Facultad de Ingeniera

IMERL
PROBABILIDAD Y ESTAD

ISTICA
Curso 2010
Practico 9
Ley Fuerte de los Grandes N umeros
Ejercicio 1
Este ejercicio describe el metodo de Montecarlo para el calculo de integrales.
1. Sean (U
i
)
iN
U[a, b] iid y f R[a, b] (f es integrable Riemann en [a, b]), mostrar que:
1
n
n

i=1
f (U
i
)
c.s.

n
1
b a
b

a
f (x) dx.
2. Sea D una region arbitraria de [0, 1] [0, 1] y sean U
1
, U
2
, . . . , U
n
variables aleatorias independi-
entes e identicamente distribuidas con distribucion U ([0, 1] [0, 1]), es decir que se cumple que
P(U A) = area(A [0, 1] [0, 1]).
Si a
n
=
#{i : 1 i n y U
i
D}
n
probar que a
n
c.s.

n
area(D).
Ejercicio 2
Utilizando alg un software de generacion de n umeros aleatorios y el metodo de Montecarlo para resolver
integrales, obtenga una estimacion de
1

0
e

x
2
2

2
dx, mediante la generacion de 100 n umeros aleatorios.
Comparar el resultado obtenido con el provisto por las tablas de la distribucion N(0, 1).
Ejercicio 3
Demostrar que si X
n
c.s.

n
a y g : R R continua entonces g(X
n
)
c.s.

n
g(a).
Ejercicio 4 Primer parcial, mayo de 1999
Supongamos que un bolillero contiene N bolillas que pueden ser rojas, blancas o azules. Supongamos
que hay r bolillas rojas y b blancas (y por lo tanto N (r + b) azules), con r 1, b 1. Tomamos
una muestra de n bolillas elegidas al azar con reposicion.
Denimos
X = n umero de bolillas rojas observadas en la muestra,
Y = n umero de bolillas blancas observadas en la muestra,
Z = n umero de bolillas azules observadas en al muestra.
1. Calcular las funciones de probabilidad de X, de Y y de Z
2. Calcular E(X) , Var (X) , E(Y ) , Var (Y ).
3. Hallar la funcion de probabilidad de X +Y . Calcular E(X +Y ) , Var (X +Y ).
4. Son X e Y independientes? Justique la respuesta.
5. Supongamos que N = 2000. Si se repite 2500 veces de manera independiente la experiencia de
muestrear 10 bolillas con reposici on y se obtiene una cantidad promedio de 3,2 bolillas rojas y
4,6 bolillas blancas, le parece creble que en el bolillero haya mas de 1250 bolillas azules?
1
Estimacion Puntual
Denicion: Sean {X
n
}
nN
iid con distribucion F

donde es un parametro. Se considera la fa-

milia {T
n
(X
1
, . . . , X
n
)}
nN
donde T
n
es una funcion de los n datos (que cumple ciertas hip otesis).
T
n
(X
1
, . . . , X
n
) se llama un estimador de . Un estimador se dice consistente si T
n
(X
1
, . . . , X
n
)
c.s.

n
.
Ejercicio 5
Sean (X
n
)
nN
iid tales que E(X
1
) = y Var (X
1
) =
2
< ( > 0).
1. Demostrar que X
n
es un estimador consistente de , esto es que X
n
c.s.

n
.
2. Demostrar que si
2
n
=
1
n
n

i=1

X
i
X
n

2
y s
2
n
=
1
n 1
n

i=1

X
i
X
n

2
entonces

2
n
c.s.

2
s
2
n
c.s.

n
c.s.

n
s
n
c.s.

(
2
n
y s
2
n
son estimadores consistentes de
2
y
n
y s
n
son estimadores consistentes de .)
Sugerencia:
1
n
n

i=1

X
i
X
n

2
=
1
n
n

i=1
(X
i
)
2

X
n

2
y usar los siguientes resultados:
Si X
n
c.s.

n
X y g : R R es continua entonces g (X
n
)
c.s.

n
g (X)
Si X
n
c.s.

n
X e Y
n
c.s.

n
Y y g : R
2
R es continua entonces g (X
n
, Y
n
)
c.s.

n
g (X, Y )
Ejercicio 6
Denimos el coeciente de correlaci on de dos variables aleatorias X e Y tales que 0 < Var (X) , Var (Y ) <
mediante
=
Cov(X, Y )

Var (X)

Var (Y )
.
Sean (X
n
)
nN
, (Y
n
)
nN
iid, tales que 0 < Var (X
n
) = Var (X) =
2
(X) < , 0 < Var (Y
n
) =
Var (Y ) =
2
(Y ) < . Sea

n
=
1
n
n

i=1

X
i
X
n

Y
i
Y
n

n
(X)
n
(Y )
con
2
n
(X) =
1
n
n

i=1

X
i
X
n

2
y analogamente con
2
n
(Y ). Demostrar que
n
c.s.

n
.
Sugerencia:
1
n
n

i=1

X
i
X
n

Y
i
Y
n

=
1
n
n

i=1
X
i
Y
i
X
n
Y
n
Ejercicio 7
Una pieza de una maquina se verica al nal de cada hora de produccion y se cambia por una nueva
en caso de encontrarse rota. El tiempo de vida en horas de la pieza se puede modelar con una variable
aleatoria T con distribucion exponencial de parametro (T exp()), por lo tanto el tiempo en horas
que transcurre hasta el recambio de la pieza se puede modelar con una variable aleatoria X = [T] +1,
donde [T] es la parte entera de T (esto es, X = n si y solo si n 1 T < n).
1. Hallar la funcion de probabilidad de la variable aleatoria X y probar que tiene distribuci on
geometrica de parametro 1 e

(X Geo(1 e

)).
2. A partir de los tiempos en los que se realiza el recambio de las piezas se desea estimar el par ametro
del tiempo de vida de dichas piezas.
a) Calcular en funcion de siendo = E(X).
b) Como estimara a partir de las observaciones X
1
, X
2
, . . . , X
n
de los tiempos de recambio
de las piezas?
c) Construir un estimador consistente para en funcion de las observaciones X
1
, X
2
, . . . , X
n
de los tiempos de recambio de las piezas.
2
Estimacion por maxima verosimilitud
Ejercicio 8
Sean X
1
, X
2
, . . . X
n
iid F Encontrar los estimadores de maxima verosimilitud para los siguientes
parametros:
1. p si la distribucion es Ber(p)
2. si la distribucion es P()
3. p si la distribucion es Geo(p)
4. y
2
si la distribucion es N(,
2
)
5. a y b si la distribucion es U[a, b].
Sesgo de un estimador
Denicion: Sean {X
n
: n N} iid con distribucion F

. Se dene el sesgo de un estimador de

, T
n
= T
n
(X
1
, . . . , X
n
) como E(T
n
). Un estimador T
n
se dice insesgado si su sesgo es cero, es
decir E(T
n
) = 0 n N. Decimos que es asint oticamente insesgado si E(T
n
)
n
0.
Ejercicio 9
Sean (X
n
)
nN
iid tales que E(X
1
) = y Var (X
1
) =
2
< ( > 0).
1. Mostrar que X
n
es insesgado como estimador de , que
2
n
no es insesgado como estimador de

2
y que s
2
n
es insesgado para
2
.
2. Mostrar que
n
y s
n
no son insesgados como estimadores de .
3. Sea X
1
, . . . , X
n
exp() iid, entonces
1
X
n
es consistente como estimador de pero no insesgado.
Sugerencia: para las dos ultimas partes usar la desigualdad de Jensen
1
.
Ejercicio 10
Se considera una muestra X
1
, X
2
, ..., X
n
iid con media E(X) = y varianza Var (X) =
2
. Se
considera el estimador =
n

i=1
a
i
X
i
(una combinacion lineal de las observaciones).
1. Hallar la relacion que tienen que cumplir los coecientes a
i
para que sea un estimador insesgado
de la media .
2. Entre todos los estimadores lineales e insesgados de la media hallar el de varianza mnima.
Sugerencia: usar la desigualdad de Cauchy-Schwarz para vectores en R
n
.
Ejercicio 11
Una forma de evaluar la eciencia de un estimador es a traves del error cuadr atico medio, que se
dene como ECM(T
n
) = E

(T
n
)
2

. Demostrar que si el estimador T

n
tiene sesgo a
n
entonces
ECM(T
n
) = Var (T
n
) +a
2
n
.
Ejercicio 12
Sean X
1
, . . . , X
n
iid P().
1. Estimar por el metodo de los momentos. Observar que es insesgado y calcular el error cuadr atico
medio.
2. Probar que s
2
n
tambien es un estimador insesgado para .
3. Encontrar el estimador de maxima verosimilitud para y observar que coincide con el estimador
obtenido por el metodo de los momentos.
1
Desigualdad de Jensen: si : R R es una funci on con (x)

0 x, entonces (E(X)) E((X)). Adem as el

igual se cumple si (x) es lineal. El enunciado anterior es v alido m as en general para cualquier convexa
3
Ejercicio 13
Sean X
1
, . . . , X
n
iid U[0, ]. Interesa estimar el valor de .
1. Hallar el estimador de por el metodo de los momentos.
2. Estudiar su sesgo, varianza y error cuadratico medio.
3. Demostrar que el estimador de maxima verosimilitud de es X

n
, el maximo de los valores
muestrales.
Ejercicio 14 Examen diciembre de 2003
Para modelar la cantidad X de productos defectuosos que se encuentran en una lnea de producci on
en determinado perodo de tiempo se utiliza un modelo de dos parametros llamado Poisson con Ceros
Forzados (PCF). Decimos que la variable X tiene distribucion de Poisson con ceros Forzados, y se
nota X PCF(, p), si X puede escribirse como X = Y Z con Y , Z independientes tales que:
Y tiene distribucion de Poisson de par ametro (Y P ())
Z tiene distribucion de Bernoulli de parametro p (Z Ber (p))
El modelo representa que si la produccion tiene una muy baja tasa de errores, la probabilidad de
que no haya defectuosos es mas alta que en un modelo de Poisson tradicional.
1. Hallar P(X = k) k 0.
2. Decimos que X = 0 es un cero forzado cuando ocurre Z = 0. Dado que se observa X = 0 hallar
la probabilidad de que no sea un cero forzado (esto es Z = 1).
3. Hallar E(X), E

X
2

y Var (X).
4. Dada una muestra X
1
, . . . , X
n
iid PCF (, p), halle estimadores

y p de los parametros por
el metodo de los momentos.
5. Para la siguiente lista de 10 observaciones: 0, 0, 0, 2, 0, 0, 4, 1, 0, 0, estime y p por el metodo
de los momentos.
Ejercicio 15 Examen diciembre de 2004
Considere una variable aleatoria X absolutamente continua con densidad de probabilidad
f
X
(x) =

2a
x
2
si 1 x b
0 en caso contrario,
donde a >
1
2
y b > 1. (1)
1. Calcule b como funcion de a.
2. Calcule E(X), Var(X) y m
X
, la mediana de X.
3. Considere ahora una muestra, X
1
, X
2
, . . . , X
100
, de variables aleatorias i.i.d. con densidad dada
por (1).
a) Construya un estimador consistente para el parametro b. Justique su respuesta.
b) Suponiendo a = 1, estime la probabilidad de que el promedio de la muestra este en el
intervalo [1,8 log 2, 2,1 log 2].
4