Estadı́stica II TAREAS 2019-1

Unidad 1: PRUEBAS DE HIPÓTESIS

1.1) Del libro de Casella ejercicios: 8.1, 8.2, 8.5, 8.6, 8.7, 8.8, 8.12.

1.2) Considere una muestra aleatoria X1 , . . . , Xn proveniente de una distribución de probabilidad continua
uniforme sobre el intervalo abierto ]0, θ[ donde θ > 0 es una parámetro desconocido. Dados los
valores θ0 > 0, α, β ∈ ]0, 1[ y la hipótesis estadı́stica H0 : θ = θ0 demuestre que, aplicando el método
de cociente de verosimilitudes, la región de rechazo con P(Error Tipo I) ≤ α está dada por

RRα = {(x1 , . . . , xn ) ∈ X : x(n) ≥ θ0 o bien x(n) ≤ θ0 α1/n }

y que la región de aceptación con P(Error Tipo II) ≤ β está dada por

RAβ = {(x1 , . . . , xn ) ∈ X : θ0 (1 − β)1/n < x(n) < θ0 }

1.3) Considere una muestra aleatoria X1 , . . . , Xn proveniente de una distribución de probabilidad continua
uniforme sobre el intervalo abierto ]0, θ[ donde θ > 0 es una parámetro desconocido. Para la
hipótesis estadı́stica H0 : θ > 1 compare la prueba de hipótesis Υ1 de tamaño 0 < α < 1 que se
obtiene por cociente de verosimilitudes, esto es con región de rechazo

RR1 (α) = {(x1 , . . . , xn ) ∈ X : x(n) ≤ α1/n }

versus una prueba de hipótesis Υ2 de nivel 0 < α < 1 basada en una región de rechazo de la forma

RR2 (α) = {(x1 , . . . , xn ) ∈ X : x ≤ kα }

para un valor kα tal que la P(Error Tipo I) ≤ α y concluya si es posible o no decir que una de las
pruebas es uniformemente más potente que la otra.

1.4) Del libro de Casella ejercicios: 8.15, 8.19, 8.22 y 8.29.

1.5) Del libro de Casella ejercicios: 8.13, 8.17, 8.18, 8.23, 8.28, 8.29, 8.32, 8.33.

1.6) Del libro de Casella ejercicios: 8.37, 8.38, 8.41.

Unidad 2: ESTADÍSTICA BAYESIANA

2.0) De la Monografı́a de Estadı́stica Bayesiana (descargable de mi página de Google Sites) estudiar el

capı́tulo 1.

2.1) Terminar de verificar el desarrollo de las fórmulas del Ejemplo 1 de mis notas en PDF.

2.2) Estudiar a detalle secciones 3.1 y 3.2 de la monografı́a de Estadı́stica Bayesiana (descargable de mi
página de Google Sites).

2.3) De la Monografı́a de Estadı́stica Bayesiana (descargable de mi página de Google Sites) los seis
ejercicios de las páginas 26 a 28 (capı́tulo 2).

2.4) De la Monografı́a de Estadı́stica Bayesiana, del capı́tulo 3 los ejercicios 1, 3a y 3b.

2.5) De la Monografı́a de Estadı́stica Bayesiana, del capt́ulo 4 los ejercicios 1 (a, c y d) y 2.

2.6) De la Monografı́a de Estadı́stica Bayesiana, del capt́ulo 5 los ejercicios 1, 2 y 3.

2.7) Utilizando como distribución a priori una familia conjugada, obtenga estimaciones a posteriori pun-
tuales y por intervalo de longitud mı́nima para el parámetro desconocido θ de las siguientes distribu-
ciones de probabilidad:

a) Binomial (m, θ), con valor de m conocido, 0 < θ < 1.

b) Binomial Negativa (r, θ) con valor de r conocido, 0 < θ < 1.
c) Exponencial (θ), θ > 0.
d) Normal con media cero y varianza 1/θ, θ > 0.

2.6) Estimaciones predictivas a posteriori puntuales y por intervalo de longitud mı́nima para los incisos
c) y d) del ejercicio 2.5 anterior.

2.7) Mediante una función de utilidad trivial u(ai , Hj ) = 1{i = j} realice el siguiente contraste de hipótesis
a posteriori para una muestra aleatoria observada x = (0, 0, 0) proveniente de una distribución de
probabilidad Bernoulli con parámetro desconocido 0 < θ < 1 y distribución a priori uniforme sobre
el intervalo ]0, 1[:
1 1 2 2
H1 : θ < H2 : ≤ θ ≤ H3 : θ >
3 3 3 3

2.8) Considere una distribución de probabilidad continua uniforme sobre un intervalo abierto ]a, b[ donde
a < b son ambos parámetros desconocidos.

a) Deduzca una distribución de probabilidad conjunta a priori para el vector de parámetros de

(a, b) que sea familia conjugada para la distribución Uniforme(a, b).
b) A partir de a) obtenga las distribuciones marginales a priori para cada parámetro.
c) Obtenga la distribución de probabilidad conjunta a posteriori de (a, b) ası́ como sus marginales,
con éstas últimas obtenga estimaciones puntuales y por intervalo de longitud mı́nima para cada
parámetro.
d) Obtenga la distribución de probabilidad predictiva a posteriori y con ella estimación puntual y
por intervalo de longitud mı́nima para una observación futura.

Unidad 3: MODELOS DE REGRESIÓN SIMPLE

3.1) Del libro de Casella ejercicios 7.19, 7.20 y 7.21.

3.2) Obtenga las estimaciones de máxima verosimilitud para el modelo clásico (bajo normalidad) de
regresión lineal simple.

3.3) Sean A y B los estimadores de máxima verosimilitud de los parámetros α y β para el modelo clásico
(bajo normalidad) de regresión lineal simple. Aplicando la definición 4.5.10 y el ejercicio 4.22, ambos
del libro de Casella y Berger (2002), demuestre que:
 a) El vector aleatorio(A,
 B) tiene distribución de probabilidad conjunta Normal
 bivariada con
α d3 −d2
vector de medias y matriz de varianza-covarianza σ 2 y de donde A se
β −d 2 d1
distribuye Normal(α, σ 2 d3 ) y B se distribuye Normal(β, σ 2 d1 ), resultando A y B estimadores
insesgados.
b) limn→∞ V(A) = 0 = limn→∞ V(B).

3.4) Para un 0 < γ < 1 obtenga intervalos de confianza 100γ% para los parámetros α y β del modelo
clásico (bajo normalidad) de regresión lineal simple, ası́ como para una observación futura del mismo
(predicción).

3.5) Del libro de Casella ejercicio 11.35 incisos a) y b).

Unidad 4: CÓMPUTO ESTADÍSTICO

4.1.12) Descargar, analizar y ejecutar en R el script sobre Estadı́stica descriptiva lo correspondiente a los
subtemas 4.1.1 y 4.1.2:
https://sites.google.com/site/arturoerdely/statistics2/statistical-computing

4.1.34) Descargar, analizar y ejecutar en R el script sobre Estadı́stica descriptiva lo correspondiente a los
subtemas 4.1.3 y 4.1.4:
https://sites.google.com/site/arturoerdely/statistics2/statistical-computing

4.2) Descargar, analizar y ejecutar en R el script sobre Inferencia estadı́stica paramétrica lo corre-
spondiente al tema 4.2:
https://sites.google.com/site/arturoerdely/statistics2/statistical-computing

4.3) Descargar, analizar y ejecutar en R el script sobre Modelos de regresión simple lo correspondiente
al tema 4.3:
https://sites.google.com/site/arturoerdely/statistics2/statistical-computing

4.4) Descargar, analizar y ejecutar en R el script sobre Métodos Monte Carlo para inferencia es-
tadı́stica lo correspondiente al tema 4.4, solo lo concerniente al método ABC:
https://sites.google.com/site/arturoerdely/statistics2/statistical-computing