INFERENCIA ESTADÍSTICA

Lista de ejercicios 1
2018-2
Profesor: José Flores D.
Fecha de entrega: 13 de setiembre.

Ejercicio 1
Sea X1 , . . . , Xn una m.a. de la variable aleatoria X ∼ g(p), con p (desconocido).

a) Demuestre que p̂ = 1/X̄ es un estimador consistente de p.

b) Sea θ = P (X > 2). Averigüe si θ̂ = ( X̄−1

X̄
)2 es un estimador consistente.

Ejercicio 2
Sea X1 , . . . , Xn una m.a. de la variable aleatoria X ∼ B(α; 1), con α (desconocido).

a) Estudie la consistencia fuerte de α̂ = X̄/(1 − X̄).

1
b) Sea θ = P (X > 1/2). Estudie la consistencia fuerte de 1 − 2α̂
.

Ejercicio 3
X̄
Sea X ∼ G(α; β) y considere β̂ = M2 −X̄ 2
.

a) Halle el valor casi seguro de lı́m X̄.

n→∞

n
1
Xjk : el k-ésimo momento
P
b) Halle el valor casi seguro de lı́m M2 , donde Mk = n
n→∞

N+ .
j=1
muestral, k ∈

c) ¿Es β̂ un estimador consistente?

Ejercicio 4
En un estudio de riesgo en los préstamos personales, una entidad financiera asume que el
tiempo, en meses, hasta que un cliente deje de pagar su crédito es una variable aleatoria
X ∼ W (2; θ). Como estimador de θ, que será obtenido a partir de una muestra aleatoria de
2
tamaño n de X, se considera a θ̂ = (4 − π + nπ)/(4n X ) .

a) Determine si este estimador es consistente.

b) Sea p la proporción de clientes que dejan de pagar su crédito después de 12 meses

de otorgado. Si como estimador de p se considera a p̂ = e−144 θ̂ , ¿es este estimador
consistente?

1
Ejercicio 5
Para cada n ∈ N+, sean 1, . . . , n, variables aleatorias independientes con media cero y
varianza σ 2 ,
Yj = βxj + j , j = 1, . . . , n,
con x1 , . . . , xn constantes conocidas y β un parámetro desconocido cuyo estimador usual es
n
P
x j Yj
j=1
β̂ = n .
x2j
P
j=1

a) Determine E(Yj ) y V (Yj ), j = 1, . . . , n.

b) Demuestre que β̂ es insesgado y determine su varianza. Emplee los resultados de la

parte anterior.

Ejercicio 6 La información de Fisher

Sea X una variable aleatoria con modelo probabilı́stico f (x; θ), con θ ∈ Θ ⊂
X
R. La
Información de Fisher está definida por
∂ 2 Ln(f (X; θ))
!
I(θ) = − E X
.
∂θ2

Para cada muestra aleatoria X1 , . . . , Xn de X, sea

n 2
1 X ∂ Ln(fX (Xj ; θ))
H(θ) = .
n j=1 ∂θ2

a) Demuestre que lı́m −H(θ) = I(θ), c.s.

n→∞

b) Si θ̂ es un estimador fuertemente consistente de θ y H es una función continua, estudie

si H(θ̂) es consistente para I(θ).

Ejercicio 7
Si X ∼ N (µ; 1). Determine una estadı́stica suficiente para µ. Use el Teorema de
Factorización. Luego determine una función de esta estadı́stica que sea consistente.

Ejercicio 8
Si X ∼ N (0; σ 2 ). Determine, justificando debidamente, una estadı́stica suficiente para σ 2 .
Use el Teorema de Factorización. Luego determine una función de esta estadı́stica que sea
consistente.

Ejercicio 9
Si X ∼ LogN (µ; 1). Determine, justificando debidamente, una estadı́stica suficiente para µ.
De ser posible, determine una función de esta estadı́stica que sea consistente.

Ejercicio 10
Sea X1 , . . . , Xn una muestra aleatoria de la variable aleatoria X, con distribución exp(β),
r
1 n+1 2
con β > 0 (desconocido). Estudie la consistencia de β̂1 = , β̂2 = y β̂3 = ,
X̄ nX̄ M2
n
donde M2 = n1 Xj2 .
P
j=1

2
Ejercicio 11
Para el ingreso mensual, X (en miles de soles), de los trabajadores en cierto sector, se propone
el modelo probabilı́stico de Pareto siguiente:
θ (0, 75)θ
fX(x) = , x > 0, 75,
xθ+1
donde θ > 0 es un parámetro por estimar a partir de una muestra aleatoria de tamaño n de
X.
a) Determine una estadı́stica suficiente para θ. Use el Teorema de Factorización.
n
∂
P
b) Determine ∂θ
(E( Xj |T = 5), donde T es la estadı́stica hallada en a y X1 , . . . , Xn
j=1
es una muestra aleatoria de X.
Ejercicio 12
En el ejercicio 11, determine el lı́mite casi seguro de Ln(X).
Ejercicio 13
Sean T1 y T2 , dos estadı́sticas. Se dice que T1 resume tanto o más que T2 , si todo resumen
de T2 es parte de algún resumen de T1 ; esto es, si ∀t : ∃t1 , tal que { T2 = t } ⊂ { T1 = t1 }.
R
Téngase presente que { T = t } = { (x1 , . . . , xn ) ∈ n : T (x1 , . . . , xn ) = t } : todas las
muestras que son transformadas (resumidas) por la estadı́stica T en el valor t.
Si T1 = h(T2 ), demuestre que T1 resume tanto o más que T2 .
Ejercicio 14
Si X ∼ LogN (0; σ 2 ).
a) Determine una estadı́stica suficiente para σ 2 . Use el Teorema de Factorización.

b) Obtenga una función de la estadı́stica anterior que sea un estimador consistente.

n
∂
P
c) Determine ∂σ 2
(E( Xj |T = 5), donde T es la estadı́stica hallada en a y X1 , . . . , Xn
j=1
es una muestra aleatoria de X.
Ejercicio 15
Si X ∼ G(α; 2).
a) Determine una estadı́stica suficiente para α. Use el Teorema de Factorización.

b) Obtenga, de ser posible, una función de la estadı́stica anterior que sea un estimador
consistente.
n
∂
P
c) Determine ∂α (E( Xj |T = 5), donde T es la estadı́stica hallada en a y X1 , . . . , Xn
j=1
es una muestra aleatoria de X.
Ejercicio 16
Si X ∼ G(2; β).
a) Determine una estadı́stica suficiente para β. Use el Teorema de Factorización.

b) Obtenga una función de la estadı́stica anterior que sea un estimador consistente.

n
∂
Xj2 |T = 5), donde T es la estadı́stica hallada en a y X1 , . . . , Xn
P
c) Determine ∂β
(E(
j=1
es una muestra aleatoria de X.

3
Ejercicio 17
Si X ∼ W (α; 2).

a) Determine una estadı́stica suficiente para α. Use el Teorema de Factorización.

n
∂
P
b) Determine ∂α
(E( Xj |T = 5), donde T es la estadı́stica hallada en a y X1 , . . . , Xn
j=1
es una muestra aleatoria de X.

Ejercicio 18
Si X ∼ W (2; β).

a) Determine una estadı́stica suficiente para β. Use el Teorema de Factorización.

b) Obtenga una función de la estadı́stica anterior que sea un estimador consistente.

n
∂
P
c) Determine ∂β
(E( Xj |T = 5), donde T es la estadı́stica hallada en a y X1 , . . . , Xn
j=1
es una muestra aleatoria de X.

Ejercicio 19
n
P
Sean X ∼ b(1; p) y T = Xj , con X1 , . . . , Xn una muestra aleatoria de X.
j=1

a) Use la función generadora de momentos para demostrar que T ∼ b(n; p). Luego
determine f T (t), t = 0, 1, . . .
b) Determine f el modelo condicional de X1 , . . . , Xn dado T = t. Concluya,
X1 , . . . , Xn |T = t
a partir de este, que T es una estadı́stica suficiente. Proceda como en un ejemplo de
clase.

c) Demuestre que T es una estadı́stica suficiente, a partir del Teorema de Factorización.

Ejercicio 20
n
P
Sean X ∼ g(p) y T = Xj , con X1 , . . . , Xn una muestra aleatoria de X.
j=1

a) Use la función generadora de momentos para demostrar que T ∼ P s(n; p). Luego
determine f T (t), t = 0, 1, . . .
b) Determine f el modelo condicional de X1 , . . . , Xn dado T = t. Concluya,
X1 , . . . , Xn |T = t
a partir de este, que T es una estadı́stica suficiente. Proceda como en un ejemplo de
clase.

c) Demuestre que T es una estadı́stica suficiente, a partir del Teorema de Factorización.

4
Ejercicio 21
n
P
Sean X ∼ b(m; p), m es conocido, y T = Xj , con X1 , . . . , Xn una muestra aleatoria de
j=1
X.

a) Use la función generadora de momentos para demostrar que T ∼ b(mn; p). Luego
determine f T (t), t = 0, 1, . . .

b) Determine f el modelo condicional de X1 , . . . , Xn dado T = t. Concluya,

X1 , . . . , Xn |T = t
a partir de este, que T es una estadı́stica suficiente. Proceda como en un ejemplo de
clase.

c) Demuestre que T es una estadı́stica suficiente, a partir del Teorema de Factorización.

Ejercicio 22
n
P
Sean X ∼ P s(r; p), r es conocido, y T = Xj , con X1 , . . . , Xn una muestra aleatoria de
j=1
X.

a) Use la función generadora de momentos para demostrar que T ∼ P s(rn; p). Luego
determine f T (t), t = 0, 1, . . .

b) Determine f el modelo condicional de X1 , . . . , Xn dado T = t. Concluya,

X1 , . . . , Xn |T = t
a partir de este, que T es una estadı́stica suficiente. Proceda como en un ejemplo de
clase.

c) Demuestre que T es una estadı́stica suficiente, a partir del Teorema de Factorización.

Ejercicio 23 (LFGN para muestras que no son idénticamente distribuidas)

Sea (Xn )n∈N+ una secuencia de variables aleatorias independientes con varianzas finitas, tal
∞
P V (Xn )
que n2
es finita y lı́m E(X̄n ) = µ; entonces, se cumple que lı́m X̄n = µ, c.s.
n=1 n→∞ n→∞
El modelo de regresión lineal simple sin intercepto (ejercicio 24), suponga además que
n n
x2j
P P
xj
j=1 j=1
lı́m n
= µX y lı́m n
= µX 2 ; demuestre que β̂ es consistente.
n→∞ n→∞
Sugerencia en la definición de β̂ divida por n, tanto al numerador como al denominador;
luego analice separadamente los lı́mites del numerador (aquı́ use la parte a) y denominador
(este último ha sido dado en las hipótesis).

Ejercicio 24 (Consistencia en la regresión lineal simple)

N
Para cada n ∈ + , sean 1 , . . . , n , variables aleatorias independientes con media cero y
varianza σ 2 , y x1 , . . . , xn , constantes conocidas, α y β, parámetros para estimar, e

Yj = α + βxj + j , con j = 1, . . . , n.
Como estimadores de los parámetros se proponen los siguientes:
n n
X X 1 xj − X̄
α̂ = aj Yj y β̂ = bj Yj , con aj = − bj X̄ y bj = P
n , j = 1, . . . , n.
n 2
j=1 j=1 (xi − X̄)
i=1
Como estimador de E(Yx ) = α + βx se propone a Ê(Yx ) = α̂ + β̂x.

5
 n n n n n n
b2j , a2j y
P P P P P P
a) Determine bj , bj x j , aj , aj bj .
j=1 j=1 j=1 j=1 j=1 j=1

b) Determine E(Yj ) y V (Yj ), j = 1, . . . , n.

c) Demuestre que β̂ es insesgado y determine su varianza. Emplee los resultados de la

parte anterior.

d) Demuestre que α̂ es insesgado y determine su varianza. Emplee los resultados de la

partes anteriores.

e) Determine la covarianza entre β̂ y α̂.

 n
X m
X  n X
X m
Recuerde que Cov a0 + ai U i , b 0 + bj W j = ai bj Cov(Ui , Wj ) .
i=1 j=1 i=1 j=1

f) Demuestre que Ê(Yx ) es insesgado y determine su varianza. Emplee los resultados de

la partes anteriores.

g) Exprese Ê(Yx ) como combinación lineal de las Yj y, a partir de esta expresión,

determine su esperanza y su varianza.

n
P
xj
j=1
h) Si lı́m n
= µX , demuestre que lı́m Ȳ = α + βµX , c.s.
n→∞ n→∞

Use la Ley Fuerte de los Grandes Números para variables que solamente son
independientes. Use la Ley Fuerte de los Grandes Números para variables que solamente
∞
1
P
son independientes. Vea el ejercicio 23. También recuerde que la serie p, np
, es
n=1
finita si, y sólo si, p > 1.

n n
x2j
P P
xj ∞
j=1 j=1
P x2n
i) Si lı́m n
= µX , lı́m n
= µX 2 y n2
es finita, demuestre que son
n→∞ n→∞ n=1
consistentes i1 ) β̂, i2 ) α̂, i3 ) Ê(Yx ).
n
P
x j Yj
j=1
n
− X̄ Ȳ
Observe que β̂ = n .
x2j
P
j=1
n
− X̄ 2

6
 Distribución de ejercicios para presentar
Ocampo Corrales Carlos Iván 1
Matos Galarza Héctor 2
Huayta Durand Mónica 3
Cortés Tejada Fernando 4
Gavidia Puclla Daniel 21
Plasencia Lapa Yuri 6
Zevallos Ruiz José 7, 24a-b
Córdova Proleón Richard 8, 22
Salcedo Zuarez Omar 9, 24e
Mariscal Cueto Vı́ctor 10
Rivera Solis Ángel 11
Hernandez Bello Diana 12-13
Andrade Chávez Francisco 14
Caro Ferreyra Katia 15
Quintos Choy Manuel 16
Visa Flores Rafael 17
Guevara Alvarado Anilda 18
Moreano Moran Juan 19
Baldeon Molleda Dante 20

J.F. San Miguel, setiembre de 2016.