determinar el estimador máximo verosímil del 20. Sea X1 , X2 , · · · , Xn una muestra aleatoria simple de una
parámetro en los siguientes casos: población X con función de densidad:
(x  2
a) Población de Poisson de parámetro θ. exp −x
, si x > 0 (θ > 0)
2θ 2
b) Población de Bernoulli de parámetro p. fθ (x) = θ2
0, en otro caso.
c) Población de exponencial de parámetro λ.
Hallar el estimador de máxima verosimilitud de θ.
d ) Población de geométrica de parámetro p.
e) Población de binomial de parámetros n (conocido) y 21. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de una
p. población con distribución de Rayleigh con función de
densidad
f ) Población de binomial negativa de parámetros n (co- 
nocido) y p.  2x e− xθ2 , x>0
f (x) = θ
15. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de la dis- 0, en otro caso.
tribución f (x; θ) que se especifica abajo, en donde θ > −2
es un parámetro desconocido. Encuentre el estimador por a) Encuentre el estimador para θ por el método de mo-
el método de máxima verosimilitud para el parámetro θ mentos.
y para la probabilidad P (a ≤ X ≤ b), en donde 0 < a < b b) Encuentre el estimador para θ por el método de má-
son dos constantes conocidas. xima verosimilitud.
( n
Xi2 es suficiente
P
(θ + 2)e−(θ+2)x , si x > 0 c) Demuestre que el estadístico T =
f (x; θ) = i=1
0, en otro caso. para θ.
22. Sea X1 , X2 , · · · , Xn una muestra aleatoria simple de una
16. La función de densidad de una variable aleatoria es:
población X con función de densidad:
fθ (x) = (θ + 1)xθ 0 < x < 1. (
θx−θ−1 , si x > 1 (θ > 0)
fθ (x) =
Halle el estimador de θ utilizando: 0, en otro caso.

a) El método de los momentos. a) Hallar el estimador de máxima verosimilitud de θ.

2
 b) Hallar el estimador de θ por el método de los mo- 29. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de una
mentos. población con distribución exponencial dos-paramétrica
con función de densidad
23. Se toma una muestra aleatoria de tamaño n de una po- 1 (x−θ)
blación cuya función de densidad es: f (x, λ, θ) = e− λ , para x ≥ θ, λ > 0.
λ
1 Obtenga los estimadores de máxima verosimilitud de λ y
  
x−µ)2
 √ exp − (log2σ 2 , si x > 0 θ cuando ambos son desconocidos.
f (x) = xσ 2π
0, en otro caso,

30. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de una
población con distribución Weibull de parámetros α y β
donde µ puede ser cualquier número real y σ es mayor con función de densidad
que cero. Hallar los estimadores de máxima verosimilitud ( β
de µ y σ 2 . αβxβ−1 e−αx , x≥0
f (x) =
0, en otro caso.
24. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de una
población con distribución de Cauchy con función de den- Encuentre los estimadores de máxima verosimilitud de α
sidad de probabilidad y β.

1 31. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple sobre

f (x) = , −∞ < x < ∞. [0, 1] con función de densidad de probabilidad
π [1 + (x − θ)2 ]
Γ(2θ) θ−1
Encuentre el estimador de máxima verosimilitud para θ. f (x) = [x(1 − x)] , x > 0.
Γ(θ)2
25. Hallar el estimador de máxima verosimilitud de la media ¿Qué ecuación satisface el estimador de máxima verosi-
y de la varianza de una población X cuyo logaritmo está militud de θ?
distribuido según una normal N (µ, σ 2 ). 32. La función densidad de probabilidad de una distribución
26. La altura en metros de varones en cierto rango de edad de Weibull uni-paramétrica está dada por
sigue una distribución normal N (1,7, σ 2 ). Para estimar σ
( 2
2αxe−αx , x>0
empleamos la segunda ecuación del método de momentos: f (x) =
1 Pn 0, en otro caso.
Eσ [X 2 ] = X 2.
n i=1 i a) Usando una muestra aleatoria simple de tamaño n,
obtenga un estimador de momento para α.
a) Hallar el estimador correspondiente.
b) Suponiendo que los siguientes datos son de una po-
b) Probar que para una muestra en la que todos los in- blación de Weibull uni-paramétrica,
dividuos tienen una altura menor que la media, se
llega a un resultado absurdo. 1,87 1,60 2,36 1,12 0,15
1,83 0,64 1,53 0,73 2,26
c) Comprobar que para dicha muestra no se cumple la
primera ecuación del método de los momentos.
obtener una estimación de momento para α.
27. Disponemos de una variable aleatoria de una población
33. Supongamos que se realizan n observaciones independien-
con función de densidad
tes de una variable aleatoria X, con función de densidad

θ

, si x ≥ θ (θ > 0)  1 x θ1 −1 , si 0 ≤ x ≤ 1 (θ 6= 0)
fθ (x) = x2 fθ (x) = θ
0, en otro caso. 0, en otro caso.
Calcular los estimadores de máxima verosimilitud de θ y a) Hallar estimadores de θ por el método de los mo-
1 mentos y por el de máxima verosimilitud.
de .
θ b) Obtener el estimador de máxima verosimilitud de

28. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de una 1
Pθ X < .
población con distribución exponencial desplazada con 2
función de densidad de probabilidad 34. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de tama-
( ño n extraída de una población con distribución N (µ, σ 2 ).
λe−λ(x−θ) , x>0
f (x) = a) Hallar los estimadores de máxima verosimilitud para
0, en otro caso.
los parámetros µ y σ 2 .
Obtenga los estimadores de máxima verosimilitud de θ y b) ¿Es X un estimador eficiente para el parámetro µ?
de λ. c) Encontrar un estimador insesgado para µ2 + σ 2

3
 d ) Encontrar un estimador suficiente para σ 2 cuando a) Obtener los estimadores de máxima verosimilitud de
µ = 0. θ y θ2 .
e) Demostrar que la varianza muestral S 2 no es un es- X1 + 2X2
b) Consideramos ahora el estimador T = .
timador eficiente para el parámetro σ 2 . 3
¿Es T insesgado para estimar θ? Hallar la varianza
35. Sea X1 , X2 , · · · , Xn una muestra aleatoria simple de una de T .
población X con función de densidad:
40. De una población con media µ y varianza σ 2 se extraen
dos muestras aleatorias simples e independientes de ta-
(
e−x+θ , si x > θ (θ ∈ R) n1
fθ (x) = maños n1 y n2 = . Sus medias muestrales son X 1 y
0, en otro caso 2
X 2 , respectivamente. Para estimar µ se proponen tres es-
a) Hallar el estimador por el método de los momentos timadores:
de θ.
X1 + X2
b) Estudiar si el estimador encontrado en el apartado µ
b1 = X 1 µ
b2 = X 2 µ
b3 =
2
anterior es insesgado.
a) Indique si son insesgados.
36. Se obtiene una muestra aleatoria simple X1 , X2 , · · · , Xn
b) Encuentre su varianza.
de una población con función de densidad
( c) ¿Cuál de los tres estimadores es mejor?
θxθ−1 , si x ∈ (0, 1) (θ > 0)
fθ (x) = 41. Sea X1 , X2 , · · · , Xn una muestra aleatoria simple de una
0, en otro caso. población con distribución P(λ), con λ > 0 desconocido.
Para estimar θ, calcúlese: Demuestre que el estimador λ b = X1 + Xn es insesgado
2
pero no es consistente para λ.
a) un estadístico suficiente;
b) el estimador de máxima verosimilitud; 42. Sea X1 , X2 , · · · , Xn una muestra aleatoria simple de una
población con distribución N (µ, σ 2 ), con µ y σ 2 descono-
c) el estimador por el método de los momentos.
cidos. Defina el estadístico
37. Para estimar la media de una población normalmente dis- n
P
tribuida, se extrae una muestra aleatoria simple de tama- 2kXk
k=1
ño n y se consideran los estadísticos T = T (X1 , X2 , · · · , Xn ) = .
n(n + 1)
T1 (X1 , X2 , . . . , Xn ) = X
a) Demuestre que T insesgado para µ.
Pn
iXi b) Demuestre que T consistente para µ.
i=1
T2 (X1 , X2 , . . . , Xn ) = n
P . c) Determine si máx{0, T } es consistente para µ.
i
i=1 43. El coseno X del ángulo con el que se emiten los electro-
nes en un proceso radiactivo es una variable aleatoria con
Determine cuál es el mejor estimador desde el punto de función de densidad
vista de la insesgadez y la eficiencia. 
 1 + θx
, si |x| ≤ 1 (|θ| ≤ 1)
38. Sean X1 , X2 , · · · , Xm variables aleatorias independientes fθ (x) = 2
0, en otro caso.
tal que la k-ésima variable aleatoria tiene distribución
B(nk ; θ), para k = 1, 2, . . . , m. Suponga que los paráme-
tros n1 , n2 , . . . , nm son conocidos y θ es desconocido. De- Considere una muestra aleatoria simple X1 , X2 , . . . , Xn
termine si los siguientes estimadores son insesgados para de esta variable aleatoria.
θ. a) Obtener el estimador de θ por el método de los mo-
m
P m
P mentos.
Xk kXk b) Calcular la varianza de este estimador y demostrar
a) θb = k=1
m
P . b) θb = k=1
m
P . que es consistente.
nk knk
k=1 k=1 44. Se sabe que el número de erratas por página de un libro
sigue una distribución de Poisson de media λ. Si se obser-
39. Se considera una muestra aleatoria simple X1 , X2 , · · · , Xn van n páginas seleccionadas al azar de la primera edición
de una población con densidad de un libro,

 1 e−x/θ , si x > 0 (θ > 0) a) calcular el estimador máximo-verosímil (EMV) de λ
fθ (x) = θ y el estimador por el método de los momentos. ¿Es
0, en otro caso. el EMV consistente? ¿Es suficiente?

4
 b) calcula la probabilidad de que una página seleccio- 50. Si X1 y X2 son dos variables aleatorias independientes y
nada al azar no tenga ninguna errata. Si llamamos tales que E[X1 ] = E[X2 ] = µ y V ar(X1 ) = V ar(X2 ) =
θ a dicha probabilidad, proporciona el estimador σ 2 , determine si el estimador:
máximo-verosímil de θ. ¿Es dicho estimador consis- n
(X1 − X2 )2
P
tente? ¿Es asintóticamente eficiente?
c2 = i=1
45. Dada una población binomial B(N, p) de la que se extrae σ
2
una muestra aleatoria simple de tamaño n,
es un estimador insesgado para σ 2 .
a) Construir por el método de los momentos estimado-
51. Sea X1 , X2 , X3 y X4 una muestra aleatoria simples de
res para los parámetros N y p.
una distribución exponencial con parámetro θ desconoci-
b) Estudia la consistencia de ambas soluciones. do. Considere los siguientes estadísticos:
46. Si X1 , X2 , . . . , Xn una muestra aleatoria simple de una X1 + 2X2 + 3X3 + 4X4 X1 + X2 + X3 + X4
θb1 = θb2 =
población con distribución B(k, θ), con 0 < θ < 1 desco- 5 4
nocido. Suponga que k ≥ 1 es un entero conocido. De-
muestre que
a) Determine si son estimadores insesgados de θ.
θ(1 − θ)
C.F.C.R(θ) = , 0 < θ < 1. b) ¿Cuál es el error cuadrático medio de cada estima-
nk dor?
X c) ¿Cuál es el mejor estimador?
Demuestre que el estimador θb = es insesgado y que su
k 52. Sea X una variable aleatoria distribuida según una
varianza coincide con la cota de Frechet-Cramer-Rao, es
decir, N (µ, σ 2 ). Calcule un estimador insesgado de µ2 + 6µ.
C.F.C.R(θ) = V ar(θ),
b 0 < θ < 1.
53. ¿Para qué valor de k es θb = kX un estimador insesgado
47. Si X1 , X2 , . . . , Xn una muestra aleatoria simple de una del parámetro θ de la población cuya función de densidad
población con distribución N (0, θ), con θ > 0 desconoci- es la siguiente?
do. Suponga que k ≥ 1 es un entero conocido. Demuestre 3
que f (x; θ) = I θ (x).
θ (0, 3 )
2
C.F.C.R(θ) = θ2 , θ > 0.
n 54. Se elige una muestra aleatoria independiente de 3 observa-
n ciones de una población con función de distribución uni-
Xi2
P
forme:
Demuestre que el estimador θ = i=1
es insesgado y 1
b
n f (x) = I(a,b) (x)
b−a
que su varianza coincide con la cota de Frechet-Cramer-
Rao, es decir, a) Encuentre la media y la varianza de la función de
densidad.
C.F.C.R(θ) = V ar(θ),
b θ > 0. Se definen los siguientes estimadores para la media
de la distribución:
48. Para estudiar la proporción θ de personas en una empresa
que consideran adecuado cotizar en la Bolsa de Valores, X1 + X2 + X3
µ
b1 =
se eligió una muestra aleatoria simple de n personas y se 3
consideró al siguiente estimador de la proporción: X1 X2 2X3
µ
b2 = + +
6 6 3
Y +1 X1 X2 X3
θb = µ
b3 = + +
n+2 3 6 6
en donde Y es el número de personas en la muestra que b) Obtenga el valor esperado de los estimadores.
sí están de acuerdo con la propuesta antes mencionada.
Obtenga ECM (θ).b c) ¿Cuáles de estos estimadores son insesgados?
d ) Determine la varianza de cada estimador.
49. Si X1 , X2 , . . . , Xn son variables aleatorias independientes
e idénticamente distribuidas Bernoulli con parámetro p, e) ¿Cuál de estos es el mejor estimador?
considere los siguientes estimadores de dicho parámetro: 55. La lectura de voltaje dada por un voltímetro conectado a
n n un circuito eléctrico, es una variable aleatoria con distri-
Xi2
P P
(Xi − 1) bución uniforme en el intervalo (θ, θ+1), siendo θ el verda-
i=1 i=1
pb1 = pb2 = dero valor (desconocido) del voltaje. Sea X1 , X2 , · · · , Xn
n−1 n
una muestra aleatoria simple de lecturas de dicho voltí-
¿Son estimadores insesgados de p? metro.

5
 a) Demostrar que la media muestral X es un estimador retraso. Para tal propósito se definen los siguientes dos
sesgado de θ, y calcular el sesgo. estimadores:
b) Calcular el error cuadrático medio de X. X1 + X2 + X3 X1 + X2
θb1 = θb2 =
c) Obtener, a partir de X, un estimador insesgado de 3 2
θ.
a) Obtenga el mejor estimador de θ que podría usarse.
56. Se tiene una muestra aleatoria simple X1 , X2 , . . . , Xn de b) Si la muestra observada arroja los siguientes valores:
una variable aleatoria X tal que E(X) = µ y V ar(X) = {4,3, 5,1, 2,2} minutos, obtenga la estimación de θ.
σ 2 . Se consideran los estimadores de µ de la forma µ b=
Pn 61. Sea X una variable aleatoria distribuida Poisson con me-
a i xi .
i=1 dia λ, y sea X1 , X2 , . . . , Xn muestra aleatoria simple de
X. Considere los siguientes estimadores de λ:
a) Determinar una condición sobre los ai para que µ
b
sea un estimador insesgado. b1 = X
λ b2 = Xn − X1
λ
b) Determinar los ai para que µ
b sea insesgado y de va- 2
rianza mínima. a) ¿Son insesgados estos estimadores?. Calcule el sesgo
n
c) Encontrar el estimador µ̃ =
P
ai xi que minimiza de cada estimador.
i=1
  b) Encuentre ECM (λ b1 ) y ECM (λb2 ).
E (µ̃ − µ)2 . Comparar los sesgos y las varianzas de
los estimadores µ
b y µ̃. c) ¿Cuál de los dos es mejor estimador de la media?

57. Sea Y una variable aleatoria distribuida Poisson con me- 62. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de ta-
dia λ. Se obtiene una muestra aleatoria simple de ta- maño n, procedente de una población con distribución
1 n−1
maño n y se desea estimar λ. Indique si el estadístico N (0, σ 2 ). Demostrar que θb =
P
(Xi+1 − Xi )2
n 2(n − 1) i=1
b = P Yi (Yi − 1) es estimador insesgado de λ.
λ
i=1 es un estimador insesgado de σ 2 .

58. Sea X1 , X2 , · · · , Xn una muestra aleatoria simple de una 63. El ingreso mensual percibido por los empleados de nivel
población con función de densidad dada por: ejecutivo de cierta empresa tiene la siguiente distribución:

3θ3
(
1−x
θx (1 − θ) , si 0 < x < 1 (θ ∈ (0, 1)) f (x; θ) = θ > 0.
fX (x, θ) = x4
0, en otro caso.

a) Determina el estimador de máxima verosimilitud de Para la contratación de nuevos solicitantes la empresa

θ y V arθ (X1 ). desea estimar el ingreso mínimo θ, por lo que selecciona
una muestra aleatoria simple de tres empleados de ese ni-
b) Encuentre la cota de Frechet-Cramer-Rao para este vel y registra su ingreso: X1 , X2 , X3 . Se propone θb = bX.
problema. Determine el valor de la constante b para que θb sea un
c) Encuentre un U M V U E para θ. estimador insesgado.

59. Si X 1 y X 2 son las medias de dos muestras aleatorias sim-
ples independientes de tamaño n1 y n2 tomadas de una
población normal con media µ y varianza σ 2 :
b = W X 1 + (1 − W )X 2 es un estimador
a) Pruebe que µ
insesgado ∀W ∈ [0, 1].
b) ¿Cuál es el valor que debe tomar W para que la va-
rianza del estimador sea mínima?
60. El tiempo que tarda un tren en salir de una estación tiene
la siguiente función de densidad:
2x
f (x; θ) = I(0,θ) (x) θ > 0.
θ
Se midió el tiempo de salida del tren en una muestra alea-
toria simple de tres terminales del sistema y se registró
el tiempo transcurrido X1 , X2 , X3 . Se desea obtener una
estimación del parámetro θ para poder programar ade-
cuadamente las salidas y que no existan problemas de
64. Considere la población construida por las industrias me-
dianas en Colombia. Es de interés estimar la proporción
de éstas industrias que han adquirido algún financiamien-
to para seguir trabajando. Para ésto se define una variable
aleatoria Y tal que toma el valor de uno si la industria
adquirió algún financiamiento, y le valor de cero en el ca-
so contrario. Si θ es la proporción que se desea estimar,
entonces Y ∼ Bernoulli(θ). Se ha decidido seleccionar
una muestra aleatoria simple de n industrias. Considere
Y1 , Y2 , . . . , Yn en dicha muestra.
a) ¿Es Y un estimador insesgado de θ?
b) Como la varianza de θ = Y depende de θ, desco-
nocida, se desea también estimar dicha varianza. Se
propone:
Y (1 − Y )
V ar(Y ) =
n
Pruebe que este estimador es sesgado. ¿Cuál es el
sesgo?

6
65. Sean X y Y las variables aleatorias que representan el gas- a) ¿Cuál es la eficiencia relativa de µ
b2 con respecto de
to mensual por familia en dos regiones del país. Dos mues- µ
b1 ?
tras aleatorias simples independientes del mismo tamaño b) ¿Cuál es la causa de dicha ineficiencia?
son obtenidas, una para cada región, y lo que se desea
estimar es la diferencia de medias µx − µy . Las muestras 71. Sea X1 , X2 , X3 una muestra aleatoria simple proceden-
fueron X1 , X2 , . . . , Xn y Y1 , Y2 , . . . , Yn . te de una población que se distribuye normalmente. Sean
X1 + 2X2 + 3X3 X1 − 4X2
µ
c1 = yµ c2 = dos estimadores
(X1 + Xn ) − (Y1 + Yn ) 6 −3
a) ¿El estimador θb1 = es inses- de µ.
2
gado?
a) Demuestre que ambos son insesgados.
b) Ahora sea θb2 = X − Y , ¿es insesgado?
b) Pruebe que µ
c1 es más eficiente que µ
c2 .
c) Sean ahora σx = 23 y σy = 12. ¿Cuál debería ser
el número mínimo de observaciones que asegura un 72. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de una
error estándar menor o igual a 4 para el estimador población con media µ y varianza σ 2 , considere los tres
del inciso anterior? siguientes estimadores para µ:
n−1
P
66. Se tiene una muestra aleatoria simple X1 , X2 , . . . , Xn de Xi
X1 + X2 X1 i=2 Xn
una población distribuida Poisson con parámetro λ. Cal- µ
b1 = µ
b2 = + + µ
b3 = X
cule el sesgo para los siguientes estimadores: 2 4 2(n − 2) 4

n
P a) Determine si son insesgados.
2 iXi b) Encuentre la varianza de cada estimador e identifi-
λ
b1 = i=1 b2 = X1 + X2
λ que cuál es el más eficiente.
n(n + 1) 2n
c) Determine la eficiencia relativa de µ
b3 con respecto a
67. Sea X una variable aleatoria que se distribuye como una µ
b2 y µ
b1 , respectivamente.
binomial de parámetros n y p, con p ∈ (0, 1). Demostrar 73. Un gerente de producción supone que el peso de un obje-
1 to se distribuye normalmente con varianza conocida, pero
que no existe ningún estimador insesgado para .
p con media µ desconocida. Se toma una muestra aleatoria
68. Se extrae X1 , X2 , X3 , X4 muestra aleatoria de cuatro observaciones independientes: X1 , X2 , X3 , X4 .
 simple
 de una
Considere los siguientes estimadores de µ:
1
población X distribuida según una Exp . Dados los
θ µ
b1 = 2X1
estadísticos
4X1 + 3X2 + 2X3 + X4
1 1 µ
b2 =
θb1 = g1 (X1 , X2 , X3 , X4 ) = (X1 + X2 ) + (X3 + X4 ) 10
6 3 X1 + X2 + X3 + X4
X1 + 2X2 + 3X3 + 4X4 µ
b3 = .
θ2 = g2 (X1 , X2 , X3 , X4 ) =
b 4
5 a) Determine cuáles estimadores son insesgados.
X1 + X2 + X3 + X4
θ3 = g3 (X1 , X2 , X3 , X4 ) =
b b) ¿Cuál de los estimadores insesgados es el de mayor
4
eficiencia relativa?
estudie cuáles son insesgados para θ. c) ¿Cuál de los estimadores tiene el menor error cua-
drático medio?
69. De una población uniforme U (0, θ) extraemos una mues-
tra aleatoria simple de tamaño n y calculamos el estadís- 74. Una fábrica trabaja con dos máquinas, una de tipo A y
tico T media geométrica de los elementos de esa muestra. la otra de tipo B. El costo semanal X de reparación pa-
ra las máquinas de tipo A sigue una distribución normal
a) Demostrar que T es asintóticamente normal. N (2µ, σ 2 ). El costo semanal Y de reparación para las má-
b) Dado que el estadístico media aritmética es también quinas de tipo B sigue una distribución normal N (µ, 3σ 2 ).
asintóticamente normal, comparar los estimadores El costo semanal esperado para la fábrica es 3µ.
de θ proporcionales a los dos estadísticos anteriores
a) Se tienen dos muestras independientes: una muestra
que sean asintóticamente insesgados.
aleatoria simple X1 , X2 , . . . , Xn de costos para las
70. Con base en una muestra aleatoria simple de 100 observa- máquinas de tipo A y una muestra aleatoria simple
ciones, tomadas de una población con media µ y varianza Y1 , Y2 , . . . , Ym de costos para las máquinas de tipo
σ 2 , considere los siguientes estimadores de µ: B y se consideran los estimadores de µ de la forma
Pn Pm
µ
b = ai Xi + bj Yj . Determinar una condición
100
P 90
P i=1 j=1
Xi Xi sobre los ai y bj para que el estimador µ
b de µ sea
i=1 i=1
µ
b1 = µ
b2 = insesgado.
100 90

7
 b) Determinar los ai y bj para que el estimador µ
b de µ 80. Sea una población X con función de densidad f (x; θ) =
sea insesgado y de varianza mínima. θ(1 + x)−(1+θ) , (si x > 0), que depende del parámetro
θ > 0. Hallar la cota de Frechet-Cramér-Rao para la va-
c) El estimador µ b del item (b) es de mínima varian-
rianza de un estimador centrado de:
za entre los estimadores insesgados de la forma µ b=
n m
P
ai Xi +
P
bj Yj . Verificar si es de mínima varianza a) θ2 + 2
i=1 j=1 b) eθ
entre todos los estimadores insesgados de µ. 1
c)
d ) Determine los ai y bj para que el estimador µ∗ = θ
n m
P
ai Xi +
P
bj Yj minimiza E[(µ∗ − µ)2 ]. 81. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de ta-
i=1 j=1 maño n, procedente de una población con función de den-
b o µ∗ tiene la varianza más peque-
e) ¿Cuál estimador µ sidad dada por:
ña? 1
f (x) = 4θ4 x3 , 0<x≤ , θ > 0.
θ
75. Se toman dos muestras independientes de tamaños n y Determinar un estadístico insesgado para el parámetro θ,
m, respectivamente de una población con distribución calcule su varianza y compárela con la cota de Frechet-
N (µ, σ 2 ) cuya media quiere estimarse, siendo X y Y Cramér-Rao para estimadores insesgados de θ.
las respectivas medias muestrales. En la familia W =
a · X + b · Y , (a, b ∈ R), determínese el que es insesga- 82. Estudie la eficiencia del estimador T (X1 , X2 , . . . , Xn ) =
do y tiene varianza mínima. X del parámetro r de la función de densidad Γ(r; λ), para
una muestra aleatoria simple de tamaño n.
76. De una población distribuida según una B(m, p), se extrae
83. Hallar la eficiencia del estadístico media aritmética de los
una muestra aleatoria simple de tamaño n. Estudie la in-
elementos de la muestra, empleado para estimar el inverso
X
sesgadez del estadístico T (X1 , X2 , . . . , Xn ) = respecto del parámetro de una población exponencial.
m
al parámetro p y demuestre su eficiencia. 84. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple proce-
dente de una distribución N (µ, σ 2 ). Compruébese que
77. Si X1 , X2 , X3 es una muestra aleatoria simple tomada de 1 P n
una población normal con media µ y varianza σ 2 , ¿Cuál S2 = (Xi − X)2 no alcanza la cota de Frechet-
n − 1 i=1
X1 + 2X2 + X3 Cramér-Rao, pero la diferencia entre su varianza y dicha
es la eficiencia del estimador µ
b= en re-
4 cota tiende hacia cero cuando n → ∞.
lación con X?
85. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de una
78. De una población N (µ, 4) se extrae una muestra aleatoria U (0, θ), θ > 0.
simple Y1 , Y2 , Y3 , Y4 de tamaño n = 4. Para el siguiente
a) Sea Mn (X1 , X2 , . . . , Xn ) = máx {X1 , X2 , . . . , Xn }.
estimador de la media
Pruebe que Mn (X1 , X2 , . . . , Xn ) es consistente para
µ
b = 0,2Y1 + 0,4Y2 + cY3 + dY4 , θ. ¿Es insesgado?
b) Si Yn (X1 , X2 , . . . , Xn ) = 2X, estudie la consistencia
calcule c y d para que µ
b sea insesgado y eficiente. para θ.
c) Demuestre que el estadístico Zn (X1 , X2 , . . . , Xn ) =
79. Dada una población distribuida normalmente con media n+1
Mn (X1 , X2 , . . . , Xn ) es insesgado y más efi-
µ desconocida y varianza σ 2 = 25, se extrae una muestra n
aleatoria simple de tamaño 3 y se consideran los estima- ciente que Yn (X1 , X2 , . . . , Xn ).
dores de la media µ: 86. De una población con función de densidad
13 1 1 1 −x
µ
c1 = X1 + X2 + X3 e θ, x ≥ 0
fθ (x) =
20 4 10 θ
1 se extrae una muestra aleatoria simple de tamaño n. Si se
c2 = (4X2 − X1 )
µ
3 estima el parámetro θ a través de la media muestral:
3
a) Demuestre que es consistente.
X
µ
c3 = Xi
i=1 b) Estudie su eficiencia.
1
µ
c4 = (X1 + 2X2 + 3X3 ) 87. Dada una muestra aleatoria simple de tamaño n extraída
6 de una población N (µ, σ 2 ), se quiere estimar la media µ
c5 = 2X3 − X1
µ mediante
m
X
Determinar cuál de los cinco estimadores es el mejor desde T (X1 , X2 , . . . , Xn ) = k jXj .
el punto de vista del sesgo y la eficiencia. j=1

8
 a) Obtenga k para que T (X1 , X2 , . . . , Xn ) sea insesga- T2 − T
b) Estudie la consistencia del estadístico U =
do. n2
para el parámetro λ2 .
b) Estudie si T (X1 , X2 , . . . , Xn ) es eficiente.
c) ¿Es consistente? 94. De una población distribuida según una Exponencial de
función de densidad
88. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de ta-
maño n, procedente de una población con distribución
1 Pn fα (x) = αe−xα x > 0,
log-normal LN (µ, σ 2 ). Sea θb = log Xi un estima-
n i=1
dor puntual de µ. Analizar la insesgadez, la eficiencia y la se extrae una muestra aleatoria simple de tamaño n.
consistencia de θ. b n
P
a) Demuestre que T (X1 , X2 , . . . , Xn ) = Xi es sufi-
89. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple extraída i=1
de una población que sigue una B(1, p). Considérense los ciente para α.
estimadores: n−1
b) Pruebe que el estimador U = es consistente
T
T1 (X1 , X2 , . . . , Xn ) = X para α.
n
1X 2
T2 (X1 , X2 , . . . , Xn ) = X . 95. De una población X con función de densidad
n i=1 i
x − x2
a) Demuestre que ambos son insesgados. f (x; θ) = e 2θ , (si x > 0),
θ
b) Estudie cuál es más eficiente.
se extrae una muestra aleatoria simple de tamaño n. Pro-
c) ¿Son consistentes? n
Xi2 es un estadístico minimal suficiente para
P
bar que
90. Sea X1 , X2 , . . . , Xn una muestra i=1
  aleatoria simple extraí- n
1
P
da de una población Exp . Pruebe que el estadístico el parámetro θ, pero Xi no es suficiente.
θ i=1
Yn (X1 , X2 , . . . , Xn ) = n mı́n{Xi }, i = 1, . . . , n es inses-
96. Considérese una muestra aleatoria simple de tamaño n
gado, pero no consistente para θ.
extraída de una población Normal de media µ y varianza
91. Sea X1 , X2 , · · · , Xn una muestra aleatoria simple de una σ2 .
población con una de las siguientes funciones de densidad:
a) Encuentre un estimador suficiente de σ 2 cuando
θ−1
a) f (x; θ) = θx , 0 < x < 1, θ > 0. µ = 0.
b) f (x; θ) = θaxa−1 exp (−θxa ) , x > 0, θ >
b) Busque un estimador suficiente de µ. ¿Es ese estima-
0, a > 0.
dor eficiente?
θaθ
c) f (x; θ) = (θ+1) , x > a, θ > 0, a > 0. c) Demuestre que T (X1 , X2 , . . . , Xn ) = S 2 no es un es-
x
timador eficiente de σ 2 .
En cada caso encontrar un estadístico suficiente para el
parámetro θ. 97. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de ta-
92. Sea X1 , X2 una muestra aleatoria simple procedente de maño n, distribuidas como se indica a continuación. De-
una población con función de masa de probabilidad dada muestre que:
por: n
P
a) Xi y X son estadísticos suficiente para el pará-
f (0, θ) = e−θ , i=1
metro θ, si la muestra procede de una población con
f (1, θ) = θe−θ , distribución Poisson.
f (2, θ) = 1 − e−θ − θe−θ , Pn
b) Xi y X son estadísticos suficiente para el pará-
f (x, θ) = 0, x 6= 0, 1, 2, i=1
metro θ, si la muestra procede de una población con
donde θ > 0. Demostrar que X1 + X2 no es un estadístico distribución binomial negativa.
suficiente para el parámetro θ.
98. Sea X1 , X2 , · · · , Xn una muestra aleatoria simple. Probar
93. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple extraída
que:
de una población que sigue una P(λ).
n d
a) Demuestre que T (X1 , X2 , . . . , Xn ) =
P
Xi es sufi- a) Si Xi = Bi (ni , p), 1 ≤ i ≤ n, con ni conocido, enton-
n
i=1 P
ciente para λ. ces Xi es suficiente para p.
i=1

9
  n n

d
b) Si Xi = Γ(α, λ), entonces
Q
Xi ,
P
Xi es sufi- 104. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple con
i=1 i=1 P(a,θ) , donde (a, θ) ∈ R2 es un parámetro. Hallar un es-
ciente para (α, λ). tadístico dos-dimensional suficiente para (a, θ) en los si-
n
P guientes casos.
Si α es conocido, entonces Xi es suficiente para
i=1
λ. a) P(a,θ) es la distribución exponencial Exp(a, θ), a ∈
n
Q R, θ ∈ (0, ∞).
Si λ es conocido, entonces Xi es suficiente para
i=1 b) P(a,θ) es la distribución Pareto Pa (a, θ), a ∈ (0, ∞),
α.
 n n
 θ ∈ (0, ∞).
d Q Q
c) Si Xi = β(a, b), entonces Xi , (1 − Xi ) es
i=1 i=1 105. Sea T un estadístico completo (o asintóticamente comple-
suficiente para (a, b). to) y suficiente. Suponga que existe un estadístico mini-
n
P mal suficiente S. Demuestre que T es minimal suficiente
Si (a) es conocido, entonces (1 − Xi ) es suficiente
i=1 y S es completo (o asintóticamente completo).
para b.
n
Q 106. Sean T y S dos estadísticos tales que S = ψ(T ) para un
Si (b) es conocido, entonces Xi es suficiente para ψ medible. Muestre que
i=1
a.
a) si T es completo, entonces S es completo;
99. La función de densidad de probabilidad de una distribu- b) si T es completo y suficiente y ψ es uno a uno, en-
ción Weibull uni-paramétrica está dada por tonces S es completo y suficiente;
( 2
2αxe−αx , si x > 0 c) los resultados en (a) y (b) aún se mantienen si la
f (x) = completitud se reemplaza por asintóticamente com-
0, en otro caso.
pleto.
a) Hallar un estadístico suficiente para el parámetro po- 107. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de una
blacional α. población con distribución N (θ, θ2 ), donde θ > 0 es un
b) Usando la parte (a), calcular un U M V U E para α. parámetro. Hallar un estadístico minimal suficiente para
θ y mostrar si este es completo.
100. Dada una muestra aleatoria simple de tamaño 2 de una
población de Poisson de parámetro λ, demostrar que el 108. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de una
estadístico X1 + 2X2 no puede ser suficiente para estimar población distribución f (x, θ), que se especifica abajo, en
λ. donde θ > 0 es un parámetro desconocido.
101. Considere la distribución de Poisson con parámetro λ; (
θ2 xe−θx , si x > 0
donde λ > 0. Encuentre el U M V U E para el parámetro λ f (x, θ) =
¿Cuál es la cota inferior para su varianza? 0, en otro caso.

102. Sea X1 , X2 , . . . , Xn una muestra aleatoria simple de ta- n

P
a) Demuestre que el estadístico T = Xi es suficiente
maño n, procedente de una población con distribución i=1
Poisson P(λ). Demostrar que X es el único estadístico y completo para θ.
U M V U E para el parámetro λ.  
1
b) Calcule E .
103. Si una población normal tiene varianza σ 2 = µ2 , donde µ T
es su media, probar que el estadístico T = (X, S 2 ), aun- c) Encuentre una función de T que sea insesgada para
que es suficiente, no puede ser completo cuando se desea θ. Use el Teorema de Lehmann-Scheffé para concluir
estimar el parámetro µ. que esta función es el U M V U E para θ.

10