Universidad Autónoma de Yucatán

Facultad de Matemáticas

Licenciatura en Ingeniería de Software (MEFI)

Inferencia Estadística
Profesora: María Diódora Kantún Chim

ADA 4
Integrantes:
Alejandro A. Rosado Gamboa(No trabajó)
José Armando Avilés López(No trabajó)
Miguel Omar Salas Chalé
Indra Michelle Tzab Chan
Gildardo Adrián Maldonado Santiago

Fecha de Entrega: 31 de Octubre de 2023

Respuesta:
a)

b)
c)

d)

e)
Respuesta:
a)

b)

c)
d)

e)

f)

g)
Respuesta:
De la tabla de distribuciones:
𝑟 𝑟(1−𝑝)
𝐸(𝑋) = 𝑃
𝑉(𝑋) = 2
𝑝
a) Determinar un estadístico suficiente para p usando el teorema de factorización

como q = 1 - p

Ahora aplicamos el teorema de la factorización en la distribución

La distribución binomial negativa puede ser reescrita en la forma

exponencial como:

Entonces:

Por lo tanto:

Donde
 𝑛
𝑠 = ∑ 𝑥𝑖
𝑖=1

𝑛
Entonces por el teorema de factorización ∑ 𝑥𝑖 es estadístico suficiente para p.
𝑖=1

b) Dado la media muestral como estimador para p determine el Error Cuadrado Medio para
E(X)
2
𝐸𝐶𝑀θ(𝑇) = 𝑉(𝑇) + [τ(θ) − 𝐸(𝑇)]

2
𝐸𝐶𝑀𝑃(𝑋) = 𝑉(𝑋) + (𝑝 − 𝐸(𝑋))

1 2
2
σ
𝐸𝐶𝑀𝑃(𝑋) = + ⎡𝑝 + ⎤
𝑛 ⎣ 2⎦

𝑟(1−𝑝)
como 𝑉(𝑋) = 2
𝑝

𝑟(1−𝑝) 1 2
𝐸𝐶𝑀𝑃(𝑋) = + ⎡𝑝 + ⎤
2
𝑛𝑝 ⎣ 2⎦

⎰ 𝑟(1−𝑝) 1 2⎱
= lim + ⎡𝑝 + ⎤
𝑛→∞
⎱ 𝑛𝑝2 ⎣ 2⎦ ⎰

1 2
= lim 𝐸𝐶𝑀𝑃(𝑋) = 0 + ⎡𝑝 + ⎤ ≠0
𝑛→∞
⎣ 2⎦

Entonces la media muestral no es consistente el el ECM para E(X)

c)¿La distribución pertenece a la familia exponencial? Compruebe su respuesta

En este caso

Haciendo
 𝑎(𝑝) = 𝑟𝑙𝑜𝑔(𝑝) 𝑐(𝑝) = 𝑙𝑜𝑔(1 − 𝑝)

Entonces la distribución pertenece a la familia exponencial.

d)Determine un estadistico suficiente minimal completo para p

Se comprobó que la distribución pertenece a la familia exponencial.

Donde

Entonces por teorema de que pertenece a la familia exponencial

𝑛
∑ 𝑥𝑖
𝑖=1
Es un estadistico suficiente minimal completo para p.

Respuesta:
a)

b)
para obtener el estimador por el método de momentos primero igualemos el primer
momento poblacional y el primer momento muestral, es decir:

primer momento muestral:

𝑛
1
𝑀1 = 𝑛
∑ 𝑥𝑖
𝑖=1
primer momento poblacional:
µ1 = 𝐸(𝑋)

⇒ 𝑀1 = µ1
𝑛
1
𝑛
∑ 𝑥𝑖 = 𝐸(𝑋)
𝑖=1
sabemos que
 𝑛
1
𝑛
∑ 𝑥𝑖 = 𝑋 y 𝐸(𝑋) = µ que en este caso µ = β ya que es una distribución poisson
𝑖=1
por lo tanto
𝑋= β

entonces el estimador por el método de momentos para β es:

β =𝑋
Nota: Google docs no permite poner ~ encima de otro carácter por lo que no nos es posible
representar con la notación correcta el estimador por el método de momentos.

c)

Respuesta:
a)
Dado que son 2 parámetros desconocidos entonces usaremos los primeros 2 momentos
para crear un sistema de ecuaciones

primer momento muestral:

𝑛
1
𝑀1 = 𝑛
∑ 𝑥𝑖
𝑖=1
primer momento poblacional:
µ1 = 𝐸(𝑋)
segundo momento muestral:
𝑛
1 2
𝑀2 = 𝑛
∑ 𝑥𝑖
𝑖=1
segundo momento poblacional:
2
µ2 = 𝐸(𝑋 )

𝑎+𝑏
igualamos los primeros momentos sabiendo que µ = 2
ya que es una distribución
uniforme

𝑛
1
𝑛
∑ 𝑥𝑖 = 𝐸(𝑋)
𝑖=1
𝑎+𝑏
𝑋= 2

2𝑋 = 𝑎 + 𝑏

ahora igualamos los segundos momentos recordando que:

2 2 2
2 2 (𝑏−𝑎) 𝑏 −2𝑏𝑎+𝑎
𝑉(𝑋) = 𝐸(𝑋 ) − (𝐸(𝑥)) y 𝑉(𝑋) = 12
= 12
 2 2
por lo tanto 𝐸(𝑋 ) = 𝑉(𝑥) + (𝐸(𝑥))

𝑛
1 2 2
𝑛
∑ 𝑥𝑖 = 𝐸(𝑋 )
𝑖=1
𝑛
1 2 2
𝑛
∑ 𝑥𝑖 = 𝑉(𝑥) + (𝐸(𝑥))
𝑖=1
𝑛 2 2 2
1 2 𝑏 −2𝑏𝑎+𝑎 𝑎+𝑏
𝑛
∑ 𝑥𝑖 = 12
+( 2
)
𝑖=1
multiplicamos por 12 y simplificamos
𝑛
1 2 2 2 2 2
12 𝑛
∑ 𝑥𝑖 = 𝑏 − 2𝑏𝑎 + 𝑎 + 3(𝑎 + 2𝑎𝑏 + 𝑏 )
𝑖=1
𝑛
1 2 2 2 2 2
12 𝑛
∑ 𝑥𝑖 = 𝑏 − 2𝑏𝑎 + 𝑎 + 3𝑎 + 6𝑎𝑏 + 3𝑏
𝑖=1
𝑛
1 2 2 2
12 𝑛
∑ 𝑥𝑖 = 4𝑎 + 4𝑎𝑏 + 4𝑏
𝑖=1
𝑛
1 2
12 𝑛
∑ 𝑥𝑖
𝑖=1 2 2
4
= 𝑎 + 𝑎𝑏 + 𝑏
𝑛
3 2 2 2
𝑛
∑ 𝑥𝑖 = 𝑎 + 𝑎𝑏 + 𝑏
𝑖=1

tenemos entonces un sistema de ecuaciones

1: 2𝑋 = 𝑎 + 𝑏
𝑛
3 2 2 2
2: 𝑛
∑ 𝑥𝑖 = 𝑎 + 𝑎𝑏 + 𝑏
𝑖=1

de 1 tenemos que
𝑏 = 2𝑋 − 𝑎

y sustituimos b en 2
𝑛 2
3 2 2
𝑛
∑ 𝑥𝑖 = 𝑎 + 𝑎(2𝑋 − 𝑎) + (2𝑋 − 𝑎)
𝑖=1
𝑛 2
3 2 2
𝑛
∑ 𝑥𝑖 = 𝑎 − 2𝑋𝑎 + 4𝑋
𝑖=1
𝑛 2
3 2 2
𝑛
∑ 𝑥𝑖 − 4𝑋 = 𝑎 − 2𝑋𝑎
𝑖=1

b)