1

CALCULO DE PROBABILIDADES Y ESTADISTICA MATEMATICA

1. Suponer una poblaci on cuyos individuos est an numerados de 1 a N. Se extrae una muestra de
tama no n = 10. Cu al es la probabilidad de que los 10 valores de la muestra sean mayores que
N/4?
(a) Calcular la probabilidad anterior si la muestra se extrae con reemplazamiento.
(b) Calcular la probabilidad anterior si la muestra se extrae sin reemplazamiento.
(c) Que sucede cuando N ?
2. Sea X
1
, . . . , X
n
una muestra aleatoria simple de una distribuci on de Bernoulli de par ametro p,
0 < p < 1. Sea X la media muestral y S
2
la cuasivarianza muestral. Calcular la funci on de
probabilidad de X y S
2
.
3. Una expresi on alternativa de S
2
. Sea X
1
, . . . , X
n
una m.a.s. Demostrar que
S
2
=
1
2n(n 1)
n

i=1
n

j=1
(X
i
X
j
)
2
4. Establecer las siguientes relaciones recursivas para la media y varianza muestrales. Sean X
n
y S
2
n
la media y la varianza muestrales de X
1
, . . . , X
n
. Suponer ahora que se dispone de otra observaci on
X
n+1
. Demostrar que :
(a) X
n+1
=
X
n+1
+nX
n
n + 1
(b) nS
2
n+1
= (n 1)S
2
n
+
n
n + 1
(X
n+1
X
n
)
2
5. Sean X
1
, . . . , X
n
n v.a.i.i.d. seg un una N(,
2
). Se denen los estadsticos X y S
2
de la forma
usual. Considerar T
n
=

n
(X )/
S/
Demostrar que T
n
converge en distribuci on a una N(0, 1).
6. Suponer que X
1
, . . . , X
n
es una m.a.s. de exponenciales con funci on de densidad
f(x) =
_
_
_
1

, si x > 0
0, en otro caso
Probar:
(a)

n
X
X
converge en distribuci on a una N(0, 1). Suponer que las observaciones son 20 tiem-
pos de vida (en meses) de bombillas de una cierta marca. Construir un intervalo de con-
anza asint otico para , la duraci on media de una bombilla, con nivel de conanza del 95%,
suponiendo que X = 20.
(b)

n(X 1) converge en distribuci on a una N(0, 1), donde = 1/.
Estadstica Matem atica 2
7. Sean X
1
, . . . , X
n
n observaciones de una v.a. de Bernoulli de par ametro p.
(a) A que converge en probabilidad X(1 X)?
(b) A que converge en distribuci on

n
(Xp)

X(1X)
?
(c) Suponer que de 300 personas, 72 de ellas apoyan a un determinado partido. Dar una estimaci on
de la probabilidad de apoyar a ese partido y el error de la estimaci on con un nivel de conanza
del 95%.
8. (a) Sean X
1
, . . . , X
n
n v.a.i.i.d. con funci on de densidad com un
f(x) =
_
_
_
1

, si x > 0
0, en otro caso
Calcular la distribuci on asint otica de T
n
con T
n
= e
X
(b) Es cierto o falso que si X
1
, . . . , X
n
son v.a.i.i.d. N(1, 1) entonces

n(X
2
1) converge en
distribuci on a una N(0, 1)
9. Sea una m.a.s. X
1
, . . . , X
n
. Se dene
Z
1/2
=
_
_
_
X
(m+1)
, si n = 2m+ 1
X
(m+1)
+X
(m)
2
, si n = 2m
Calcular la funci on de densidad de Z
1/2
(mediana muestral) en ambos casos. Encontrar la dis-
tribuci on exacta si X
i
es U(0, 1).
10. Dadas X
1
, . . . , X
n
n v.a.i.i.d. seg un una U(0, 1), calcular la funci on de densidad conjunta y corres-
pondientes marginales del semirrango muestral:
V =
X
(1)
+X
(n)
2
y el rango muestral:
R = X
(n)
X
(1)
11. Los estadsticos ordenados para funciones discretas se denen de forma an aloga a la de los es-
tadsticos ordenados para funciones continuas. Suponer que se realizan n lanzamientos independi-
entes de un dado. Calcular la funci on de probabilidad de X
(j)
, el estadstico ordenado de orden j,
j = 1, . . . , n
12. Sea X
1
, . . . , X
n
una m.a.s de tama no n de la funci on de densidad f(x) = e
(x)
I
[,)
(x) para
alg un > 0. Sean X
(1)
, . . . , X
(n)
los estadsticos ordenados. Demostrar que X
(1)
, X
(2)
X
(1)
, X
(3)

X
(2)
, . . . , X
(n)
X
(n1)
son independientes y hallar sus respectivas densidades marginales.
13. Calcular la funci on de densidad de X
(r+1)
X
(r)
si las v.a. de la muestra son U(0, 1)
14. Dos puntos X
1
y X
2
se toman aleatoria e independientemente en un segmento de longitud L.
Encontrar una f ormula general para E(|X
1
X
2
|
n
) y evaluarla para n = 1, 2, 3, 4.
Estadstica Matem atica 3
15. Calcular un intervalo de conanza asint otico para
2
partiendo de la distribuci on asint otica del
estadstico S
2
. Usar los siguientes datos:
0.42 1.21 0.36 0.84 0.72 1.1 1.17 0.56 0.69 0.92
16. Sean X
1
, . . . , X
n
una m.a.s. de una poblaci on con funci on de distribuci on F(x). Sea F

n
(x) la funci on
de distribuci on emprica. Calcular E[F

n
(x)], V ar[F

n
(x)] y Cov[F

n
(x), F

n
(y)] para x, y R jos.
17. Disponemos de unos datos que reejan el tiempo de semidesintegraci on de unas partculas radiac-
tivas. Dicho tiempo se cree que es aleatorio y que sigue una ley Exponencial de par ametro = 2.
Utilizar la variable D
n
y su distribuci on para comprobar que los datos no reejan una contradicci on
con esta suposici on. Tomar = 0.05.
1.0062 2.6257 0.0187 0.7832 0.1064
0.1683 0.0808 0.1234 0.5472 1.0510
18. Sea X
1
, . . . , X
n
una m.a.s. de una N(,
2
), X y S
2
denidos de la forma usual. Sea X
n+1
una nueva
observaci on independiente y de la misma poblaci on que las anteriores. Encontrar la distribuci on
del estadstico
_
n
n + 1
X
n+1
X
S
. Para que podra ser utilizado?
19. Si la v.a. X tiene una distribuci on N(, 1) y extraemos de ella una m.a.s. X
1
, . . . , X
n
, construir,
utilizando las f ormulas recursivas de X
n
y S
2
n
(ejercicio 4), una demostraci on inductiva de que
(n 1)S
2
n
tiene una distribuci on
2
n1
.
20. Se ha observado la duraci on, en horas, de 9 bombillas catalogadas como de primera categora. Se
observ o una vida media de 1309 horas con una desviaci on tpica de 420 horas. Una segunda muestra
de 16 bombillas catalogadas como de segunda clase tambien ha sido observada. Los resultados
obtenidos han sido una vida media de 1205 horas y una desviaci on tpica de 390 horas. Supongamos
que la vida de una bombilla es una v.a. que sigue una ley Normal. Usando = 0.05:
(a) Podemos suponer que las varianzas de las poblaciones son iguales?
(b) Supuesto cierto (a), Se puede decir que existe una diferencia real entre la duraci on media de
las bombillas de cada clase?
21. Sean X
1
, . . . , X
n
e Y
1
, . . . , Y
m
dos m.a.s. de dos poblaciones independientes N(
1
,
2
) y N(
2
,
2
)
respectivamente. Queremos realizar inferencias sobre
1
+
2
, con y dos n umeros reales y
jos, cuando no se conoce la varianza com un
2
. Encontrar una variable cuya distribuci on s olo
dependa de par ametros conocidos y sirva para este n.
22. Los constructores de un cierto modelo de coche anuncian que el recorrido medio por gal on de
gasolina normal son 30 millas. Se realiza una prueba con 9 coches de este modelo, conducidos en
las mismas condiciones y por el mismo conductor, cada uno con un gal on de gasolina normal. La
distancia media recorrida ha sido de 26 millas, con una desviaci on tpica de 2.8 millas. Se puede
decir que el anuncio de la compa na es cierto? (asumir la hip otesis de normalidad en el recorrido y
tomar como nivel del test = 0.05)
Estadstica Matem atica 4
23. Nueve adultos se someten a una prueba de eciencia de un nuevo programa de dietas. Sus pesos,
en libras, fueron medidos antes y despues de someterse al programa. Los resultados fueron los
siguientes:
1 2 3 4 5 6 7 8 9
antes 132 139 126 114 122 132 142 119 126
despues 124 141 118 116 114 132 145 123 121
Podemos asegurar que este programa es ecaz? Tomar = 0.05.
24. La desviaci on est andar del di ametro de ciertas piezas producidas por una m aquina tiene la restric-
ci on de no poder ser mayor de 0.5 mm. ya que dichas piezas deber an ser ensambladas con otras
diferentes y esto no ser a posible si hay una excesiva variabilidad en las piezas. La m aquina que las
produce presenta, por el uso, una tendencia a aumentar la desviaci on est andar. Si se sospecha que
esta supera el valor de 0.5 mm. se detiene la producci on y se procede a un reajuste. Un da dado,
se toma una m.a.s. de 14 piezas de la producci on, se miden sus di ametros y se calculan la media
y la desviaci on est andar muestrales. Supongamos que tenemos S = 0.64 Utilizar un contraste de
hip otesis, con = 0.05, para decidir si se reajusta la m aquina o no. Suponer que los di ametros
siguen una distribuci on Normal.
25. Sea (X, Y ) una distribuci on Normal bivariante no singular con X e Y N(0, 1). Demostrar que
X
2
+2aXY +Y
2
y X
2
+2bXY +Y
2
son independientes s y s olo s a y b son 1 en valor absoluto y
a = b.
26. Un bot anico estudia un cierto tipo de plantas, en concreto, la longitud y anchura de las hojas.
Supongamos que las variables tienen una distribuci on normal bivariante. Se toma una muestra de
16 hojas, cuyos resultados se recogen en la siguiente tabla:
anchura longitud anchura longitud
2.1 4.1 5.9 7.2
2.4 6.0 6.6 13.1
3.6 5.5 7.4 11.3
3.7 8.2 8.2 15.6
4.3 7.5 8.8 13.4
5.1 12.6 9.0 19.0
5.5 8.1 9.1 15.8
5.8 10.8 9.8 14.6
(a) Podemos aceptar que existe independencia entre ambas cantidades a un nivel = 0.05
(b) Puede admitirse que la correlaci on poblacional es = 0.95?. Tomar = 0.05.
27. En una plantaci on formada por 22 trozos de la misma extensi on, dedicados al cultivo de la remo-
lacha, se miden dos variables, X =n umero de plantas en millares por hect area e Y =producci on,
en toneladas, de az ucar por hect area. Los resultados fueron: X = 31.2, S
X
= 7.4, Y = 59.3,
S
Y
= 12.6 y R = 0.918Se puede aceptar que aumentando 1000 plantas por hect area el aumento
en la producci on de az ucar sea 2 toneladas pos hect area? Tomar = 0.01
28. Considerar los datos del ejercicio 26 y construir un elipsoide de conanza para la media poblacional,
con = 0.05. Podemos aceptar que el vector de medias toma valor
t
= (7.5, 10.0) en dicha
poblaci on de plantas?
Estadstica Matem atica 5
29. Mediante una m.a.s. de tama no 10 se pretende estimar la media de una poblaci on, de la que se
sabe que su varianza es 100. Se consideran dos estadsticos: T
1
= X y T
2
=
1
n+1

n
i=1
X
i
(a) Es preferible alguno de los estadsticos cuando se considera como funci on de perdida el error
cuadr atico?
(b) Que estadstico es preferible cuando se aplica el criterio minimax?
30. Sea X
1
, . . . , X
n
una m.a.s. de una N(,
2
) con y desconocidas. Considerar la clase de
estimadores C = {cS
2
|c > 0} de
2
.
(a) Buscar en C un estimador centrado de
2
.
(b) Encontrar el valor de c que nos proporciona un error cuadr atico medio menor.
31. Sup ongase que va a administrarse un cierto tipo de f armaco a dos tipos de animales A y B. Se
sabe que la respuesta media de los animales de tipo A es la misma que la de los animales de tipo
B, pero el valor com un de esta media es desconocido y se debe estimar. Se sabe tambien que la
varianza de la respuesta de los animales tipo A es cuatro veces m as grande que la varianza de la
respuesta de los animales tipo B. Sean X
1
, . . . , X
m
las respuestas de una m.a.s. de m animales
tipo A e Y
1
, . . . , Y
n
las respuestas de una m.a.s. de n animales de tipo B. Finalmente, considerese
el estimador T = X + (1 )Y .
(a) Para que valores de m y n es T un estimador insesgado de ?
(b) Para valores jos de m y n, que valor de proporciona un estimador insesgado con varianza
mnima?
32. (a) Demostrar que si X es Beroulli con par ametro p desconocido, la esperanza de cualquier funci on
de una m.a.s. de tama no n es un polinomio en p cuyo grado no excede n.
(b) Demostrar que si X es Bernoulli de par ametro p, no existe estimador centrado para p
2
basado
en una unica observaci on.
33. Si X
1
, . . . , X
n
son v.a.i.i.d. seg un una N(,
2
), comprobar que S
2
es centrado para
2
, pero que
S no es centrado para .
34. En un proceso de fabricaci on se obtienen productos con una cierta resistencia que consideramos que
es una v.a. Y cuya distribuci on desconocemos. Sometemos estos productos a una prueba de fuerza
de valor a. Queremos estimar cu al es la probabilidad de resistir al menos dicha fuerza a. Buscar:
(a) Un estimador centrado y consistente para esta probabilidad, que denominamos p.
(b) Un estimador centrado y consistente para p(1 p).
(c) Demostrar que si T es el estimador del apartado (a), T(1 T) es un estimador no centrado,
pero consistente para la cantidad p(1 p).
(d) Utilizar el metodo Jacknife para reducir el sesgo de este segundo estimador.
35. Sea X
1
, . . . , X
n
una m.a.s. de tama no n de una poblaci on con funci on de densidad f(x) = e
(x)
si x [, ). Tomamos como estimador del par ametro al estadstico ordenado X
(1)
. Demostrar
que dicho estimador es asint oticamente centrado. Es consistente? Utilizar el metodo Jacknife para
encontrar un estadstico centrado del par ametro . Es este estimador tambien consistente?
Estadstica Matem atica 6
36. Vericar las propiedades de regularidad, en el sentido Frechet-Cramer-Rao para la siguiente familia
de distribuciones:
P(X = x) = (1 )
x
con x = 0, 1, . . ., 0 < < 1. Calcular la cota F-C-R para la varianza de un estadstico centrado
para . Vericar si la anterior familia pertenece a la familia exponencial y en tal caso obtener un
estimador eciente para
1

37. Sea X
1
, . . . , X
n
una m.a.s. de una poblaci on discreta de forma que P(X = x
1
) =
1
2
, P(X =
x
2
) =

2
y P(X = x
3
) =
1
2
, 0 < < 1. Vericar las condiciones de regularidad y dar una cota para
la varianza de un estimador centrado de .
38. Sean X
1
, . . . , X
n
v.a.i.i.d. seg un una N(, 1).
(a) Calcular la mnima varianza de un estimador centrado de
2
por la desigualdad F-C-R.
(b) Dado T(X
1
, . . . , X
n
) = X
2

1
n
, Calcular su varianza. Calcular su eciencia y su eciencia
asint otica.
39. Sean X
1
, . . . , X
n
v.a.i.i.d. con media y varianza nita. Sea T(X
1
, . . . , X
n
) =
2
n(n + 1)
n

i=1
iX
i
Es un estimador centrado de ? Es consistente? Calcular su eciencia relativa respecto a X.
40. Sea X
1
, . . . , X
n
una m.a.s. de una poblaci on exponencial con funci on de densidad
f(x) =
_
_
_
1

, si x > 0
0, en otro caso
Calcular la cota F-C-R para la varianza de un estimador centrado del par ametro . Comparar esta
cota con la varianza alcanzada por X. Es asint oticamente centrado?
41. Sean X
1
, . . . , X
n
v.a.i.i.d. con
f(x, ) =
_
_
_
1

, si 0 < x <
0, en otro caso
Sea Y
n
= max(X
1
, . . . , X
n
) Calcular la esperanza de Y
n
. Encontrar un estimador centrado de
basado en Y
n
. Calcular la varianza de este estimador y la cantidad de informaci on para el par ametro
. Se desprende de este resultado alguna contradicci on?
42. Dar una expresi on del estimador de la varianza por el metodo Jacknife para el estimador considerado
en el ejercicio 35. Calcular el valor medio de dicha estimaci on y compararlo con la verdadera varianza
del estimador considerado.
43. Para estimar el par ametro de una distribuci on U(0, ) se utiliza un estimador T(X
1
, . . . , X
n
) =
n + 1
n
X
(n)
. Calcular el valor de su varianza cuando = 1 y n = 5. Dar una estimaci on de la
varianza de dicho estimador por el metodo de Bootstrap, para lo cual utilizar los siguientes datos
(simulados articialmente de una U(0, 1)):
0.22 0.17 0.68 0.65 0.84
Estadstica Matem atica 7
44. Sean X
1
, . . . , X
n
observaciones independientes de la distribuci on discreta uniforme en {1, ..., N}
(N N
+
) Encontrar un estadstico suciente para N.
45. Sea X
1
, . . . , X
n
una m.a.s. de una poblaci on con funci on de densidad f(x|). Demostrar que los
estadsticos ordenados T(X
1
, . . . , X
n
) = (X
(1)
, . . . , X
(n)
) son un estadstico suciente para (de
dimensi on variable)
46. Sea X
1
, . . . , X
n
una m.a.s. de una distribuci on de Poisson con media . Utilizar la denici on (e.g.
via condicionamiento) de estadstico suciente para comprobar que T(X
1
, . . . , X
n
) = X
1
+. . . +X
n
es un estadstico suciente para . Suponer que n = 2. Demostrar que X
1
+2X
2
no es un estadstico
suciente.
47. Sea X
1
, . . . , X
n
una m.a.s. de una poblaci on (, ) , es decir, con funci on de densidad
f(x|, ) =
_

_
x
1
e

()
, si 0 < x <
0, en otro caso
y , > 0. Calcular un estadstico suciente para = (, ).
48. Sea X
1
, . . . , X
n
una m.a.s. de una poblaci on con funci on de densidad
f(x|) =
e

|x|

2
para < x < y > 0. Encontrar un estadstico suciente para .
49. Sea X
1
, . . . , X
n
una m.a.s. de una poblaci on con funci on de densidad f(x|, ) =
1

para
< x < y 0 < < . Encontrar un estadstico suciente para = (, )
50. Sea X
1
, . . . , X
n
una m.a.s. de una poblaci on N(, 2), con y desconocidos. Calcular un
estadstico minimal-suciente para dicho par de par ametros.
51. Sea X
1
, . . . , X
n
v.a.i.i.d. Bin(1, p). Demostrar que T =
n
i=1
X
i
es un estadstico suciente y
completo.
52. Suponer que X
1
, . . . , X
n
es una m.a.s. de una poblaci on de Poisson de par ametro desconocido
> 0. Encontrar un estadstico minimal-suciente y comprobar si es completo.
53. Suponer X
1
, . . . , X
n
una m.a.s. de una poblaci on U(0, ) con > 0. Comprobar que X(n) es un
estadstico suciente y completo.
54. Sean X
1
, . . . , X
n
una m.a.s. de una poblaci on N(,
2
=
2
). Comprobar que el estadstico
T(X
1
, . . . , X
n
) =
_
n
i=1
X
i
,

n
i=1
X
2
i
,
_
es suciente pero no completo.
55. Sea X
1
, . . . , X
n
, una m.a.s. de una poblaci on., con funci on de densidad,
f(x, ) =
_
_
_
x + 1
( + 1)
e

, si 0 < x <
0, en otro caso
( > 0 jo). Encontrar un estadstico suciente y completo para 1/.
Estadstica Matem atica 8
56. Considerar la familia de funciones de probabilidad del ejercicio 44.
(a) Demostrar que el estadstico M
n
= max(X
1
, . . . , X
n
) es completo.
(b) Comprobar que se pierde la propiedad de completitud si nos restringimos a la subfamilia
p
no
= {P
N
, N 1, N = no}
57. Sea X
1
, . . . , X
n
una m.a.s. de una v.a. de Poisson de par ametro .
(a) Encontrar el estimador centrado de mnima varianza de .
(b) Encontrar el UMVUE de e

(1 +)
58. Sean X
1
, . . . , X
n
v.a.i.i.d. seg un una U(0, ), con > 0.
(a) Encontrar el estimador centrado de mnima varianza del par ametro .
(b) Demostrar que
X
(1)
X
(n)
y X
(n)
son v.a. independientes.
59. Sean X
1
, . . . , X
n
v.a.i.i.d. seg un una Bernoulli(p).
(a) Calcular el UMVUE para g(p) = p
(b) idem. para g(p) = p(1 p)
(c) idem. para g(p) = p
s
, 0 < s < n
(d) idem. para g(p) = p
s
+ (1 p)
ns
, 0 < s < n
60. Este ejercicio cubre gran parte de las distribuciones discretas. Sea X
1
, . . . , X
n
una muestra de una
poblaci on con funci on de probabilidad
P(X = x|) =
(x)
x
f()
x = 0, 1, 2, . . .
donde > 0, (x) > 0, f() =

x=0
(x)
x
, (0) = 1 y sea T = X
1
+. . . +X
n
. Denotamos c(t, n) =

x1,...,xn
n

i=1
(x
i
) con

n
i=1
x
i
= t. Demostrar que T es un estadstico completo y suciente para
, y que el UMVUE para d() =
r
,(r > 0 entero) viene dado por
Y
r
(t) =
_
_
_
0, si t < r
c(t r, n)
c(t, n)
, si t r
61. Resolver el siguiente problema de Telef onica. Se pretende estimar la probabilidad de que una
llamada telef onica dure m as de unidades de tiempo (u. de t.). Se sabe que la v.a. X=duraci on
en u. de. t. de una llamada telef onica se ajusta bastante bien a una v.a. Exponencial(). Si nos
dan como informaci on la duraci on de n llamadas, dar la mejor estimaci on de dicha probabilidad.
62. Sea X
1
, . . . , X
n
v.a.i.i.d. con funci on de densidad com un f(x|) =
x + 1
(1 +)
e

, x R
+
y > 0
Calcular el estimador UMVUE del par ametro
(1 + 2)
1 +
Estadstica Matem atica 9
63. Sean X
1
, . . . , X
n
v.a.i.i.d. con funci on de densidad com un f(x|) =

x
2
I
(,)
(x) Encontrar el
UMVUE de .
64. Sea X una v.a. con funci on de probabiliad P(X = x|p) =
_
n
x
_
p
x
(1 p)
nx
1 q
n
si x = 1, 2, ..., n
y q = 1 p, 0 < p < 1. Hallar el estadstico centrado de mnima varianza del par ametro
p
1 q
n
basado en una m.a.s de tama no n.
65. Sean X
1
, . . . , X
n
v.a.i.i.d. seg un una Bin(k, ). El problema es estimar la probabilidad de un
unico exito para una v.a. Bin(k, ). Calcular el estimador centrado de mnima varianza de dicha
probabilidad.
66. Demostrar, aplicando el teorema de Basu, que en una poblaci on N(,
2
), X
n
y S
2
n
son indepen-
dientes.
67. Sea X
1
, . . . , X
n
una m.a.s. con funci on de densidad f(x|) =
r
r
x
r+1
I
[,)
(x), > 0 y r > 1
Demostrar que el estadstico T = X
(1)
es suciente y completo para . As, o de otro modo,
encontrar el UMVUE para .
68. Sea un lote de N componentes electr onicas cuya vida sigue un modelo de distribuci on exponencial,
con funci on de densidad f(x|) = e
x
, x > 0 y > 0 desconido. Comienzan todas a funcionar de
manera simult anea e independiente. Tras un tiempo jo conocido se detiene el experimento y se
recuenta el n umero de componentes que a un funcionan. Sea dicho n umero k. Calcular el estimador
de m axima verosimilitud para cuando no se dispone de m as informaci on que dicho valor k.
69. Unos bi ologos capturan en un ro una cantidad M de peces que marcan con una se nal, despues los
sueltan y transcurrido un periodo de tiempo vuelven a capturar una muestra de n peces. Suponer
que la poblaci on de peces es N, desconocido para nosotros, y que en ese tiempo no ha habido ni
nacimientos ni muertes entre los peces. Calcular el estimador de N por m axima verosimilitud, si se
han obtenido en la muestra x peces marcados.
70. Sean X
1
, . . . , X
n
v.a.i.i.d. con funci on de densidad com un f(x|) =
1
2
e

|x|

, < x < , > 0

desconocida. Calcular los estimadores MLE y por el metodo de los momentos de .
71. Sean X
1
, . . . , X
n
v.a.i.i.d. con distribuci on com un Lognormal(,
2
), es decir, cuya densidad viene
dada mediante la transformaci on e
X
, con X N(,
2
). Calcular los estimadores de m axima
verosimilitud de: = E(X) = e
+

2
2
y
2
= V ar(X) = e
2+
2
(e

2
1) Coinciden con los
estimadores por el metodo de los momentos?
72. Sean X
1
, . . . , X
n
v.a.i.i.d. con distribuci on U[c d, c +d], d > 0 y c R. Calcular los estimadores
de m axima verosimilitud de:
(a) d, si c es conocido.
(b) c, si d es conocido.
(c) (c,d).
73. Calcular el estimador por el metodo de los momentos (MME) de n y p para una m.a.s. X
1
, . . . , X
m
que ha sido extrada de una ley Bin(n, p). Suponer ahora que p es conocido y n desconocido.
Demostrar que existe MLE para n y calcularlo cuando tenemos una m.a.s de valores {2, 3}.
Estadstica Matem atica 10
74. Sean X
1
, . . . , X
n
v.a.i.i.d. con funci on de probabilidad:
p(x) =
_

_
, si x = 1
1
k 1
, si x = 2, 3, . . . , k
0, en el resto
con 0 1 , k = 1, 2, . . . Calcular el MLE de (, k) y por el metodo de los momentos (MME).
75. Sean X
1
, . . . , X
n
v.a.i.i.d. con densidad com un
f(x) =
_
_
_
1

, si x
0, en el resto
con > 0 y R. Calcular los estimadores MLE de = (, ) y comprobar que no son insesgados
76. En una poblaci on sucientemente grande de hombres casados (ninguno de ellos ha enviudado), una
fracci on p de ellos se han divorciado al menos una vez. Se realiza el siguiente porcedimiento: una
urna contiene 100 sobres, de los cuales 100x contienen la pregunta : Se ha divorciado alguna
vez? y los otros 100(1 x) la pregunta: Es este su primer matrimonio? (suponemos que todos
contestan con la verdad). Se seleccionaron N maridos al azar . A cada uno de ellos, en sucesi on,
se le pidi o que sacara un sobre, leyera la pregunta, y devolviera el sobre. Despues contestaban
si o no a la pregunta ( s olo ellos saban la pregunta leda). Sea Y el n umero de hombres que
respondieron si. Suponer x (0 < x < 1) conocido.
(a) Encontrar la distribuci on de Y
(b) Calcular el estimador por el metodo de los momentos de p.
(c) Dar el estimador de m axima verosimilitud de p y comentar posibles ventajas e inconvenientes
con el otro. (Este procedimiento de muestreo se denomina respuesta aleatorizada )
77. El n umero de llamadas por minuto a una central telef onica sigue una distribuci on de Poisson de
par ametro . El par ametro vara de una hora a otra siguiendo una distribuci on a priori exponencial
g() = e

, > 0. Usar una funci on de perdida cuadr atica para dar una estimaci on Bayes del
valor de si en una hora se han recibido 52 llamadas.
78. Sea X una v.a. con distribuci on de Poisson de par ametro . Consideramos la funci on parametrica
p
k
() = P(X = k) = e

k
k!
con k concocido. Queremos estimar dicha funci on a partir de una m.a.s. de tama no n. Se pide:
(a) Calcular el estimador UMVUE de p
k
()
(b) Hallar el estimador Bayes para una distribuci on a priori exponencial, p() = e

, > 0, y
una funci on de perdida cuadr atica.
(c) Dar el estimador de m axima verosimilitud.
79. La proporci on de piezas defectuosas que produce una m aquina en un da determinando es p. Aunque
p permanece constante a lo largo de una da, vara de un da a otro seg un una cierta ley de
probabilidad. Si en un da se han examinado n piezas con reemplazamiento de las cuales k resultaron
defectuosas, estimar p si:
Estadstica Matem atica 11
(a) La distribuci on a priori de p es w(p) = 1, 0 < p < 1 y
L(T(x
1
, . . . , x
n
), p) = p(T(x
1
, . . . , x
n
) p)
2
(b) La distribuci on a priori de p es w(p) = 3p
2
, 0 < p < 1 y
L(T(x
1
, . . . , x
n
), p) = (T(x
1
, . . . , x
n
) p)
2
80. Un n umero real se escoge con densidad w() =
k1

k
en el intervalo (1, ), siendo k > 1 un n umero
conocido. No se permite observar el resultado, pero para estimarlo se pueden observar n valores
elegidos independientemente, al azar entre 0 y , de manera que X
1
, . . . , X
n
constituye una m.a.s.
de la distribuci on uniforme en (0, ). Encontrar el estimador Bayes de bajo las siguientes funciones
de perdida:
(a) L(T(x
1
, . . . , x
n
), ) = (T(x
1
, . . . , x
n
) )
2
(b) L(T(x
1
, . . . , x
n
), ) = |T(x
1
, . . . , x
n
) |
(c)
L(T(x
1
, . . . , x
n
), ) =
_

_
1
T(x
1
, . . . , x
n
)

, si T(x
1
, . . . , x
n
) <
1

T(x
1
, . . . , x
n
)
, si T(x
1
, . . . , x
n
) >
81. Hallar, para una sola observaci on, el estimador Bayes y deducir el riesgo a posteriori de este con-
siderando como funci on de perdida L(T(x
1
, . . . , x
n
), ) = c(T(x
1
, . . . , x
n
) )
2
en los siguientes
casos:
(a) Con una v.a. U[0, ] donde tiene como funci on de densidad w() = e

, > 0
(b) con una v.a. con funci on de densidad f(x|) = e
(x)
I
[,)
(x), donde tiene como funci on
de densidad: w() = e

, > 0
82. Suponer que tenemos un n umero conocido N de artculos con un n umero M de defectuosos que
sabemos que es una v.a. Bin(N, p). Si tomamos un artculo al azar y nos sale defectuoso, encontrar
la distribuci on a posteriori de M.
83. Sean X
1
, . . . , X
n
una m.a.s. de una v.a. (a, p) con p conocido. Utilizar el teorema central del lmite
para calcular un intervalo de conanza a nivel 1 para el par ametro a (suponer n sucientemente
grande)
84. Sean X
1
, . . . , X
n
una m.a.s. de una v.a. U(0, ). Dar intervalos de conanza a nivel 1 para el
par ametro en los siguientes casos:
(a) Por el metodo de la desigualdad de Chebichev.
(b) Utilizando un pivot basado en un estadstico suciente, calcular el de longitud mnima.
(c) Bas andose en el mismo estadstico del apartado (b), hallar un intervalo de conanza por el
metodo de Neyman.
Estadstica Matem atica 12
85. Sean X
1
, . . . , X
n
una m.a.s. de una v.a. con funci on de densidad
f(x) =
_
e
(x)
, si x >
0, en otro caso
Utilizar un pivot basado en un estadstico suciente de para construir un intervalo de conanza,
a nivel 1 de longitud mnima.
86. Sea X
1
, . . . , X
n
una m.a.s. de una distribuci on Uniforme sobre los N primeros naturales. Encontrar
un intervalo de conanza, a nivel 1 para N de la forma (a, ), basado en el m aximo de la muestra
87. Dar un intervalo de conanza asint otico para el par ametro de una v.a. de Poisson a nivel 1 .
88. Consideramos pivots de la forma T(X
1
, . . . , X
n
, ) = T
1
(X
1
, . . . , X
n
) . Explicar c omo construir
intervalos de conanza para con longitud ja d y m aximo nivel de conanza. Construir intervalos
de dichas caractersticas en los siguientes casos:
(a) Para el par ametro de una poblaci on normal de varianza 1.
(b) Para el par ametro de una poblaci on con densidad de la forma f

(x) = e
(x)
si x > .
Calcular en ambos casos el tama no mnimo n para que dicho nivel de conanza sea mayor o igual
que 1 .
89. Hacemos un estudio comparativo del contenido graso de 2 marcas diferentes de productos comer-
ciales. Utilizamos dos muestras, cada una de tama no 7, que podemos suponer a efectos pr acticos
que provienen de dos v.a. normales con la misma varianza desconocida. Los resultados producen
medias muestrales con valores 4.8 y 5.4 u. gr. respectivamente y las cuasivarianzas muestrales son
8.38 y 7.62 respectivamente. Usando un intervalo de conanza a un nivel 0.95, determinar si ambos
productos poseen el mismo contenido graso medio.
90. Sea f(x|) =
2

2
(x)I
(0,)
(x) y sea una muestra de tama no 1. Consideremos el estimador T = 2x.
Construir un intervalo de conanza a nivel 1 por el metodo de Neyman.
91. Sea una m.a.s cuya funci on de distribuci on es
F

(x) =
_

_
0, si x

x
2

, si

< x <
1, si x
siendo un par ametro mayor que 1. Hallar por el metodo de Neyman un intervalo de con-
anza de longitud mnima basado en el estadstico min(X
1
, . . . , X
n
). Idem con el estadstico
max(X
1
, . . . , X
n
).
92. Hallar intervalos de conanza a nivel 1 para en caso de muestras grandes y muestras peque nas
si tenemos una funci on de densidad exponencial de la forma f(x|) =
1

, x > 0
93. Utilizando un intervalo de conanza a un nivel 0.95 para el par ametro p de una distribuci on
Bin(n, p), determinar si una moneda que ha sido lanzada 500 veces y con la que se han obtenido
225 caras se puede considerar correcta en su construcci on.
Estadstica Matem atica 13
94. Una empresa quiere hacer previsiones de la demanda. Para ello toma 10 de sus clientes al azar y
observa su demanda durante el ultimo a no, obteniendo la siguiente tabla de valores:
n umero de unidades 1000 1002 1004 1006 1008 1010
n umero de clientes 1 2 2 1 2 2
Construir un intervalo de conanza al nivel 0.90 para la demanda media en los siguientes casos:
(a) Sin hacer nig un tipo de hip otesis sobre la distribuci on de la demanda (tomar como valor de la
varianza un estimador natural de la misma)
(b) Suponiendo que la demanda se comporta con arreglo a una Normal.
95. Estamos realizando un estudio bioqumico para determinar si un agua est a contaminada por un
tipo de bacterias o no. El test act ua de la siguiente manera:
Si hay bacterias, las detecta con probabilidad 0.9.
Si no las hay, detecta su ausencia con probabilidad 0.8.
Tenemos dos muestras de agua. Denotamos con X al n umero de veces que se detecta la presencia
de bacterias (que tomar a los valores 0,1 o 2). Con ello queremos contrastar:
H
0
: el agua contiene bacterias
H
1
: el agua no contiene bacterias
(Porque as y no al reves?) Se pide:
(a) Nivel de signicaci on del test y potencia bajo H
1
de los tests con regiones crticas (a)
1
= {0},
(b)
1
= {0, 1}
(b) Dado que la potencia bajo H
1
es demasiado baja en el caso (a) y el nivel de signicaci on es
demasiado bajo en el caso (b), se adopta el criterio intermedio de: rechazar si X = 0, aceptar
si X = 2, y si X = 1 aceptar o rechazar aleatoriamente con probabilidad
1
2
. Calcular en este
caso el nivel de signicaci on del test y su potencia bajo H
1
.
(c) Si llamamos p a la probabilidad de detectar bacterias en el agua, podemos reescribir el test
como
H
0
: p = 0.9
H
1
: p = 0.2
Construir el test MP de tama no 0.05 para contrastar estas hip otesis, basado en las dos muestras
de agua.
96. (a) Encontrar un intervalo de conanza aproximado a nivel 1 para p en una m.a.s. X
1
, . . . , X
n
de v.a. de Bernoulli, basado en el estimador m aximo verosmil.
(b) Hacer lo mismo para el par ametro p(1 p)
97. Una urna contiene 10 canicas, de las cuales M son blancas y 10 M son negras. Para conprobar
si M = 5 contra la alternativa M = 6, extraemos 3 canicas de la urna sin reemplazamiento. La
primera hip otesis es rechazada si la muestra contiene 2 o 3 canicas blancas, en otro caso se acepta.
Encontrar el tama no del test y su potencia.
Estadstica Matem atica 14
98. Sea X
1
, . . . , X
n
una m.a.s. de una v.a. N(, 1) con desconocido. Construir el test MP de tama no
para contrastar H
0
: = 0 contra H
1
: =
1
con
1
> 0. Calcular su potencia. Suponer
ahora jados y (potencia del test) y calcular el tama no muestral mnimo n que se necesita para
obtener dichos valores de y .
99. Una muestra de tama no 1 se toma a partir de una v.a. con funci on de densidad
f(x) =
_
_
_
2

2
( x), si 0 < < x
0, en otro caso
Calcular el test MP de tama no par contrastar H
0
: =
0
contra H
1
: =
1
con
1
<
0
.
Calcular su potencia y dibujar esta seg un los valores de
1
.
100. Calcular el test MP de tama no , por el metodo de Neyman-Pearson para H
0
: =
0
contra
H
1
: =
1
con
1
<
0
basado en una muestra de tama no 1 de una v.a. con densidad
f(x) =
_
2x + 2(1 )(1 x), si 0 < x < 1
0, en otro caso
con [0, 1]
101. (a) Calcular, con una unica observaci on, el test MP de tama no para contrastar H
0
: X N(0, 1)
frente a H
1
: X exponencial doble (es decir f(x) =
1
2
e
|x|
)
(b) Sea X una observaci on en (0,1). Calcular el test MP de tama no para
H
0
: X f(x) =
_
4x, si 0 < x <
1
2
4 4x, si
1
2
< x < 1
H
1
: X f(x) = 1 si 0 < x < 1
102. Calcular el test UMP de tama no para contrastar H
0
:
0
frente a H
1
: >
0
para muestras
de tama no n de una poblaci on U(0, ) basado en la propiedad MLR. Comparar dicho test con el
siguiente:
(x) =
_
1, si X
(n)
>
0
, si X
(n)

0
Calcular ambas funciones de potencia.
103. Construir el test UMP de tama no para contrastar H
0
: =
0
frente a H
1
: <
0
para el
par ametro de una densidad f(x|) =
e

con x > 0, basado en muestras de tama no 1. Hacer lo

mismo con muestras de tama no n para contrastar H
0
:
0
frente a H
1
: >
0
104. El n umero diario de llamadas atendidas por una centralita telef onica tiene una distribuci on de
Poisson de par ametro . Se considera que la centralita no es rentable y debe ser suprimida si
<
0
. A n de estudiar la conveniencia de cerrarla se registra el n umero de llamadas durante n
das.
Estadstica Matem atica 15
(a) Obtener el test de tama no y uniformemente de m axima potencia para contrastar H
0
:
0
frente a H
1
: <
0
. Por que es razonable colocarlas en esteorden?. Aplicarlo al caso
0
= 50,
n = 12 y = 0.025. Con tales especicaciones, que decisi on debe adoptarse si sse ha obtenido
la muestra 32, 63, 39, 31, 42, 73, 37, 58, 46, 45, 30, 44? Cu al es el nivel crtico asociado a
ella?
(b) El riesgo de cerrar una centalita claramente rentable: 55, se desea que sea menor que
0.001 y el de mantener abierta una centralita muy poco rentable: 45 se quiere que sea
menor que 0.005. Cu al es el tama no de la muestra necesario para que el test dise nado cumpla
tales especicaciones?
105. Se ha realizado un estudio sobre el salario de profesores de instituto de matem aticas en dos estados
diferentes de EEUU. Para ello se han seleccionado 100 profesores en cada estado. En el estado 1 se
ha obtenido un sueldo medio de 29.6 d olares por semana, con una cuasivarianza de 1100, mientras
que en el estado 2 se ha obtenido un sueldo medio de 30.8 d olares por semana, con una cuasivarianza
de 1000. Suponer normalidad en los datos e igualdad de varianzas. Es razonable suponer que el
estado 2 ofrece un sueldo m as atractivo que el estado 1? Utilizar un nivel de conanza de 0.02.