INTRODUCCIÓN A LA INFERENCIA.

ESTIMACIÓN

PROBLEMAS DE EVALUACIONES PASADAS (CON SOLUCIÓN)

1. A partir de dos observaciones 𝑋₁ y 𝑋₂ extraídas aleatoriamente de una población 𝑋 de

media 𝜇 y varianza 𝜎² = 1, se proponen los siguientes estimadores de 𝜇:

𝑋1 + 2𝑋2 𝑋1 + 4𝑋2
𝜇̂ 1 = 𝑦 𝜇̂ 2 = .
3 6
a) Halla el sesgo de cada estimador. (1p)
b) Halla la varianza de cada estimador. (1p)
c) ¿Cuál es mejor de los dos? Justifica la respuesta. (1p)
d) Un analista propone estimar 𝜇 promediando los dos estimadores anteriores. ¿Es
mejor que ellos? (2p)

SOLUCIÓN

a) Sesgo(𝜇̂ ) = 𝐸(𝜇̂ ) − 𝜇. Para cada estimador tenemos:

𝑋1 + 2𝑋2 1
𝐸(𝜇̂ 1 ) = 𝐸 ( ) = (𝜇 + 2𝜇) = 𝜇 .
3 3
𝑋1 + 4𝑋2 1 5
𝐸(𝜇̂ 2 ) = 𝐸 ( ) = (𝜇 + 4𝜇) = 𝜇 .
6 6 6

Sesgo(𝜇̂ 1 ) = 𝜇 − 𝜇 = 0 ⇒ Insesgado
5 1
Sesgo(𝜇̂ 2 ) = 𝜇 − 𝜇 = − 𝜇 = −0.17𝜇 ⇒ Sesgado
6 6

b) Para cada estimador tenemos, aplicando que 𝑋1 y 𝑋2 son independientes:

𝑋1 + 2𝑋2 1 5
Var(𝜇̂ 1 ) = Var ( ) = (𝜎 2 + 4𝜎 2 ) = 𝜎 2 = 0.56
3 9 9
𝑋1 + 4𝑋2 1 2 17 2
Var(𝜇̂ 2 ) = Var ( )= (𝜎 + 16𝜎 2 ) = 𝜎 = 0.47
6 36 36
Tiene menor varianza 𝜇̂ 2 .

c) El mejor será el de menor error cuadrático medio. ECM(𝜇̂ ) = sesgo(𝜇̂ )2 + Var(𝜇̂ ). Para
cada estimador se tiene

𝐸𝐶𝑀(𝜇̂ 1 ) = 0.56

𝐸𝐶𝑀(𝜇̂ 2 ) = 0.028𝜇2 + 0.47

Vemos que el estimador de menor ECM depende del valor 𝜇. Si fuese muy bajo,
compensaría el estimador sesgado; pero si es alto, sería mejor el insesgado. El estimador
𝜇̂ 2 es mejor que 𝜇̂ 1 si

00.028𝜇2 + 0.470.56 < 0.56 ⇒ 𝜇2 < 3.2 ⇒ |𝜇| < 1.8

d) Compararemos los ECM respectivos. Si promediamos ambos estimadores tenemos el

estimador
 1 1 3𝑋1 + 8𝑋2
𝜇̂ 3 = 𝜇̂ 1 + 𝜇̂ 2 =
2 2 12

con
3𝑋1 + 8𝑋2 11
𝐸(𝜇̂ 3 ) = 𝐸 ( )= 𝜇 = 0.92𝜇
12 12
⇒ sesgo(𝜇̂ 3 ) = 0.92𝜇 − 𝜇 = −0.08𝜇
3𝑋1 + 8𝑋2 9 + 64 2
Var (𝜇̂ 3 ) = Var ( )= 𝜎 = 0.51
12 144
En sesgo y varianza se coloca entre los dos anteriores. El ECM es

𝐸𝐶𝑀(𝜇̂ 3 ) = 0.0064𝜇2 + 0.51

De nuevo, dependiendo del valor de 𝜇 así es la posición relativa de este nuevo
estimador. Este estimador será mejor que 𝜇̂ 1 si

0.0064𝜇2 + 0.51 < 0.56 ⇒ 𝜇2 < 7.8 ⇒ |𝜇| < 2.8

Y será mejor que 𝜇̂ 2 si

0.0064𝜇2 + 0.51 < 0.028𝜇2 + 0.47 ⇒ 𝜇2 > 6.25 ⇒ |𝜇| > 2.5
Por tanto, es el mejor sólo en un rango muy estrecho. No tiene ventajas claras.

2015-2_PC4_Preg1

2. Sea 𝑋 una variable aleatoria de media 𝜇 y varianza 𝜎 2 . Para estimar la media 𝜇 se

promedian los valores de 20 datos, consiguiéndose la media muestral 𝑥̅(1) . Posteriormente,
se consigue un dato adicional, 𝑥21 . Un analista decide entonces construir un nuevo
estimador de 𝜇 promediando ambos valores de la forma
𝑥̅ (1) + 𝑥21
𝜇̂ 1 = .
2
a) ¿Es este estimador insesgado? Justifica la respuesta (2p).
b) Compara el error cuadrático medio de este estimador con otro, 𝜇̂ 2 , que sea la media
aritmética de los 21 datos. ¿Cuál es preferible? Justifica la respuesta. (3p)
SOLUCIÓN:
a) Es insesgado
𝑥̅(1) + 𝑥21 𝐸(𝑥̅(1) ) + 𝐸(𝑥21 ) 𝜇 + 𝜇
𝐸(𝜇̂ 1 ) = 𝐸 [ ]= = =𝜇
2 2 2
b) El error cuadrático medio de un estimador es ECM=sesgo2 +varianza. Como 𝜇̂ 1 es insesgado,
su ECM será su varianza:
1 𝜎2 21 2
𝐸𝐶𝑀1 = 𝑣𝑎𝑟(𝜇̂ 1 ) = ( + 𝜎 2 ) = 𝜎 = 0.2625𝜎 2 .
4 20 80
Por otra parte, al ser 𝜇̂ 2 la media aritmética, también es insesgado. Su ECM será también su
𝜎2 1
varianza: 𝐸𝐶𝑀2 = = 𝜎 2 = 0.0476𝜎 2 ,
𝑛+1 21
que es menor que 𝐸𝐶𝑀1 , por lo que el estimador 𝜇̂ 2 es preferible.

2016-1_PC4_Preg2
3. Sea 𝑋 la holgura que queda entre cierto cilindro y su pistón tras su ensamble (ver figura).
Esta holgura es una variable aleatoria distribuida según una distribución uniforme continua
en el intervalo [0; 𝑏]. Se ha medido la holgura de 5 ensambles, obteniéndose los valores,
en mm, de 0.2, 0.3, 0.4, 0.5, 0.6, respectivamente. Se pide, justificado la respuesta (7p)
a. Estima 𝑏 utilizando el método de los momentos. (2p)
b. Demuestra que este estimador es insesgado. (2p)
c. Calcula el error cuadrático medio de este
estimador para el caso 𝑏 = 1. (2p)
d. Comenta brevemente qué problema tendría que
se construyese un intervalo de confianza para la
media de esta distribución con esa muestra usando
𝑠̂
la fórmula {𝑥̅ ± 𝑧𝛼⁄2 }. (1p)
√𝑛
SOLUCIÓN:
a. De las propiedades de la uniforme 𝑈(0, 𝑏) tenemos que
𝑏
𝐸(𝑋) = ≡ 𝜇 ⇒ 𝑏 = 2𝜇 ⇒ 𝑏̂ = 2𝑥̅ = 2 × 0.4 = 0.8
2
b. Será insesgado si 𝐸(𝑏̂) = 𝑏. Como la media muestral es siempre un estimador insesgado de 𝜇,
tenemos que
2𝑏
𝐸(𝑏̂) = 𝐸(2𝑋̅) = 2𝐸(𝑋̅) = 2𝜇 = = 𝑏.
2
c. Como el estimador es insesgado, su ECM será su varianza. La varianza de la media muestral es
𝜎2 𝜎2
𝑉𝑎𝑟(𝑋̅) = = .
𝑛 5
Por otra parte, tenemos que la varianza de una uniforme 𝑈(𝑎, 𝑏) es (ver formulario)
(𝑏 − 𝑎)2
𝜎2 = ,
12
por lo que la varianza de la variable uniforme 𝑈(0,1) será
1
𝜎2 = .
12
Se tiene entonces que
𝜎2 1/12 1
𝐸𝐶𝑀(𝑏̂) = 𝑉𝑎𝑟(𝑏̂) = 𝑉𝑎𝑟(2𝑋̅) = 4 =4 = .
5 5 15
d. Esa fórmula es para calcular intervalos de confianzas de 𝜇 si la muestra es grande, típicamente
mayor que 30. En este caso la muestra es de sólo 𝑛 = 5. Por tanto, el intervalo resultante será
erróneo en el sentido de que no va a tener el nivel de confianza que se desea. No será de nivel
(1 − 𝛼) × 100%.

2016-2_PC4_Preg2

4. Sea 𝑋 una variable aleatoria de función de densidad

𝑓(𝑥) = 𝛽𝑥 𝛽−1 , 0 ≤ 𝑥 ≤ 1.
Esta distribución depende del parámetro 𝛽. Se pide,
justificando la respuesta:
a) Encuentra, aplicando el método de los momentos, un
estimador del parámetro 𝛽 a partir de una muestra
aleatoria simple 𝑥1 , 𝑥2 , … , 𝑥𝑛 . (3p)
 b) Un analista recoge diez datos de esta distribución y obtiene que
2
∑10
1 𝑥𝑖
𝑚2 = = 0.1
10
Utilizando el método de los momentos, encuentra un estimador de 𝛽 que pueda
utilizar esta información y obtén la estimación que corresponde. (3p)

SOLUCIÓN:

a) La opción más sencilla para aplicar el método de los momentos es utilizando el momento de primer
orden. Calculamos así el primer momento y vemos su relación con el parámetro 𝛽.
1
1 1
𝛽
𝑥 𝛽+1 𝛽
𝐸(𝑋) = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝛽𝑥 𝑑𝑥 = 𝛽 [ ] = = 𝜇 (1𝑝)
0 0 𝛽 + 1 0
𝛽 + 1
Por tanto, podemos relacionar 𝜇 con 𝛽. Operando:
𝜇(𝛽 + 1) = 𝛽 ⇒ 𝜇 = 𝛽(1 − 𝜇)
𝜇
⇒𝛽= (1𝑝)
1−𝜇
El estimador por el método de los momentos se consigue reemplazando en esta expresión los
parámetros (𝛽 y 𝜇) por sus estimadores.
𝑥̅
𝛽̂ = . (1𝑝)
1 − 𝑥̅

b) Si tenemos el segundo momento muestral, necesitaremos un estimador de 𝛽 basado en este

segundo momento. El segundo momento poblacional de 𝑋 es
1
1 1
𝑥 𝛽+2 𝛽
𝐸(𝑋 2 ) = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥 = ∫ 𝛽𝑥 𝛽+1 𝑑𝑥 = 𝛽 [ ] = ≡ 𝑀2 (1𝑝)
0 0 𝛽+2 0 𝛽+2
Por tanto, podemos relacionar 𝑀2 con 𝛽. Operando:
𝑀2 (𝛽 + 2) = 𝛽 ⇒ 2𝑀2 = 𝛽(1 − 𝑀2 )
2𝑀2
⇒𝛽= (0.5𝑝)
1 − 𝑀2
El estimador por el método de los momentos se consigue reemplazando en esta expresión los
parámetros (𝛽 y 𝑀2 ) por sus estimadores.
2𝑚2
𝛽̂ = , (1𝑝)
1 − 𝑚2
y para los datos que se tienen resulta la siguiente estimación:
2 × 0.1
𝛽̂ = = 0.222. (0.5𝑝)
1 − 0.1

2017-1_PC4_Preg1

5. Para elaborar cierto artículo se han de cubrir dos etapas (ver figura) cuyas duraciones, X e
Y, son variables aleatorias.
Etapa 1 Etapa 2
X Y
X X
La duración de la primera etapa se distribuye como una normal: 𝑋 ∼ 𝑁(𝜇, 1). La duración
de la segunda etapa es una exponencial: 𝑌 ∼ 𝐸𝑥𝑝 (1⁄3𝜇). Se desea estimar el parámetro 𝜇
empleando el método de los momentos. Con ese fin se ha cronometrado el tiempo que
demora la fabricación de 5 artículos, obteniéndose los siguientes resultados:
 artículo X Y
1 2 7
2 3 8
3 4 10
4 2 6
5 3 9
Se pide, justificando la respuesta:

a) Utilizando sólo la muestra de 𝑋 halla el estimador de 𝜇 por el método de los momentos,

así como la estimación que se obtiene con la muestra. (1p)
En el método de los momentos relacionamos los parámetros que queremos estimar con
los momentos de la variable aleatoria.
𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 + 𝑥5
𝐸(𝑋) = 𝜇 ⇒ 𝜇̂ = 𝑥̅ = (0.75)
5
La estimación será:
2+3+4+2+3
𝑥̅ = = 2.8 (0.25)
5
b) Utilizando sólo la muestra de Y, halla el estimador de 𝜇 por el método de los momentos,
así como la estimación que se obtiene con la muestra. (2p)

𝑌 ∼ 𝐸𝑥𝑝(𝜆) ⇒ 𝐸(𝑌) = 1/𝜆

En este caso tenemos que
𝐸(𝑌) 𝑦̅
𝐸(𝑌) = 3𝜇 ⇒ 𝜇 = ⇒ 𝜇̂ = (𝟏. 𝟓𝒑)
3 3
La estimación será
1 7 + 8 + 10 + 6 + 9 8
𝜇̂ = × = = 2.67 (𝟎. 𝟓𝐩)
3 5 3
a) ¿Es insesgado este estimador de la sección (b)? Justifica. (2p)

Será insesgado si 𝐸(𝜇̂ ) = 𝜇

𝑦̅ 1 𝐸(𝑌) 3𝜇
𝐸(𝜇̂ ) = 𝐸 ( ) = 𝐸(𝑦̅) = = = 𝜇. (1.5)
3 3 3 3
Por tanto es insesgado.(0.5p)

2017-2_PC4_Preg1

6. Un proceso productivo consta de dos etapas, cuyas duraciones respectivas, X1 y X 2, son

variables aleatorias independientes, distribuidas según un modelo exponencial de
parámetros λ y 2λ, respectivamente. Es decir, X1 ∼ Exp(λ), X 2 ∼ Exp(2λ). La duración
total del proceso puede entonces escribirse como la variable aleatoria T = X1 + X 2 . Se
tiene una muestra de los tiempos totales T que se invirtió en la fabricación de 5 artículos:
t1 = 12; t 2 = 8; t 3 = 9; t 4 = 19; t 5 = 11. Se pide, razonando las respuestas:

a. Obtén el estimador de λ por el método de los momentos, basado en una muestra

aleatoria simple 𝑡1 , 𝑡2 , … , 𝑡𝑛 de T.
b. Usando este estimador y los datos del enunciado, calcula la estimación de λ.
SOLUCIÓN:

a. El método de los momentos obtiene estimadores de los parámetros a partir de estimar los
momentos poblacionales con los muestrales. El primer momento poblacional de 𝑇 es:
1 1 3
𝜇 𝑇 = 𝐸(𝑇) = 𝐸(𝑋1 + 𝑋2 ) = 𝐸(𝑋1 ) + 𝐸(𝑋2 ) = + = .
𝜆 2𝜆 2𝜆
Por tanto,
3
𝜆= .
2𝜇 𝑇
El estimador será:
3 3𝑛
⇒ 𝜆̂ = = .
2𝑡̅ 2 ∑𝑛𝑖=1 𝑡𝑖

b. La estimación es
3𝑛 3×5
𝜆̂ = = = 0.1271
2 ∑𝑛𝑖=1 𝑡𝑖 2(12 + 8 + 9 + 19 + 11)

2016-1_EF_Preg3

7. (4p) La distribución de la figura pertenece a una

familia de distribuciones denominada de Pareto.
Se suele utilizar en economía para modelizar la
renta de una población donde hay una renta
mínima. Su función de densidad es

𝛼
𝑓(𝑥) = , 𝑥 ≥ 1.
𝑥 𝛼+1

Se tiene una muestra de esta distribución: (1.24, 1.36, 1.30, 1.53, 1.63, 1.94). A partir de
esta muestra estima el parámetro 𝛼 utilizando el método de los momentos y calcula la
probabilidad de que 𝑋 > 2. (4p)

SOLUCIÓN:

Calculamos 𝜇 = 𝐸(𝑋) y relacionamos su media con el parámetro 𝛼.

∞ ∞
𝛼 1 ∞ 𝛼 𝛼
𝐸(𝑋) = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝛼𝑥 −𝛼 𝑑𝑥 = [ 𝛼−1 ] = (0 − 1) =
1−𝛼 𝑥 1 1−𝛼 𝛼−1
1 1
𝜇
⇒𝛼= (2𝑝)
𝜇−1
Por tanto, el estimador será
𝑋̅
𝛼̂ = . (0.5𝑝)
𝑋̅ − 1
Con la muestra disponible se tiene:
1.24 + ⋯ + 1.94
𝑥̅ = = 1.5
6
1.5
⇒ 𝛼̂ = = 3. (0.5𝑝)
1.5 − 1

La probabilidad que se pide es (1p):

∞
3 1
𝑃(𝑋 > 2) = ∫ 4
𝑑𝑥 = = 0.125
𝑥 8
2
2016-2_ES_Preg4
8. Responde de forma razonada a las siguientes cuestiones:
a. Sea 𝑋 ∼ 𝑁(𝜇, 𝜎 2 ) y 𝑥1 , … , 𝑥𝑛 una muestra aleatoria simple de dicha población. Analiza
cómo cambiaría el error cuadrático medio de 𝑥̅ como estimador de 𝜇 si pudiésemos
duplicar el tamaño muestral (en lugar de 𝑛 datos poder usar 2𝑛). Justifica la respuesta.
(3p)

La media muestral es un estimador insesgado de 𝜇, por lo que el error cuadrático

medio será la varianza de 𝑥̅ , es decir:
𝜎2 𝜎2
𝐸𝐶𝑀𝑛 (𝑥̅ ) = 𝑆𝑒𝑠𝑔𝑜(𝑥̅ )2 + 𝑉𝑎𝑟(𝑥̅ ) = [𝐸(𝑥̅ ) − 𝜇]2 + = 0 + . (1𝑝)
𝑛 𝑛
Análogamente, con 2𝑛 observaciones tendremos:

𝜎2 1
𝐸𝐶𝑀2𝑛 (𝑥̅ ) = = 𝐸𝐶𝑀𝑛 (𝑥̅ ) (2𝑝)
2𝑛 2
Por tanto, el ECM se reduciría a la mitad.

b. Sea 𝑌 ∼ 𝑈(𝑎, 1) una variable aleatoria uniforme. ¿Cuál sería el estimador de 𝑎

utilizando el método de los momentos? A partir de dicho estimador obtén la estimación
que se consigue con la muestra de valores: 0.5, 0.3, 0.95, 0.6. (3p)

La esperanza de 𝑌 es (ver formulario)

1+𝑎
𝐸(𝑌) = 𝜇 =
2
⇒ 2𝜇 = 1 + 𝑎

⇒ 𝑎 = 2𝜇 − 1 (1𝑝)

⇒ 𝑎̂ = 2𝑥̅ − 1. (1𝑝)

Con los datos que se aportan se obtiene:

0.5 + 0.3 + 0.95 + 0.6
𝑥̅ = = 0.5875
4
⇒ 𝑎̂ = 2(0.5875) − 1 = 0.175. (1𝑝)

2018-1_PC3_Preg2

9. Dos laboratorios realizan pruebas de resistencia de un determinado tipo de concreto. Para

ello elaboran piezas cilíndricas (probetas) de 15 cm de diámetro y 30 cm de altura y las
somete a un ensayo de compresión. Este ensayo se realiza por medio de una prensa que
comprime la probeta hasta provocarle la rotura, obteniendo el registro de la carga a la que
se rompió, y que se denomina “carga de rotura”. Denotaremos por 𝑋 la carga de rotura de
una probeta, que será una variable aleatoria de media 𝜇 y varianza 𝜎 2 .
En el laboratorio 1 se han roto 𝑛1 probetas, obteniéndose una carga de rotura media de 𝑥̅1 .
En el laboratorio 2 se han roto 𝑛2 probetas, con 𝑛2 = 2𝑛1, obteniéndose una carga de
rotura media de 𝑥̅2 . Con el fin de unir los resultados de ambos laboratorios se proponen
tres estimadores de la carga de rotura media 𝜇. El primero de ellos consiste en calcular la
media aritmética de 𝑥̅1 y 𝑥̅2 . A este estimador lo denotaremos por 𝜇̂ 𝐴 . El segundo
estimador, que denotaremos por 𝜇̂ 𝐵 consiste en promediar de 𝑥̅1 y 𝑥̅2 pero con pesos que
sean linealmente proporcionales a sus tamaños muestrales:
 𝑛1 𝑛2
𝜇̂ 𝐵 = 𝑥̅1 + 𝑥̅
𝑛1 + 𝑛2 𝑛1 + 𝑛2 2
El tercer estimador consiste en usar solamente 𝑥̅2 , al estar basado en una muestra mayor,
es decir 𝜇̂ 𝐶 = 𝑥̅2 Contesta de forma justificada a las siguientes cuestiones:
a. Calcula el sesgo de los tres estimadores.

𝑥̅1 + 𝑥̅2 𝜇+𝜇

𝐸(𝜇̂ 𝐴 ) = 𝐸 ( )= = 𝜇 ⇒ 𝑆𝑒𝑠𝑔𝑜(𝜇̂ 𝐴 ) = 0.
2 2
𝑛1 𝑛2 𝑛1 𝑛2
𝐸(𝜇̂ 𝐵 ) = 𝐸 ( 𝑥̅ + 𝑥̅ ) = 𝜇+ 𝜇 = 𝜇 ⇒ 𝑆𝑒𝑠𝑔𝑜(𝜇̂ 𝐵 ) = 0.
𝑛1 + 𝑛2 1 𝑛1 + 𝑛2 2 𝑛1 + 𝑛2 𝑛1 + 𝑛2
𝐸(𝜇̂ 𝐶 ) = 𝐸(𝑥̅2 ) = 𝜇 ⇒ 𝑆𝑒𝑠𝑔𝑜(𝜇̂ 𝐶 ) = 0
Los tres son insesgados.
b. Calcula el error cuadrático medio de los tres estimadores. ¿Cuál es mejor? (2p)
Al ser insesgados el ECM será su varianza
𝑥̅1 + 𝑥̅2 1 1 𝜎2 𝜎2 3 𝜎2
𝑉𝑎𝑟(𝜇̂ 𝐴 ) = 𝑉𝑎𝑟 ( ) = 𝑉𝑎𝑟(𝑥̅1 + 𝑥̅2 ) = ( + )= ×
2 4 4 𝑛1 2𝑛1 8 𝑛1
𝑛1 𝑛2 1 2 1 𝜎2 4 𝜎2 1 𝜎2
𝑉𝑎𝑟(𝜇̂ 𝐵 ) = 𝑉𝑎𝑟 ( 𝑥̅1 + 𝑥̅2 ) = 𝑉𝑎𝑟 ( 𝑥̅1 + 𝑥̅2 ) = + = ×
𝑛1 + 𝑛2 𝑛1 + 𝑛2 3 3 9 𝑛1 9 2𝑛1 3 𝑛1

1 𝜎2
𝑉𝑎𝑟(𝜇̂ 𝐶 ) = ×
2 𝑛1
Por tanto, el mejor es 𝜇̂ 𝐵
c. Demuestra que 𝜇̂ 𝐵 es equivalente a promediar los 𝑛1 + 𝑛2 datos. Para ello denotaremos
por 𝑥𝑖𝑗 a la carga de rotura de la probeta i-ésima del laboratorio j, y por tanto 𝑥̅𝑗 =
𝑛𝑗
∑𝑖=1 𝑥𝑖𝑗 /𝑛𝑗 .(1p)

𝑛1 𝑛2 𝑛1 ∑𝑛1 𝑥𝑖1 𝑛2 ∑𝑛2 𝑥𝑖2

𝜇̂ 𝐵 = 𝑥̅1 + 𝑥̅2 = × 𝑖=1 + × 𝑖=1
𝑛1 + 𝑛2 𝑛1 + 𝑛2 𝑛1 + 𝑛2 𝑛1 𝑛1 + 𝑛2 𝑛2
𝑛1 𝑛2 2 𝑛𝑗
∑ 𝑥𝑖1 + ∑𝑖=1 𝑥𝑖2 ∑𝑗=1 ∑𝑖=1 𝑥𝑖𝑗
= 𝑖=1 =
𝑛1 + 𝑛2 𝑛1 + 𝑛2
2018-2_PC3_Preg2

10. La distribución que muestra esta figura es una

variable aleatoria simétrica con espacio muestral en
el intervalo (0,1). Su función de densidad es
𝑓(𝑥) = 630𝑥 𝛼−1 (1 − 𝑥)𝛼−1
que cumple que
𝐸(𝑋) = 0.5
1
𝑉𝑎𝑟(𝑋) =
4(1 + 2𝛼)

Contesta de forma justificada a las siguientes cuestiones:

a) Encuentra el estimador de 𝛼 usando el método de los momentos. (3p)

La varianza es el momento central de segundo orden: 𝑉𝑎𝑟(𝑋) = 𝑀2𝑐 ≡ 𝜎 2

1 1 1 1
𝜎2 = ⇒ 1 + 2𝛼 = 2 ⇒ 𝛼 = 2 − (2𝑝)
4(1 + 2𝛼) 4𝜎 8𝜎 2
 Por tanto, el estimador por el método de los momentos será:
1 1 1 1
𝛼̂ = 2
− = 2− (1𝑝)
8𝜎̂ 2 8𝑠 2
̂2𝑐 = 𝑚2𝑐 = 𝑠 2 .
donde 𝑠 2 es la varianza muestral, es decir 𝜎̂ 2 = 𝑀

b) Si se tiene la muestra: 0.79, 0.40, 0.78, 0.73, 0.57, obtén la estimación de 𝛼 usando estimadores
insesgados de los momentos que necesites. (1p)

Utilizaremos la cuasivarianza para estimar 𝜎 2 en el estimador obtenido en la sección

anterior.
1 1
𝑠̂ 2 = 0.0279 ⇒ 𝛼̂ = 2
− = 3.98 (1𝑝)
8𝑠̂ 2
2019-1_PC3_Preg2

11. Si 𝑋 ∼ 𝑁(4,1), ¿cuántos datos debo tomar como mínimo si quiero que el ECM de la media
muestral sea menor que 0.01? (2p)

𝜎2 1 1
𝐸𝐶𝑀(𝑥̅ ) = = < 0.01 ⇒ 𝑛 > = 100
𝑛 𝑛 0.01
2019-1_PC3_Preg3

12. El tiempo que un operario de la empresa Saturno demora en realizar un empaque de uvas de 500
gramos, como el que se menciona en el problema 2, sigue una variable aleatoria con la siguiente
función de densidad
6𝑥
𝑓(𝑥) = (𝑎 − 𝑥); 𝑥 ∈ [0, 𝑎].
𝑎3

Contesta de forma razonada a las siguientes cuestiones:

a) Demuestra que el estimador del parámetro 𝑎 utilizando el método de los momentos es 𝑎̂ = 2𝑥̅ .
(3p)
𝑎
𝑎
6𝑥 6 𝑎𝑥 3 𝑥 4 6 𝑎4 𝑎4 𝑎
𝑀1 = 𝜇 = 𝐸(𝑥) = ∫ 𝑥 3
(𝑎 − 𝑥) 𝑑𝑥 = 3 [ − ] = 3[ − ] =
0 𝑎 𝑎 3 4 0 𝑎 3 4 2

⇒ 𝑎 = 2𝜇

Utilizando a 𝑥̅ como estimador de 𝜇, el estimador de 𝑎 será

𝑎̂ = 2𝑥̅

que es lo que se quería demostrar.

b) Calcula el sesgo de ese estimador. (3p)

𝑎
𝐸(𝑎̂) = 𝐸(2𝑥̅ ) = 2𝐸(𝑥̅ ) = 2𝜇 = 2 =𝑎
2
Por tanto, el estimador es insesgado:
 𝑆𝑒𝑠𝑔𝑜(𝑎̂) = 𝐸(𝑎̂) − 𝑎 = 0

c) Obtén la estimación de 𝑎 que se obtendría con los datos del problema 2. (1p)

Como 𝑥̅ = 25, se tiene que 𝑎̂ = 50

d) A partir de dicha estimación, calcula la probabilidad de que la realización de un empaque de uvas

de 500 gramos demore más de 30 segundos. (3p)

50
6𝑥
𝑃̂(𝑋 > 30) = ∫ (50 − 𝑥) 𝑑𝑥 = 0.352
30 503

2019-2_PC3_Preg3

13. Se ha determinado que el tiempo que demora un programa informático en ejecutar una tarea es una
variable uniforme continua, definida entre 0 y 𝑘. Se desea estimar el parámetro 𝑘, por lo que se
toman los datos de 6 tiempos de ejecución (segundos), resultando los siguientes valores: 0.87, 0.97,
0.92, 0.89, 0.85, 0.89
Responda a las siguientes preguntas, justificando su respuesta:
a. Estime 𝑘 utilizando el método de los momentos. (1 p)

𝑋 es una variable uniforme continua:

𝑋 ~ 𝑈 (0, 𝑘)

1
𝑓(𝑥) =
𝑘−0
𝑘+0 𝑘
𝐸(𝑋) = 𝜇 = =
2 2
Por el método de los momentos:

1) 𝑘 = 2𝜇 = 2 × 𝑀1 (0.25 p)

̂1 = 𝑚1 = 𝑋̅
2) 𝑀

̂ =𝟐×𝑴
3) 𝒌 ̂ 𝟏 = 𝟐𝑿
̅ (0.25 p)

Se sabe que:

0.87 + 0.97 + 0.92 + 0.89 + 0.85 + 0.89

̅=
𝑥 = 0.8983
6
Entonces:

𝑘̂ = 2 × 𝑀
̂1 = 2𝑥̅ = 2 × 0.8983 = 𝟏. 𝟕𝟗𝟔𝟔 (0.5 p)

̂ , con 𝒌.
Para tener el puntaje completo, no deben haber confundido 𝒌
 b. Calcule el error cuadrático medio del estimador cuando 𝑘 = 1.5 (1.5 p).

a) Sesgo (0.5 p):

𝑆𝑒𝑠𝑔𝑜(𝑘̂) = 𝐸(𝑘̂ ) − 𝑘 = 𝐸(2𝑋̅) − 2𝜇 = 2 × 𝐸(𝑋̅) − 2𝜇 = 2𝜇 − 2𝜇 = 0

b) Varianza (0.5 p):

(𝑘 − 0)2 (1.5 − 0)2

𝜎2 12 12
𝑉𝑎𝑟(𝑘̂ ) = 𝑉𝑎𝑟(2𝑋̅) = 22 × 𝑉𝑎𝑟(𝑋̅) = 4 × =4× =4× = 0.125
6 6 6

2
Entonces: 𝐸𝐶𝑀(𝑘̂) = 𝑆𝑒𝑠𝑔𝑜(𝑘̂) + 𝑉𝑎𝑟(𝑘̂ ) = 02 + 0.125 = 𝟎. 𝟏𝟐𝟓 (0.5 p)

2018-1_EF_Preg4

14. Supongamos ahora que tenemos la variable aleatoria X con función de densidad
1
𝑓(𝑥) = 𝑥 4 ; 𝑥 ∈ [0, 𝑐]
𝑏
con 𝑏 y 𝑐 parámetros desconocidos, y que se tiene la muestra de datos: 1.8, 1.5, 1.3, 1.7,
1.85. Obtén las estimaciones de c y b a partir de la muestra disponible.
Para que sea función de densidad debe cumplirse que
𝑐
𝑐
𝑥4 1 𝑥5 𝑐5 𝑐5
∫ 𝑑𝑥 = 1 ⇒ [ ] = =1⇒𝑏=
0 𝑏 𝑏 5 0 5𝑏 5

Podemos ahora aplicar el método de los momentos:

𝑐 5
𝑥 𝑐6 5 𝑐6 5
𝐸(𝑋) = ∫ 𝑑𝑥 = = 5 = 𝑐=𝜇
0 𝑏 6𝑏 𝑐 6 6
6
⇒𝑐= 𝜇
5
6 𝑐̂ 5
⇒ 𝑐̂ = 𝑥̅ ; 𝑏̂ =
5 5

De la muestra disponible se tiene:

1.8 + 1.5 + 1.3 + 1.7 + 1.85
𝑥̅ = = 1.63
5
Por tanto
𝑐̂ = 1.956; 𝑏̂ = 5.726

2018-2_ES_Preg4