Clase3 3 PDF

ASIGNATURA FST41: CARACTERÍSTICAS DE LA
MUESTRA y Y SUS DISTRIBUCIONES

ESTADÍSTICOS
Cirilo Alvarez Rojas
Universidad Nacional De Ingeniería

Facultad De Ingeniería Económica,Ingeniería Estadística
Y Ciencias Sociales
ESCUELA PROFESIONAL DE INGENIERÍA ESTADÍSTICA
Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS 1DISTRI
/ 56
Otros Estadísticos
Otros estadísticos pueden ser:
(1) El i-ésimo estadístico de orden: Considere el estadístico

Tx1 , x2 , . . . , xn = (x(1) , x(2) , . . . , x(n) ) donde (x(1) , x(2) , . . . , x(n) ) es
una permutación de x1 , x2 , . . . , xn tal que x(1) < x(2) < · · · < x(n)
(supuesto que las xi son distintas). Tome ahora
T (X1 , X2 , . . . , Xn ) = (X(1) < X(2) < · · · , X(n) ). Entonces el i-ésimo
estadístico de orden es X(i) para i = 1, 2, . . . , n.
Comentario 1
No es verdad que X(i) = X(j) para algún 1 ≤ j ≤ n; lo que se tiene es

X(i) (ω) = X(j) (ω) para un ω dado y algún j. cuando variamos ω, j puede
variar.
/ 56
(2) Mediana muestral: La mediana muestral es definida por

X 1 = T (X1 , X2 , . . . , Xn ) =
X((n+1)/2)
1
si n es impar
2
2 X(n)/2 + X((n+2)/2) si n es par
n n+1

Tenga en cuenta que 2 +1 = 2 si n es impar.
(3) Combinaciones lineales de la muestra:
T (X1 , X2 , . . . , Xn ) = a1 X1 + · · · + an Xn con a1 ,a2 ,. . . ,an constantes.
(4) Combinaciones lineales de las estadísticas de orden:
T (X1 , X2 , . . . , Xn ) = a1 X(1) + a2 X(2) + · · · + an X(n)
T (X1 , X2 , . . . , Xn ) = nj=1 aj X(j)
P
/ 56
Comentario 2
No es verdad que
a1 X1 + · · · + an Xn = a1 X(1) + a2 X(2) + · · · + an X(n)
Comentario 3
La media es una estadística del tipo (3), con a1 = a2 = · · · an = 1/n y

también es de tipo (4).
/ 56
Función de distribución empírica y sus características
distribucionales
Sea X1 , X2 , . . . , Xn una muestra aleatoria de una población con función de

distribución F . En esta sección se considera algunas característica
muestrales comúnmente utilizadas y sus distribuciones.
Definición 1
n
1X
Sea F̂ (x) = (x − Xj ); donde
n
j=1

1 si x − Xj ≥ 0
(x − Xj ) =
0 si x − Xj < 0
/ 56
Entonces nF̂ (x) es el número de variables Xk que son menores o iguale a x
(≤ x) (1 ≤ k ≤ n). F̂ (x) se llama distribución muestral (o empírica).
Si X(1) , X(2) ,. . . , X(n) es el estadístico de orden para X1 ,X2 ,. . . ,Xn ,

entonces es evidente que,

 0 si x < X(1)
k
F̂ (x) = si X(k) ≤ x < X(k+1) (k = 1, 2, . . . .n − 1) (1)
 n
1 si x ≥ X(n)
Para x ∈ R fijo pero de otra manera arbitraria, en sí F̂ (x) es una variable

aleatoria.
/ 56
Ejemplo 1.
Sean 4,5,8,10 y 8 minutos los tiempos de espera de 5 personas en un

paradero de un ómnibus. Entonces, denotando por X1 = 4, X2 = 5,
X3 = 8, X4 = 10 y X5 = 8 y aplicando la definición anterior tenemos:
5
1X
si x < 4 ⇒ F̂ (x) = (x − Xj ) = 0
5
j=1
5
1X 1
si 4 ≤ x < 5 ⇒ F̂ (x) = (x − Xj ) = 5
5
j=1
5
1X 2
si 5 ≤ x < 8 ⇒ F̂ (x) = (x − Xj ) = 5
5
j=1
5
1X 4
si 8 ≤ x < 10 ⇒ F̂ (x) = (x − Xj ) = 5
5
j=1
5
1X
si x ≥ 10 ⇒ F̂ (x) = (x − Xj ) = 1
Cirilo Alvarez Rojas (UNI-FIEECS) 5
ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS 7DISTRI
/ 56
lo que se puede escribir como sigue:


 0 si x <4
1



 5 si 4≤x <5
2
F̂ (x) = 5 si 5≤x <8
4
si 8 ≤ x < 10


 5


 1 si x ≥ 10
Teorema 1
La variable aleatoria F̂ (x) tiene la función de probabilidad

j n
P F̂ (x) = = [F (x)]j [1 − F (x)]n−j , j = 0, 1, 2, . . . , n, (2)
n j
con esparanza

E F̂ (x) = F (x) (3)
Cirilo Alvarez Rojas (UNI-FIEECS) (4)

ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS 8DISTRI
/ 56
y varianza
F (x) [1 − F (x)]
Var F̂ (x) =
n
Prueba.
Como (x − Xj ), j = 1, 2, . . . , n, son variables aleatorias independientes e
idénticamente distribuidas (iid) cada una con función de probabilidad (fp)
P ((x − Xj ) = 1) = P (x − Xj ≥ 0) = F (x) y
P ((x − Xj ) = 0) = 1 − F (x)
su suma nF̂ (x) es una variable aleatoria que se distribuye en forma
binomial Bin(n, θ), donde θ = F (x); es decir

n
P(nF̂ (x) = j) = [F (x)]j [1 − F (x)]n−j , j = 0, 1, 2, . . . , n,
j

j n
P F̂ (x) = = [F (x)]j [1 − F (x)]n−j
n j
/ 56
Luego,
E(nF̂ (x)) = nF (x) ⇒ E(F̂ (x)) = F (x) y

F (x)(1 − F (x))
Var (nF̂ (x)) = nF (x)(1 − F (x)) ⇒ Var (F̂ (x)) =
n
Corolario 1
p
F̂ (x) −→ F (x) cuando n → ∞.
Corolario 2
√ h i
n F̂ (x) − F (x) D
p → Z cuando n → ∞,
F (x) [1 − F (x)]
donde Z ∼ N (0, 1).
Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS10DISTRI
/ 56
El corolario 1 es consecuencia de la ley débil de los grandes números de
Bernoulli publicada en Ars Conjectandi 1713, y el corolario 2 es del
Teorema Central de límite.
La convergencia en el corolario 1 es para cada valor de x. Es posible hacer

una afirmación probabilística simultáneamente para tos los x. A
continuación se da el teorema cuya demostración se debe a Fiz
Teorema 2
[Glivenko-Cantelli] Sea F̂n (x) la función de distribución empírica de una
muestra de tamaño n elementos extraída de una población en la cual la
variable aleatoria X (característica) tiene la función de distribución teórica
F (x). Entonces la probabilidad de que la sucesión F̂n (x) converja para
F (x), cuando n → ∞, uniformemente en x (−∞ < x < ∞) es igual a uno.

/ 56
Esto es, sea
Dn = sup |F̂n (x) − F (x)|, (5)

−∞<x<∞
la expresión Dn es una variable aleatoria. La afirmación del teorema de

Glivenco establece entonces que
P( lı́m Dn = 0) = 1.
n→∞
Prueba.
La demostración de este Teorema, el lector puede consultar Fisz [32]
página 391.
El teorema de Glivenco-Cantelli significa que si la muestra es

suficientemente grande y se verifica el teorema, entonces la muestra puede
proporcionar información casi exacta sobre la distribución de la población.
/ 56
A continuación consideremos algunos valores característicos de la función
distribución muestral F̂n (x), llamados estadísticos muestrales. Como F̂n (x)
tiene puntos de salto Xj ; j = 1 . . . , n es evidente que todos los momentos
de F̂n existen. Así definimos los siguientes:

/ 56
Momento Muestral de r -ésimo orden
El momento muestral de orden r en el entorno de cero se define por

n
1X r
mr = Xj r = 1, 2, . . . (6)
n
J=1
con esta notación se tien

n
1X
m1 = Xj = X̄ (7)
n
j=1
la cual es la media muestral.

/ 56
Momentos Muestrales Centrales de r -ésimo orden
El momento muestral central de orden r en el entorno de m1 = X̄ se define

por
n
0 1X
mr = (Xj − X̄ )r r = 1, 2, . . . (8)
n
J=1
es evidente que,
n
0 1X
m1 = Xj − X̄ = 0 y
n
j=1

0 n−1
m2 = S 2. (9)
n

/ 56
Se debe tener en cuenta que m20 no es la varianza muestral. S 2 se llamará
como la varianza muestral por razones de propiedad que se verán más
adelante.
Función característica de Fˆn (x)

La función característica de la distribución muestral,
ΦF̂n (x) (t) = ΦM (t), se definida por
n
1 X itXj
ΦM (t) = e (10)
n
j=1
También se pueden definir en forma análoga momentos muestrales de

distribuciones bivariadas y multivariadas.

/ 56
Sean por ejemplo (X1 , Y1 ),(X2 , Y2 ),. . . , (Xn , Yn ) una muestra aleatoria
extraída de una población con función de distribución bivariada, definimos
n n
1X 1X
X̄ = Xj , Ȳ = Yj (11)
n n
j=1 j=1
para las dos medias muestrales, y para los momentos centrales de segundo
orden escribimos
n n
0 1X 0 1X
m20 = (Xj − X̄ )2 , m02 = (Yj − Ȳ )2 ,
n n
j=1 j=1
(12)
n
0 1X
m11 = (Xj − X̄ )(Yj − Ȳ )
n
j=1

/ 56
De nuevo escribimos
n n
1 X 1 X
S12 = (Xj − X̄ )2 , S22 = (Yj − Ȳ )2 (13)
n−1 n−1
j=1 j=1
para las dos varianzas muestrales, y para la covarianza muestral usamos la

cantidad
n
1 X
S11 == (Xj − X̄ )(Yj − Ȳ ) (14)
n−1
j=1
En particular, el coeficiente correlación muestral se define por

0
m11 S11
r=q = . (15)
0 0
m20 m02 S1 S2
Puede demostrarse que |r | ≤ 1, los valores extremos ±1 solo puede ocurrir

cuando todos los puntos muestrales (X1 , Y1 ),(X2 , Y2 ),. . . , (Xn , Yn ) están
sobre una línea recta.
/ 56
También se puede elaborar fórmulas para las dos líneas de regresión. Así la
línea de regresión de Y sobre X puede demostrarse que es igual a
S2
y − Ȳ = r (x − X̄ ), (16)
S1
y es llamado la regresión muestral (lineal) de Y sobre X . r SS12 se llama el

coeficiente de regresión muestral de Y sobre X . En forma similar se puede
aplicar a la regresión de X sobre Y .

/ 56
Definición 2 (Cuantiles muestrales)
Los cuantiles muestrales son definidos en una forma similar. Así, si

0 < p < 1, el cuantil muestral de orden p , denotado por Zp es el
estadístico de orden X(r ) donde

np : si np es un número entero,
r=
[np + 1] : si np no es un número entero.
Como siempre, [x] el entero mayor ≤ x. Tenga en cuenta que, si np es un

entero se puede tomar cualquier valor entre X(np) y X(np)+1 como el
p−ésimo cuantil muestral.

/ 56
Momentos de las característica muestrales
A continuación consideremos los momentos de las característica

muestrales. En lo que sigue escribimos E (X r ) = mr para momentos
poblacionales en el origen y µr = E (X − µ)r para los momentos
poblacionales de r −ésimo orden respecto a la media poblacional.
Ejercicio 2.
Demuestre que
r
X r
µr = (−1)r −k µr −k E(X k )
k
k=1
Siempre que usemos mr o (µr ), se asumirá que existe. También, σ 2

representa la varianza poblacional.

/ 56
Teorema 3
Sean X1 ,X2 ,. . . ,Xn una muestra aleatoria que proviene de una población
con función de distribución (fd) F . Entonces
E (X̄ ) = µ (17)
σ2
Var (X̄ ) = (18)
n
3
m 3 + 3(n − 1)m2 µ + (n − 1)(n − 2)µ
E (X 3 ) = , (19)
n2
y
m4 + 4(n − 1)m3 µ + 6(n − 1)(n − 2)m2 µ2 + 3(n − 1)m22

E (X 4 ) =
n3
(n − 1)(n − 2)(n − 3)µ4
+ (20)
n3

/ 56
Prueba.
1. Prueba de (17) Por definición de la media muestral, X̄ tenemos,
n
1X
X̄ = Xj (21)
n
i=1
Tomando la esperanza a ambos miembros de la igualdad (21) resulta

n
!
1X
E X̄ = E Xi
n
i=1
por la linealidad de la esperanza se tiene

n
1X
E(X̄ ) = E(Xi )
n
i=1
y debido a que las variables Xi son iid resulta

/ 56
n
1X
E(X̄ ) = E(X )
n
i=1
n
1 X
E(X̄ ) = µ=µ
n
i=1
Prueba de (18) Primero tenemos que,

n
!2 n
! n !
X X X
Xj = Xj Xj
i=1 i=1 i=1
n
X n−1
X X n
= Xi2 + 2 Xi Xj=i+1
i=1 i=1 j=i+1
n
!2 n n−1 X
n
X X X
∴ Xj = Xi2 +2 Xi Xj=i+1 (22)
i=1 i=1 i=1 j=i+1

/ 56
Ahora por definición de varianza de una variable aleatoria se tiene
Var (X̄ ) = E(X̄ 2 ) − {E(X̄ )}2
calculamos E X̄ 2 como sigue

 !2 
n
1X
E(X̄ 2 ) = E  Xj 
n
i=1
 !2 
n
1 X
= E Xj 
n2
i=1
 !2 
n
1 X
= 2E Xj 
n
i=1

/ 56
utilizando la igualdad (22) se tiene
 
n n−1 X
n
1 X X
= 2 E Xi2 + 2 Xi Xj=i+1 
n
i=1 i=1 j=i+1
por la linealidad de la esperanza se tiene

 
n n−1 X
n
1 X X
E Xi2 + 2

= 2 E (Xi Xj=i+1 )
n
i=1 i=1 j=i+1
y debido a que las variables Xi son independientes resulta

 
n n−1 Xn
1 X X
E X2 + 2

= 2 E(X )E(X )
n
i=1 i=1 j=i+1
luego utilizando las propiedades de la sumatoria y teniendo en cuenta que

E (X ) = µ tenemos

/ 56
1
nE (X 2 ) + n(n − 1)µ2

= 2
n
lo que resulta
1 (n − 1) 2
E (X̄ 2 ) = E (X 2 ) + µ
n n
luego la varianza de la media muestral resulta
1 (n − 1) 2
Var (X̄ ) = E (X 2 ) + µ − {µ2 }
n n
1 1 2 1 σ2
Var (X̄ ) = E (X 2 ) − µ = E(X 2 ) − µ2 =
n n n n

/ 56
Prueba de (19) En forma análoga primero probemos que
Primero tenemos que,
 3  2  
X n X n Xn
 Xj  =  Xj   Xj 
j=1 j=1 j=1
  
Xn n X
X n n
X
= Xi2 + 2 Xj Xk   Xj 
j=1 j=1 k=1 j=1
     
Xn n
X Xn X
n n
X
= Xj2   Xj  + 2  Xj Xk   Xj 
j=1 j=1 j=1 k=1 j=1
realizando las operaciones algebraicas y las propiedades de la sumatoria se

obtiene
 3
n
X n
X X X
 Xj  = Xi3 + 3 Xj2 Xk + Xj Xk Xl (23)
j=1 i=1 j6=k j6=k6=l
/ 56
Continuando con la demostración tenemos
 3    3 
n n
1 X 1 X
E(X̄ 3 ) = E  Xj   = E  3  Xj  
n n
j=1 j=1
 3 
n
1 X  
= 3E Xj
n
j=1
teniendo en cuenta la igualdad (??) resulta

 
n
1 X 3 X X
= 3E Xi + 3 Xj2 Xk + Xj Xk Xl 
n
i=1 j6=k j6=k6=l
por la linealidad de la esperanza y debido a que las variables aleatorias Xi

son iid se tiene
 
n
1 X X X
= 3 E(X 3 ) + 3 E(X 2 )E(X ) + E(X )E(X )E(X )
n
i=1 j6=k j6=k6=l
/ 56
teniéndo en cuenta que E (X 3 ) = m3 y E (X ) = µ finalmente resulta
1
E(X̄ 3 ) = 3

m3 + 3(n − 1)m2 µ + (n − 1)(n − 2)µ
n2

/ 56
Prueba de (20) Similarmente primero probamos que
 4  3  
Xn Xn Xn
 Xj  =  Xj   Xj 
j=1 j=1 j=1
utilizando la igualdad (23) se tiene

  
Xn X X Xn
= Xi3 + 3 Xj2 Xk + Xj Xk Xl   Xj 
i=1 j6=k j6=k6=l j=1
" n
#n

 
n

X X X X
= Xi3  Xj  + 3  Xj2 Xk   Xj 
i=1 j=1 j6=k j=1
  
X n
X
+ Xj Xk Xl   Xj 
j6=k6=l j=1
realizando las operaciones algebraicas se obtiene el siguiente resultado

/ 56
 4
n
X n
X X X
 Xj  = Xi4 + 4 Xj Xk3 + 3 Xj2 Xk2
j=1 i=1 j6=k j6=k (24)
X X
+6 Xi2 Xj Xk + Xi Xj Xk Xl
i6=j6=k i6=j6=k6=l
la prueba se completa siguiendo la misma secuencia como en el caso

anterior.
Teorema 4
Para los momentos centrales de tercer y cuarto orden de X̄ , se tiene

µ3
µ3 (X̄ ) = (25)
n2
µ4 (n − 1)µ22
µ4 (X̄ ) = 3 + 3 (26)
n n3
/ 56
Prueba
Probemos la relación (25) como sigue
" n
#3
h 3 i 1X
µ3 (X̄ ) = E X −µ =E (Xj − µ)
n
J=1
 ! 
n 3
1  X
µ3 (X̄ ) = 3 E (Xj − µ) 
n
J=1

n
1 X X
= 3E (Xj − µ)3 + (Xj − µ)2 (Xj − µ)
n
J=1 j6=k

X
+ (Xj − µ)(Xk − µ)(Xl − µ)
j6=k6=l

/ 56
ahora utilizando la linealidad del operador esperanza y teniendo en cuenta
que funciones de variables independientes siguen siendo independientes
tenemos

n
1 X X
= 3 E(Xj − µ)3 + E(Xj − µ)2 E(Xj − µ)
n
J=1 j6=k

X
+ E(Xj − µ)E(Xk − µ)E(Xl − µ)
j6=k6=l
Del cual resulta

" n #
1 X 1 µ3
= 3 E(Xj − µ)3 = 3 nE(X − µ)3 = 2
n n n
J=1
Prueba de la relación (26),tenemos

/ 56
utilizando una expresión análoga a la relación (24) tenemos
n
!4 n
X X X
(Xi − µ) = (Xi − µ)4 + 4 (Xj − µ)(Xk − µ)3
i=1 i=1 j6=k
X X
+3 (Xj − µ)2 (Xk − µ)2 + 6 (Xi − µ)2 (Xj − µ)(Xk − µ)
j6=k i6=j6=k
X
+ (Xi − µ)(Xj − µ)(Xk − µ)(Xl − µ)
i6=j6=k6=l
tomando la esperanza en la igualdad anterior y teniendo en cuenta que los

términos segundo, tercero y cuarto del lado derecho son ceros resulta
n n−1 n
1 X 4 1 X X
µ4 (X̄ ) = E(X − µ) + 3 E(X − µ)2 E(X − µ)4
n4 n4
i=1 j=1 k=j+1
lo que finalmente resulta

µ4 3(n − 1) 2
µ4 (X̄ ) = + µ2
n3 n3
/ 56
Teorema 5
0
Para los los momentos centrales mr se tiene
0 (n − 1) 2
E(m2 ) = σ (27)
n
0 µ4 − µ22 2(µ4 − µ22 ) µ4 − 3µ22
Var (m2 ) = − + (28)
n n2 n3
0 (n − 1)(n − 2)
E(m3 ) = µ3 (29)
n2
0 (n − 1)(n2 − 3n + 3) 3(n − 1)(2n − 3) 2
E(m4 ) = µ4 + µ2 (30)
n3 n3

/ 56
Prueba.
Prueba de la ecuación (27)
Tomando en cuenta la igualdad (8) con r = 2 tenemos
 
n
0 1 X
E(m2 ) = E  (Xj − X̄ )2 
n
j=1
 
n
0 1 X
E(m2 ) = E (Xj − X̄ )2 
n
j=1
 
n
0 1 X 2
E(m2 ) = E  (Xj − µ) − (X̄ − µ) 
n
j=1
 
n n
0 1 X X
E(m2 ) = E  (Xj − µ)2 − 2(X̄ − µ) (Xj − µ) + n(X̄ − µ)2 
n
j=1 j=1

/ 56
 
n
0 1 X
E(m2 ) = E  (Xj − µ)2 − n(X̄ − µ)2 
n
j=1
ahora tomando la esperanza y teniendo en cuenta que las variables Xj son

iid se tiene
 
n
0 1 X
E(m2 ) =  E(X − µ)2 − nE(X̄ − µ)2 
n
j=1
0 1
nE(X − µ)2 − nE(X̄ − µ)2

E(m2 ) =
n
σ2

0 2 n−1
E(m2 ) = σ − = σ2
n n

/ 56
Prueba de la ecuación (28) Tomando en cuenta la igualdad (8) con
r = 2 y elevando al cuadrado tenemos
 2 
n
h 0
i 1 X
E (m2 )2 = E  (Xj − X̄ )2  
n
j=1
 2
n
h 0 i 1 X
E (m2 )2 = 2 E  (Xj − µ)2 − n(X̄ − µ)2 
n
j=1
Escribiendo Yi = Xi − µ, se observa que E (Yi ) = 0, Var (Yi ) = σ 2 , y

E (Yi4 ) = µ4 . se tiene
 2
n
h 0
i 1 X
E (m2 )2 = 2E  Yj2 − n(Ȳ 2 )
n
j=1

/ 56
Desarrollando la expresión anterior y omitiendo los términos en los que
E (Yi ) = 0, resulta
  
n n
h 0 i 1 X X 2 X X
E (m2 )2 = 2 E  Yj4 + Yi2 Yj2 −  Yj4 + Yi2 Yj2 
n n
J=1 i6=j J=1 i6=j
 
n
1  X 2 2 X 4 
+ 3 3 Yi Yj + Yj
n
i6=j J=1
Luego tomando la esperanza y teniendo en cuenta que las variables Yj son

iid, se tiene

h 0 2
i 1 2
= 2 nµ4 + n(n − 1)µ22 − nµ4 + n(n − 1)µ22

E (m2 )
n n

1 2

+ 3 3n(n − 1)µ2 + nµ4
n

/ 56
Realizando las operaciones indicadas resulta
h 0 i 1

3

2 2
n E (m2 ) = n − 2 + µ4 + n − 2 + (n − 1)µ22
n n
0
Luego la varianza de (m2 ) resulta
0 0 0
Var (m2 ) = E[(m2 )2 ] − {E(m2 )}2
µ22 n−1 2 2

1 µ4 3
= n−2+ + n−2+ (n − 1) 2 − µ2
n n2 n n n
µ22

1 µ4
= n−2+ + (n − 1)(3 − n)
n n2 n3
que es igual a la relación (28)
Ejercicio 3.
Demostrar las relaciones (29) y (30) del Teorema 5
/ 56
Corolario 3
E(S 2 ) = σ 2
Corolario 4
µ4 3−n
Var (S 2 ) = n + 2
n(n−1) µ2 (µ2 = σ 2 )
El siguiente teorema justifica la definición de la covarianza muestral.

Teorema 6
Sea (X1 , Y1 )(X2 , Y2 ) . . . , (Xn , Yn ) una muestra de una población bivariada

con varianzas σX2 y σY2 y covarianza ρσX σY . Entonces
E(S12 ) = σX2 , E(S22 )σY2 E(S11 ) = ρσX σY (31)

/ 56
donde S12 , S22 y S11 están definidas en las ecuaciones (14) y (15)
Función Característica de la media
muestral, X
En lo que sigue, centramos nuestra atención en las distribuciones de las
características de la muestra. Existen varias posibilidades. Si la distribución
muestral exacta es posible aplicar, entonces el método de transformación
de variables o funciones de vectores muestrales pueden ser usados. A veces
la técnica de la función característica puede ser aplicado. Po lo tanto, si
X1 , X2 , . . . , Xn es una muestra aleatoria de una distribución poblacional
para la cual la función característica existe, entonces la función
característica (fc)de la media muestral, X es definida por
 
Pn 1 Yn Xj h t in
ΦX (t) = E e itX = E e it j=1 n Xj = E  e it n  = ΦX
n
j=1

/ 56
donde ΦX es la función característica de la distribución poblacional.
Ejemplo 4.
Sea X1 , X2 , . . . , Xn una muestra de una población con distribución Γ(α, 1).
Calculemos la función de densidad de probabilidad de la media muestral X :
Tenemos
h t in
ΦX (t) = ΦX (32)
n
por otro lado sabemos que si X ∼ Γ(α, 1) −→ ΦX (t) = (1 − it)−α , luego
t in t −α n t −nα
h
ΦX (t) = ΦX = 1−i = 1−i
n n n
y por el teorema de la unicidad de la función característica se concluye que

X ∼ Γ(nα, n1 )

/ 56
Ejemplo 5.
Sea X1 , X2 , . . . , Xn una muestra aleatoria de una población con distribución
uniforme en el intervalo (0, 1). Considere la media geométrica,
Q 1
n n
Yn = X G = j=1 XJ tomando logaritmo a ambos lados de la
desigualdad anterior se tiene log(Yn ) = log X G = n1 nj=1 log(Xj ), por lo
P

tanto log X G es la media aritmética de los log X1 , . . . , log Xn .
La función de densidad común de log X1 , . . . , log Xn ; es decir, la densidad

de log(X ), es
ex

si x < 0
f (x) =
0 si c.c.
la cual es la distribución exponencial negativa con parámetro β = 1. Luego
la función característica de log Yn es
t −n
Φlog Yn (t) = 1 + i
n
/ 56
y la función de densidad de probabilidad de log Yn está dada por
( n
n n−1 e nx , si −∞ < x < 0
flog Yn (x) = Γ(n) (−x)
0 si c.c.
Resultando la función de densidad de probabilidad de Yn

( n
n n−1 (− log y )n−1 , si 0 < y < 1
fYn (y ) = Γ(n) y
0 si c.c.

/ 56
Ejercicios propuestos
1. Sea X1 , X2 , . . . , Xn una muestra aleatoria de un fd F , y sea F̂ (x) la

función de distribución de la muestra. Encuentre Cov(F̂ (x), F̂ (y ))
para números reales fijos x, y .
2. (a) Demuestre que el coeficiente de correlación muestral r satisface
|r | ≤ 1 con igualdad si y solo si todos los puntos de muestra se
encuentran en una línea recta.
(b) Si escribimos Ui = aXi + b(a 6= 0) y Vi = cYi + d(c 6= 0), ¿cuál
es el coeficiente de correlación de la muestra entre las U y las V ?.
3. (a) Se toma una muestra de tamaño 2 de la fdp f (x) = 1, 0 ≤ x ≤ 1,
y = 0 de lo contrario. Encuentre P(X ≥ 0,9).

/ 56
(b) Se toma una muestra de tamaño 2 de Ber(1, θ):
(i) Encuentre P(X ≤ θ)
(ii) Encuentre P(S 2 ≥ 0,5).
4. sean X1 , X2 , . . . , Xn una muestra aleatoria de la N (µ, σ 2 ). Calcule los

primeros cuatro momentos muestrales de X sobre el origen y sobre la
media. También calcule los primeros cuatro momentos de muestra de
S 2 sobre su media.
5. Sea U(1) , . . . , U(n) será el estadístico de orden de una muestra de
tamaño n de la U(0, 1). Calcule E(U(rk ) ) para cualquier 1 ≤ r ≤ n y
entero k(> 0). En particular, demuestre que
r r (n − r + 1)
E(U(r ) ) = Var (U(r ) ) =
n+1 (n + 1)2 (n + 2)

/ 56
Demuestre también que el coeficiente de correlación entre U(r ) y U(s) para
1 ≤ r < s ≤ n está dado por
1/2
[r (n − s + 1)
.
s(n − r + 1)
6. Sea X1 , X2 , . . . , Xn n observaciones independientes sobre X . Encuentre

la distribución muestral de X , la media muestral, si (a) X ∼ P(λ), (b)
X ∼Cauchy(0, 1) y (c) X ∼ χ2 (m)

/ 56

Clase3 3 PDF

Cargado por

Copyright:

Formatos disponibles

Clase3 3 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase3 3 PDF

Cargado por

Copyright:

Formatos disponibles

ASIGNATURA FST41: CARACTERÍSTICAS DE LA

MUESTRA y Y SUS DISTRIBUCIONES

Cirilo Alvarez Rojas

Universidad Nacional De Ingeniería

Otros estadísticos pueden ser:

(1) El i-ésimo estadístico de orden: Considere el estadístico

No es verdad que X(i) = X(j) para algún 1 ≤ j ≤ n; lo que se tiene es

La media es una estadística del tipo (3), con a1 = a2 = · · · an = 1/n y

Sea X1 , X2 , . . . , Xn una muestra aleatoria de una población con función de

Si X(1) , X(2) ,. . . , X(n) es el estadístico de orden para X1 ,X2 ,. . . ,Xn ,

Para x ∈ R fijo pero de otra manera arbitraria, en sí F̂ (x) es una variable

Sean 4,5,8,10 y 8 minutos los tiempos de espera de 5 personas en un

La variable aleatoria F̂ (x) tiene la función de probabilidad

Cirilo Alvarez Rojas (UNI-FIEECS) (4)

E(nF̂ (x)) = nF (x) ⇒ E(F̂ (x)) = F (x) y

La convergencia en el corolario 1 es para cada valor de x. Es posible hacer

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS11DISTRI

Dn = sup |F̂n (x) − F (x)|, (5)

la expresión Dn es una variable aleatoria. La afirmación del teorema de

El teorema de Glivenco-Cantelli significa que si la muestra es

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS13DISTRI

El momento muestral de orden r en el entorno de cero se define por

con esta notación se tien

la cual es la media muestral.

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS14DISTRI

El momento muestral central de orden r en el entorno de m1 = X̄ se define

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS15DISTRI

Función característica de Fˆn (x)

También se pueden definir en forma análoga momentos muestrales de

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS16DISTRI

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS17DISTRI

para las dos varianzas muestrales, y para la covarianza muestral usamos la

En particular, el coeficiente correlación muestral se define por

Puede demostrarse que |r | ≤ 1, los valores extremos ±1 solo puede ocurrir

y es llamado la regresión muestral (lineal) de Y sobre X . r SS12 se llama el

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS19DISTRI

Los cuantiles muestrales son definidos en una forma similar. Así, si

Como siempre, [x] el entero mayor ≤ x. Tenga en cuenta que, si np es un

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS20DISTRI

A continuación consideremos los momentos de las característica

Siempre que usemos mr o (µr ), se asumirá que existe. También, σ 2

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS21DISTRI

m4 + 4(n − 1)m3 µ + 6(n − 1)(n − 2)m2 µ2 + 3(n − 1)m22

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS22DISTRI

Tomando la esperanza a ambos miembros de la igualdad (21) resulta

por la linealidad de la esperanza se tiene

y debido a que las variables Xi son iid resulta

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS23DISTRI

Prueba de (18) Primero tenemos que,

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS24DISTRI

Var (X̄ ) = E(X̄ 2 ) − {E(X̄ )}2

calculamos E X̄ 2 como sigue

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS25DISTRI

por la linealidad de la esperanza se tiene

y debido a que las variables Xi son independientes resulta

luego utilizando las propiedades de la sumatoria y teniendo en cuenta que

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS26DISTRI

Cirilo Alvarez Rojas (UNI-FIEECS) ASIGNATURA FST41: CARACTERÍSTICAS DE LA MUESTRA y Y SUS27DISTRI

realizando las operaciones algebraicas y las propiedades de la sumatoria se