Probabilidad

Teora Econometrica-I
Agosto, 2016
Profesor
TA

:
:

Tom
as Rau B.
Martn Carrasco N.

1.Conceptos claves
2.Ejercicios
1. Suponga ud. tiene un experimento que consiste en lanzar una moneda hasta que
aparezca cara. Sea p la probabilidad de que salga cara en cualquier lanzamiento.
Se define la variable aleatoria X como el numero de sellos hasta obtener una cara.
Luego, para cualquier x = 1, 2, ...
P (X = x) = (1 p)x1 p
a) Encuentre la funci
on de distribuci
on
La funci
on de distribuci
on se define
x
X

P r(X x) =

P r(X = i) =

i=1

x
X

(1 p)i1 p

i=1

La suma parcial de series geometrocas

n
X

tk1 =

k=1

Px

Aplicando lo anterior a P r(X x) =

P r(X x) =

1 tn
, t 6= 1
1t

i=1

x
X

P r(X = i) =

P r(X = i) =

i=1

P r(X x) =

x
X

Px

i=1 (1

p)i1 p, nos queda

1 (1 p)x
p
1 (1 p)

P r(X = i) = 1 (1 p)x , x = 1, 2, ...

i=1

b) Demuestre las propiedades de la funci

on de distribuci
on encontrada anteriormente.
Tenemos que mostrar que la funcion P r(X x) = FX (x) cumple
lim FX (x) = 1 y

lim FX (x) = 0

FX (x) es no decreciente
FX (x) es continua por la derecha
Para la primera, es necesario tener claro que el dominio de la funcion son los enteros no
negativos, por lo cual sabemos que en los enteros negativos la funcion de distribucion
es plana
2. Suponga la siguiente funci
on de distribucion continua
FX (x) =

1
1 + ex

Muestre que cumple las propiedades de una funcion de distribucion.

Encuentre la funci
on de densidad asociada a esa funcion de distribucion
3. Muestre que las siguientes funciones son funciones de distribucion acumuladas
1
1
+ tan1 (x) con x (, +)
2
1 e1 con x (0, +)
4. Una cdf FX es estoc
asticamente superior que una cdf FY si
FX (t) FY (t) t y FX (t) < FY (t) para alg
un t
Muestre que si X FX y Y FY entonces
P (X > t) P (Y > t) t
y
P (X > t) > P (Y > t) para alg
un t
Esto es, X tiende a ser mayor que Y.
5. Sea la siguiente variable aleatoria discreta X que distribuye binomial
 
n x
p (1 p)nx , x = 0, 1, ..., n
fX (x) = P r(X = x) =
x
en donde n es un entero positivo y 0 p 1.
Sea la siguiente variable aleatoria
Y = g(X) = n x
Encuentre la pdf fY
6. Suponga
X fx (x) = 1 si 0 < x < 1
Esto es, X U (0, 1)
2

 Muestre que FX (x) = x, 0 < x < 1

Suponga Y = g(X) = log(X). Encuentre la pmf fY
7. Suponga fX (x) distribuye gamma
f (x) =

x
1
xn1 e
n
(n 1)!

En donde (, n) > 0. Encuentre fY (y) si Y = g(X) =

1
X

8. Sea X una variable aleatoria continua. Encuentre la cdf y la pdf para y > 0 si Y = X 2
9. Muestre que si X tiene una cdf continua FX (x) y se define una variable aleatoria Y como
Y = FX (x). Entonces Y est
a distribuida uniforme en (0,1), esto es P (Y y) = y con
0 < y < 1.
10. Suponga X tiene una distribuci
on exponencial (), esto es
fx (x) =

1 f racx
e

Muestre que E(X) = .

Muestre que V ar(X) = 2
11. Suponga X tiene una distribuci
on Cauchy, esto es
fx (x) =

1 1
1 + x2

Encuentre E(X)
12. Suponga X tiene una distribuci
on binomial, esto es su pmf es
 
n x
P (X = x) =
p (1 p)nx , x = 0, 1, 2, ..., n
x
Muestre que E(X) = np.
Muestre que V ar(X) = np(1 p)
13. Sea la pdf fx (x) y sea a un n
umerotal que
 > 0 f (a + ) = f (a )
Esta pdf se dice simetrica respecto al punto a.
Muestre que si X f (x) es simetrica, entonces la media de X es el n
umero a.
Muestre que si X f (x) es simetrica, y su E(X) existe, entonces es esperanza es el
n
umero a.
Muestre que V ar(X) = 2

14. Sea X una variable aleatoria y sea g(x) una funcion no negativa. Muestre que para cualquier
r>0
E(g(X))
P r(g(X) r)
r
15. Demuestre que
E(E(x|y)) = E(x)
16. Demuestre que
V ar(y) = V ar(E(y|x)) + E(var(y|x))
17. Sea X una variable aleatoria que distribuye N(0,1). Sea Y = X 2 Cu
al es el
coeficiente de correlaci
on entre X e Y? Son independientes?
Se define el coeficiente de correlaci
on XY como
XY =

Cov (X, Y )
x y

Nos detendremos en particular en el calculo de la covarianza, ya que es la que determina el

signo del coeficiente de correlaci
on.
As,
Cov (X, Y ) = E (XY ) E (x) E (Y )
Que para el caso del ejercicio nos queda




Cov (X, Y ) = E XX 2 E (x) E X 2
Y como sabemos que X distribuye normal standar, implica que E (x) = 0. Ademas sabemos
que todo momento impar de una variable que distribuya normal es igual a cero, por lo que
nos queda




Cov (X, Y ) = E X 3 E (x) E X 2 = 0
Ahora Son independientes estas variables?
Claramente no son independientes, basta con notar que el valor de la variable Yi = Xi2 va
a depender directamente del valor que tome la variable Xi . Es u
til recordar que covarianza
igual a cero no implica variables independientes.
18. Demuestre que la varianza muestral s2x es un estimador insesgado de la varianza
poblacional cuando X1 , ..., Xn es i.i.d con media x y varianza 2 .
Sea
Pn
Pn
2
)
y 2 n
y2
2
i=1 (yi y
Sx =
= i=1 i
n1
n1
As,
 Pn


X
n
n
2






y2
1 X 2
1
2
2
i=1 yi n
E Sx = E
=
yi n
y =
E yi2 nE y2
n1
n 1 i=1
n 1 i=1
Todo lo anterior es aplicaci
on de las propiedades basicas de las esperanzas. Lo que sigue es
b
asicamente uso de la siguiente identidad




2
2
V (x) = E x2 (E (x)) E x2 = V (x) + (E (x)) = x2 + 2x
4

Luego,
E

Sx2


=

1
n1

X
n

x2

2x


n

i=1

x2
+ 2x
n


=

1
n1

nx2

n2x

x2

n2x


=

1
n1

(n 1) x2 = x2

Luego, queda demostrado que es un estimador insesgado.

19. Sea una muestra aleatoria de tama
no n a partir de una distribuci
on N (, 2 ).
Considere los siguientes estimadores puntuales de
1 = x

2 =

1
x1
+
(x2 + x3 + ... + xn )
2
2(n 1)

a) Cu
al(es) de ellos son insesgados?
Se define el sesgo como




= E
Luego, un estimador se dice insesgado si




= 0 E =
Calcularemos entonces las esperanzas de los estimadores, usando las propiedades basicas
del operador esperanza.
- Caso 1 =

n
i=1 xi
n


E (1 ) = E
- Para 2 =
E (2 ) = E

x1
2


=

1 n
1
( E (xi )) = (n) = (1 ) = 0
n i=1
n

x2 +x3 +...xn
2(n1)

x 
1

ni=1 xi
n


+E

x2 + x3 + ...xn
2 (n 1)


=

Pn
E (xi )
E(x1
(n 1)

+ i=2
= +
= + =
2
2 (n 1)
2 2 (n 1)
2 2

Queda entonces demostrado que ambos estimadores son insesgados.

b) Cu
al(es) de ellos son consistentes?
Como ambos estimadores son insesgados, basta solo con demostrar que la varianza
tiende asint
oticamente a cero cuando n se hace grande para decir que son estimadores
consistentes, es decir
b =0
lim V ar()
n

- Caso 1 =

n
i=1 xi
n


E (1 ) = E

ni=1 xi
n


=

1 n
1
(i=1 E (xi )) = (n) = (1 ) = 0
n
n

- Para 2 =
E (2 ) = E

x1
2

x2 +x3 +...xn
2(n1)

x 
1


+E

x2 + x3 + ...xn
2 (n 1)

Pn
E (xi )
E(x1
(n 1)

=
+ i=2
= +
= + =
2
2 (n 1)
2 2 (n 1)
2 2

Queda entonces demostrado que ambos estimadores son insesgados.

c) Son consistentes todos los estimadores insesgados?
No, claramente que un estimador sea insesgado no implica que sea un estimador consistente.
Basta con notar las respuestas anteriores , sin embargo supongamos el estimador b = x3
Insesgado?Consistente?
Supongamos ademas que viene de una muestra aleatoria independiente identicamente distribuida N (, 2 ) , asi
b = E(x3 ) = estimador insesgado
E()
Veamos ahora que sucede con la varianza, asi
b = V ar(x3 ) = 2
V ar()
Luego, es trivial notar que el limite de la varianza del estimador cuando n es grande , o tiende
a infinito, es distinto de cero
b = 2 6= 0 es un estimador insesgado no consistente
lim V ar()

d) Se requiere el supuesto de normalidad para responder las preguntas?

Vimos que para el c
alculo de las esperanzas y varianzas del estimador basicamente lo que
necesitamos es el concepto de muestra aleatoria simple, esto ya que nos garantiza que todos
los datos vienen de la misma distribucion marginal. Luego, el supuesto de normalidad se
har
a necesario siempre y cuando no exista otra funcion de densidad que arroje una muestra
, que no tenga explcitamente los parametros.
Luego, se puede agregar que el supuesto de normalidad ya discutido , en cuanto a lo necesario
de reflejar parametros, puede que existan otras funciones de densidad que nos entreguen los
par
ametros exigidos , pudiendo asi cambiar algunos resultados.
Sea X una variable aleatoria Bernoulli con probabilidad de
exito P r(X = 1) = p y sea
X1 , X2 , ..., Xn realizaciones i.i.d de esta distribuci
on. Sea p la fracci
on de
exitos sobre
el total
a) Muestre que p = Y
Sea x una variable binaria definida por

1 con P (x = 1) = p;
x=
0 con P (x = 0) = (1 p).
Luego, se define
x
=

n
X
xi

n
X

i=1

i=1

1
=
n
n
6

!
xi

Pn
Es x
= i=1 xni = pb?
Para probar esto vamos a tratar de llegar a pb desde x
.
Al ser esto una variable binaria podemos descomponer x
de la siguiente manera
!
n
X
X
X
1
1 X
xi
1 X
x
=
=
xi +
xi =
xi +
xi
n
n x :x=1
n x :x=1
n x :x=0
x :x=0
i=1
i

Ahora, si definimos p como el n

umero de x = 1 tenemos que
1
1
p
1 X
xi = (1 + 1 + 1... + 1) = (p) = = pb
n x :x=1
n
n
n
i

Luego, como es una variable binaria es trivial notar que

1 X
1
0
xi = (0 + 0 + 0... + 0) = = 0
n x :x=0
n
n
i

Por lo tanto, tenemos que

x
=

n
X
xi
i=1

1
=
n
n

!
X

xi +

xi :x=1

xi

xi :x=0

1 X
1 X
1 X
p
xi +
xi =
xi = = pb
n x :x=1
n x :x=0
n x :x=1
n
i

Queda entonces demostrado.

b) Muestre que p es un estimador insesgado de p
Como se demostr
o en a) que x
= pb y sabiendo que la E (xi ) = p , puesto que distribuye
Bernoulli tenemos que
!
n
n
X
xi
1X
np
E (b
p) = E (
x) = E
=
(E (xi )) =
=p
n
n
n
i=1
i=1
Luego el sesgo (
x) = E (
x) p = p p = 0 por lo que el estimador es insesgado.
c) Muestre que V ar(
p) = p(1p)
n
por distribuir Bernoulli.
Sabemos que V ar (xi ) = p(1p)
n
La funci
on de densidad de la variable aleatoria continua X est
a dada por

2kx, 0 x 2
f (x) =
0,
eol
a) Encuentre k
Para resolver esto usamos la importante propiedad
Z 2
(k2x) dx = 1
0

Luego,
2



x2 2
(k2x)dx = 2k
|0 = 1
2
0



 
 

x2 2
22
02
22
1
2k
|0 = 2k
2k
= 2k
= 4k = 1 k =
2
2
2
2
4
Z

b) Encuentre E(X)
Usamos la siguiente identidad para funciones de densidad :
Z
xf (x) dx
E((x)) =

Ahora resolvemos de acuerdo al problema, usando la respuesta entregada en a) que nos

muestra que la funci
on de densidad es f (x) = x2
Z 2 2
Z 2  
x
x
x3 2
23
03
23
8
x
dx =
dx =
|0 =

=
=
2
2
3

2
6
6
6
6
0
0
c) Encuentre Var(X)
Usamos la siguiente identidad para funciones de densidad :
Z


2
2
V (x) =
(x x ) f (x) dx = E x2 (E (x))

Ahora resolvemos de acuerdo al problema, usando la respuesta entregada en a) que nos

muestra que la funci
on de densidad es f (x) = x2 Y para la varianza tenemos (nuevamente
aprovechamos la respuesta anterior E (x) = 68 ),
 2




8
2
2
2
V (x) = E x (E (x)) = E x
6
Otra definici
on que debemos recordar es la siguiente
Z
E (g (x)) =
g (x) f (x) dx

Y siendo g (x) = x2 , tenemos que

E x2 =

x2 f (x) dx

Que para el caso del ejercicio nos queda

Z 2  
Z 2 3
x
x4 2
24
x
x2
dx =
dx =
|0 =
=2
2
2
42
8
0
0
Luego,

V (x) = 2

82
6


=

2
9

Suponga X e Y son variables aleatorias continuas con una funci

on de densidad conjunta
dada por
 3y2
0 x 2, 0 y 1
2 ,
f (x, y) =
0,
eol
a) Encuentre las densidades marginales de X e Y
Las densidades marginales se definen
Z
fx (x) =
fx,y (x, y) dy
Ry

Z
fy (y) =

fx,y (x, y) dx
Rx

Para el caso del ejercicio,

Z

fx (x) =
0

Z
fy (y) =
0

2

3y 2
2

3y 2
2

y3
2

3xy 2
2


dy =


dx =

|10 =

1
2

|20 =

3y 2
2

b) Son X e Y independientes?
Dos variables aleatorias se dicen independientes si al producto de las marginales es igual a la
conjunta , es decir
fx,y (x, y) = fx (x) fy (y)
En la alternativa a) obtuvimos las funciones marginales, veamos si el producto de ellas es
igual a la conjunta
fx (x) fy (y) =

3y 2 1
3y 2
=
= fx,y (x, y) q.e.d que son independientes
2 2
2

c) Son independientes los sucesos {x < 1} e {y T

0.5}?
Dos eventos,A y B , se dicen independientes si P (A B) = P (A) P (B). Calcularemos las
tres proabilidades anteriores y veremos que ocurre.
As,
Z 1
Z 1
x
1
1
P (x < 1) =
fx (x) dx =
dx =
|10 =
2
2
2
0
0
Z 1


7
1
P (y 0, 5) =
3y 2 dy = y 3 |10,5 = 1 =
8
8
0,5
Z 1Z 1
Z 1
3y 2
7
7
P (x < 1; y 0, 5) =
dydx =
dx =
16
0
0,5 2
0 16
Es trivial notar que P (x < 1; y 0, 5) = P (x < 1) P (y 0, 5) lo cual, bajo la definicion
anterior, implica que dichos sucesos son independientes (Graficamente es mas facil verlo,
basta notar el grafico que refleje los recorridos de las variables).
9

Considere una muestra de 50 empleados en una firma particular, que tiene una media
de salarios de 160 por trabajador con una desviaci
on est
andar de la media de 1.44.
Suponga que la muestra de 40 empleos, tomada de otra firma, tiene una media de
salarios por trabajador de 155 y una desviaci
on est
andar de la media de 1.5. Testee
la diferencia entre las dos firmas con un nivel de significancia de 5%.
Seg
un los datos, se plantea el siguiente test
H0 : x y 0 vs H1 : x y > 0
Se plantea el estadstico (por ser ambas muestras) grandes)
Zc =

x
y (x y )
 2
1
S1
S22 2
n1 + n2

El cual para el caso de nuestro ejercicio es

Zc = 

(5)
1,442
50

1,52
40

 21 = 15, 9946

Luego, se rechaza la hip

otesis nula si
Zc > Zt
En donde
Zt = Z1 = Z0,95 = 1, 64
Luego Zc > Zt por lo que se rechaza la hipotesis nula bajo un 95% de confianza.

10