Guia 1 de Inferencia Estadistica

Profesor: Claudio Henriquez T.

5 de octubre de 2017

Algunas cosas de probabilidad

1. Considere X1 , ..Xn i.i.d con distribucion comun F . Suponga que existe 0 tal que:

lm x p1 F pxqq c
x0

c 0. Considere Xpnq maxi1..n Xi .

a) Pruebe que
lm n p1 F pn1{ xqq cx
n0

b) Pruebe que @x 0 P rn1{ Xpnq xs 1 ecx cuando n 8
c) Pruebe que @x 0 P rn1{ Xpnq 0s 0 cuando n 8
1
d ) Si X1 , ..Xn poseen densidad f pxq , x P R, encuentre tal que lm x p1 F pxqq c y encuentre la
p1 ` x2 q x0
distribucion lmite de n1{ Xpnq

2. Considere X1 , ..Xn i.i.d. exponenciales con parametero 0 (es decir su densidad comun es f pxq ex y Xpnq
v
max Xi . Muestre que Xpnq lnpnq{ D V , donde V es una variable aleatoria tal que P rV vs ee (Distribucion
i1..n
Gumbel).
3. Considere X1 , ..Xn i.i.d. no negativas con distribucion comun F y Xp1q mn Xi
i1..n

a) Suponga que F pxq{x c cuando x 0, pruebe que nXp1q converge en distribucion a una exponencial de parametro
c
b) Suponga que F pxq{x c cuando x 0, para algun 0. a Que distribucion converge nXp1q ?
4. La distribucion Hipergeometrica es usada comunmente para calcular probabilidades de exito en casos de muestreo sin
sustitucion. Esto sigue del siguiente contexto: de un total de N elementos hay M de ellos con cierta cualidad, por lo cual se
calcula la probabilidad de extraer x elementos con dicha cualidad en una muestra de r elementos con su funcion de masa
o cuantia esta dada por:
M N M
` `
x
f px; N, M, rq `Nrx

r

donde x maxt0, r`M N u, ..., mn M, r Usualmente si X tiene esa distribucion lo denotamos X HippN, M, rq. Suponga
que tenemos tXn , n P Nu tales que Xn Hippn, Mn , rn q. Nuestra idea es ver que si N es muy grande, la distribucion es
aproximadamente binomial, y eventualmente, Poisson.
a) Suponga que rn r 8 y Mn {n p, con p P r0, 1s, pruebe que Xn d X binpr, pq, es decir converge en
distribucion a una binomial con parametros r y p
b) Si rn diverge y rn Mn {n , entonces Xn D poissonpq, es decir converge en distribucion a una Poisson con
parametro

5. Considere X1 , ..Xn i.i.d. con densidad comun f pxq x`1 , x 1 (Conocida como distribucion Pareto)
a) Pruebe que ln Xi sigue una exponencial para todo i 1..n
n
b) Definamos Gn p Xi q1{n , la media geometrica de los Xi . Pruebe que Gn p e1{
i1

1
Modelos Estadisticos
Recordemos que un modelo estadistico P es una familia de medidas de probabilidad dadas por P tP , P u, donde
es llamado espacio parametrico. Asi, los datos X pX1 , ..Xn q se dicen que provienen de un modelo estadistico si su medida de
probabilidad inducida PX P P

1. Consideremos el siguiente problema: Medir la estatura de n pacientes y suponer que las estaturas son normales, e indepen-
dientes entre pacientes, desconociendo su media y varianza. Describa el modelo estadistico asociado a estos datos, indicando
el espacio parametrico y si el modelo es parametrico.
2. Se tira un dado cargado n veces. Describa el modelo estadistico asociado indicando el espacio parametrico si se considera
que:
No hay restricciones para las probabilidades de los numeros del dado
Si se asume que la probabilidad de que el 1 salga es el doble de la probabilidad de que salga 2
El dado es justo (misma probabilidad)
El dado esta cargado al 3, mientras que el resto posee una misma probabilidad de salir
la probabilidad es mayor cuando el numero es mas grande.
3. Suponga datos Xk iid exppq. Describa el modelo estadistico para X pX1 , ...Xn qy verifique que es identificable.
4. El modelo lineal con errores normales sugiere que los datos independientes Yk siguen una distribucion normal 0 ` 1 xi y
varianza 2 0, donde xi , i 1..n son covariables o tambien llamados, variables explicativas. Describa el modelo asociado
a Y pY1 , ...Yn q. Cuando el modelo es identificable?
5. El modelo descrito anteriormente puede agrandarse si agregamos una segunda variable explicativa zi , de esta forma la
media esta dada por 0 ` 1 xi ` 2 zi . Pruebe que el modelo estadistico asociado es identificable ssi los vectores p1, 1, ..,1q,
px1 , ...xn q y pz1 , ..Zn q son linealmente independientes.

Principio de reduccion de datos

1. Considere X1 , X2 , ...Xn F p q. Es decir, una familia de funciones de distribucion por traslacion generada a partir de
una funcion F de distribucion. Sea R Xpnq Xp1q el rango de los datos. Pruebe que R es un estadstico ancilar. (Hint:
Defina Zk Xk , argumente por que Zk no depende de y pruebe que el rango es invariante ante traslaciones)
2. Considere el mismo modelo anterior y pruebe que S M X es ancilar, donde M es la mediana muestral y X es
el promedio muestral. (Hint: Use la misma idea anterior. La mediana esta definida por M Xpn`1q{2 si n es impar y
M 12 pXpn{2q ` Xpn{2`1q q si n es par)
3. Sean X1 , X2 , ...Xn provenientes de una uniforme U r0, s, con 0. Argumente por que Xpnq , el maximo, tiene mas
informacion relevante para que el minimo Xp1q . Que sucede cuando n aumenta?
4. Suponga que X1 , X2 , ...Xn son iid provenientes de una distribcuion cuya densidad esta dada por
f px, 1 , 2 q ap1 , 2 qhpxq1r1 ,2 s pxq. Considere X pX1 , ...Xn q
a) Suponga h integrable. Encuentre ap1 , 2 q tal que f sea, en efecto, funcion de densidad. Defina el modelo estadistico
asociado.
b) Con a definido anteriormente, muestre que T pXq pXp1q , Xpnq q es un estadistico suficiente para p1 , 2 q.

5. Suponga X1 , ...Xn independientes tales que la densidad de Xk esta dada por fk px, q ekx 1rk,8r pxq. Encuentre un
estadistico suficiente para .
6. Suponga X1 , ...Xn i.i.d tales que la densidad de cada Xk esta dada por f px, q epxq{ 1r,8r pxq. p, q R R` .
Encuentre un estadistico suficiente bivariado para p, q.
7. Suponga X 1 , ...X n i.i.d, donde X i pXi , Yi , Zi qt P R3 son vectores aleatorios con distribucion uniforme en el cubo
1
C r1 , 2 s r3 , 4 s r5 , 6 s. (Es decir su funcion de densidad es f pxq 1C pxq, x P R3 , con
V pCq
V pCq p2 1 qp4 4 qp6 5 q) y los k se asumen diferentes entre si. Encuentre un estadistico suficiente de 6 dimensiones
para p1 , 2 , 3 , 4 , 5 , 6 q. Cual es el espacio parametrico asociado?
8. Suponga que X pX1 , X2 , ...Xn q son los datos y Xk son iid con una distribucion f px, 1 , 2 q, con p1 , 2 q 1 2
el espacio parametrico asociado. Suponga T1 , T2 estadisticos con la condicion de que conocido 2 ,T1 es suficiente para 1 y
conocido 1 , T2 es suficiente para . Muestre que T pT1 , T2 q es suficiente para p1 , 2 q si T1 y T2 no dependen de 2
y 1 respectivamente. (Hint: Factorizacion)

2
 9. Suponga que X pX1 , X2 , ...Xn q es el vector de datos tales que Xk son iid con densidad comun f px, q Encuentre
estadisticos suficientes minimales para los siguientes casos:
1 1 pxq2
a) f px, q ? e 2 p 2
q
, x P R, p, 2 q P R R2 desconocidos (Modelo Normal)
2 2
b) f px, q ex 1r,8r pxq, P R (Exponencial trasladada)
1 |x|
c) f px, q e ,, P R (Laplace trasladada. Hint: Conviene construir un conjunto de ndices Ix pq ti, Xi qu.)
2
10. Suponga X pX1 , X2 , ...Xn q es el vector de datos tales que Xk son iid provenientes de una distribucion uniforme en
r, ` 1s, P R. Encuentre un estadistico suficiente minimal.

11. Consideremos el siguiente problema. Supongamos que lanzamos una moneda cargada, sin embargo, no sabemos la cantidad
de tiros efectuados. En este sentido, la cantidad de tiros puede considerarse como un dato, ergo, una variable aleatoria mas.
El modelo consiste entonces en lo siguiente. Sea N , la variable aleatoria que representa el numero de tiradas en el ensayo,
cuya ley de probabilidad es P rN ns pn , n P N, y nPN pn 1. Supongamos que conociendo N (es decir dado N n)
se cuenta el numero de caras, obteniendose T , y obtenemos variables aleatorias iid (dado N ) Xk , tales que Xk Berpq y
los datos son entonces pX, N q pX1 , ...XN , N q.
a) Pruebe que, dado N , T |N n (Lease T dado N n) es una binomial de parametros .y n.
b) Muestre que N es ancilar para , pero sin embargo pT, N q es un estadistico suficiente minimal. La moraleja de la
historia, es que un estadistico ancilar puede ayudar a que un estadistico sea suficiente minimal (Hint, recordar que
P rX x, N ns P rX x|N nsP rN ns)
n
12. Sea Xk P oissonpq iid, X pX1 , ..Xn q y T k1 Xk . Pruebe que T es un estadstico suficiente. Pruebe ademas que
T es completo por definicion (sin usar el hecho que es de familia exponencial).
2x
13. COnsidere X pX1 , X2 , ...Xn q, donde Xk son iid provenientes de una distribucion cuya densidad es f pxq 2 1r0,s pxq.

Encuentre un estadstico suficiente y verifique que sea completo.

14. Considere X pX1 , X2 , ...Xn q, donde Xk son iid provenientes de una distribucion cuya densidad es f pxq 1 .
p1 ` xq1` r0,8rpxq
Encuentre un estadistico suficiente y completo.
pxq
15. Considere X pX1 , X2 , ...Xn q, donde Xk son iid provenientes de una distribucion cuya densidad es f pxq epxqe .
Muestre que el estadistico formado por los estadsticos de orden T pXq pXp1q , Xp2q , ..., Xpnq q son suficientes minimales,
pero no es completo (Hint: usar ej.1 de reduccion de datos).

16. Considere X pX1 , X2 , ...Xn q iid provenientes de una distribucion cuya densidad es f px, q epxq 1r , 8rpxq. Pruebe
n
1
que T pxq Xp1q Es ademas, de suficiente y minimal, completo. Deduzca que Xp1q y S 2 pXq pXi Xq2 son
n 1 k1
independientes (Hint: Basu y usar misma logica del problema 1 para la ancilaridad).
17. Sean X pX1 , X2 , ...Xn q con Xk N p, 2 q, i.i.d. y 2 conocido. Pruebe que T pXq X Es suficiente minimal completo
para e independiente de S 2 .

18. Considerando el ejercicio anterior, y la mediana M de los Xi (Ver ej. 2) Pruebe que:

2
V rM s V rM Xs `
n
(Hint, use el ej.2 de esta parte y la logica del ejercicio anterior)

19. Considere ahora X 1 , ...X n i.i.d, donde X i pXi , Yi qt P R2 y Xk , Yk 0. Suponga que poseen densidad: f px, y; q
exppx ` y{q, con 0.
a) Pruebe que Xi K Yi , donde Xi exppq e Yi expp1{q.
n
n

b) Pruebe que pT, U q p Xk , Yk q Es un estadistico suficiente y minimal para 0, y que ademas T K U .
k1 k1
c) Pruebe que sin embargo pT, U q no es completo (Hint, note que ErhpT qgpU qs ErhpT qsErgpU qs de lo anterior).

20. Sea X pX1 , X2 , ...Xn q con Xk iid con densidad f px, q x1 1r0,1s pxq, 0. Es de familia exponencial?. Encuentre
un estadistico suficiente minimal y completo y determine su distribucion.

3
 2
21. sea X pX1 , X2 , ...Xn q donde Xk iid con densidad f px, q 2xex 1r0,8s pxq, 0. Encuentre un estadstico suficiente
minimal y completo para y calcule su esperanza. Construya un estimador insesgado de utilizando dicho estadistico.
22. Considere el ejercicio 4 de la seccion de modelos estadsticos. Encuentre un estadistico suficiente minimal y completo para
0 , 1 , 2 .
23. (Familias de localizacion y escala). En Estadistca es posible generar a partir de una densidad modelos estadsticos de
localizacion y escala. En este sentido la familia estara dada por P tf px, q 1 f p 1 px qq, p, q P R R` u donde
f es una densidad libre de parametros y p, q son los parametros de localizacion y escala respectivamente. La idea es
hacer algun tipo de inferencia para p, q.

a) Suponga que X posee una densidad 1 f p pxq

q. Pruebe que X posee dicha densidad si y solo si, existe una variable
aleatoria Z tal que posee densidad f pzq tal que X Z ` . (Considere el teorema de transformacion)
b) Consideremos X pX1 , X2 , ...Xn q donde Xk son iid con densidad perteneciente a la familia de localizacion y escala.
Encuentre de ser posible un estadistico suficiente y minimal para p, q.
c) Suponga 1. Sea T pXq una funcion invariante ante traslaciones, es decir T pX ` cq T pXq para todo c. Muestre
que si X pX1 , X2 , ...Xn q, donde Xi es de la familia dicha previamente, T pXq es ancilar
d ) Suponga 0. Sea T pXq una funcion invariante ante escalamiento, es decir T pcXq T pXq para todo c. Muestre
que si X pX1 , X2 , ...Xn q, donde Xi es de la familia dicha previamente, T pXq es ancilar
e) Deduzca de los items anteriores que en el caso general, si se tiene T pXq invariante ante efectos de localizacion y escala,
es decir,T pcx ` dq T pxq para todo c, d, entonces el estadistico es ancilar
f ) Use el item anterior para deducir que si tenemos dos estadisticos T pXq y U pXq tales que T paX ` bq aT pXq y
U paX ` bq aU pXq entonces T {U es un estadstico ancilar
g) Use los items anteriores para deducir que R{S donde R es el rango y S la desviacion estandar muestral en este caso
es ancilar.
24. Este ejercicio muestra la importancia de los estadisticos suficientes dentro del contexto de los estimadores insesgados. Sea
X pX1 , X2 , ...Xn q el vector de datos cuya distribucion es f px, q. Un estadistico U se dice insesgado si y solo si ErU s .
Consideremos S un estadistico suficiente y T un estadistico suficiente minimal. Sea U un estadistico insesgado y definamos
US ErU |Ss y UT ErU |T s, Estadsticos definidos por medio de la esperanza condicional (Entenderse que ErU |T s
significa ErU |pT qs, donde pT q es la algebra engendrada por T (La informacion que entrega T))
a) Pruebe que tanto US como UT son estadsticos insesgados.
b) Pruebe que se tiene UT ErUS |T s. (Hint:Recordar la definicion formal de minimalidad y relacionelo con las
algebras engendradas)
c) Pruebe que V rUT s V rUS s. (Recordar que se tiene V rXs ErV rX|Y ss ` V rErX|Y ss)