Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 34 vistas

    Clase 02 EstMat

    Cargado por

    Jacm
    Este documento presenta el método de la función generadora de momentos para calcular la distribución de variables aleatorias compuestas de variables independientes. Explica cómo calcular la distribución de probabilidad y densidad de probabilidad de los estadísticos de orden, como el máximo y el mínimo, de una muestra. Proporciona ejercicios para aplicar estos conceptos al cálculo de distribuciones de variables aleatorias compuestas e estadísticos de orden.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Clase 02 EstMat

    Cargado por

    Jacm
    34 vistas2 páginas
    Este documento presenta el método de la función generadora de momentos para calcular la distribución de variables aleatorias compuestas de variables independientes. Explica cómo calcular la distribución de probabilidad y densidad de probabilidad de los estadísticos de orden, como el máximo y el mínimo, de una muestra. Proporciona ejercicios para aplicar estos conceptos al cálculo de distribuciones de variables aleatorias compuestas e estadísticos de orden.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta el método de la función generadora de momentos para calcular la distribución de variables aleatorias compuestas de variables independientes. Explica cómo calcular la distribución de probabilidad y densidad de probabilidad de los estadísticos de orden, como el máximo y el mínimo, de una muestra. Proporciona ejercicios para aplicar estos conceptos al cálculo de distribuciones de variables aleatorias compuestas e estadísticos de orden.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    34 vistas2 páginas

    Clase 02 EstMat

    Cargado por

    Jacm
    Este documento presenta el método de la función generadora de momentos para calcular la distribución de variables aleatorias compuestas de variables independientes. Explica cómo calcular la distribución de probabilidad y densidad de probabilidad de los estadísticos de orden, como el máximo y el mínimo, de una muestra. Proporciona ejercicios para aplicar estos conceptos al cálculo de distribuciones de variables aleatorias compuestas e estadísticos de orden.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 2

    EstMat - FCNM II PAO 2021

    Estadı́stica Matemática
    Clase 2

    Método de la función generadora de momentos de los datos. Esto es, necesitamos conocer las distribu-
    ciones de los estadı́sticos de orden Y(1) , Y(2) , . . . , Y(n) .
    Sean Y1 , Y2 , . . . , Yn v.a.’s independientes con fun- Sean Y1 , Y2 , . . . , Yn v.a.’s continuas independientes con
    ción generadora de momentos (FGM) mY1 (t), mY2 (t), distribución acumulada F (y) y función de densidad
    . . . , mYn (t), respectivamente. Si U = Y1 + Y2 + · · · + Yn , f (y). Denotamos a las variables ordenadas Yi por
    entonces tenemos que Y(1) , Y(2) , . . . , Y(n) , donde Y(1) ≤ · · · ≤ Y(n) .

    mU (t) = mY1 (t) × mY2 (t) × · · · × mYn (t). Usualmente, estamos interesados en las dos variables,
    Obs: Denotemos mX (t) y mY (t) a las FGMs de las va- Y(1) = mı́n(Y1 , Y2 , . . . , Yn ),
    riables X y Y , respectivamente. Si ambas FGMs existen
    Y(n) = máx(Y1 , Y2 , . . . , Yn ).
    y mX (t) = mY (t) para todos los valores de t, entonces
    X y Y tienen la misma distribución de probabilidades.
    FDP y DAP del máximo
    Ejercicio 1: Sean Y1 y Y2 variables independientes, ambas
    con distribución Normal estándar. ¿Cuál es la distribu- Distribución acumulada (DAP)
    ción de U = Y1 + Y2 ?
    FY(n) (y) = P(Y(n) ≤ y)
    2
    Ejercicio 2: Sea X ∼ N (µ, σ ). Encuentre la distribución de = P(Y1 ≤ y, Y2 ≤ y, . . . , Yn ≤ y)
    a) V = a + b X b) W = ( X−µ 2
    σ ) . = P(Y1 ≤ y)P(Y2 ≤ y) · · · P(Yn ≤ y)
    obs: Gamma(n/2, 2) es equivalente a χ2(n) con FGM  n
    = F (y) .
     n/2
    1 Función de densidad (FDP)
    MX (t) = , 2t < 1
    1 − 2t
    d n
    g(n) (y) = [FY(n) (y)
    Ejercicio 3: Sean X1 , . . . , Xn v.a’s independientes e idénti- dy
    camente distribuidas (i.i.d.) Poisson(λi ), i = 1, . . . , n.  n−1 d
    ¿Cuál es la distribución de U = X1 + X2 + . . . , Xn ? = n F (y) F (y)
    dy
     n−1
    Ejercicio 4: Sean X1 , . . . , Xn v.a’s independientes = n F (y) f (y).
    Gamma(αi , β), i = 1, . . . , n. ¿Cuál es la distribu-
    ción de U = X1 + X2 + . . . + Xn ? FDP y DAP del mı́nimo
    2
    Ejercicio 5: Sean X1 , . . . , Xn v.a.’s i.i.d. N (µX , σX ). De- Distribución acumulada
    muestre que:
    √   FY(1) (y) = 1 − P(Y(1) > y)
    a) n X̄−µ X
    ∼ N (0, 1)
    σX = 1 − P(Y1 > y, Y2 > y, . . . , Yn > y)
     2  
    b) n X̄−µ X
    ∼ χ2(1) = 1 − P(Y1 > y)P(Y2 > y) · · · P(Yn > y)
    σX  n
    Pn  Xi −µX 2 = 1 − 1 − F (y) .
    c) i=1 σX ∼ χ2(n)
    Función de densidad
    d) Y1 = X̄ y Y2 = Xi − X̄ son independientes.
    d n
    g(1) (y) = [FY(1) (y)
    dy
    Estadı́sticos de orden  n−1 d 
    Suponga, por ejemplo, que necesitamos conocer la pro- = −n 1 − F (y) 1 − F (y)
    babilidad de que el tercer valor proveniente de una deter- dy
     n−1
    minada distribución sea menor a 72. O bien, supongamos = n 1 − F (y) f (y).
    que necesitamos conocer el comportamiento del percentil
    80 si se toman varias muestras aleatorias del número de Ejercicio 6: Sean Y1 , Y2 , . . . , Y5 v.a.s independientes, expo-
    latidos cardı́acos de un paciente con hipertensión. En es- nencialmente distribuidas, con media igual a 2. Encuentre
    tos casos, nos interesa saber como se comporta el orden la FDP de Y(1) y la probabilidad P(Y(1) > 3,6).

    Christian E. Galarza 1 [email protected]


    EstMat - FCNM II PAO 2021

    Ejercicio 7 Sean Y1 , Y2 y Y3 v.a.’s i.i.d. Uniforme(0, 1). En- Ejercicio 8 Sean X1 , . . . , Xn v.a.’s i.i.d. con distribución
    cuentre la FDP Y(3) . exponencial de parámetro λ. Además, definimos por
    Y1 , . . . , Yn a sus respectivos estadı́sticos de orden, y sean
    Teorema 1: Caso general. Sean Y1 , Y2 , . . . , Yn v.a.’s conti-
    Z1 = Y1 y Zj = Yj − Yj−1 , j = 2, . . . , n.
    nuas i.i.d. con distribución acumulada F (y) y función de
    densidad f (y). La FDP marginal del i-ésimo estadı́stico Pruebe que Z1 , . . . , Zn son independientes y Zj ∼
    de orden Y(i) estará dada por Exp(λ(n − j + 1)), j = 1, . . . , n.
    n! Ejercicio 9∗ Tres personas A, B y C, llegan al mismo tiem-
    fY(i) (x) = [F (x)]i−1 f (x)[1 − F (x)]n−i ,
    (i − 1)!(n − i)! po a una central telefónica que posee dos dispositivos
    electrónicos. Los dos dispositivos son utilizados inmedia-
    para x ∈ R. tamente por A y B. La persona C espera al primero que
    se desocupe y luego usa ese dispositivo. Sean X1 , X2 y
    Obs: La derivación intuitiva, heurı́stica, de la densidad para X3 los tiempos de las llamadas de A, B y C respecti-
    Y(i) se da en particionar la muestra en 3 clases: vamente. Suponga que X1 , X2 y X3 son v.a.’s i.i.d. con
    Clase 1: valores de Y ’s menores que x distribución exponencial de parámetro λ.

    Clase 2: valores de Y ’s “cercanos” a x a) Sea Z = máx{X1 , X2 } − mı́n{X1 , X2 }. Determine


    Clase 3: valores de Y ’s mayores a x su densidad.
    b) Calcule P(Z < X3 )
    Las probabilidades de ocurrencia de cada uno de estos
    c) ¿Cómo se puede interpretar el resultado en el ı́tem
    casos están dadas por p1 = P(Y < x) = FY (x), p2 =
    anterior?
    P(x ≤ Y ≤ x + dx) ≈ f (x)dx, y p3 = P(Y > x) =
    1 − FY (x). Definimos los eventos, Ejercicios: 93, 102, 109, 112, 118, 121, 122, 123, 125 y 127
    del folleto Exercı́cios de Probabilidade de Lebensztayn.
    A1 = {observar (i − 1) valores en la clase 1}
    A2 = {observar un valor en la clase 2}
    A3 = {observar (n − i) valores en la clase 3}

    Ası́,

    fY(i) (x)dx ≈ P(x ≤ Y(i) ≤ x + dx)


    ≈ P (A1 ∩ A2 ∩ A3 )
     
    n
    ≈ pi−1 p12 pn−i
    i−1 1 n−i 1 3

    n! dx
    ≈ [F (x)]i−1 f (x)[1 − F (x)]n−i ,
    (i − 1)! 1! (n − i)!

    donde se ha usado la distribución de probabilidades mul-


    tinomial.

    Distribución conjunta La densidad conjunta de los


    estadı́sticos de orden Y(1) , . . . , Y(n) viene dada por

    fY(1) ,...,Y(n) (y1 , . . . , yn ) = n!f (y1 )f (y2 ) · · · f (yn ),

    para y1 < y2 < · · · < yn . Si i < j, entonces la densidad


    conjunta de Y(i) y Y(j) se puede obtener como

    n!
    fY(i) ,Y(j) (x, y) = f (x)f (y)
    (i − 1)!(j − i − 1)!(n − j)!
    × [F (x)]i−1 [F (y) − F (x)]j−i−1 [1 − F (y)]n−j ,

    para x < y.

    Christian E. Galarza 2 [email protected]

    También podría gustarte