Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
CAPITULO 2 ESTIMACION
62
p!2 =
.
p!1 = X,
2
CAPITULO 3
POR REGIONES DE CONFIANZA
ESTIMACION
3.1.
PIVOTE
METODO
DE LA FUNCION
n N , 2 (X; ) = Xn N (0, 1)
X
63
64
es una funci
on pivote para .
PIVOTE
3.1 METODO
DE LA FUNCION
De esta u
ltima ecuacion, uno puede obtener que
Sea Y =
dx
dy
x > 0.
= > 0,
1 y
e = ey ; y > 0,
X
exponencial de media 1;
Y = (X, ) =
fY (y|) =
=
=
fT (t|) =
t > 0, > 0.
Sea
1
T,
i.e., Y =
2
T,
dt
2 y, dy
t=
fY (y|) =
=
1
(n)n
1 n
2
(n)
n1
y n1 e 2 ;
e 2
;
2
y > 0,
y > 0,
0,08
IC(; 95 %) : 2,06 1,96
8
: 2,06 0,055
2
2
Xi Gamma n; 12 = 22n .
T =
i=1
Nota: U 2 si U Gamma
As (X; ) =
n
i=1 Xi
1
2; 2
es una funci
on pivote para el par
ametro .
Dada la funci
on pivote (X; ), 0 < < 1 (peque
no) es posible encontrar a y b de
manera que
Pr((X; ) a) = , Pr((X; ) b) = ,
2
2
Pr(a < (X; ) < b) = 1 .
N (0, 1).
n z1 ,
IC(; 1 ) : X
2
n
Y = (X; ) =
2,
y
2
n
X
X
< z1 = 1
Pr z1 2 <
2
/ n
n + z1 = 1 ,
n z1 < < X
Pr X
2
2
n
n
65
66
3.1.1.
Interpretaci
on Frecuentista
PIVOTE
3.1 METODO
DE LA FUNCION
67
2
Xi Gamma n; 12 = 22n
(X; ) =
ICa ( ; 1 ) : !n
i=1
1
!
nI()
z1 2
!
g ()
z1 2
ICa (g() ; 1 ) : g(!n ) '
!
nI()
es una funci
on pivote para .
Es posible encontrar los valores 22n; y 22n;1 en la tabla 22n ,
( 2)
(
2)
fY (y) =
( 12 ) 2 1 y
y 2 e 2 , y > 0, = 2n
( 2 )
= 1
Pr 2(2n; ) < Y < 2(2n;1 )
2
2
n
2 ni=1 Xi
2 ni=1 Xi
2
2
2
Pr (2n; ) <
<<
= Pr
Xi < (2n;1 )
22n;1
22n;
2
2
i=1
(
( 2)
2)
= Pr(A(X) < < B(X))
N
umero de 1
,
n
IC(p ; 90 %) : 0,07
1
p(1p) ,
I(!
p) =
0,07(0,93)
1,645.
100
Sentencias en R:
= 1 ,
luego,
IC(; 1 ) :
n
2nX
22n;1
(
2)
n
2nX
22n;
( 2)
> ici<-0.07-qnorm(0.95)*sqrt(0.07*(1-0.07)/100)
> ics<-0.07+qnorm(0.95)*sqrt(0.07*(1-0.07)/100)
> ic<-round(c(ici,ics),3)
> ic
[1] 0.028 0.112
b) La varianza de la poblaci
on es Var(X) = p(1 p) = g(p).
g(p) = p p2 1 2p = g (p),
1 2!
p
p) '
z1 2 ,
ICa (g(p) ; 1 ) : g(!
n
p!(1!
p)
n.
donde p! = X
1
p!(1!
p) ,
z0,95 = 1,645
68
3.1.2.
Caso Asint
otico
:
ICa ( ; 1 ) : !M V z1 2
1
nI(!M V )
|g (!M V )|
.
ICa (g() ; 1 ) : g(!M V ) z1 2 '
nI(!M V )
Esto se obtiene de
g(!M V ) N
a
g();
(g ())2
nI()
.
Pr z 2 <
!n
n < z 2 |
69
> alpha<-0.05
> d<-qnorm(1-alpha/2)*sqrt(0.7*(1-0.7)/100)
> ici<-0.7-d
> ics<-0.7+d
> ic<-round(c(ici,ics),2)
> ic
[1] 0.61 0.79
Ejemplo 3.5. Sea X = (X1 , . . . , Xn ) una m.a. de f (x|) = ex , x > 0, > 0. El EMV
as que n () = n , lo que permite escribir
de es ! = X1 . Se tiene adem
PIVOTE
3.1 METODO
DE LA FUNCION
1
3.1.3.
on N (, 2 ).
Situacion de una m.a. X = (X1 , . . . , Xn ) proveniente de una poblaci
Ya vimos que si 2 es conocida, entonces el intervalo de 100(1 ) % de conanza para
es
n z1 .
IC( ; 1 ) : X
2
n
Esta expresi
on se puede invertir obteniendo un intervalo de grado de conanza 1 para
,
n1
n1
X
X
.
IC(; 1 )
z/2 ;
z/2
1 + n 1 n
3.1.4.
p: proporci
on poblacional, E(X) = p, Var(X) = p(1 p) = p p2 .
;
ICa (p ; 1 ) : p! z1 2
p!(1 p!)
.
n
Suponga que n = 100 hogares, 70 de ellos asistan a un cierto programa de TV. En este
caso, el intervalo para p, proporci
on de hogares (TV encendidos) que asisten al programa
;
ICa (p ; 95 %) : 0,7 1,96
: 0,7 0,089,
0,7 0,3
100
Acerca de la distribuci
on Chi-cuadrado
Zi2 2 .
i=1
1
1
Zi y
(Zi Z )2 = Varianza;
Z =
1
i=1
i=1
2 son independientes, media muestral independiente de
i=1 Zi y
i=1 (Zi Z )
varianza muestral.
70
iii) Y =
i=1 (Zi
Z )2 21 .
PIVOTE
3.1 METODO
DE LA FUNCION
iii)
(n1) 2
S
2
71
2n1 .
En particular,
Demostraci
on.
1
1
2; 2
=
Gamma
y son iid, luego
i) Note que
seg
un la tecnica de la Funci
on Generadora de Momentos.
Zi2
21
2
i=1 Zi
2 ,
que se prueba
(n 1)
E(S 2 ) = n 1 E(S 2 ) = 2 ,
2
2
i.e., S es un estimador insesgado de 2 ,
2 4
(n 1)2
Var(S 2 ) = 2(n 1) Var(S 2 ) =
.
4
n1
Se propone al lector (estudiante) vericar,
a) S 2 es eciente para 2 ?
b) S 2 es consistente? Si, E(S 2 ) = 2 y Var(S 2 ) 0 cuando n +.
iii)
i=1
i=1
(Zi Z )2 =
Zi2 2Z
Zi + Z2 =
i=1
Zi2 Z2
i=1
2
(Zi Z )2 +
=
Zi2
1/
i=1
i=1
21 + 21 = 2 .
2a
Xi
N (0, 1),
(n 1)S 2 (n 1)S 2
.
IC( ; 1 ) :
;
2(n1;1 )
2(n1; )
2
2a + 2b 2a+b .
Sea 2 = Gamma
1
2; 2
, Y 2 ,
fY (y) =
( 12 ) 2 y 2 1 1 y
e 2 , y > 0.
( 2 )
Xi
, i = 1, . . . , n
reemplazando,
n
n
n
n 2
Xi X
1
n )2 = (n 1) S 2 .
(Zi Zn )2 =
= 2
(Xi X
2
i=1
Pues, Xi N (, 2 ) Zi =
2
2b
luego Zn =
=
1
<
Pr 2(n1; ) <
(n1;1 2 )
2
2
i=1
i=1
72
3.1.5.
Distribuci
on t de Student
( +1
)
2
+1
t2
2
1+
, t R.
Notaci
on: T t . Ademas, E(T ) = 0 y Var(T ) =
2 ,
> 2.
'Z
t .
PIVOTE
3.1 METODO
DE LA FUNCION
3.1.6.
i=1
i=1
As,
n t(n1;1 ) S .
IC( ; 1 ) : X
2
n
Situaci
on donde se dispone de dos muestras normales independientes
Sean
n , S12 ,
X = (X1 , . . . , Xn ) m.a. N (1 , 12 ) X
1
n )2 .
n = 1
Xi y S 2 =
(Xi X
X
n
n1
n
73
Caso 12 , 22 conocidos
<
2
n N 1 , 1 <<
X
n
<
2
n Ym N 1 2 , 1 +
<X
n
<<
2
Ym N 2 , m2 <
Si n es grande,
n z1 S .
ICa ( ; 1 ) : X
2
n
Luego,
22
m
12 22
+ .
n
m
Toma de decision: Si el cero esta contenido en el intervalo, uno pensara que 1 = 2 con
una conanza de 1 .
Caso 12 = 22 = 2 desconocidos
n Ym z1
IC(1 2 ; 1 ) : X
2
n Ym (1 2 )
X
'
N (0, 1).
1
2 n1 + m
74
<
< (n 1)S1 + (m 1)S2 2n+m2 .
<
2
2
<
2
(m 1)S2
2m1 <<
2
Sea
Sp2 =
(n
+ (m
n+m2
1)S12
1)S22
' Z
Y
n+m2
(n + m 2)Sp2
2n+m2 .
2
tn+m2 , i.e.,
T =
n Ym (1 2 )
X
'
tn+m2 ,
1
Sp n1 + m
luego
1
1
+ .
n m
Si el cero esta contenido en el intervalo, uno puede pensar que 1 = 2 con una conanza
de 100(1 ) %.
n Ym t(n+m2;1 ) Sp
IC(1 2 ; 1 ) : X
2
1
1
+ .
n m
Ejemplo 3.9.
= 71, S 2 = 395, n = 5.
Filial 1. X
1
Filial 2. Y = 62, S22 = 400, m = 7.
Se quiere saber si ambas liales tienen el mismo nivel de ingreso.
Sean X : ingreso lial 1 N (1 , 2 ) e Y : ingreso lial 2 N (2 , 2 ).
Calculamos IC(1 2 ; 95 %).
n + m 2 = 10 t(10;0,975) = 2,228,
Sp2
4S 2 + 6S22
= 1
= 398, Sp = 19,94,
10
75
luego,
1 1
+ .
5 7
El cero est
a contenido, 1 = 2 , las liales tienen el mismo ingreso con una conanza del
95 %.
IC(1 2 ; 95 %) : 71 62 2,228 19,94
Sentencias en R:
> alpha<-0.05
> n<-5
> m<-7
> s2p<-((n-1)*395+(m-1)*400)/(n+m-2)
> sp<-sqrt(s2p)
> sp
[1] 19.94994
> t<-qt(1-alpha/2,n+m-2)
> round(t,3)
[1] 2.228
> ici<-71-62-t*sp*sqrt(1/n+1/m)
> ics<-71-62+t*sp*sqrt(1/n+1/m)
> ic<-round(c(ici,ics),3)
> ic
[1] -17.028 35.028
3.1.7.
PIVOTE
3.1 METODO
DE LA FUNCION
Vericaci
on de la igualdad 12 = 22
1
W
F (2 , 1 ).
Demostraci
on. Dena R =
1
W
ii) T t T 2 F (1, ).
Demostraci
on. Cambio de variable.
76
iii) Sean
U 21
V 22
PIVOTE
3.1 METODO
DE LA FUNCION
77
A t(15;0,975) SA .
a) IC(A ; 95 %) : X
na
<
<
U/1
<
F (1 , 2 ).
<W =
<
V /2
Demostraci
on. Cambio de variable.
iv) Consecuencia de iii),
n , S12 ),
X = (X1 , . . . , Xn ) m.a. N (1 , 12 ) (X
= (Y1 , . . . , Ym ) m.a. N (2 , 22 ) (Ym , S22 ).
<
<
(n 1)S12
2n1 <<
U=
2
1
<
U/(n 1)
<
F (n 1, m 1).
<W =
<
V /(m 1)
2
<
(m 1)S2
2
<
V =
m1 <
22
Y
99
IC(A ; 95 %) : 50 2,131
16
96
IC(B ; 95 %) : 60 2,064
25
2
2
A
SA
1
1
b) Calculemos IC
.
; 90 % : 2
;
2
B
SB f(15,24;0,95) f(15,24;0,95)
La tabla no entrega directamente f(15,24);0,05 ,
1
1
= 0,05
Pr
<
F (15, 24)
f(15,24;0,05)
1
1
Pr
= 0,05
>
F (15, 24)
f(15,24;0,05)
Pr(F (15, 24) > f(15,24;0,05) ) = 0,05
Esto es
S12 /12
F (n 1, m 1).
S22 /22
S 2 2 1
F (n 1, m 1) es una funci
on pivote
Por lo tanto, W = (X, Y ) = S12 12
2
2
2
2
IC
12
; 1
22
:
S12
S22
1
f(n1,m1;1 2 )
1
f(n1,m1; 2 )
.
Si el uno esta contenido en este intervalo, uno puede pensar que 12 = 22 con una
conanza 1 .
En caso contrario, 12 = 22 ; esta situacion se trata mas adelante.
IC
2
A
99
1
; 0,90
:
; 2,29
2
96 2,11
B
: (0,48 ; 2,36).
2 = 2 con un 90 % de conanza.
El uno est
a contenido en el intervalo, luego A
B
Sentencias en R:
> alpha<-0.10
> n<-16
> m<-25
> f1<-qf(1-alpha/2,n-1,m-1)
> f2<-qf(alpha/2,n-1,m-1)
> round(f1,3)
[1] 2.108
> round(f2,3)
[1] 0.437
> ici<-99/96*1/f1
> ics<-99/96*1/f2
> ic<-round(c(ici,ics),3)
> ic
[1] 0.489 2.359
F
ormula general
f(2 ,1 );1 2 =
1
.
f(1 ,2 ; 2 )
78
;
A X
B t(n +n 2;0,975) Sp
c) IC(A B ; 95 %) : X
A
B
Sp2 =
1
1
+
.
nA nB
2 + (n 1)S 2
(nA 1)SA
1
B
B
= (15 99 + 24 96) = 97,15,
na + nB 2
39
=
Sp = 97,15 = 9,85
;
IC(A B ; 95 %) : 50 60 2,023 9,85
1
1
+
16 25
: (16,38 ; 3,62).
T =
12
donde
=
S1
n
2
S2
m
S12
S22
n + m
2 2
n1
2
m1
x1 ,
ey dy = 1 ea = 1 = ea a = log 1 2
2
2
0
Pr(Y > b) = 2 .
+
ey dy = eb =
b = log 2 .
2
Ahora,
Pr
log(1 2 ) log 2
,
.
log X
log X
b) Sea Y = ( log X)1 , IC(; ) : Y2 ; Y Pr( Y2 < < Y ) = .
1
1
Pr
<<
=
2 log X
log X
1
< log X < 1
=
Pr
2
IC(; 1 ) :
1/2
e d = e 2 e1 = 0,238,
23.8 % de conanza.
C
alculo de IC(; 1 ). Se debe calcular a y b tales que
22 .
n Ym (1 2 ) a
X
'
t ,
S12
S22
n + m
79
luego Y exp(1).
PIVOTE
3.1 METODO
DE LA FUNCION
y
1 y
dx
Y
x = e ,
= e ,
dy
< <
< dx <
fY (y) = fX (X(y)) << << , y > 0
dy
y 1 1 y
e , y > 0
= e
y
= e , y > 0,
= 800
Ejemplo 3.12. Sea X: tiempo de vida, X N (, 2 ), = 100 horas, n = 400, X
horas.
n 1,96 .
a) IC(; 95 %) : X
n
b) IC(; 1 ) : 800 8,3, encontrar .
8,3 n
8,3 20
8,3
=
=
= 1,66.
z = 8,3 z =
100
5
n
z1 2 = 1,66 1
= 0,9515 = 0,097.
2
80
PIVOTE
3.1 METODO
DE LA FUNCION
81
z
(1,96 100)
z = 8,0 n =
n=
= 24,5 n = 600,25 601.
8,0
8,0
n
1
n
(X1 , . . . , Xn ) m.a. N (1 , 2 ),
(Y1 , . . . , Ym ) m.a. N (2 , 2 2 ).
Se sospecha que 1 = 22 . Idea, construir un IC(1 22 ; 1 ).
a) 2 conocido.
n N 1 , 2
X
n
2
2Ym N 22 , 42
m
n 2Ym (1 22 )
X
'
N (0, 1),
2
8 2
n + m
;
2
2
n 2Ym z1 + 8
IC(1 22 ; 1 ) : X
2
n
m
1,64
0,01
1,64 2
= 1,64 n =
= 328.
0,01
0,01
/ n
t(8;0,95) S .
c) IC(; 90 %) : X
n
Ejemplo 3.14. Sea (X1 , . . . , Xn ) m.a. f (x|) = e(x) , x . T = mn(Xi ).
Pr(T > t) =
n
i=1
d
fT (t) =
Pr(T > t) = n(1 FX (t))n1 (fX (t)),
dt
0,
0,
t<
t<
,
fT (t) =
FX (t) =
1 e(t) , t
nen(t) , t
Y = (X; ) = T exp(n),
0,
fY (y) =
neny ,
fY (y)dy =
0
b
b) 2 desconocido.
neny dy =
y<0
y0
1
1 ena = log 1 2 = a
2
2
n
1
fY (y)dy = enb = log 2 = b.
2
2
n
(n1)S12
2
2n1
(m1)S22
2 2
2m1 ,
(n 1)S12 + (m 1)S22 /2
2n+m2
2
donde Sp2 =
(n + m 2)Sp2
2n+m2
2
(n1)S12 +(m1)S22 /2
,
n+m2
n 2Ym (1 22 )
X
'
tn+m2
8
Sp n1 + m
;
n 2Ym t(n+m2;1 ) Sp
IC(1 22 ; 1 ) : X
2
1
8
+
n m
82
3.2.
83
REGIONES DE CREDIBILIDAD
f (x|)()
f (x|)(), ,
f (x)
donde
f (x) =
MONO
f (x|)()d, x X.
Denici
on 3.2.1. Una region de credibilidad de nivel 1 para , es un subconjunto
RC( ; 1 ) del espacio de parametros tal que
2 = 2 + n 2 ,
1
1 =
Note que si anotamos RC1 = RC( ; 1 ), entonces RC1 debe cumplir que
RC1
Pr( RC1 |X = x) =
(|X = x) 1 ,
si |X = x es discreta.
RC1
RC1 : 1 a,
donde a se calcula de la ecuaci
on
Pr( RC1 |X = x) = Pr(1 a < < 1 + a|X = x) = 1 ,
m
as
a
1
a <<
<
< <X = 1
1
1
1
a
a
= 1 ,
<Z<
= Pr
1
1
Gr
acamente,
MONOS (6)
+ n 2 x
).
1
( 2
12
a
1
= z1 2 , con lo que a = 1 z1 2 .
As, la regi
on de credibilidad de nivel 1 de mdp para es
Denici
on 3.2.2. Se dice que RC1 es una region de maxima densidad a posteriori
(mdp) de nivel 1 para si
RC1 : 1 1 z1 2 .
ii)
1
/ RC1
2 RC1
<
<
<
< (2 |x) (1 |x).
<
z1 .,
RC1 : X
2
n
f
ormula coincidente con el IC( ; 1 ) cuando 2 es conocida.
84
3.3 EJERCICIOS
3.3.
85
EJERCICIOS
fX (x|) = fY (x ),
donde Y exp(1), i.e., fY (y) =
ey ,
|X = 0 Beta(1, 14),
(|X = 0) = 14(1 )13 , 0 < < 1
0
a
(|X = 0)d = 1
14(1 )13 d = 1
0
<
a
(1 )14 <0 = 1 1 (1 a)14 = 1
(1 a)14 = a = 1 14 .
f (x|)
Xi n
1 2 <<
X
= 1
Pr 2 < 2( + n) <
2
2
2
2
1 <
2
2
<X
Pr
<<
= 1 .
2( + n)
2( + n)
2
2
x R,
z
1 e 2
2
1 x
fZ
,
. Esto es Z =
N (0, 1).
fX (x| 2 ) =
, > 0,
e 22 x ;
: par
ametro de escala, pues
1
2 2
21
2
2( + n) 2( + n)
.
3.3. Determine a partir de una m.a. de f (x|) = 3x2 3 , x > , > 0 un intervalo de
grado de conanza 1 para .
3.5. Una maquina produce piezas metalicas de forma cilndrica. Se toma una muestra de
piezas cuyos diametros son (en centmetros),
1,01 ; 0,97 ; 1,03 ; 1,04 ; 0,99 ; 0,98 ; 0,99 ; 1,01 ; 1,03.
Suponga que el di
ametro de estas piezas distribuye normal. Encuentre un intervalo de
grado de conanza 95 % para el di
ametro medio de las piezas.
86
3.6. Un ingeniero hace pruebas con la resistencia a la compresion del concreto. Para ello
examina 12 especmenes y obtiene los siguientes resultados,
2216 , 2237 , 2249 , 2204 , 2225 , 2301 , 2281 , 2263 , 2318 , 2255 , 2275 , 2295.
3.3 EJERCICIOS
87
3.7. Un ingeniero asegura que el tiempo que tarda un operario en realizar una labor
especca tiene una desviacion tpica de 0.9338 minutos con una media de 6 minutos.
Para poder raticar su armaci
on decide realizar un estudio de tiempo en el cual
analiza a 7 operarios y obtiene los siguientes tiempos en minutos,
8,5 ; 7,5 ; 6,0 ; 6,8 ; 7,3 ; 6,6 ; 8,0.
Luego de realizar el estudio de tiempo, utilizando un intervalo de grado de conanza 90 %,
a) Estara a
un convencido el ingeniero de que la labor en estudio tiene una desviaci
on
tpica de 0.9338?
b) Que conclusion obtiene si no dispone del valor de la desviaci
on tpica y desea vericar si efectivamente el tiempo promedio es 6 minutos?
c) Bajo el supuesto que el tiempo distribuye normal con media 6 y desviaci
on tpica
0.9338 y que se toma una muestra aletoria de 36 tiempos, cual es la probabilidad
de que la media de esta muestra sea superior a 6.03 minutos y que la varianza de la
muestra sea inferior a 1.24 minutos?
3.12.
(a) Demuestre que T t si solo si T 2 F (1, ).
(b) Demuestre que W F (, ) si solo si 1/W F (, ).
3.13. Est
an siendo estudiados dos procesos para conservar alimentos. En el proceso A, el
2 ), y en el proceso B,
tiempo de duracion de esos alimentos sigue una distribucion N (A , A
2 ). Se seleccionaron dos muestras aleatorias
el tiempo de duracion se distribuye N (B , B
independientes: la de A, con 16 latas, present
o un tiempo medio de 50[u] con una varianza
on media fue de 60[u] y una varianza de 96[u2 ].
de 99[u2 ], y la de B, con 25 latas, la duraci
(a) Construir IC de nivel 0.95 para A y B , respectivamente.
2 / 2 . Qu
e conclusion
(b) Construir un IC de nivel 0.95 para la raz
on de varianzas, A
B
puede Ud. obtener de este intervalo de conanza?
88
(c) Construir un IC de nivel 0.95 para la diferencia A B . Que conclusion puede Ud.
obtener de este intervalo de conanza?
3.14. Una cadena de supermercados posee dos locales en un cierto radio del sector poniente
de la ciudad. Las respectivas ventas (en u.m.) de estos locales son las variables aleatorias
independientes, X N (1 , 2 ) y Y N (2 , 2 2 ) .
Se sospecha que el volumen de ventas del local 1 es practicamente el doble del total ventas
de local 2. Considere los siguientes datos de ventas, que corresponden a las respectivas
medias y varianzas observadas en cada local los perodos indicados.
Local 1: x
= 786, s21 = 530, n = 5 semanas.
Local 2: y = 382, s22 = 960, m = 7 semanas.
Con una conanza de 0.95, se puede armar que las ventas verican la relaci
on planteada?
(a) Si 2 = 490.
(b) Si 2 es desconocido.
(c) Sean ahora, X N (1 , 2 ), Y N (2 , k 2 ), donde k es una constante conocida,
poblaciones normales independientes. Basandose en los calculos anteriores, elabore
un metodo general para construir un intervalo de conanza para 1 a2 , a jo,
considerando los casos 2 conocido y 2 desconocido.
on exponencial de par
ametro .
3.15. Sea X = (X1 , . . . , Xn ) una m.a.s. de la distribuci
Encuentre un intervalo de conanza aproximado de nivel 1 para .
on exponen3.16. Sean X = (X1 , . . . , Xn ) muestra aleatoria proveniente de la distribuci
on
cial de parametro y Y = (Y1 , . . . , Ym ) muestra aleatoria proveniente de la distribuci
exponencial de par
ametro . Suponga que las muestras son mutuamente independientes.
(a) Demuestre que T = 2 ni=1 Xi 22n .
n /Ym F (2n, 2m).
(b) Demuestre que S = X
(c) Construya un intervalo de conanza de nivel 1 para /, considerando los datos
n = 10, x
=5.5 y m = 13, y =4.2.
3.3 EJERCICIOS
p
(b) Si = 1p
, muestre Pr{|X = x
de nivel 1 para ?
89
a
1a }
3.18. Considere una m.a.s de la densidad dada en el Ejercicio 3.10. Considere que
Gamma(r, ), i.e., () = r r1 e /(r), > 0, donde r y son positivos y conocidos.
(a) Determine la distribuci
on a posteriori y el EB bajo perdida cuadr
atica de . Calcule
Var[|X = x].
(b) Escriba las ecuaciones para determinar una regi
on de credibilidad de nivel 1 para
.