Curso: Estadı́stica Bayesiana Semestre: I- 2021

Profesor: MSc. Christian Amao Suxo Temas a evaluar:

Tipo de examen: Práctica Calificada 1 -Estadı́stica Paramétrica
Fecha: 08/05/2021 -Teorema de Bayes
Tiempo Lı́mite: 90 Minutos -Distribución predictiva

Indicaciones: Esta práctica calificada cuenta con 3 preguntas con un puntaje máximo al-
canzable de 20 puntos. En cada item justifique y explique rigurosamente su respuesta ya
que el procedimiento de solución será considerado.

1. Un proceso autoregresivo de primer orden X0 , X1 , . . . , Xn es definido probabilı́sticamente

por la distribución condicional

Xi |Xi−1 = xi−1 , . . . , X0 = x0 ∼ N (αxi−1 , 1), para i = 1, 2, . . . , n; |α| < 1

y una distribución inicial para X0 . Este es un modelo popular para modelar series de
tiempo. Considerando que la variable X0 es no estocástica y toma un valor fijo x0 .
(a) (3 ptos) Halle la función de verosimilitud para el parámetros de interés (α).
(b) (2 ptos) Halle el estimador máximo verosı́mil de este modelo probabilı́stico.
(c) (3 ptos) Halle la información esperada de Fisher para el parámetro de interés.

2. (5 ptos) Establezca el orden de veracidad de las siguientes proposiciones. En caso de

ser falsas, justifique su respuesta mencionando cuál deberı́a ser el enunciado correcto
(brinde un contraejemplo si es necesario).
(a) En la estimación puntual clásica, es siempre posible hallar un estimador insesgado
y de mı́nima varianza.
(b) El nivel de confianza en la construcción de un intervalo de confianza me indica la
probabilidad de encontrar el parámetro dentro del intervalo hallado por la muestra
seleccionada.
(c) El p−valor en una prueba de hipótesis me indica qué tan probable es que ocurra la
hipótesis nula, ya que mientras mayor sea el p-valor, mayor la evidencia a favor de
esta hipótesis.
(d) Para calcular el estimador máximo verosı́mil (EMV), siempre se toma el logaritmo
de la función de verosimilitud porque es más fácil derivar el EMV y todas las
distribuciones muestrales pertenecen a la familia de distribución exponencial.
(e) La distribución predictiva marginal se define como el esperado de una nueva obser-
vación a la muestra obtenida en el espacio de la distribución posteriori.

3. En un estudio de genética, se tiene como objetivo estimar la frecuencia génica (proporción

que se observa de un alelo especı́fico respecto al conjunto de los que pueden ocupar un
locus determinado en la población) en un marcador bialélico, el cual tiene el alelo A o B.
Curso: Estadı́stica Bayesiana Fecha: 08/05/2021

Para estimar esta frecuencia, se toman secuencias de ADN en esta ubicación (marcador
bialélico) de n individuos distintos. Sea X el número observado de alelos A en las n
secuencias de ADN y π denota la frecuencia génica. Responda los siguientes items.
(a) (2 ptos) Si a priori se sabe que no existen evidencias previas para favorecer la
ocurrencia de un valor especı́fico de frecuencia génica para este experimento, estime
la distribución posteriori del parámetro de interés.
(b) (3 ptos) Para algunos marcadores genéticos, es usual considerar distribuciones priori
bimodales para la frecuencia génica. Un ejemplo podrı́a ser una distribución priori
considerando una mixtura de dos distribuciones betas, esto es:

p(π) = ωp1 (π|α1 , β1 ) + (1 − ω)p2 (π|α2 , β2 ),

donde ω ∈ (0, 1), p1 y p2 corresponden a las funciones de densidad beta con

parámetros (α1 , β1 ) y (α2 , β2 ) respectivamente. Derive la distribución posteriori
para la frecuencia génica.
(c) (2 ptos) Estime la esperanza posteriori para los dos ı́tems anteriores.

“Lo que sabemos hoy no es lo que sabremos mañana”

C.A.S