Beruflich Dokumente
Kultur Dokumente
Queremos agradecer muy en especial a FONDEDOC, por haber confiado en este proyecto
y habernos entregado todo su apoyo para poder ver realizada esta necesidad tanto para el
Departamento de Estadstica, como para todos los alumnos y alumnas que son beneficiados
de los cursos de servicio que ofrece el mismo.
Este trabajo ha sido fruto de la labor que desarrollaron docentes y ayudantes que dictaron
el curso durante los a
nos 2002 y 2003.
Ricardo Aravena
Alejandro Jara
Ignacio Vidal
Ademas quisieramos agradecer el aporte de Jorge Gonzalez, Mario Tagle y Joaqun Rojas,
tanto por el material donado, como por la revision de este libro.
Atentamente.
Direccion
Departamento de Estadstica
Facultad de Matematicas
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
II
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
Indice general
1. Estimacion 1
1.1. Ejercicios Resueltos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
A. Formulario de Distribuciones I
B. Formulario de An
alisis de Regresi
on Simple III
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
IV INDICE GENERAL
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
Captulo 1
Estimaci
on
2n n
1 X 1X
X1 = xi y X2 = xi
2n i=1 n i=1
SOLUCION
El mejor estimador sera aquel que tenga menor error cuadratico medio E.C.M.. Primero
veamos si son insesgados los estimadores.
2n
! 2n
1 X 1 X 1
E(X 1 ) = E xi = E(xi ) = 2n =
2n i=1
2n i=1
2n
n
! n
1 X 1X 1
E(X 2 ) = E xi = E(xi ) = n =
n i=1
n i=1 n
Luego ambos estimadores son insesgados, por lo tanto el mejor estimador de entre los dos,
sera aquel que tenga menor varianza.
2n
! 2n
1 X ind 1
X 1 2 2
V ar(X 1 ) = 2 V ar xi = V ar(x i ) = 2n =
4n i=1
4n2 i=1 4n2 2n
n
! n
1 X ind 1
X 1 2
V ar(X 2 ) = 2 V ar xi = 2 V ar(xi ) = 2 n 2 =
n i=1
n i=1 n n
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2 Captulo 1. Estimaci
on
Luego, como el que tiene menor varianza es X 1 , escogemos este, pues esto produce un menor
E.C.M.
EJERCICIO 2
Suponga que 1 y
2 son estimadores insesgados del parametro . Se sabe que V ar(
1 ) = 10
y V ar(2 ) = 4.Cual es el mejor y en que sentido lo es?
SOLUCION
Como ambos son insesgados, el mejor estimador sera aquel que tenga menor varianza, lo
2 tiene
que, en este caso, conlleva a tener un menor E.C.M.. Luego observando, vemos que
menor varianza que 1 , por lo tanto escogemos 2 como mejor estimador de .
EJERCICIO 3
SOLUCION
E.C.M.( 1 ) = V ar(
1 ) + Sesgo2 (
1 ) = 10 + 02 = 10
2
2
E.C.M.(2 ) = V ar(2 ) + Sesgo (2 ) = 4 + = 4 + ( )2
2 2
Como se puede ver, el E.C.M. de 2 depende del verdadero valor que tiene , luego debemos
2 sera mejor que
hacer un analisis mas detallado, para saber cuando 1.
Cuando ocurre:
1 ) E.C.M.(
E.C.M.( 2)
2
10 4 +
2
16 + 2
10
4
40 16 + 2
2 40 16
2 24
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 3
EJERCICIO 4
no n, de una poblacion N (, 2 ).
Sea X1 , . . . , Xn una muestra aleatoria de tama
2
(a) Demuestre que X es un estimador sesgado de 2 .
SOLUCION
2
(a) Como X N (, 2 ) entonces se sabe que X N (, n ), luego si queremos demostrar
2
que X es sesgado para 2 ocupamos la siguiente relacion:
2
V ar(X) = E(X ) E 2 (X)
2 2
= E(X ) 2
n
Luego despejando lo que necesitamos, obtenemos:
2 2
E(X ) = + 2
n
Lo cual es distinto de 2 , que es el caso donde habra sido insesgado el estimador.
2 2 2
Sesgo(X ) = + 2 2 =
n n
2
(c) A medida que el tama no de muestra aumenta, el sesgo n
0, es decir, el estimador
es asintoticamente (cuando n ) insesgado.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
4 Captulo 1. Estimaci
on
EJERCICIO 5
SOLUCION
(a) Dada la definicion del problema y la estructura de la variable aleatoria, Y tiene una
distribucion Bernoulli
Y Ber(p) P (Y = y) = py (1 p)1y
5
X
yi
i=1
p =
5
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 5
Pero como nos dicen que se observaron dos artculos defectuosos, es decir solo dos de
los yi son 1, la suma de estos es 2,
2
p =
5
EJERCICIO 6
El n
umero de conexiones mal soldadas por microcircuito integrado en una operacion de
manufactura electronica sigue una distribucion Binomial(20,p) con p desconocida. El costo
de corregir los errores, por microcircuito, es:
C = 3X + X 2
En base a una muestra aleatoria X1 , X2 , ..., Xn encuentre el EMV del costo total esperado
de corregir los errores de estos microcircuitos observados.
SOLUCION
Como p es desconocida, hay que estimarla en una primera instancia, en este caso por maxima
verosimilitud.
n
Y 20
L(x; p) = pxi (1 p)20xi
i=1
xi
n
Pn
xi 20n
Pn
xi
Y 20
L(x; p) = p i=1 (1 p) i=1
i=1
xi
Aplicando logaritmo natural, obtenemos:
n
X n
X
`(x; p) = xi ln(p) + 20n xi ln(1 p)
i=1 i=1
n
X
xi
i=1
p =
20n
Ahora procedemos a calcular el costo esperado por medio de la esperanza.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
6 Captulo 1. Estimaci
on
= 3np + np np2 + n2 p2
= 4np + np2 (n 1)
[ = 4nb
Luego el E.M.V. de E(C) es E(C) p2 (n 1) por invarianza del E.M.V.
p + nb
EJERCICIO 7
En encuestas, es difcil obtener respuestas precisas a preguntas delicadas tales como Has
usado alguna vez herona? o Has hecho trampa alguna vez en un examen?. Warner introdujo
el metodo de respuestas aleatorizadas para tratar tales situaciones. El encuestado hace girar
una flecha en una rueda o extrae una bola desde una urna que contiene dos bolas de dos
colores para determinar cual de las dos afirmaciones contestara: (1)Tengo la caracterstica
A, o (2)No tengo la caracterstica A. El encuestador no conoce cual afirmacion sera con-
testada pero solamente anotara un s o un no. Se cree que es mas probable que el encuestado
responda verazmente si el o ella saben que el encuestador no conoce cual afirmacion sera con-
testada. Sea R la proporcion de una muestra que contesta S. Sea p la probabilidad que la
afirmacion 1 sea contestada (p es conocido desde la estructura del metodo aleatorizado), y
sea q la proporcion de la poblacion que tiene la caracterstica A. Sea r la probabilidad que
un encuestado responda s.
SOLUCION
Definamos como:
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 7
(a)
r = P (responda s)
= pq + (1 p)(1 q)
= pq + 1 p q + pq
= 2pq + 1 p q
= (2pq + 1)q + (1 p)
r (1 p) = (2p 1)q
luego
r+p1
q=
2p 1
EJERCICIO 8
Suponga que X1 , X2 , ..., Xn constituye una m.a. de una distribucion cuya funcion densidad
es la siguiente
x1 , 0 < x < 1;
f (x; ) =
0, e.o.c.
SOLUCION
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
8 Captulo 1. Estimaci
on
(a)
n
Y
L(x1 , . . . , xn ; ) = x1
i
i=1
n
!1
Y
= n xi / ln
i=1
n
X
l(x1 , . . . , xn ; ) = n ln + ( 1) ln xi /
i=1
n
X
l(x1 ,...,xn ,) n
=
+ ln xi
i=1
n
bEM V = X
n
ln xi
i=1
(b)
1 1
x+1 1
Z Z
1
E(X) = xx dx = x dx = =
0 0 +1 0 +1
\=
Luego E(X)
+1
por la invarianza del E.M.V.
EJERCICIO 9
(c) Eval
ue ambos estimadores usando los siguientes datos:
SOLUCION
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 9
Z 1
= ( + 1) x+1 dx
0
x+2 x=1
= ( + 1)
+ 2 x=0
+1
=
+2
Luego
E(X) = X
+1
=X
+2
+ 1 = X + 2X
(1 X) = 2X 1
2X 1
M M =
1X
(b) !
n
Y n
Y n
Y
n
L(x; ) = f (xi ) = ( + 1)xi = ( + 1) xi \ ln
i=1 i=1 i=1
n
X
`(x; ) = n ln( + 1) + ln(xi ) \
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
10 Captulo 1. Estimaci
on
n
` n X
= + ln(xi ) = 0
+ 1 i=1
n
n X
= ln(xi )
+1 i=1
n
+1= n
X
ln(xi )
i=1
n
M V =
Xn + 1
ln(xi )
i=1
(c) Para evaluar los estimadores necesitamos convertir los datos tabulados a un set de
datos compuestos por las marcas de cada clases
Calculando ahora lo necesario para poder evaluar los estimadores con estos datos tab-
ulados
k
1X 1
X= mi fi = (0,2 3 + 0,45 1 + 0,65 2 + 0,8 3) = 0,5277
n i=1 9
n n
!
X Y
ln(xi ) = ln xi = ln(0,000778752) = 7,15781
i=1 i=1
Luego al evaluar estos resultados en los estimadores, estos toman los siguientes valores:
2X 1 2 0,52777 1
M M = = = 0,117612
1X 1 0,52777
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 11
n 9
M V = n
+ 1 =
+ 1 = 0,257367
X 7,15781
ln(xi )
i=1
EJERCICIO 10
SOLUCION
xi yi
(a) Dada la independencia existente entre las variables, tenemos que fXi ,Yj (xi , yj ) = 1 e 1 e ,
luego la verosimilitud conjunta es la siguiente:
P
yi
P
xi
L(x, y; ) = 1
n n
e e \ ln
P P
xi yi
`(x, y; ) =
n ln() n ln() \
P
`
= xi
2
n
= x = 1
= 0
P
`
= yi
2
n
= 0 = y
Tenemos que por la invarianza de los EMVs, 2 = , luego reemplazando queda que 2 = xy .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
12 Captulo 1. Estimaci
on
n n
1 X
ind 1 X 2 2
= 2 V ar(xi ) = 2 =
n i=1 n i=1 n
2 n
Por lo tanto ECM (1 ) = n
el cual 0.
EJERCICIO 11
n
X
x
Sean X1 , ..., Xn iid con densidad e , x 0, n 2. Sea Sn = Xi . Es bien conocido
i=1
que Z = Sn tiene densidad:
z n1 ez
fZ (z) = , z0
(n 1)!
=
Utilice esto para calcular el sesgo y el ECM de n1
.
Sn
SOLUCION
Necesitamos calcular la esperanza y varianza de .
=E n1 1
E() P = (n 1)E P = (n 1)E P
xi xi xi
1
= (n 1)E = (n 1)E
Z Z
= (n 1)E(Z 1 )
n1 z
z n2 ez
Z Z
1 z e
= (n 1) z dz = (n 1) dz
0 (n 1)! 0 (n 1)!
(n 1) z n2 ez
Z
= dz =
n1 0 (n 2)!
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 13
= V ar()
ECM () = E(
2 ) E 2 ()
2 !
n1
=E 2
Sn
2
2
= (n 1) E 2
Z2
= 2 (n 1)2 E(Z 2 ) 2
z n1 ez
Z
2
= (n 1) 2
z 2 dz 2
0 (n 1)!
2 (n 1)2 z n3 ez
Z
= dz 2
(n 1)(n 2) 0 (n 3)!
2 (n 1)
= 2
(n 2)
2
=
n2
= 2 n
Por lo tanto el ECM () n2
0.
EJERCICIO 12
iid
Sean Y1 , ..., Yn U (0, ). Sea T = M ax(Y1 , ..., Yn ) y considere los estimadores de de la
forma cT, c 0.
SOLUCION
Si T corresponde al Maximo, entonces su funcion densidad es de la forma fT (t) = n[FY (t)]n1 fY (t),
donde fY (t) = 1 y FY (t) = t .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
14 Captulo 1. Estimaci
on
tn1 1
Z
=c tn dt
0 n1
cn tn+1
Z
cn
= n tn dt =
n n + 1 0
0
cn n+1 cn
= n
=
n+1 n+1
n+1
Luego si c = n
, cT es insesgado.
(b) En primer lugar calcularemos lo necesario para obtener el ECM y as despues encontrar
el c que lo minimice.
tn1 1 c2 n
Z Z
2 2
=c t n n1 dt = n tn+1 dt
0 0
c2 n tn+2 c2 n2
= n =
n+2 0 n+2
Ahora calculemos V ar():
2 2 2 2 2
= c n c n
V ar()
n + 2 (n + 1)2
2 2 1 n
= c n
n + 2 (n + 1)2
(n + 1)2 n(n + 2)
2 2
= c n
(n + 1)2 (n + 2)
2 2 1
= c n
(n + 1)2 (n + 2)
Ademas el sesgo queda de la siguiente forma:
= cn = cn n 1
Sesgo()
n+1 n+1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 15
c2 n2 (cn n 1)2
=
ECM () + 2
(n + 1)2 (n + 2) (n + 1)2
Ahora utilizando los metodos matematicos (1a Derivada) para minimizar, encontraremos el
c correspondiente.
ECM () 2cn2 22 n(cn n 1)
= + =0
c (n + 1)2 (n + 2) (n + 1)2
n+2
c =
n+1
Para verificar si realmente es mnimo, se calcula la segunda derivada.
2 ECM () 2n2 2n2 2
= +
c2 (n + 1)2 (n + 2) (n + 1)2
EJERCICIO 13
Suponga que X sigue una distribucion de Pareto, su funcion de densidad esta dada por:
f (x; , ) = x1 , x y 1
SOLUCION
Como los Xi siguen distribucion de Pareto, se tiene que su esperanza y varianza son conoci-
das:
2
E(X) = , >1 V ar(X) = , >2
1 ( 1)2 ( 2)
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
16 Captulo 1. Estimaci
on
tos:
n
1X
= xi
1 n i=1
=x
1
X = x
x
=
x
n
(+1)
Y
L(x; , ) = xi
i=1
n
!(+1)
Y
= n n xi \ ln
i=1
n
X
`(x; , ) = n ln() + n ln() ( + 1) ln(xi ) \
i=1
n
X
` n
=
+ n ln() ln(xi ) = 0
i=1
= n
n
X
n ln() ln(xi )
i=1
EJERCICIO 14
Sea Y1 , ..., Yn una muestra aleatoria proveniente de una poblacion N (, ), con > 0 y de-
sconocido. A partir de una muestra aleatoria correspondiente a 25 pesos de circuitos, con
Xn Xn
Yi = 1264 y con Yi2 = 5240, determine la estimacion maximo verosmil de .
i=1 i=1
SOLUCION
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 17
n
Y 1 1
L(y; ) = exp (yi )2
i=1
2 2
( n
)
X
n
= (2) 2
1
exp 2 (yi )2 \ ln
i=1
n
X
`(y; ) = n2 ln(2) n
2
ln() 1
2
(yi )2
i=1
n
X
= n2 ln(2) n
2
ln() 1
2
(yi2 2yi + 2 )
i=1
n n
X X n
= n2 ln(2) n
2
ln() 1
2
yi2 + yi \
i=1 i=1
2
n
X n
`
n
= 2 + 1
22
yi2 =0
i=i
2
n
X
n + 1
2
yi2 n = 0 \ 2
i=1
n
X
n + yi2 n2 = 0 \ n1
i=1
n
X
yi2 /n + 2 = 0
i=1
2 + y 2 = 0
1 1+4y 2
= 2
1 = 13,98
2 = 14,98
y como en el enunciado nos dicen que > 0, nos quedamos con 1 = 13,98.
EJERCICIO 15
Ingenieros electricos japoneses han inventado un sistema de radar llamado detector de blancos
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
18 Captulo 1. Estimaci
on
moviles (MTD, moving target detector), disenado para rechazar los ecos parasitos provocados
por el terreno, la lluvia, las aves y otras fuentes de interferencia. Los investigadores han
demostrado que la magnitud X de la frecuencia Doppler de una se nal recibida por radar se
puede modelar por una distribucion Weibull, con parametro = 2 y > 0, tal que:
2x 1 2
f (x) = exp x x>0
En base a una muestra aleatoria de tama no n, determine el estimador maximo
P veros mil de
y obtenga su estimacion con las siguientes magnitudes de frecuencias si 50 x
i=1 i
2
= 51,9.
SOLUCION
n
Y 2xi 1 2
L(x; ) = exp xi
i=1
n
! ( n
)
Y X
2n
= n
xi exp 1 x2i \ ln
i=1 i=1
n n
X 1X 2
`(x; ) = n ln(2) n ln() + ln(xi ) x \
i=1
i=1 i
n
X
x2i
` i=1
= n + 2
=0
n
X
x2i
i=1 2
n
=
n
X
x2i
= i=1
n
Reemplazando por los valores dados en el inicio, queda que
= 1,038
EJERCICIO 16
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 19
N de motores inspeccionados 1 2 3 4 5
N de das 8 10 15 25 42
SOLUCION
1 1
P (X = x) = p(1 p)x1 ; E(X) = V ar(X) =
p p2
n
X
xi
1 i=1
=
p n
n 1
p = n =
X x
xi
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
20 Captulo 1. Estimaci
on
n
Y
L(x; p) = p(1 p)xi 1
i=1
P
(xi 1)
= pn (1 p)
P
xi n
= pn (1 p) \ ln
n
!
X
`(x; p) = n ln(p) + xi n ln(1 p)
i=1
n
X
= n ln(p) + xi ln(1 p) n ln(1 p) \p
i=1
n
X
xi
` n i=1 n
= + =0
p p 1p 1p
n
X
xi n
n i=1
=
p 1p
n
!
X
n(1 p) = p xi n
i=1
n
p = n = 0,2610
X
xi
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 21
(c) Recordando la propiedad de invarianza que tienen los estimadores maximo verosmiles,
lo que se pide, se puede traducir estadsticamente en:
P (X > 2) = 1 P (X 2)
= 1 P (X = 1) P (X = 2)
= (1 p)2 = 0,5459
EJERCICIO 17
iid
Sean X1 , . . . , Xn U (1 , 2 ). Es decir, la densidad de Xi es:
1
f (x) = 1 x 2
2 1
SOLUCION
(a) Se necesita encontrar los estimadores de 1 y 2 , luego por ser dos parametros, utilizaremos
el primer y segundo momento para armar un sistema de ecuaciones.
Momentos poblacionales:
1 + 2
E(X) =
2
Z 2
2 1
E(X ) = x2 dx
1 2 1
22 + 2 1 + 12
=
3
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
22 Captulo 1. Estimaci
on
1 + 2
=x (1)
2
22 + 2 1 + 12
= x2 (2)
3
Despejando tenemos de (1) que 1 = 2x 2 y reemplazando en la segunda ecuacion se
obtiene:
p
4x2 16x2 + 12x2
2x p
2 = = x 3x2 3x2 = x 3S 2
2
Luego reemplazando 2 en (1) se tiene que 1 = 2x 2 = 2x x 3S 2 = x 3S 2 .
1
L(x; 1 , 2 ) = I( ) (x1 ) . . . I(2 1 ) (xn )
(2 1 )n 2 1
n
1 Y
= I( ) (xi )
(2 1 )n i=1 2 1
n
1 Y
= I(x > ) (xi )I(xi <2 ) (xi )
(2 1 )n i=1 i 1
n
1 Y
= I(min(xi )>1 ) (xi )I(max(xi )<2 ) (xi )
(2 1 )n i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 23
Como se muestra a continuacion tanto el mnimo como el maximo de los xi son el estimador
maximo verosmil de 1 y 2 respectivamente.
EJERCICIO 18
SOLUCION
Pn
Se tiene que
=X = i=1 ci Xi . Se determinara inicialmente los ci para que se cumpla el
insesgamiento.
n
! n n
X X X
E(
) = E ci Xi = ci E(Xi ) = ci
i=1 i=1 i=1
n
X
luego para que
sea insesgado, debe cumplirse que ci = 1
i=1
La varianza es la siguiente:
n
! n n n
m.a.
X X X X
V ar(
) = V ar ci Xi = c2i V ar(Xi ) = c2i 2 = 2
c2i
i=1 i=1 i=1 i=1
Para determinar que sea de varianza mnima, se ocuparan procedimientos de calculo (mul-
tiplicadores de Lagrange) para que se cumpla el insesgamiento y la variabilidad mnima
simultaneamente.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
24 Captulo 1. Estimaci
on
n n
!
X X
L = mn 2 c2i ci 1
ci
i=1 i=1
L
= 2 2ci = 0 (1)
ci
n
L X
= ci 1 = 0 (2)
i=1
Para poder ocupar la condicion dada en (2), sumaremos las n ecuaciones que se obtienen al
derivar con respecto a ci , i = 1, . . . , n, resultando la siguiente ecuacion:
n
X
2
2 ci n = 0 (3)
i=1
2 2 = n
2 2
= (4)
n
2 2
2 2 ci =
n
1
ci =
n
Luego
= X es el estimador optimo.
EJERCICIO 19
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 25
X12 +Xn2
(b) Sea 2 = 2
otro estimador de 2 . Son insesgados ambos estimadores?
SOLUCION
n
x2i
2
Y 1
L(x; ) = exp 2
i=1 2 2 2
P 2
2 n xi
= (2 ) 2 exp \ ln
2 2
P 2
2 n 2 xi
`(x; ) = ln(2 ) \ 2
2 2 2
P 2
` n 1 xi
2
= 2
2 + =0
2 2 2( 2 )2
n n
1X 1X 2
= (V ar(xi ) + E 2 (xi )) = ( + 0)
n i=1 n i=1
= 2
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
26 Captulo 1. Estimaci
on
= 2
(c) Para determinar cual de ellos es mejor, se calcula el ECM que en este caso, por ser
ambos insesgados, se reduce a el calculo de sus varianzas.
n
X
x2i n
2
i=1 m.a. 1 X
V ar(
) = V ar
n
=
2
V ar(x2i )
n i=1
n
1 X
= 2 (E(x4i ) E 2 (x2i ))
n i=1
n
1 X 4
= (3 4 )
n2 i=1
n
1 X 4
= 2 2
n i=1
2 4
=
n
x21 + x2n
2 ind 1
V ar(
) = V ar = (V ar(x21 ) + V ar(x2n ))
2 4
1
= (2 4 + 2 4 )
4
= 4
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 27
Como 2 4
n
< 4 2 es mejor estimador que 2 .
para n > 2,
EJERCICIO 20
1 X1 +X2
i. 2
ii. Proporcion de Xi = 0 (puede ser 0, 0.5 o 1)
1 X1 +X2
(d) Muestre que el estimador T = 2
no alcanza la cota de cramer rao.
SOLUCION
(a) Para esto primero se debe sacar el EMV de y despues usar la propiedad de invarianza.
2
Y e xi
L(x; ) =
i=1
xi !
e2 x1 +x2
= \ ln
x1 !x2 !
` x1 + x2
= 2 + =0
= x1 + x2 = x
2
Por lo tanto
0
e x1 +x2
\
P (X = 0) = = e = ex = e 2
0!
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
28 Captulo 1. Estimaci
on
1 Z
(b-i.) Denominaremos 1 =
2
, donde X1 + X2 = Z P (2).
" # z
Z
1 X 1
E = P (Z = z)
2 z=0
2
z
X 1 (2)z e2
=
z=0
2 z!
2
X z
=e
z!
|z=0{z }
e por Taylor
= e2 e
= e
Por lo tanto es un estimador insesgado para P (X1 = 0), luego el ECM se reduce a la Vari-
anza.
Z !
= V ar 1
ECM ()
2
2Z ! Z !
1 1
=E E2
2 2
2z
X 1 (2)z e2
= e2
z=0
2 z!
z z z 2
X 1 2e
= e2
z=0
4 z!
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 29
z
2
X 1
=e e2
2 z!
|z=0 {z }
/2
e
= e2 e/2 e2
= e3/2 e2
2
X
I(Xi =0)
(b-ii.) Por otra parte definamos 2 = 2
i=1
que precisamente representa la proporcion
de Xi = 0, entonces 22 Binomial(2, e ) y es claro que E(22 ) = 2e por lo que 2 es
insesgado, luego el ECM se reduce a al calculo de la varianza.
1
ECM (2 ) = V ar(2 ) = V ar(22 )
4
1
= 2e (1 e )
4
1
= e (1 e )
2
(c) Para tal demostracion, ocuparemos la siguiente tautologa:
1
0 < (e 2 e )2
3
< e 2e 2 + e2
1 3 1
< e e 2 + e2
2 2
1 3 1
= e e 2 + e2 e2
2 2
3
Luego despejando resulta que e 2 e2 < 21 e (1 e ).
Por lo tanto ECM (1 ) < ECM (2 ) > 0.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
30 Captulo 1. Estimaci
on
(h()0 )2 2
(d) Recordemos que la CCR = I()
donde I() = E 2
`(x) .
Ahora necesitamos:
h() = e \
h()0 = e ( )2
(h()0 )2 = e2
2
I() = E `(x)
2
x1 + x2
= E
2
2
=
2
2
=
EJERCICIO 21
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 31
1
(b) Encuentre el EMV de e .
SOLUCION
(a)
n
Y
L(x; ) =
i=1 x+1
i
n
= !+1 \ ln
n
Y
xi
i=1
n
X
`(x; ) = n ln() ( + 1) ln(xi ) \
i=1
n
` n X
= ln(xi ) = 0
i=i
(b) Utilizando la propiedad de invarianza que tienen los EMV, obtenemos que:
1
P
c1 ln xi
e = e b = e n
EJERCICIO 22
iid
Sean X1 , . . . , Xn U (0, ). Sean c y d dos constantes positivas y considere los estimadores
de :
ec = cX ed = dXmax
(b) Encuentre los valores de c y d de c y d, que minimizan los errores cuadraticos medios.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
32 Captulo 1. Estimaci
on
SOLUCION
n
c2 X
= 2 V ar(Xi )
n i=1
c2 2
= n
n2 12
c2 2
=
12n
Sesgo(ec ) = E(ec )
= cE(X)
n
cX
= E(Xi )
n i=1
=c
2
c2
=
2
2
c2 2
c2
ECM (ec ) = + 2
12n 2
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 33
V ar(ed ) = d2 V ar(max{Xi })
z n1 1 z n1
fZ (z) = n =n n , 0<z<
Ahora se calculan las esperanzas correspondientes para obtener la varianza necesaria para el
ECM .
Z
E(Z) = znz n1 n dz
0
Z
n
= n z n dz
0
n+1
z
= nn
n + 1
0
n n+1
=n
n+1
n
=
n+1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
34 Captulo 1. Estimaci
on
Z
2
E(Z ) = z 2 nz n1 n dz
0
Z
n
= n z n+1 dz
0
n+2
z
= nn
n + 2
0
n+2
= nn
n+2
n 2
=
n+2
n2
2 n 2
=d 2
n+2 (n + 1)2
n2
2 2 n
=d
n + 2 (n + 1)2
Sesgo(ed ) = E(ed )
= dE(max{Xi })
n
=d
n+1
n
= d 1
n+1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 35
2
n2
n n
ECM (ed ) = d2 2 2
+ d 1
n + 2 (n + 1)2 n+1
2 2 c
ECM (ec ) = 2c + 2 = 0
c 12n 2
2 c2
2c + 2 = 0
12n 2
1 2 2
c + = 2
6n 2
2 + 3n2
c = 2
6n
6n
c=
1 + 3n
Verificando con el criterio de la segunda derivada, es facil ver que esta es positiva > 0,
luego el valor de c encontrado minimiza el ECM (ec ).
n2
n n n
ECM (ed ) = 22 d + 2 2
d 1 =0
d n + 2 (n + 1)2 n+1 n+1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
36 Captulo 1. Estimaci
on
n2 n2
2 n 2 n
2 d + 2 d =0
n + 2 (n + 1)2 (n + 1) 2 n+1
n(n + 1)2 n2 (n + 2) n2
2 n
2 d + 22 d 22 =0
(n + 2)(n + 1)2 (n + 1) 2 n+1
. n(n + 1)2 n2 (n + 2) + n2 (n + 2) . n
22 = 2 2
(n + 2)(n + 1)2 n+1
(n + 2)(n + 1)2
n
d=
n+1 n(n + 1)2
n+2
d=
n+1
Verificando con el criterio de la segunda derivada, es facil ver que esta es positiva > 0,
luego el valor de d encontrado minimiza el ECM (ed ).
EJERCICIO 23
1 |x|
f (x; , ) = e x, R y 0
2
SOLUCION
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 37
n
Y 1 |xi|
L(x; ) = e
i=1
2
( n
)
1 1X
= exp |xi | \ ln
(2)n i=1
n
1X
`(x; ) = |xi | n ln(2) \
i=1
n
X
|xi |
` i=1 n
= =0
2
n
X
|xi |
= i=1
n
E(|X |) = V ar(|X |) = 2
n
X
|xi | n
i=1 1X
E = E(|xi |)
n n
i=1
n
1X
=
n i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
38 Captulo 1. Estimaci
on
(h()0 )2 2
Recordemos que la CCR = I()
donde I() = E 2
`(x) .
n
X
|xi | n
i=1 1 X
V ar
= n2
V ar(|xi |)
n i=1
n
1 X 2
= 2
n i=1
2
=
n
Como el estimador es insesgado, solo queda por calcular I()
2
I() = E `(x)
2
n
X
|xi |
i=1 n
= E 2 3
+
2
n
!
2 X n
= 3E |xi |
i=1
2
2 n
= 3
n 2
n
=
2
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 39
EJERCICIO 24
SOLUCION
(a)
Teorema 1 Si existen funciones g() y h(), tales que f (x; ) = g(T (x), ) h(x), en-
tonces T (x) es estadstico suficiente.
n
Y
L(x; ) = f (x; )
i=1
n
Y
= xi (1 )1xi
i=1
P P
xi
= (1 )n xi
1
| {z } |{z}
g(T (x), ) h(x)
n
X
T (x) = xi
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
40 Captulo 1. Estimaci
on
n
Y
L(x; ) = f (x; )
i=1
n
Y
= xi (1 )1xi
i=1
P P
xi
= (1 )n xi
P xi
= (1 )n \ ln \ exp
1
n
X
= exp xi ln + n ln(1 ) + |{z}
0
i=1 | 1 | {z }
| {z } {z }
T (x) c() d() s(x)
n
X
Por lo tanto T (x) = xi es estadstico suficiente.
i=1
ind
= E(X1 ) E(X1 )E(X2 )
= p p2
= p(1 p)
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.1 Ejercicios Resueltos 41
tenemos lo siguiente:
!
n
X
(x) = E X1 (1 X2 ) xi = u
i=1
! !
n n
X X
=1P X1 (1 X2 ) = 1 xi = u + 0 P X1 (1 X2 ) = 0 xi = u
i=1 i=1
!
n
X
=P X1 (1 X2 ) = 1 xi = u
i=1
n !
X
=P X1 = 1, X2 = 0 xi = u
i=1
n
!
X
P X1 = 1, X2 = 0, xi = u
i=1
= n
!
X
P xi = u
i=1
n
!
X
P X1 = 1, X2 = 0, xi = u 1 0
i=3
= n
!
X
P xi = u
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
42 Captulo 1. Estimaci
on
n
!
X
P (X1 = 1)P (X2 = 0)P xi = u 1
ind i=3
= n
!
X
P xi = u
i=1
n2 u1
p(1 p) u1
p (1 p)n2u+1
= n u
u
p (1 p)nu
n2
u1
= n
u
u(n u)
=
n(n 1)
X(n u) 1/n
=
n1 1/n
nX(1 X)
=
n1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.2 Ejercicios Propuestos 43
a) 0
b)
c) n
n
X
5. Demuestre que xi es suficiente minimal cuando
i=1
a) xi i.i.d. P()
b) xi i.i.d. E()
7. Suponga X1 , . . . , Xn es una muestra de una poblacion con cada una de las siguientes
densidades.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
44 Captulo 1. Estimaci
on
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.2 Ejercicios Propuestos 45
a) Poisson
b) Exponencial
c) Gamma
d) Beta
e) Weibull
f (x, ) = x1 , 0 x 1, > 0
17. En un experimento de cruce de arvejas, una arveja puede resultar de tipo 1 con prob-
abilidad (1 )2 , de tipo 2 con probabilidad 2(1 ) o de tipo 3 con probabilidad
2 , 0 < < 1, desconocido. Se examinan n arvejas y se observa Nj = n umero de
arvejas del tipo j, j = 1, 2, 3.
umero de errores tipograficos en una pagina de un diario sigue una P(). Se tienen
18. El n
observaciones X1 , . . . , Xn independientes, donde Xi = n umero de errores tipograficos
en la i-esima pagina de un diario, i = 1, . . . , n. Encuentre el EMV de q() = los errores
de una pagina exceden 21.
19. Sean X1 , . . . , Xn i.i.d Bernoulli(p) con 0 < p < 1. Se quiere estimar insesgadamente
g(p) = p.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
46 Captulo 1. Estimaci
on
21. Suponga que X1 , . . . , Xn , Xn+1 son i.i.d Bernoulli(p). Se quiere estimar g(p) = P ( ni=1 Xi >
P
Xn+1 ).
23. Suponga que cuando medimos el radio de un crculo lo hacemos con un error cuya
distribucion es N (0, 2 ) y que realizamos n mediciones independientes. Encuentre un
estimador insesgado para el area del crculo y vea si la varianza de este estimador
alcanza la cota de Cramer-Rao.
|y|
PY (y; ) = 2
(1 )1|| , y = 1, 0, 1 y 0 1.
a) Defina el estimador
2 si Y = 1
W (Y ) =
0 en otro caso
Muestre que W (Y ) es un estimador insesgado de .
b) Encuentre un estimador insesgado mejor que W (Y ) y muestre que es mejor.
c) Verifique si el estimador en (b) alcanza la cota de Cramer-Rao.
es insesgado para 2 .
26. Se tienen 2 lotes con artefactos de 2 marcas distintas. Cada artefacto de marca i falla
con probabilidad pi , i = 1, 2. Se obtienen m.a de tama
no ni del lote i = 1, 2 y se observa
Xi = numero de defectuosos en la muestra i.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
1.2 Ejercicios Propuestos 47
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
48 Captulo 1. Estimaci
on
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
Captulo 2
Test de Hip
otesis
H 0 : = 0 versus H1 : 6= 0
SOLUCION
n
Y
2 21 1 2
L(x; ) = (2 ) exp 2 (xi )
i=1
2
( n
)
n 1 X
= (2 2 ) 2 exp 2 (xi )2 \ ln
2 i=1
n
n 2 1 X
`(x; ) = ln(2 ) 2 (xi )2 \
2 2 i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
50 Captulo 2. Test de Hip
otesis
n
`(x; ) 1 X
= 2 (xi ) = 0
i=1
n
X
xi = n
i=1
n
X
xi
i=1
= =x
n
LH0 (x)
= <c
LH1 (x)
de modo que en LH0 (x) se reemplaza el valor de bajo H0 y en LH1 (x) se reemplaza el valor
de bajo H1 , en caso de no ser especfico tal valor, se reemplaza por el EM V .
( n
)
n
X
(2 2 ) 2 exp 21 2 (xi 0 )2
i=1
= ( n
)
X
n
(2 2 ) 2 exp 21 2 (xi x)2
i=1
( n n
)
1 X 2 1 X
= exp 2 (xi 0 ) + 2 (xi x)2
2 i=1 2 i=1
( " n n
#)
1 X X
= exp (xi x)2 (xi 0 )2
2 2 i=1 i=1
n n o
= exp 2 (x2 20 x + 20 ) \ ln
2
n 2
ln() = (x 20 x + 20 )
2 2
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 51
n 2 2 2
(x 20 x + 20 ) < c \ <0
2 2 n
(x 0 )2 > c1 \
|x 0 | > k
Por lo tanto la region de rechazo R = {|x0 | > k} donde k dependera del nivel de confianza
y la distribucion del resultado.
A = Rc = {|x 0 | k}
P (|x | k) = 1
P (|x | k) = P (k x k)
2
Por otro
lado sabemos que X N (, n ), luego estandarizando se tiene
que n(x)
N (0, 1).
k n n(x ) k n
P (k x k) = P
k n k n
=P Z P Z <
k n k n
=P Z 1+P Z <
k n
=P Z =1
2
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
52 Captulo 2. Test de Hip
otesis
k n
= Z1 2
k = Z1 2
n
Z1 2 x Z1 2
n n
x Z1 2 x + Z1 2
n n
EJERCICIO 26
H0 : = 1 versus H1 : = 2
SOLUCION
(a) Lo primero que debemos hacer, es encontrar la funcion densidad de Y , para poder realizar
el T RV .
Utilizando tecnicas de Probabilidades (Teorema Cambio de Variable), se tiene que:
1 1 1
fY (y) = ey y , y>0
Recordemos que solo tenemos una observacion, por lo que la verosimilitud es la misma den-
sidad.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 53
fY (y)H0
=
fY (y)H1
ey
1 1
c
ey 2 y 2
1
ey+ y
y 2 c1 \ ln
y+ y + ln( y) c2
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
54 Captulo 2. Test de Hip
otesis
Z
P (Rechazo) = ex dx = ex
c5 c5
= ec5 = \ ln
c5 = ln()
c5 = ln()
(b) Recordemos que la potencia del test, es P (Rechazar|H1 ), por lo que se tiene:
P (Y 2,3) = P (X 2 2,3)
p
= P (X 2,3)
Z
=
ex dx
2,3
x
= e
2,3
= e 2,3
= 0,219
EJERCICIO 27
La legislacion impone a los aeropuertos ciertas normas con respecto al ruido emitido por los
aviones en el despegue y aterrizaje. En los alrededores, el limite aceptado es de 80 decibels.
Mas alla de este limite el aeropuerto debe pagar multa. Los habitantes aseguran que el ruido
en dicha zona sobrepasa el valor limite. El aeropuerto, que asegura que no es cierto, decide
contratar un grupo de expertos, quienes para concluir asumen que la intensidad del ruido
sigue una distribucion N(, 49). Si se considera
H0 : = 80 versus H1 : = 78
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 55
SOLUCION
Comenzamos por calcular la verosimilitud de los datos, para posteriormente reemplazar los
valores de , seg
un Neyman-Pearson.
n 1
1 (xi )2
2
Y 1
L(x) = exp
i=1
2 2 2 2
n
X
(xi )2
n
i=1
= (2 2 ) 2 exp
2 2
LH0 (x)
=
LH1 (x)
n
X
(xi 80)2
n i=1
(249) 2 exp 249
= n
X
2
(x i 78)
n i=1
(249) 2 exp 249
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
56 Captulo 2. Test de Hip
otesis
n n
X X
2 2
i 80) i 78)
(x (x
i=1 i=1
= exp + \ ln
2 49 2 49
n
X n
X
2
(xi 80) (xi 78)2
= i=1 + i=1
2 49 2 49
n
X n
X
(xi 80)2 (xi 78)2
i=1 + i=1
< c \2 49
2 49 2 49
n
X n
X
2
(xi 80) + (xi 78)2 < c1
i=1 i=1
n
X
4 xi 316n < c2
i=1
n
X
4 xi < c 3
i=1
n
X
xi < k
i=1
49
Ahora para encontrar k, calcularemos el error Tipo I, recordando que X N (, 100 ).
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 57
P (RechazarH0 |H0 ) =
n
!
X
P xi < k = 80 =
i=1
n
X
xi
i=1 k
P < = 80=
n n
P (X < k2 | = 80) =
x k2
P < = 80 =
0,49 0,49
k2 80
P Z< = 0,05
0,49
k2 80
= 1,65
0,49
k2 = 78,845
Por lo tanto no existe evidencia en los datos para rechazar H0 , luego el lmite del ruido es
aceptado.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
58 Captulo 2. Test de Hip
otesis
n
X
xi
i=1
=P < 78,845 = 80
n
x 78,845
=P < = 80
0,7 0,7
= P (Z < 1,65)
= 0,05 =
n
X
xi
i=1
=P
n > 78,845 = 78
x 78,845
=1P < = 78
0,7 0,7
= 1 P (Z < 1,21)
= 1 0,8869
= 0,1131 =
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 59
EJERCICIO 28
SOLUCION
Comenzaremos por calcular la verosimilitud asociada a esta distribucion, para luego aplicar
el Lema de Neyman-Pearson.
P P
xi
L(x, ) = (1 )n xi
P xi
= (1 )n
1
LH1 (x)
T =
LH0 (x)
P xi
0,4
0,6
0,610
= P xi
0,2
0,8
0,810
P
xi
= 2,666 0,7510 k \ ln
n
X
xi ln(2,666) + 10 ln(0,75) k1
i=1
n
X k1 10 ln(0,75)
xi
i=1
0,98
n
X k1 + 2,876
xi = k2
i=1
0,98
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
60 Captulo 2. Test de Hip
otesis
n
X
Note que xi Bin(n, ), por lo tanto para encontrar k, se calcula el error tipo I.
i=1
n
!
X
P xi k2 | = 0,2 = 0,05
i=1
EJERCICIO 29
Sea X una variable aleatoria proveniente de una distribucion logstica, esto es,
ex
f (x) = , xR
[1 + ex ]2
SOLUCION
(a) Seg
un Neyman-Pearson, se rechaza H0 si
LH1 (x)
k
LH0 (x)
En este caso, como solo se tiene una observacion, las verosimilitudes se reducen simplemente
a la densidad. Por lo tanto la razon queda de la siguiente forma:
ex1
[1+ex1 ]2
ex k
[1+ex ]2
(1 + ex )2 ke(1 + ex1 )2 \
1 + ex ke(1 + ex1 )
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 61
ex ex1 ke ke 1
x ke
e (1 ) ke 1
e
ke 1 e k e
ex = \ ln
1 k e k
e
!
e k e
x ln
e k
(b) Para encontrar la region de rechazo con = 0,20, k debe ser tal que
P (R|H0 ) =
" !#
e k e
P X > ln = 0,2
e k
ex
Z
= dx
ln() [1 + ex ]2
1
=
1 + ex
ln()
1
=
1 + eln()
1
= = 0,2
e k e
1+
e k
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
62 Captulo 2. Test de Hip
otesis
(5 1)( e k) = e k e
4 e 4 k = 2,7183 k 1,6487
6,7183 k = 8,2436
k = 1,5056
!
e 1,51 e
P (R|H1 ) = P x > ln H1 : = 1
e 1,51
ex1
Z
= dx
ln(1,39) (1 + ex1 )2
1
=
x1
1+e
1,39
1
= = 0,4029
1 + e1,391
EJERCICIO 30
Use el Lema de Neyman Pearson para establecer la region crtica al hacer un test para
con = 0,05 y a partir de una muestra aleatoria (Y1 , . . . , Yn ) de una poblacion con funcion
de densidad
f (y, ) = 2 yey y > 0, > 0
SOLUCION
Seg
un Neyman Pearson, necesitamos
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 63
n
Y
L1 (y) = 21 yi e1 yi
i=1
n
!
Y P
= 2n
1 yi e1 yi
i=1
n
Y
L0 (y) = 20 yi e0 yi
i=1
n
!
Y P
= 2n
0 yi e0 yi
i=1
n
!
Y P
2n
1 yi e1 yi
i=1
n
! >k
Y P
2n
0 yi e0 yi
i=1
2n
1 P
yi (0 1 )
e >k \ ln
0
n
1 X
2n ln + yi (0 1 ) > k1
0 i=1
n
X 1
yi (0 1 ) > k1 2n ln
i=1
0
1
n
X k1 2n ln 0
yi >
i=1
0 1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
64 Captulo 2. Test de Hip
otesis
1
k1 2n ln 0
Como se quiere conocer la region para = 0,05, necesitamos encontrar el valor
P de 0 1
correspondiente. Para tal efecto es necesario conocer P la distribucion de Yi , pero como
Yi Gamma(2, ) y son independientes, se tiene que Yi Gamma(2n, ). Luego la re-
gion crtica esta dada por:
P (R|H0 ) =
X n k1 2n ln 01
P Yi > H0 : = 0 = 0,05
i=1
0 1
Z
2 0 y
( ) 0 ye
k1 2n ln
1
0
dy = 0,05
0 1
EJERCICIO 31
SOLUCION
P (R|H0 ) =
P (Y > k|H0 ) =
n(Y ) n(k )
P > H 0 : 0 =
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 65
n(k 0 )
P Z> =
n(k 0 )
1P Z =
n(k 0 )
P Z = 1
n(k 0 )
= Z1
n(k 0 ) = Z1
k = 0 + Z1
n
R = y : y > 0 + Z1
n
EJERCICIO 32
2x x2
f (x, ) = e , x > 0, > 0
SOLUCION
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
66 Captulo 2. Test de Hip
otesis
n
Y 2xi x2
i
L (x) = e
i=1
n Yn
!
2 1 P 2
= xi e xi \ ln
i=1
n n
X 1X 2
`(x) = n[ln(2) ln()] + ln(xi ) x \
i=1
i=1 i
n
`(x) n 1 X 2
= + 2 x =0
i=1 i
n
X
x2i
i=1 n
=
2
n
X
x2i
i=1 /2
=
n
X n
x2i
= i=1
= x2
n
n
n
,
n
-
2
Y n X 2
xi exp n - xi
n 2
X
X
xi i=1 2 i=1
x i
i=1 i=1
n
n
, ( n
) >k
n Y n X
2
0
xi exp x2i
i=1
0 i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 67
n
( n
)
n0 1 X
n
exp n + x2i > k \ ln
X 0
x2i i=1
i=1
n
n0 1 X 2
n ln n n + 0 xi > k 1
X 2 i=1
xi
i=1
n
n0 1 X
n ln n
1 + 0
x2i > k1
X
x2i i=1
i=1
n
X k
x2i > 0 1
i=1
n
n
ln X
n 0
x2 i
i=1
| {z }
c
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
68 Captulo 2. Test de Hip
otesis
Por lo tanto, para conocer c, dado un cierto nivel de significancia , se debera resolver la
siguiente ecuacion:
n
! Z
X 1 w
P x2i > c H0 = wn1 e dw =
i=1 c n (n)
EJERCICIO 33
Sea Xi la diferencia entre los tiempos de duracion de las i-esimas piezas de dos equipos
similares, i = 1, . . . , n. Si todas las piezas funcionan independientemente y los tiempos
de duracion de estas piezas siguen una distribucion exponencial de parametro , se puede
demostrar que X1 , . . . , Xn es una muestra aleatoria iid con funcion de densidad dada por:
1
f (x, ) = e|x| x R, > 0
2
Construya un TRV para verificar las hipotesis H0 : 0 versus H1 : < 0 y encuentre
su region crtica.
Ayuda: Como distribuye |Xi |?.
SOLUCION
LH1 (x)
>k
LH0 (x)
Luego para comenzar, es necesario conocer el EM V de para su posterior reemplazo en el
T RV .
n
Y 1
L(x; ) = e|xi |
i=1
2
n
P
= e |xi | \ ln
2
n
X
`(x; ) = n(ln() ln(2)) |xi | \
i=1
n
`(x; ) n X
= |xi | = 0
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 69
n
n X
= |xi |
i=1
= n
n
X
|xi |
i=1
n
,
Xn
n
n
n exp , |x i |
X X n
|xi | i=1
|x |
2
i
i=1 i=1
( n
) >k
n
X
0
2
exp 0 |xi |
i=1
n
( n
)
n
exp n + 0
X
n |xi | > k \ ln
X
i=1
0 |xi |
i=1
n
n
n + 0
X
n ln
n |xi | < k1
X
i=1
0 |xi |
i=1
n
X n
0 |xi | < k1 n
ln
n
1
X
i=1
0 |xi |
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
70 Captulo 2. Test de Hip
otesis
n
k1 n ln X
n
1
n
0 |xi |
i=1
X
|xi | <
i=1
0
| {z }
c
n
!
X
P |xi | < cH0 =
i=1
n
X
considerando que |xi | Gamma(n, ).
i=1
EJERCICIO 341
Sea X1 , . . . , X25 una muestra aleatoria de una poblacion normal con varianza igual a 100.
(a) Derive, paso a paso, el test optimo para determinar la region de rechazo de H0 : = 0
versus H1 : = 2 con un nivel de significancia de = 10 %. Cual es la potencia del
test?
(b) Para la misma situacion anterior, pero con H1 : > 0. Evalue la potencia en = 1 y
= 2 para n = 25 y n = 100. A partir de estos puntos, bosqueje las curvas de potencia
del test en el mismo eje de coordenadas (indique claramente la leyenda de los ejes).
SOLUCION
(a) Considerando las hipotesis, el test optimo esta dado por Neyman-Pearson, por lo tanto
se tiene:
1
Pregunta I2 II Sem. 03
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 71
LH0 (x)
N P =
LH1 (x)
1
n x2i
P
(2 2 ) 2 e 22
= n 1 P
(xi 2)2
(2 2 ) 2 e 22
1
= e 22 [ x2i (xi 2)2 ]
P P
1 P
= e 22 [4( xi n)]
Ahora lo que se necesita es el valor de c tal que P (N P < cH0 ) = , es decir
1 P
[4( xi n)]
P e 2 2 < c H0 : = 0 =
n
!
X
P x i > c H0 : = 0 =
i=1
P
xi
Ademas tenemos que bajo H0 , n
N (0, 2 /n) con 2 = 100 y n = 25, luego resulta:
n
X
n
! xi
X i=1
P x i > c H0 : = 0 = P
n > c
i=1
c
x
Se estandariza: P > = = 0,1
10/ 25 2
c
= 1,28
2
c = 2,56 c = 64
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
72 Captulo 2. Test de Hip
otesis
( n
)
X
R= x: xi > 64 o bien R = {x : x > 2,56}
i=1
n
!
X x 1 2,56 2
P xi > 64H1 =P >
i=1
/ n 2
= P (Z > 0,28)
= 1 0,6103
= 0,3897
Y
( = 1) = P (x > 2,56)
2,56 1
= P (Z > )
2
= P (Z > 0,78)
= 0,2177
Y
( = 2) = P (x > 2,56)
2,56 2
= P (Z > )
2
= P (Z > 0,28)
= 0,3897
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 73
Y
( = 1) = P (x > 1,28)
1,28 1
= P (Z > )
1
= P (Z > 0,28)
= 0,3897
Y
( = 2) = P (x > 1,28)
1,28 2
= P (Z > )
1
= P (Z > 0,72)
= 0,7642
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
74 Captulo 2. Test de Hip
otesis
EJERCICIO 352
P
Sea Ni el n umero de observaciones igual a i, para i = 1, 2, 3, con Ni = n. Determine la
regla optima de nivel = 0,1, en terminos de N1 , N2 , N3 , para la hipotesis H0 : = 0 versus
H1 : 6= 0 .
SOLUCION
En este caso la regla optima se traduce a utilizar el T RV , para lo cual en esta ocasion nece-
sitamos el EM V de .
n!
L(x) = (2 )N1 (2(1 ))N2 ((1 )2 )N3
N1 !N2 !N3 !
n!
= 2N2 2N1 +N2 (1 )2N3 +N2 \ ln
N1 !N2 !N3 !
2N1 + N2
=
2(N1 + N2 + N3 )
n!
N1 !N2 !N3 !
2N2 02N1 +N2 (1 0 )2N3 +N2
= n!
N1 !N2 !N3 !
2N2 2N1 +N2 (1 )
2N3 +N2
2
Pregunta I2 II Sem. 03
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.1 Ejercicios Resueltos 75
0 1 0
2 (2N1 + N2 ) ln + (2N3 + N2 ) ln > 2,71 = 20,1 (1)
1
EJERCICIO 36
Un fabricante de fibras textiles esta investigando una nueva fibra para tapicera, la cual tiene
una elongacion media por hilo de 12 kg. con una desviacion estandar de 0.5 kg. La compa na
desea probar la hipotesis H0 : 1 12, utilizando para ello una muestra aleatoria de tama no
4.
(a) Cual es la probabilidad del error tipo I si la region crtica esta definida
como x < 11,5kg.
(b) Encuentre el error tipo II para el caso donde la verdadera elongacion promedio
es 11.5 kg.
SOLUCION
(a) Error Tipo I : P (rechazar H0 H0 ) = .
!
(x 12) 4 (11,5 12) 4
P (x < 11,5H0 ) = P <
0,5 0,5
= P (Z < 2)
= 0,02275
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
76 Captulo 2. Test de Hip
otesis
(b) Error Tipo II: P (aceptar H0 H1 ) =
!
(x 11,5) 4 (11,5 11,5) 4
P (x 11,5H1 ) = P
0,5 0,5
= P (Z 0)
= 0,5
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.2 Ejercicios Propuestos 77
a) Encuentre el EMV de .
b) Utilizando el Lema de Neyman-Pearson, construya un test de nivel para con-
trastar
H0 : = 0 vs H1 : = 1 (1 > 0 )
c) Eval
ue el test cuando 0 = 0,3, 1 = 0,6, = 0,05 y
y1 0.1
y2 0.8
y3 0.5
y4 0.4
y5 0.6
Pn
Ayuda: Utilice que 2 i=1 log Yi 22n y que 210 (0,95) = 18,30
2. Suponga que el n umero de tiros al aro de Michael Jordan hasta que este convierte su
primera anotacion sigue una distribucion geometrica de parametro , donde repre-
senta la probabilidad de convertir una anotacion, es decir
P (X = x) = (1 )x1 x = 1, 2, . . . 01
H0 : = 0 H1 : = 1 (1 > 0 )
f (x|, ) = 1[,) >0 >0
x+1
a) Muestre que el TRV de H0 : = 1 vs H1 : 6= 1 rechaza H0 si T + n log T < k
con Qn
i=1 Xi
T = log
(mni Xi )n
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
78 Captulo 2. Test de Hip
otesis
6. Muchas casas antiguas tienen sistemas electricos que utilizan fusibles en lugar de inter-
ruptores automaticos de circuito. Un fabricante de fusibles de 40 A quiere estar seguro
de que la media de corriente a la que se queman los fusibles es 40. Si la media de
corriente es menor de 40, los clientes se quejan porque deben cambiar los fusibles con
mucha frecuencia. Si la media de corriente es mayor de 40, el fabricante podra ser el
culpable de los da nos al sistema electrico por el mal funcionamiento de los fusibles.
Para verificar la corriente de los fusibles se debe seleccionar e inspeccionar una mues-
tra de estos. Si fuera a realizarse una prueba de hipotesis sobre los datos resultantes,
cuales hipotesis nula y alternativa seran de interes para el fabricante?
7. Una mezcla de ceniza pulverizada de combustible y cemento Portland para techar
debe tener una resistencia a la compresion de mas de 1,300KN/m2 . La mezcla no
se utilizara a menos que una evidencia experimental indique de manera concluyente
que se ha cumplido la especificacion de resistencia. Supongamos que la resistencia a la
compresion para especmenes de esta mezcla esta distribuida normalmente con = 60.
Representemos con el verdadero promedio de resistencia a la compresion.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
2.2 Ejercicios Propuestos 79
10. Una fabrica de hamburguesas inicio un proceso de revision de los estandares de calidad
de sus productos. Dichos estandares establecen ciertas dimensiones para el diametro
de sus hamburguesas, el diametro medio es de 13.9 cm con una desviacion estandar
estimada de 0.9 cm. Una estandar de calidad establece que el diametro medio de
las hamburguesas debe ser de 14.5 cm Hay alguna evidencia en los datos que las
hamburguesas tienen un diametro incorrecto? Que supuesto utilizo?
11. Se efectua una prueba de impacto Izod sobre 20 muestras de tubera PVC. El estandar
ASTM para este material requiere que la resistencia al impacto Izod sea mayor que
1.0 ft-lb/in. El promedio y la desviacion estandar muestrales son x = 1,25 y s = 0,25,
respectivamente. Pruebe H0 : = 1,0 contra H1 : > 1,0 utilizando = 0,01. Obtenga
conclusiones.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
80 Captulo 2. Test de Hip
otesis
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
Captulo 3
Ejercicios Resueltos de
Interrogaciones
3.1. Interrogaciones I
1. Sea X1 , X2 , . . . , Xn , una muestra aleatoria con funcion de densidad dada por:
f (x | ) = x1 I[0,1] (x)
f (x | ) = I(0,) (x) ,
(1 + x)+1
a)
es insesgado?
b) Cual debe ser el valor de para que la varianza de
sea mnima?
iid
6. Sean X1 , X2 , . . . , Xn P oisson ().
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
82 Captulo 3. Ejercicios Resueltos de Interrogaciones
a) Determine el EMV de .
b) Demuestre que n ni=1 Xi es el EMV de exp 1 .
pQ
iid
8. Sean Y1 , . . . , Yn v.a. tales que Yi = xi + i , i = 1, . . . , n, con i N (0, 2 ) y es
conocido; y xi son constantes predeterminadas.
a) Sean
n Pn
1 X Yi Yi
= y
= Pi=1
n
n i=1 xi i=1 xi
dos estimadores posibles para . Calcule el sesgo y el error cuadratico medio para
cada estimador.
b) Bajo que condiciones sobre los xi los estimadores propuestos anteriormente son
consistentes en media cuadratica?
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
3.1 Interrogaciones I 83
iid
10. Cada una de las variables aleatorias X1 , . . . , Xn P oisson () miden el numero de
clientes que solicitan informacion a una empresa constructora durante un da. Se quiere
saber el numero esperado de clientes que solicitan informacion en un da y para esto
se tomo una muestra aleatoria durante 50 das de la cantidad de clientes que llegaron
por da, obteniendose:
11. Una urna contiene fichas rojas y negras. Se extrae una ficha de ella. Si la ficha obteni-
da es roja, se lanza 9 veces la misma moneda de forma independiente, anotandose los
resultados de cada lanzamiento. Si la ficha es negra, se lanza de forma independiente
la misma moneda hasta obtener 5 caras, anotandose los resultados. Sea p la probabil-
idad de obtener una ficha roja de la urna y la probabilidad de obtener cara en un
lanzamiento de esa moneda.
a) Si se observo ({ficha roja}, {cara, sello, sello, cara, cara, cara, sello, sello, sello}),
cual es la estimacion maximo verosmil de p y .
1, si la ficha es roja
b) Si en otro experimento se definen las v.a. Y = , X =n umero
0, si la ficha es negra
de caras anotadas y Z =n umero de lanzamientos de la moneda, escriba la funcion
de probabilidad del vector aleatorio (Y, X, Z) en funcion de los parametros p y .
c) Suponga ahora que en la funcion de probabilidad del inciso anterior, p es conocido,
pertenecera esta funcion de probabilidad a la familia exponencial? y encuentre
un estadstico suficiente para .
12. Cuando la frecuencia genetica esta en equilibrio, los genotipos AA, Aa y aa ocurren con
probabilidad (1 )2 , 2 (1 ) y 2 , respectivamente. Plato et al. (1964) publico los
siguientes datos para una muestra de 190 personas:
Tipo de Hemoglobina
Hp1-1 Hp1-2 Hp2-2
10 68 112
a) Determine el EMV de .
b) Determine la varianza asintotica del EMV de .
c) Determine un I.C. de nivel para .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
84 Captulo 3. Ejercicios Resueltos de Interrogaciones
14. La distribucion de Pareto ha sido muy utilizada en economa, dado que su funcion de
densidad presenta una cola pesada (es decir decae lentamente). Su funcion de densidad
esta dada por:
15. Suponga que tres componentes electronicas independientes son puestas a funcionar y
despues de T horas se presenta una falla. Asuma que la distribucion de los tiempos de
vida de cada componente sigue una ley E (1 ).
a) Determine el EMV de .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
3.2 Soluciones 85
3.2. Soluciones
1. El logaritmo de la funcion de verosimilitud es l () = n ln () + ( 1) ln ( ni=1 xi ).
Q
3. Notemos que
n n
!
n Y Y
f (x1 , . . . , xn | ) = Qn +1
I(0,) (xi ) = g (1 + xi ) , h (x1 , . . . , xn ) ,
[ i=1 (1 + xi )] i=1 i=1
por Q
tanto, debido al teorema de factorizacion, un estadstico suficiente para podra
ser ni=1 (1 + Xi ) o alguna funcion biyectiva de este. Otro estadstico suficiente para
podra ser toda la muestra, pero este no aportara ninguna utilidad extra.
+
4. La media y varianza de una variable aleatoria con distribucion U (, ) son 2
y
2
()
12
respectivamente. Por tanto, en nuestro caso tenemos, = E (X) = . Luego,
el estimador de momentos para es = X. Este estimador es insesgado: E =
1
Px
n i=1 E (Xi ) = , lo que implica
1 1 2
2 1 1 + 1
E = V ar = V ar X = V ar (X) = 2 2
= .
n n 12 12n
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
86 Captulo 3. Ejercicios Resueltos de Interrogaciones
2
5. Notemos que para i = 1, 2 se cumple E X i = y V ar X i = ni .
) = E X 1 +(1 ) E X 2 = +(1 ) = , por tanto
a) E ( es insesgado
para .
) = 2 V ar X 1 +(1 )2 V ar X 2 = V ar X 1 + V ar X 2 2 2V ar X 2 +
b) V ar (
V ar X 2 , luego V ar (
) es una funcion de que es una parabola que abre hacia
arriba y que por tanto su valor mnimo lo alcanza en
V ar X 2 2
= = 2 2 2.
V ar X 1 + V ar X 2 1 + 2
es el cuantil 1 2 de una distribucion N (0, 1). Luego, para los datos observados
y = 0,05 se tiene
" r r #
4 4
4 1,96 , 4 + 1,96 = [3,608, 4. 392] .
100 100
y l00 () = n2 < 0.
a) De l0 () = 0 se tiene que = Pn nln(xi ) , pero como l00 = n2 < 0, entonces
i=1
Pn ( " n
!#) n1 v
u n
1 i=1 ln (Xi )
Y uY
n
exp = exp = exp ln Xi =t Xi .
n i=1 i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
3.2 Soluciones 87
exp( 1 )
c) Como debemos buscar un I.C para g () = exp 1
, entonces g 0 () = 2
.
Ademas, como x+1 = exp { ( + 1) ln (x) + ln ()}, entonces dicha distribucion
pertenece a la familia exponencial, teniendo as,
n
I () = E [l00 ()] = 2 .
pQ
Por tanto, el error estandar asintotico de exp 1 = n ni=1 Xi es
s
1
0
[g ()] 2 exp
= .
I () n
Luego, un intervalo de confianza aproximado de nivel (1 ) 100 % para exp 1
viene dado por
v v
u n exp 1 u n Qn
Xi ni=1 ln (Xi )
p
n
P
uY uY i=1
tn
Xi z1 2 = tn
Xi z1 2 3 .
i=1 n i=1 n2
8. Observemos que las v.a. Yi son independientes y con distribucion N (xi , 2 ) con
conocido.
a) E = n1 ni=1 E(Y i)
= , por tanto el sesgo de es cero. De aqu se tiene que
P
xi
n n
2 X 2
2 1 X V ar (Yi )
E
= V ar = 2 = 2 x .
n i=1 x2i n i=1 i
Por tanto,
2
Pnpara2que sea consistente en media cuadratica debe cumplirse que
lm n i=1 xi = 0.
n
Por otra parte, E = Pn1 xi ni=1 E (Yi ) = , por lo que tambien es inses-
P
i=1
gado. De aqu se tiene que
n
2
2
1 X
E = V ar = Pn 2 V ar (Y i ) = .
( i=1 xi ) i=1 nx
Por tanto, para que sea consistente en media cuadratica debe cumplirse que
lm nx = .
n
b) Fue hecho al resolver el inciso (a).
9. Por la descripcion del problema se tiene que las v.a. Xi = mn {Yj } son independientes
j=1,...,i
iid
y donde Y1 , . . . , Yi E (). La funcion de densidad de las v.a. Xi viene dada por
i1 x
fXi (x) = i [1 FY (x)]i1 fY (x) = i 1 1 ex
e
= i exp (ix) .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
88 Captulo 3. Ejercicios Resueltos de Interrogaciones
y su logaritmo cumple,
n
X
l () n ln () ixi .
i=1
=
Luego, de l0 () = 0 se tiene Pn n , y como l 00
= n2 < 0, entonces el EMV
i=1 ixi
de es
= Pn n
.
i=1 iXi
Por otra parte, como Xi E (i), la informacion de Fisher viene dada por
n
I () = E [l00 ()] =
2
2
y la distribucion asintotica de es N , n .
iid = X con
10. Es conocido que si X1 , . . . , Xn P oisson () entonces el EMV de es
distribucion asintotica N , n .
a) Como P (X = 0) = e = g () entonces el EMV para P (X = 0) es g = e .
Pero de los datos observados tenemos x = (0 17 + 1 22 + 2 7 + 3 3 + 4 1) /50 =
49
50
1, y por tanto la estimacion para P (X = 0) es g (1) = e1 .
0 2
b) Del inciso (a) se tiene que la varianza asintotica de e es [gI()
()]
= exp(2)
n
=
1 2
50
e . Por tanto, un intervalo de confianza aproximado de nivel (1 ) 100 %
para P (X = 0) = e es
1
e1 z1 2 e1 .
5 2
11. Siempre hay que tener en cuenta que la extraccion de una ficha es un suceso indepen-
diente del lanzamiento de la moneda, sin embargo no es independiente del n umero de
veces que se lanzara la moneda.
a) La v.a. Y definida en 4.(b) sigue una distribucion Bin (1, p), pero es conocido que
el EMV de p es p = Y , por tanto, como se observo Y = 1 (se observo una fciha
roja), entonces la estimacion maximo verosmil de p es p = 1.
Como se observo una ficha roja, entonces la v.a. X definida en 4.(b) distribuye
Bin (9, ), pero es conocido que el EMV de es = Xn , por tanto, como se
observaron 4 caras, entonces X = 4 y la estimacion maximo verosmil de es
= 94 .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
3.2 Soluciones 89
b) Por la descripcion del experimento, si se obtiene una ficha roja (con probabilidad
p), luego se realiza un experimento Bin (9, ); y si la ficha es negra (con probabil-
idad 1 p), luego se realiza un experimento BinN eg (5, ). Luego, por la formula
de probabilidad total, se tiene
P(Y,X,Z) (y, x, z) = P (X = x, Z = z| Y = 1) P (Y = 1) + P (X = x, Z = z| Y = 0) P (Y = 0)
= P (X = x| X Bin (9, )) I{9} (z) P (Y = 1)
+P (Z = z| Z BinN eg (5, )) I{5} (x) P (Y = 0)
9 9x y z1
= x
(1 ) p + 5 (1 )z5 (1 p)1y ,
x 51
donde la u ltima igualdad solo se cumple si y {0, 1}, x {0, 1, . . . , 9} y z =
5, 6, . . ., en otro caso P(Y,X,Z) (y, x, z) = 0.
Pero como 9 es un n umero de lanzamientos y 5 es un n umero de caras entonces,
para el caso general (Y, X, Z) (no necesariamente con 9 lanzamientos y 5 caras),
se tiene
z zx y z1
P(Y,X,Z) (y, x, z) = x
(1 ) p + x (1 )zx (1 p)1y
x x1
si y {0, 1}, x {0, 1, . . . , z} y z = x, x + 1, . . .; y P(Y,X,Z) (y, x, z) = 0 en otro
caso.
c) El conjunto {(y, x, z) : y {0, 1} ; x {0, 1, . . . , z} ; z = x, x + 1, . . .} no depende
del parametro , y como en este caso p es conocido, entonces
z z1 1y
y
p + (1 p) x (1 )zx
x x1
z y z1 1y
= exp x ln + z ln (1 ) + ln p + (1 p) .
1 x x1
De aqu se ve claramente que P(Y,X,Z) (y, x, z) pertenece a la familia exponencial,
por tanto un estadstico suficiente para es (T1 , T2 ) donde T1 (Y, X, Z) = X y
T2 (Y, X, Z) = Z.
Nota: Aplicando el teorema de factorizacion tambien se puede llegar a que (X, Z)
es un estadstico suficiente para .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
90 Captulo 3. Ejercicios Resueltos de Interrogaciones
b) Como
m
( m m
)
n! Y X X
P (x1 , . . . , xm ) = Qm pxi i = exp xi ln (pi ) + ln (n!) ln (xi !) ,
i=1 xi ! i=1 i=1 i=1
+a (a )2
13. Debemos tener en cuenta que si X U(,a) entonces E (X) = 2
y V ar (X) = 12
.
a) Al resolver la ecuacion X = +a
2
, nos queda el estimador de momentos para es
= 2X a.
)2 = V ar (
b) Como E ( ) = 2E X a = , entonces E ( ) = 4V ar X =
(a )2
3n
0. Por tanto es consistente en media cuadratica.
iid
14. Estamos suponiendo que X1 , . . . , Xn f (x| ).
n 1
= Pn =
i=1 ln (Xi ) n ln (x0 ) T (X1 , . . . , Xn ) ln (x0 )
ya que cumple l0 = 0 y l00 < 0.
Por otra parte, la varianza asintotica de es
1 2
I 1 () = [E (l00 ())] = .
n
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
3.2 Soluciones 91
15. Que despues de T horas se presente una falla, significa que el menor tiempo de vida de
las tres componentes fue de T horas. Por tanto si X1 , X2 y X3 respresentan el tiempo de
iid
vida de cada componente, entonces T = mn {X1 , X2 , X3 } donde X1 , X2 , X3 E (1 ).
2
N , .
n
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
92 Captulo 3. Ejercicios Resueltos de Interrogaciones
3.3. Interrogaciones II
1. En una muestra aleatoria de 200 residentes de cierta ciudad en Los Estados Unidos
que conducen un automovil de fabricacion estadounidense, 165 indicaron que emplean
el cinturon de seguridad. Otra muestra aleatoria, independiente de la anterior, de 250
residentes de la misma ciudad que conducen un automovil de fabricacion extranjera,
revelo que 198 utilizan el cinturon de seguridad.
a) Existe alguna evidencia que indique una diferencia en el uso del cinturon de
seguridad entre los conductores de automoviles estadounidenses y extrenjeros?
(utilice = 0,05).
b) Determine el valor-p de esta prueba y bosqueje el grafico de la funcion de potencia
respectiva (identifique claramente las leyendas de los ejes).
2. Una empresa de sondeos prueba dos barrenas perforando pozos hasta una profundidad
maxima de 125 metros y anotando el n umero de horas que requiere el proceso. La
primera barrena, (1), se utilizo en 12 casos con un tiempo medio de 17.3 horas. Con la
segunda, (2), se perforaron 10 pozos, obteniendose un resultado de 22.3 horas (tiempo
medio). Las desviaciones estandar muestrales son s1 = 6 y s2 = 6. Hay evidencia que
permita afirmar que la barrena 1 es mas eficiente que la barrena 2, en terminos de
menor tiempo medio?
3. Sea X una v.a. cuyas funciones de probabilidad bajo H0 y H1 estan dadas por,
X 1 2 3 4 5 6 7
P (X = x| H0 ) 0.01 0.01 0.01 0.01 0.01 0.01 0.94
P (X = x| H0 ) 0.06 0.05 0.04 0.03 0.02 0.01 0.79
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
3.3 Interrogaciones II 93
8. Sea X1 , X2 , . . . , Xn una muestra aleatoria con distribucion U[0,] con > 0 y sea T =
max {Xi }. Se quiere comparar las hipotesis H0 : 0 vs. H1 : > 0 y para esto se
i=1,...,n
utiliza el test que rechaza H0 cuando T > t0 .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
94 Captulo 3. Ejercicios Resueltos de Interrogaciones
10. Suponga que se realizan n mediciones bajo las condiciones de un tratamiento (1),
y otras n mediciones son tomadas, independientemente, bajo otro tratamiento (2).
Asuma que los datos tienen distribucion normal y que la desviacion estandar pobla-
cional de cualquier observacion es 10 bajo cualquier tratamiento.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
3.4 Soluciones 95
3.4. Soluciones
1. Sea pl la proporcion de uso de cinturon en autos locales, y pe la proporcion de uso de
cinturon en autos extranjeros. Luego, debemos probar las hipotesis H0 : pl = pe vs.
H1 : pl 6= pe .
donde
165 198
nl pl + ne pe 200 200 + 250 250
p= = = 0,81.
nl + ne 200 + 250
Luego,
165
200
198
250
Z=q = 0,89.
1 1
0,81 (1 0,81) 200 + 250
Como z1/2 = z0,975 = 1,96, entonces de Z = 0,89 < 1,96 se tiene que no
se rechaza H0 , y por tanto, no hay suficientes evidencias para decir que existen
diferencias significativas en el uso del cinturon de seguridad entre los conductores
de autos estadounidenses y extranjeros.
b) En este caso se tiene
p = P (|Z| > 0,89) = 2P (Z > 0,89) = 2 [1 P (Z 0,89)] = 2 [1 0,8133] = 0,3734.
iid
Sean Xi B (1, pl ) v.a. que toman el valor 1 si el conductor de auto local usa
iid
cinturon Yj B (1, pe ) otras v.a. que toman el valor 1 si el conductor de auto
extrajero usa cinturon, donde i = 1, . . . , 200 y j = 1, . . . , 250. Luego, por el
teorema de lmite central se tiene
200
1 X pl (1 pl )
pl = Xi N pl , ,
200 i=1 200
250
1 X pe (1 pe )
pe = Yj N p e , y
250 j=1 250
p pe (pl pe )
ql N (0, 1) .
pl (1pl ) pe (1pe )
200
+ 250
Por tanto, el grafico de la funcion de potencia es similar al del test para comparar
H0 : x = y vs. H1 : x 6= y cuando los datos distribuyen normal. Luego, el
grafico de la funcion de potencia es similar al de la figura 3.1.
2. Este problema se resuelve con un test de comparacion de dos medias con datos normales
de varianzas desconocidas, pero consideradas iguales.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
96 Captulo 3. Ejercicios Resueltos de Interrogaciones
()
= pl pe
De la tabla se tiene que t(n1 +n2 2),1 = t(20),0,99 = 2,528, pero como t = 1,94 >
2,528 = t(20),0,99 , entonces no se rechaza H0 .
Por tanto, los datos no ofrecen suficientes evidencias que permitan afirmar que la
barrena 1 es mas eficiente que la barrena 2.
b) Debemos buscar o acotar el valor-p. De acuerdo a los percentiles de la distribucion
t(20) se tiene t(20),0,95 = |1,725| < |1,94| < |2,086| = t(20),0,975 . Luego, el menor valor
de para el cual el test es significativo, p, cumple 0,025 < p < 0,05.
c) Consideremos := 1 2 , luego
!
X Y
() = P (rechazar H0 |) = P < 2,528
p 1 1
Sp n 1 + n 2
!
X Y
= P < 2,528 p 1 = P t(20) < 2,528 .
p
Sp n1
1 + n 1
2 S p n 1 + n 1
2
2,57
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
3.4 Soluciones 97
()
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
98 Captulo 3. Ejercicios Resueltos de Interrogaciones
entonces
X Xa 0,19 0,11
t= e = = 9,94.
Sp n1 + m1 0,018 101 + 101
De la tabla de distribuciones t-student se tiene
Por lo que se rechaza H0 y se concluye que los datos muestran evidencias de que la
aleacion reduce la resistencia promedio del alambre.
y su logaritmo es
l (1 , 2 ) = n ln (1 ) + m ln (2 ) + nX n ln (1 1 ) + mY m ln (1 2 ) .
De
l (1 , 2 ) n nX n
0= =
1 1 1 1
1 1
se tiene
1 = X . Analogamente, se tiene que
2 = Y .
Por otra parte, bajo H0 : 1 = 2 = se tiene
l () = (n + m) ln () + nX n + mY m ln (1 ) .
Por lo que de
dl () n + m nX n + mY m
0= =
d 1
se tiene 1
nX + mY
= .
n+m
Por tanto,
supL (| X, Y)
0 | X, Y)
L ( n+m (1
)nXn+mY m
(X, Y) = = = .
supL (1 , 2 | X, Y) L ( 2 | X, Y)
1 , 1n
2m (1 2 )mY m
1 )nXn (1
Pero como 2 ln () 2(21) , entonces se rechaza H0 si
2 n ln ( 2 ) + nX n ln (1
1 ) + m ln ( 1 ) + mY m ln (1
2 )
2 (n + m) ln ( ) + nX n + mY m ln (1 )
> 2(1),1 .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
3.4 Soluciones 99
iid
6. Sean Xi f (x) las v.a. que representan los tiempos en desarrollar la I2, y se quiere
comparar las hipotesis H0 : Xi f (x) contra H1 : Xi f (x). De acuerdo a los datos
obtenidos debemos hacer un test de bondad R de ajuste en donde los valores esperados
vienen dados por Ei = npi , donde pi = i kxdx.
R 120 2
Como 1 = 0 kxdx = k 120 2
1
, entonces k = 7200 .
Por tanto,
60
602
Z
1 1
p1 = xdx = = ,
7200 0 7200 2 4
90
902 602
Z
1 5
p2 = xdx = =
7200 60 7200 2 16
y
120
1202 902
Z
1 7
p3 = xdx = = .
7200 90 7200 2 16
Finalmente,
3 3
X (Oi Ei )2 X (Oi npi )2
2calc = =
i=1
Ei i=1
npi
50 2 5 2
7
2
10 4
20 50 16 20 50 16
= 50 + 5 + 7 = 4,74.
4
50 16 50 16
Pero como 2calc = 4,74 < 5,99 = 2(2),0,95 , no se rechaza H0 y asumimos que los tiempos
para desarrollar la I2 siguen la distribucion dada.
7. La u
nica va que hemos visto para buscar test potentes ha sido usando el lema de
Neyman-Pearson.
h i
f (X)
a) Luego, para > 0 dado, debemos buscar c 0 tal que = P f10 (X) < c = 0
donde 1 > 0 . De aqu se tiene
Pn
n
0 exp 1
0 i=1 Xi
= P Pn < c = 0
n 1
1 exp 1 i=1 Xi
" ( n ) #
1 1 X
= P exp Xi < c0 = 0
1 0 i=1
" n # " n #
1 1 X X
= P Xi < c00 = 0 = P Xi > k = 0 .
1 0 i=1
i=1
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
100 Captulo 3. Ejercicios Resueltos de Interrogaciones
a) fT (t| ) = n [FX1 (t| )]n1 fX1 (t| ) = nn tn1 I[0,] (x). Por tanto la funcion de
potencia es Z n
n n1 t0
() = P (T > t0 ) = n
t dt = 1 .
t0
d() tn
Pero como d
=
> 0 para todo > 0, entonces () es creciente. Ademas,
0
n+1
n 3
t0 1,9
() = 1 =1 = 0,142625.
2
b) Como la funcion de potencia es creciente tenemos,
n
t0
= sup () = sup () = (0 ) = 1 .
0 0 0
1 1
Luego, si = 0,1 se tiene t0 = (1 ) n 0 = (0,9) n 0 .
c) En ambos casos consideraremos n = 3.
n 3
1) V alor p = P (T > 1,9| = 0 ) = 1 1,90
= 1 1,9 2
= 0,142625. Ob-
serven que coincide con el resltado del inciso (a), y esto no es por casualidad.
2) Notemos que si 0 = 2, entonces el recorrido de la v.a. T es [0, 2], y por tanto
V alor p = P (T > 2,1| = 0 ) = P (T > 2,1| = 2) = 0.
9. Notemos que los siguientes resultados serviran tambien para comparar las hipotesis
H0 : 0 vs. H1 : < 0 , y que no se utilizara el valor especfico de 1 , salvo que
0 > 1 .
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
3.4 Soluciones 101
h i
0 (11 )
pero como 0 > 1 implica que ln > 0, entonces debemos buscar k tal
1 (10 )
que ( n )
X
=P Xi < k = 0 .
i=1
k1
X n
0y (1 0 )ny .
y
y=0
iid iid
10. Estamos suponiendo que X1 , . . . , Xn N (1 , 2 ), Y1 , . . . , Yn N (2 , 2 ), = 10 y
que Xi
Yj para todo i, j = 1, . . . , n.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
102 Captulo 3. Ejercicios Resueltos de Interrogaciones
)
(XY
donde Z = 2
distribuye N (0, 1) bajo H1 : 1 2 = > 0. De lo anterior
n
tenemos que
n
P Z z1 = 1 P otencia () .
2
Por tanto,
n
z1P otencia() = z1 .
2
Del problema tenemos, = 2, P otencia (2) = 0,5, = 0,1 y = 10. Por tanto,
2 n
z0,5 = z0,9 ,
10 2
2 n
y de aqu, 0 = 1,28 10 , lo que implica n = 81.92. Pero como debemos tomar un
2
tama no de muestra entero y que cumpla las exigencias pedidas entonces n debe
ser igual a 82.
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
Ap
endice A
Formulario de Distribuciones
n
X Binomial(n, p) x
px (1 p)nx np np(1 p) ((1 p) + pet )n x = 0, 1, . . . , n
(1p) pet
X Geom(p) p(1 p)x1 1 , si (1 p)et < 1 x = 1, 2, . . .
p p2 1(1p)et
r
et p
x1 r(1p)
X BN(r, p) pr (1 p)xr r x = r, r + 1, r + 2, . . .
r1 p p2 1(1p)et
M N M
X Hiper(M, N, n) x nx
N
np nM
N
( N M
N
)( N n
N 1
) x = 0, 1, . . . , mn(M, n)
n
x e t
X Poisson() x!
e(e 1) x = 0, 1, . . .
(x)2 2 2
t+ t
X Normal(, 2 ) 1 e 2 2 2 e 2 < x <
2 2
1 x1 ex
X Gamma(, ) , t< x>0
() 2 t
(+)
X Beta(, ) x1 (1 x)1 0x1
()() + (+)2 (++1)
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
II Captulo A. Formulario de Distribuciones
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
Ap
endice B
Formulario de An
alisis de Regresi
on
Simple
1. Modelo de Regresi
on Estimado
y =0 + 1 x
0 =y 1 x
n
X n
X
n
xi yi
X i=1 i=1
xi yi
n
1 = i=1 !2
n
X
n
xi
X i=1
x2i
i=1
n
2. Suma de cuadrados
n
!2
X
n n
xi
X X i=1
a) Sxx = (xi x)2 = x2i .
i=1 i=1
n
n
!2
X
n n
yi
X X i=1
b) Syy = (yi y)2 = yi2 .
i=1 i=1
n
n
X n
X
n n
xi yi
X X i=1 i=1
c) Sxy = (xi x)(yi y) = xi yi
i=1 i=1
n
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
IV Captulo B. Formulario de An
alisis de Regresi
on Simple
e) SSR = 1 Sxy .
4. Test de Hip
otesis para los coeficientes
a) H0 : 0 = 0 H1 : 0 6= 0
0
T0 =
se(0 )
b) H0 : 1 = 0 H1 : 1 6= 0
1
T1 =
se(1 )
5. Intervalos de Confianza
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
V
y|x0 = 0 + 1 x0
c) Intervalo de Confianza para la respuesta media, donde
s
1 (x0 x)2
y|x0 tn2,1/2
IC(y|x0 ) = 2
+
n Sxx
on R2
6. Coeficiente de Determinaci
Sxy SSE
R2 = 1 =1
Syy Syy
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
VI Captulo B. Formulario de An
alisis de Regresi
on Simple
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
Ap
endice C
Tablas de distribuci
on
C.1. Distribuci
on t de Student
Magnitud de en una cola
gl 0.20 0.15 0.10 0.05 0.025 0.01 0.005 0.0005
1 1.38 1.96 3.08 6.31 12.71 31.82 63.66 636.58
2 1.06 1.39 1.89 2.92 4.30 6.96 9.92 31.60
3 0.98 1.25 1.64 2.35 3.18 4.54 5.84 12.92
4 0.94 1.19 1.53 2.13 2.78 3.75 4.60 8.61
5 0.92 1.16 1.48 2.02 2.57 3.36 4.03 6.87
6 0.91 1.13 1.44 1.94 2.45 3.14 3.71 5.96
7 0.90 1.12 1.41 1.89 2.36 3.00 3.50 5.41
8 0.89 1.11 1.40 1.86 2.31 2.90 3.36 5.04
9 0.88 1.10 1.38 1.83 2.26 2.82 3.25 4.78
10 0.88 1.09 1.37 1.81 2.23 2.76 3.17 4.59
11 0.88 1.09 1.36 1.80 2.20 2.72 3.11 4.44
12 0.87 1.08 1.36 1.78 2.18 2.68 3.05 4.32
13 0.87 1.08 1.35 1.77 2.16 2.65 3.01 4.22
14 0.87 1.08 1.35 1.76 2.14 2.62 2.98 4.14
15 0.87 1.07 1.34 1.75 2.13 2.60 2.95 4.07
16 0.86 1.07 1.34 1.75 2.12 2.58 2.92 4.01
17 0.86 1.07 1.33 1.74 2.11 2.57 2.90 3.97
18 0.86 1.07 1.33 1.73 2.10 2.55 2.88 3.92
19 0.86 1.07 1.33 1.73 2.09 2.54 2.86 3.88
20 0.86 1.06 1.33 1.72 2.09 2.53 2.85 3.85
21 0.86 1.06 1.32 1.72 2.08 2.52 2.83 3.82
22 0.86 1.06 1.32 1.72 2.07 2.51 2.82 3.79
23 0.86 1.06 1.32 1.71 2.07 2.50 2.81 3.77
24 0.86 1.06 1.32 1.71 2.06 2.49 2.80 3.75
25 0.86 1.06 1.32 1.71 2.06 2.49 2.79 3.73
26 0.86 1.06 1.31 1.71 2.06 2.48 2.78 3.71
27 0.86 1.06 1.31 1.70 2.05 2.47 2.77 3.69
28 0.85 1.06 1.31 1.70 2.05 2.47 2.76 3.67
29 0.85 1.06 1.31 1.70 2.05 2.46 2.76 3.66
30 0.85 1.05 1.31 1.70 2.04 2.46 2.75 3.65
0.84 1.04 1.28 1.64 1.96 2.33 2.58 3.29
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
VIII Captulo C. Tablas de distribuci
on
C.2. on 2
Distribuci
Proporci
on del Area hasta +
gl 0.995 0.99 0.975 0.95 0.90 0.75 0.50
1 0.00 0.00 0.00 0.00 0.02 0.10 0.45
2 0.01 0.02 0.05 0.10 0.21 0.58 1.39
3 0.07 0.11 0.22 0.35 0.58 1.21 2.37
4 0.21 0.30 0.48 0.71 1.06 1.92 3.36
5 0.41 0.55 0.83 1.15 1.61 2.67 4.35
6 0.68 0.87 1.24 1.64 2.20 3.45 5.35
7 0.99 1.24 1.69 2.17 2.83 4.25 6.35
8 1.34 1.65 2.18 2.73 3.49 5.07 7.34
9 1.73 2.09 2.70 3.33 4.17 5.90 8.34
10 2.16 2.56 3.25 3.94 4.87 6.74 9.34
11 2.60 3.05 3.82 4.57 5.58 7.58 10.34
12 3.07 3.57 4.40 5.23 6.30 8.44 11.34
13 3.57 4.11 5.01 5.89 7.04 9.30 12.34
14 4.07 4.66 5.63 6.57 7.79 10.17 13.34
15 4.60 5.23 6.26 7.26 8.55 11.04 14.34
16 5.14 5.81 6.91 7.96 9.31 11.91 15.34
17 5.70 6.41 7.56 8.67 10.09 12.79 16.34
18 6.26 7.01 8.23 9.39 10.86 13.68 17.34
19 6.84 7.63 8.91 10.12 11.65 14.56 18.34
Proporci
on del Area hasta +
gl 0.25 0.10 0.05 0.03 0.01 0.005 0.001
1 1.32 2.71 3.84 5.02 6.63 7.88 10.83
2 2.77 4.61 5.99 7.38 9.21 10.60 13.82
3 4.11 6.25 7.81 9.35 11.34 12.84 16.27
4 5.39 7.78 9.49 11.14 13.28 14.86 18.47
5 6.63 9.24 11.07 12.83 15.09 16.75 20.51
6 7.84 10.64 12.59 14.45 16.81 18.55 22.46
7 9.04 12.02 14.07 16.01 18.48 20.28 24.32
8 10.22 13.36 15.51 17.53 20.09 21.95 26.12
9 11.39 14.68 16.92 19.02 21.67 23.59 27.88
10 12.55 15.99 18.31 20.48 23.21 25.19 29.59
11 13.70 17.28 19.68 21.92 24.73 26.76 31.26
12 14.85 18.55 21.03 23.34 26.22 28.30 32.91
13 15.98 19.81 22.36 24.74 27.69 29.82 34.53
14 17.12 21.06 23.68 26.12 29.14 31.32 36.12
15 18.25 22.31 25.00 27.49 30.58 32.80 37.70
16 19.37 23.54 26.30 28.85 32.00 34.27 39.25
17 20.49 24.77 27.59 30.19 33.41 35.72 40.79
18 21.60 25.99 28.87 31.53 34.81 37.16 42.31
19 22.72 27.20 30.14 32.85 36.19 38.58 43.82
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
C.3 Distribuci
on F ( = 0,05) IX
C.3. Distribuci
on F ( = 0,05)
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
X Captulo C. Tablas de distribuci
on
(Continuaci
on)
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.
C.4 Distribuci
on Normal XI
C.4. Distribuci
on Normal
Segunda cifra decimal en z
z 0.0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
Recopilaci
on, Organizaci
on y Elaboraci
on por Patricia Jim
enez P. & Ricardo Olea O.