TAREA # 1

nombre : José Ignacio Ibarra VARAS

Seccion : 1-

fecha de entrega : 10-09-2021

PARA demostrar que SÉ es un estimado sesgado de IA VARIANZA debemos

demostrar que E- [ SÍ ] =/
, en efecto :

EIIS :] =

ELIE ? / Mi Mi ] ,
-

El [ ¿ [ % ( Miz 2mi Ñt ,
-
.
Ñ) * notemos
que
ÑN =
[% Mi ,

E- [HE .IM?-2Ei-;i.M+E.?.,MH
El [ ¥ / E? Mi -2M Nñ NÑ ) ]
'
=
= ,
. +

=
A- [ tu IE?.in?-NriY ]
recordemos VARCX] =
¢42 ] ¢ [ ✗ 12
-

Ú ( E ! EE] NEE] )
'
*
E- [✗2) VARCX] -1¢ [✗ ]
= -

=
,

tu / EF.it#iItEfIIl-NlVARlM1+Ecn- 5)
*
Como Mi es un consumo de V. A iid ,
Todos Tienen media y VARIANZA

G- [Mi ] M y VAR [ Mi ] Ó
MYÓ lo =
Por que
-

respectivamente,
-

[ [ SÉ ] ¥ / SÍÍ atril )
'
=
( VARG ] ¢[ ñ )
-

ERE %
= a + ri -
-

?
① El [ MI ? EEEE ,
Mi ] #% ,
El [Mi } I.
-

-
N
.

NE M
'

② En clases se vio VAR [ A ]

= 0%
que
por lo Tanto i

E- [ SÍ ] = 02 -

MY -
0% -

uf
= >
[[ SÍ ] =
ÓN =

ÓY = >
E- [ 5*1=02
.

( TÉ )
N

En efecto E- [ SÍ ] =/ Ó por lo que SÉ es un estimador sesgado de IA VARIANZA

poblacional .
 intuición Por lo dado en a)

µ
estimador sesgado # [? MÍ
'

, /
Se propone el siguiente S Mi lo
=
in por
-

Tanto debemos demostrar que : E- [ 5) =

02 en efecto :

ELJY =

ELKE ! IMi Mi ] ,
-

El [ ¥ [ % ( Miz 2mi Ñt
,
,
-
.
Ñ )
'

* notemos
que
ÑN =
É :-. ,
Mi
=

E- [*¢ ! ni Ii-iii E ? ÑY]

,
' -
+
,

El [ t.TK?=iMi2-zMrNrTt NÑ ) ]
'
=

=
IELÍ.IE?..iM?-NrT) ] ¢ [ ✗ ] ¢ [ ✗ 12
a
recordemos VARCX]
-

N°-1 / [ % ¢11,2] NEE] )

'
*
E- [E) VARCX] -1¢ [Y ]
= -

=
,

=
l-N.tl?.=ilvAR-MiItEfIIl-NlVARlM)+Ecn-I)
*
Como Mi es un consumo de V. A iid ,
Todos Tienen media y VARIANZA

C- [Mi ] M y VAR [ Mi ] Ó
MYÓ lo =
Por que
-

respectivamente,
-

E- [ 5) =

t.IE?=.l0'tm4-NlVA-1tEY--N
?
① El [ A] ? G- [IE Mi ] #% ,
El [Mi ] I.
-

-
N
.

NEM
'

② En clases se vio VAR [ A ]

= 0%
que

[[ 5 ]
=

# ( No ( oatrí ) NIOYN -
+ vi ) )
NMY F Ntvi ) )
÷/
'
No
-

= + -

f- [ Í] 04N-9
÷
= .

[ [ 54=02
 DATOS

☒ ys :
media MUCSTRAI

n : 45
µs 3/3 TB
02=3%3 + B) '
(3+8+1)
=
39/13+85 ( Btl)
✗ =
0,1

En 2-
lugar ESTANDAR efecto Tenemos que
=

Arenas en
primer ,

lo
por que REMPIATAMOS

¥÷E÷
←

Como ✗ es iid IELX] =

Max VAR [× ] = 022N , Por TLC Tenemos que
.

y ,

Z distribuye normal con media a y VARIANZA 1 , es decir , 2- ~

NCM ,
%)
de intervalos de confianza poblaciones distribuidos
y ESTA forma
podemos TRABAJAR con con

normalmente .

Por lo TANTO podemos Afirmar que :

IP t-i.sn/aszsZ %) , -
=
1- a

<
RI Zo SE S
Zaas) =
0.9
-

, qs

Por LA Tabla de distribución normal Tenemos que Zaass 1.64 ,

de esta forma
nos queda LA siguiente desigualdad : -

1,64 <
2-
<
1,64

⇐ o
-1.6 " ' < 1.64 TÉ
,

<
-0.423 < Éste < e. 423

# TÉ

⇐>
-0.423
<
(( 3T B) En -

3) TÚ < 0.423

A
 µ
-

4
n

E
€¡ 4.08
=
=

sí Él .

= 3,548

✗ =
0,01

Luego el intervalo de confianza para 02 de ✗¡ ~

N ( 4,04 es

9.sx.az??-.asfXn-i
'"
Icon .

=/ ,
,

/ =/
,, _ µ,,
✗{
coros ,

Por TABIA Sabemos ×} , qoos ,

'
23159 y
×} co 99s >
=
11735
remplaza mes
que , . :

Icqqy .
'

[ 1,353 ; 18,404 ]
 PARA Tn =
2% Tenemos :

•
Sesgo :
Bias [ Tnl lo ] =
[[ 2 En -

O ]
=
2 IELEN ] -

como se ha visto en clases G- [ En] =

El [X ] ,
Pues En es un estimador

insesgrdo de ✗ ; por lo Tanto :

BIAS [Tnlo ] =
2¢ [ ✗ ] -
O

como bien sabemos ,

la esperanza
de Yruvlaib) es C- [ Y] =
0¥ ,
por lo

Tanto

BIAS [Tnt 07=21 .

¥
-
o

=
g. o

BIAS [ Tnt o ] = o

•
VARIANZA : VAR [ Tn] .
VAR [ 2 En]
YVAR [ Ín ]
§
=

§
VAR [Tn ]
=

4.
4¥ VARCTN]
= =

VARLTN] .
= >

Error cuadras :(o media : MSELTN ] =

El / Tn -

OT )
El / 2in GT ]
=
-

A- [ yxi -4%0+04
=

41-1%1 -4011N + ó
'
*
recordar f- [ E) =
VARIXITIELX ] ,
en efecto
"

YVARÍXN ] + YLHXIÍ -40.1-1×1+02

4%+41-1×5 YOIEIX] Ó
=
+
-

tio
40¥ +4¥ ¥+0
= .
-

MSE
4¥ MSECTN] 4.
¥ §
-

>
- -

= -
 •

PARA Sn '
MAX {X , .
.
.
n }
CAICUIARCMOS LA COF de Sn
en primer lugar Todos tienen la misma probabilidad
-

Fsnlx ) =/Plsnsx) =P / ✗i. × ,

. . .

,
Xn EN =/ PLX ,
a. × ) .

. . .
:/PIXNEX)
↳
independencia
COMO ✗ es UNA V. A ¡ ¡ d Tenemos que
"
Fsnlx) -
-

☒(✗ sx)
)
PARA obtener IAPDF BASTARIA derivar el resultado Anterior ,
en efecto

"

fsnlxi.tn#N=nlHIXsxd !%¥
"

=
n.IE .
•
fxlxi

Como ✗ ~
V10 -01,
Tenemos que :

1 : ::
⇐ "" ACN ✗ c- [ 0,0] Sacar cof F
•
con
-

= :

¥ « ✗ < o
-

Pdf : f
SACAR esperma

lo TANTO
por

{
si os # o
fsnlx) n

[
.
=

¥ si os O
•

fsn ,# o
si no O Si no

Ahora podemos calcular la esperanza de Sn en efecto

,

IELSN] ¡ fsncxixdx-fn.qj.x.to/-- % [ dx.fi Él! ¥ÉÉ

"
-

-
>
✗ •

,
-

no O

ELSIE
lntl )

DE ESTA forma podemos CAICUIAR lo demás ,

en efecto :

Sesgo BIASLSNIO] El Sn O]
• . -
:

Ellsnl
-0=1%-0 nq;qn
= .

BIASLSNIO] =
-

¥
 •

VAR : VAR [Sn] =

G- [ Si ] -

¢ /SI
EICSÍ
Í¥
- .

¡ nif.idx-jn.FI/!=n!-
+ ✗

Ellsí ]
=/ f. ix. Ed ✗
-

-
✗

en efecto VARCSN]
.hn#- YÉ
=

☒+ # +
no
'
-
Á zriól -

(ht 2) ( NHÍ

VAHSN.in?!-n+o .

Error cuadrríico Media .

MSE ( Sn) =

[ [ ( Sn Á ] -

¢ [ si -205nA ]
=
'

E- [ Si ] -20¢[Sn] -102

¥+2.20
.no#-+oaMstlsnl=o'n?--I1).,-
=
"

Ahora para Rn es inmediato por lo calculado Anteriormente es :

o
El # sn} E-[ si ¥
=

C-[A
.
=
= ,

de esta forma podemos calcular lo pedido

O] ¢ [ a)
Sesgo Bias [ Rn / b) ¢ / O o
=
• =
-
=
:

BIASCRNIO] o =

VAR [ Sn]
VAR[ ¥ ]
Sn
VAR [ Rn]
=

VARIANZA :
•
=

:¥-#
=

VARCRN]
ÉI
=
 "
•
Error CUADRATICO Medio : MSELRN) =
VARIÓ ] t / Biff

MSELRNT
.rs#si
" "
•
NOTEMOS
que entre los estimadores ,
descarto de inmediato Sn pues ,

NO ES Estimador in
sesgado
"
" "

Ahora Tenemos Tn Rn estimadores

° "

, que TANTO como Son in

sesgado ,
Por lo
BASARA valor de / A de
que LA elección de Ambos se en el VARIANZA
CADA uno .

Si VARLTN VARIRN) Tenemos que

•

notemos
=

que
=
>
§ Ésta =

<
3 =
nlntri
<
n = 1
•
Por lo si n Toma Valor 1 VAR / Tn) =
VARIAN serio indiferente A LA elección
que ,

del estimador escoger

que quiero

VARITN) > VAR / Rnl por lo que

Ahora cualquier valor de
°

PARA > 1 es claro

n que
mi elección Seria claramente el estimador Rn .

En conclusion : después de lo mencionado Anteriormente me quedaria con

" "
Pen
los
YA que PARA cualquier Valor de n
mayor A 1
,
EXISTIRA una menor VARIACION en

datos de LA MUESTRA Ademas NOTAR A medida crece n LA VARIANZA

.
que que ,

Se Acerca cada vez mas A cero MIENTRAS

que VAR ( Tn) es una constante .
,
 Sea ✗ el numero de carros de 2h lanzamientos de una moneda . Es claro

que ✗sigue UNA distribución binomial con n = 2n

y 10=1/2
"
✗ Binomial 12h Ya) lo Tanto LA probabilidad de que Ambas
"

por
-

,
caras
,

el de decir ✗
=
n ( CARAS) es
caigan mismo numero veces es n :
, ,

¥
"

(%) Í
ZI
"

MAN ¿ ¿
=
°
- =
_ . •

Kanin !

NIK n) -12Mt -

'
( n ! ) yn

Es inmediato que

Lim t.PL/=n)=Lim °

no . n . .
¡
Notemos que LA ley de los grandes números en contexto A NUESTRA Situación
,
nos

dice medida que

A repite se el lanzamiento de moneda / A frecuencia
que una ,

con LA
que
SAIDRA CARA ( o Sello) Se Acercara A UNA constante , en este caso ,

el 50% de los lanzamientos Totales deberían ser coral o sello) . Es decir ,

en 2h lanzamientos ( suponiendo que son muchas repeticiones) ,

/ A ley nos

dice que deberían haber Aproximadamente n CARAS ( o sello ) . Ahora como

vimos Anteriormente Si n lo Tendemos A infinito Tenemos que IA

,

probabilidad de Tener n caras lo sello) es cero , contradiciendo con

IA ley donde esa probabilidad debería Acercarse A loo % A medida que
n crece .
 Por lo TANTO :

E. * ¿ ¿ n-ne.in
"
n =
Lim
no
KT n- re K"
11 !

= Lim
ni
[ IPIYN
-
-

K) cuando Yn Pln) "

ii. o
Se da por Propiedad
de Poisson
=
Lim IPIYNEM ) ao

n - no
)
variables ( X Xn) donde ✗KNP /1) 11=1 , in
NOTAR Yn suma de n
-

con
. .

es
que
•
una , ,
.
. .

•
Ahora Aplicaremos TLC el cual se cumple Xie es d con E- [ Xn] :
VARUN -1=1
, ya que ¡ ¡

lo TANTO buscamos Estandarizar

por
n)
1. lln
Lim IPCYNE
=
=

n → no

1) t'
Lim
1M¥ s
=

more

de LAS V. A ✗
Suns
Lim IPI a) •
lrn
¥1 a.
-
=

En
nos
=

notamos que
Iplrn / ¥ / ) so)
→
=
Lim .

no
estandarizado
-

¥Mqn
CSTA
NOTAR Que es por lo que
g) -0

✗n
E
=
Lim pl del Tipo
n- A

por lo que Sigue una distribución normal con media o y

VARIANZA 1 ( por TLC) . En efecto es inmediato que

=
Lim
n -
no
IPI a. a) =
1/2
,
vista de forma grafica .
%.IE?.&..#
 DATOS :

E :
204,5

S 7,2

n = 25

X~NIM.at

d) notemos
que
O es desconocido ,
Por lo
que nuestro intervalo de confianza

ESTARA dado por :

ICHI '
E ± [ ni .sn/ISElI)
, ,

TÁ TÉ
.

(E) 1.44
y SE
'

donde
=

por lo Tanto reemplazamos

=
✗ sqos •

ICVÍ ) ± Tú ,
•
t.tt
:
204,5 qqzs>

Por IA TABIA Sabemos Es , =

2.064 Por lo TANTO
que o, qzs > ,

ICIXT .
=
[ 201,527 ; 207.472
]

notemos que
O es desconocido y necesitamos El IC PARA IA VARIANZA por
lo

TANTO nuestro intervalo de confianza viene dado por :

Í
=/ i-z.iq#n-I(a/z
(ni
IC / 04
:-, / ,
,
×
"".
✗% , qozs , ✗{410,97s )

LA TABIA Sabemos Xtztlqozso 39.364 Y ✗Ílqqzs> 12,401 Por lo Tanto

'
=
:
por que ,

IC (G) =

[ 31.606 ; 100.3271
notemos
que 0=49 es Conocido
,
Por lo
que nuestro intervalo de confianza

ESTARA dado por :

T.cl/H=E ± Z µ ; SE (E)
¥5
, _

SE (E)
1. Y
2=0,05 1,96
=

donde Z, .
. .us
=

Zaqzs
=

,
=

,
Por lo Tanto :
,

IC (F) 204,5+-1,96 1.4

.
=

ILÍX) [ :

201.756 ¡ 207.244
]
4=142,34
'
-
.

de ICLIÍTX ± Z ,
-

así SELF ) Tenemos que el largo es

2. ftp.ak.SELXN donde Zi -

Na : 1,96 y SELF )
=
Arn = 7 / Tn
LA siguiente
por lo Tanto nos
queda ecuación :

211,96 71M ) .
=
2,3 <
n =
142 zzg .
debe
( nPor lo
ser entero
que sommes n
=
)
143

por lo Tanto para que el largo SEA de A lo MAS 2,3 Se

requiere que
h =
143 dando Aproximadamente el valor critico 12,31 del largo del intervalo .

notemos que Tenemos una simple ecuación :

Z, SE (E) =
2,3
-
✗ ¡ 2-
donde SE (E)
=
1.4

2/2 0.7939
Z
ÉS Z 0.8214 A
=
= > = =>
-

,
-

así ,
_

= > ✗ =
0.4122

Por lo TANTO el nivel de confianza ESTADISTICA que entrego un intervalo con el

largo de 2.3

es el nivel 58,78%