Probabilidad y Estadística

(ID 017610 - Clase 1120)

Lina Maria Acosta Avena

Profesora Asistente

Departamento de Matemáticas
Pontificia Universidad Javeriana
Primer Semestre de 2023

Semana 8: 13/03/23 – 18/03/23

1 / 29
Estadísticas de Orden

Ejemplo 1
Sean X1 , . . . , Xn v.a’s reales, definidas sobre un espacio de
probabilidad y considere que las v.a’s Y = máx(X1 , . . . , Xn )
y Z = mín(X1 , . . . , Xn ).
Note que:

FY (y) = P [Y ≤ y]

= P [máx(X1 , . . . , Xn ) ≤ y]

= P [X1 ≤ y, X2 ≤ y, . . . , Xn ≤ y]

2 / 29
Estadísticas de Orden
si las X1 , . . . , Xn son independientes tenemos que

FY (y) = P [X1 ≤ y]P [X2 ≤ y] · · · P [Xn ≤ y]

= FX1 (y)FX2 (y) · · · FXn (y)

n
Y
= FXk (y)
k=1

siendo FXk (·) la f.d.a de Xk , k = 1, . . . , n.

3 / 29
Estadísticas de Orden
si las X1 , . . . , Xn son independientes tenemos que

FY (y) = P [X1 ≤ y]P [X2 ≤ y] · · · P [Xn ≤ y]

= FX1 (y)FX2 (y) · · · FXn (y)

n
Y
= FXk (y)
k=1

siendo FXk (·) la f.d.a de Xk , k = 1, . . . , n. Si las Xi tienen

la misma fda, esto es FXk (y) = FX (y), sigue que

FY (y) = [FX (y)]n

3 / 29
Estadísticas de Orden

Por otro lado,

FZ (z) = P [Z ≤ z]

= P [mín(X1 , . . . , Xn ) ≤ z]

= 1 − P [mín(X1 , . . . , Xn ) > z]

= 1 − P [X1 > z, X2 > z, . . . , Xn > z]

si las X1 , . . . , Xn son independientes tenemos que

4 / 29
Estadísticas de Orden

FZ (z) = 1 − P [X1 > z]P [X2 > z] · · · P [Xn > z]

= 1 − [1 − P (X1 ≤ z)][1 − P (X2 ≤ z)] · · · [1 − P (Xn ≤ z)]

= 1 − [1 − FX1 (z)][1 − FX2 (z)] · · · [1 − FXn (z)]

n
Y
=1− [1 − FXk (z)]
k=1

siendo FXk (·) la fda de Xk , k = 1, . . . , n.

5 / 29
Estadísticas de Orden

FZ (z) = 1 − P [X1 > z]P [X2 > z] · · · P [Xn > z]

= 1 − [1 − P (X1 ≤ z)][1 − P (X2 ≤ z)] · · · [1 − P (Xn ≤ z)]

= 1 − [1 − FX1 (z)][1 − FX2 (z)] · · · [1 − FXn (z)]

n
Y
=1− [1 − FXk (z)]
k=1

siendo FXk (·) la fda de Xk , k = 1, . . . , n. Si las Xi tienen la

misma fda, esto es FXk (y) = FX (y), sigue que
FZ (z) = 1 − [1 − FX (z)]n
5 / 29
Estadísticas de Orden

“Una modalidad especial de estadísticas la integran las llama-

das estadísticas de orden. Éstas desempeñan papeles im-
portantes en algunas aplicaciones como en cartas de control
estadístico de la calidad y como en el fundamento y manejo
de algunos conceptos de estadística no paramétrica. Además
de estos y otros usos, las estadísticas de orden son particu-
larmente los estimadores apropiados de parámetros que rigen
el recorrido de la población, y así mismo, se utilizan en el
juzgamiento de hipótesis referentes a estos parámetros. Por
se estimadores y sustentar reglas de decisión en poblaciones
especiales es menester exponer algunos elementos y conside-
raciones acerca de su distribución.”

6 / 29
Estadísticas de Orden

Estadísticas de Orden
Sea X1 , X2 , . . . , Xn una m.a de tamaño n. Entonces Y1 ≤
Y2 ≤ . . . ≤ Yn , donde Yi son los Xi ordenados en orden de
magnitud creciente y se definen como Estadísticos de Orden
correspondientes a la muestra aleatoria X1 , X2 , . . . , Xn .

7 / 29
Estadísticas de Orden

Estadísticas de Orden
Sea X1 , X2 , . . . , Xn una m.a de tamaño n. Entonces Y1 ≤
Y2 ≤ . . . ≤ Yn , donde Yi son los Xi ordenados en orden de
magnitud creciente y se definen como Estadísticos de Orden
correspondientes a la muestra aleatoria X1 , X2 , . . . , Xn .
Observe que los Yi son estadísticas, pues son funciones de la
muestra aleatoria y están ordenadas.

7 / 29
Estadísticas de Orden

Estadísticas de Orden
Sea X1 , X2 , . . . , Xn una m.a de tamaño n. Entonces Y1 ≤
Y2 ≤ . . . ≤ Yn , donde Yi son los Xi ordenados en orden de
magnitud creciente y se definen como Estadísticos de Orden
correspondientes a la muestra aleatoria X1 , X2 , . . . , Xn .
Observe que los Yi son estadísticas, pues son funciones de la
muestra aleatoria y están ordenadas.
Es evidente que las estadísticas de orden no son independien-
tes.

7 / 29
Estadísticas de Orden

Teorema
Siendo Y(1) , Y(2) , . . . , Y(k) , . . . , Y(n−1) , Y(n) las estadísticas de
orden de una población con f.d.a FY (y), entonces para k =
1, 2, . . . , n, tenemos que:
i. la fda de la k-ésima estadística de orden es
n  
X n
FY(k) (y) = [FX (y)]j [1 − FX (y)]n−j
j=k
j

ii. la fdp de la k-ésima estadística de orden es

n!
fY(k) (y) = [FX (y)]k−1 [1−FX (y)]n−k fX (y)
(k − 1)!(n − k)!

8 / 29
Estadísticas de Orden
Ejemplo 2
Si Y denota el primer estadístico de orden de X1 , . . . , Xn con
(
e−(x−θ) , si θ < x < +∞
fX (x) =
0 , en otro caso

Encuentre la fdp de Y .

9 / 29
Estadísticas de Orden
Ejemplo 2
Si Y denota el primer estadístico de orden de X1 , . . . , Xn con
(
e−(x−θ) , si θ < x < +∞
fX (x) =
0 , en otro caso

Encuentre la fdp de Y .
Solución:
Sabemos que la fdp de la k-ésima estadística de orden esta
dada por
n!
fY(k) (y) = [FX (y)]k−1 [1 − FX (y)]n−k fX (y)
(k − 1)!(n − k)!

En este caso k = 1, así que

9 / 29
Estadísticas de Orden

n!
fY (y) = [FX (y)]k−1 [1 − FX (y)]n−k fX (y)
(k − 1)!(n − k)!

n!
= [FX (y)]1−1 [1 − FX (y)]n−1 fX (y)
(1 − 1)!(n − 1)!

= n[1 − FX (y)]n−1 fX (y)

Tenemos que
(
e−(y−θ) , si θ < y < +∞
fX (y) =
0 , en otro caso

10 / 29
Estadísticas de Orden

Z y
FX (y) = P (X ≤ y) = e−(t−θ) dt
θ

Z y  y 
−t −t 
θ θ

=e e dt = e −e 
θ θ

= −eθ e−y − e−θ

 

= 1 − e−(y−θ)

11 / 29
Estadísticas de Orden
Por lo tanto,
(
0 ,y ≤ θ
FX (y) =
1 − e−(y−θ) ,y > θ

Luego,

fY (y) = n[1 − FX (y)]n−1 fX (y)

n−1 −(y−θ)
= n 1 − 1 − e−(y−θ)

e
= ne−(n−1)(y−θ) e−(y−θ)
= ne−(y−θ)(1+n−1)
= ne−n(y−θ)

12 / 29
Estadísticas de Orden

Así que
(
ne−n(y−θ) , θ < y < +∞
fY (y) =
0 , en otro caso

13 / 29
Función Generadora de Momentos Conjunta

Función generadora de momentos conjunta

Sea X = (X1 , X2 , . . . , Xn )⊤ un vector aleatorio
n−dimensional. Si existe M > 0 tal que E exp (t⊤ X)
es finito ∀ t = (t1 , . . . , tn )⊤ ∈ Rn con
q
||t|| = t21 + . . . + t2n < M,

entonces, se define la función generadora de momentos con-

junta de X, denotada por mX (t), como sigue:

mX (t) = E exp (t⊤ X)

 

14 / 29
Función Generadora de Momentos Conjunta
Teorema:
Sea X = (X1 , X2 , . . . , Xn )T un vector aleatorio n− dimen-
sional. La fgmc de X existe, si y sólo si, las fgm marginales
de las v.a’s Xi , i = 1, . . . , n existen.

15 / 29
Función Generadora de Momentos Conjunta
Teorema:
Sea X = (X1 , X2 , . . . , Xn )T un vector aleatorio n− dimen-
sional. La fgmc de X existe, si y sólo si, las fgm marginales
de las v.a’s Xi , i = 1, . . . , n existen.
Teorema:
Sea X = (X1 , X2 , . . . , Xn )T un vector aleatorio n− dimen-
sional. Suponga que para cada i = 1, . . . , n existe Mi > 0
con
mXi (t) = E[exp(t Xi )] < ∞, si |t| < Mi
Si las X1 , . . . , Xn son independientes, entonces mX (t) < ∞
∀ t = (t1 , . . . , tn )⊤ con ||t|| < M , siendo M = min{M1 , . . . , Mm }
y se satisface además que
Yn
mX (t) = mXi (ti )
i=1
15 / 29
Función Generadora de Momentos Conjunta

Teorema:
Sea X = (X1 , X2 , . . . , Xn )T un vector aleatorio n− dimen-
sional. Suponga que la fgmc mX (t), de X existe. Entonces,
los momentos conjuntos alrededor del origen de todos los or-
denes son finitos y se satisface además que

∂ k1 +···+kn

′ 
µk1 ,...,kn = k1 mX (t)
∂t1 · · · ∂tknn (t1 ,...,tn )=(0,...,0)

16 / 29
Distribución Normal Multivariada
Distribución normal multivariada
Se dice que el vector aleatorio n−dimensional X =
(X1 , X2 , . . . , Xn )T tiene distribución normal multivariada
con vector de medias µ y matriz de varianzas y covarian-
zas Σ, denotado por X ∼ Nn (µ, Σ), si su f.d.p es dada por
 
1 1 ⊤ −1
fX (x) = exp − (x − µ) Σ (x − µ)
(2π)n/2 |Σ|1/2 2

con −∞ < xi < +∞, i = 1, . . . , n y Σ una matriz simétrica

y definida positiva.
siendo    
E[X1 ] µ1
 E[X2 ]   µ2 
µ= . = . 
   
 ..   .. 
E[Xn ] µn 17 / 29
Distribución Normal Multivariada
y
 
Var[X1 ] Cov[X1 , X2 ] · · · Cov[X1 , Xn ]
 
 
Σ =  Cov[X2 , X1 ]
 Var[X2 ] · · · Cov[X2 , Xn ]

 .. .. ... .. 
 . . . 
Cov[Xn , X1 ] Cov[Xn , X2 ] · · · Var[Xn ]

 
σ12 σ12 · · · σ1n
 
 
 σ21 σ 2 · · · σ2n 
= 2 
 .. .. . . .. 
 . . . . 
σn1 σn2 · · · σn2

18 / 29
Distribución Normal Multivariada

Definición Alternativa
El vector aleatorio n−dimensional X = (X1 , X2 , . . . , Xn )T
tiene distribución normal multivariada sí y sólamente sí para
cualquier vector fijo an×1 , toda combinación lineal
n
X
a⊤ X = ajXj
j=1

tiene distribución normal univariada.

19 / 29
Distribución Normal Multivariada

Definición Alternativa
El vector aleatorio n−dimensional X = (X1 , X2 , . . . , Xn )T
tiene distribución normal multivariada sí y sólamente sí para
cualquier vector fijo an×1 , toda combinación lineal
n
X
a⊤ X = ajXj
j=1

tiene distribución normal univariada.

Considere el vector aleatorio Z = [Z1 , . . . , Zn ]⊤ , donde Zi ∼
N (0, 1) ∀i = 1, entonces

19 / 29
Distribución Normal Multivariada

f (Z) = f (z1 , . . . , zn ) = f (z1 ) · · · f (zn )

n n
Y Y 1
= f (zi ) = √ exp{(−1/2)zi2 }
i=1 i=1
2π
  ( n
)
1 X
= exp (−1/2) zi2
(2π)n/2
  i=1
1 1 ⊤
= exp − z z
(2π)n/2 2
 
1 1 ⊤ −1
= exp − (z-0) I (z-0)
(2π)n/2 |I|1/2 2

Por lo tanto, Z ∼ Nn (0, I), siendo I = diag(1, . . . , 1) la ma-

triz identidad de orden n.
20 / 29
Distribución Normal Multivariada

mZ (t) = E[exp{t⊤ Z}]

" n # n
Y Y
=E exp{ti Zi } = E [exp{ti Zi }]
i=1 i=1
n n  
Y Y 1 2
= mZi (ti ) = exp ti
i=1 i=1
2
( n )  
1 X
2 1 ⊤
= exp t = exp t t
2 i=1 i 2

∀ t ∈ Rn .

21 / 29
Distribución Normal Multivariada

Teorema:
Si X ∼ Nn (µ, Σ), Am×n y Bn×n son matrices no aleatorias,
y b ∈ Rn entonces
(i) la fgm de X está dada por
 
⊤ 1 ⊤
mX (t) = exp t µ + t Σt
2

(ii) Y = AX ∼ Nm (Aµ, AΣA⊤ )

(iii) Y = AX + b ∼ Nm (Aµ + b, AΣA⊤ )
(iv) E X⊤ B X = tr(BΣ) + µ⊤ Bµ

22 / 29
Distribución Normal Bivariada

Un caso especial...

23 / 29
Distribución Normal Bivariada

Un caso especial...
Distribución normal bivariada:
Suponga que X = (X1 , X2 )T tiene distribución normal biva-
riada con vector de medias µ y matriz de varianzas y cova-
rianzas Σ dados por
 2 
  σ1 σ12
µ1
µ= Σ= 
µ2 2
σ21 σ2

entonces
|Σ| = σ12 σ22 − σ12
2
= σ12 σ22 (1 − ρ2 )
σ12
donde ρ = σ1 σ2
es la correlación entre X1 y X2 .

23 / 29
Distribución Normal Bivariada

y  
σ22 σ12
1
Σ−1 =  
σ12 σ22 (1 − ρ2 )
−σ21 σ12
luego, la fdpc de X1 y X2 queda dada por
( " 2
1 1 x1 − µ 1
fX1 X2 (x1 , x2 ) = p exp −
2πσ1 σ2 1 − ρ2 2(1 − ρ2 ) σ1

   2 #)
(x1 − µ1 )(x2 − µ2 ) x2 − µ 2
−2ρ +
σ1 σ2 σ2

24 / 29
Distribución Normal Bivariada

Se puede mostrar que:

( 2 )
+∞ 
1 x1 − µ1
Z
1
fX1 (x1 ) = fX1 X2 (x1 , x2 )dx2 = √ exp −
−∞ 2πσ1 2 σ1

( 2 )
+∞ 
1 x2 − µ2
Z
1
fX2 (x2 ) = fX1 X2 (x1 , x2 )dx1 = √ exp −
−∞ 2πσ2 2 σ2

es decir, que X1 ∼ N (µ1 , σ12 ) y X2 ∼ N (µ2 , σ22 )

25 / 29
Distribución Normal Bivariada

Ejemplo 3
Si X y Y tienen distribución normal bivariada con paráme-
tros µX = 25, µY = 35, σX = 2, σY = 4 y ρ = 17/32,
encuentre P [−2 < Z < 19], siendo Z = 3X − 2Y .

26 / 29
Distribución Normal Bivariada

Ejemplo 3
Si X y Y tienen distribución normal bivariada con paráme-
tros µX = 25, µY = 35, σX = 2, σY = 4 y ρ = 17/32,
encuentre P [−2 < Z < 19], siendo Z = 3X − 2Y .
Solución:
Tenemos que (X, Y ) ∼ N2 (µ, Σ), con
 2   
    σ1 σ12 4 17/4
µ1 25
µ= = Σ= = 
µ2 35 2
σ21 σ2 17/4 16
σ12 17 17
obs: ρ = σ1 σ2
=⇒ σ12 = ρσ1 σ2 = 32
(4)(2) = 4

26 / 29
Distribución Normal Bivariada

 
⊤ 1 ⊤
mX (t) = exp t µ + t Σt
2
   
  4 17/4  

25 1  t1
= exp (t1 t2 ) + (t1 t2 ) 
35 2 t2 
17/4 16

 
2 2 17
= exp 25t1 + 35t2 + 2t1 + 8t2 + t1 t2
4

Debemos determinar la distribución de Z.

27 / 29
Distribución Normal Bivariada

mZ (t) = E etZ = E et(3X−2Y ) = E e3tX−2tY

     

= mXY (3t, −2t)

= exp 25(3t) + 35(−2t) + 2(3t)2 + 8(−2t)2 +



17
(3t)(−2t)
4
= exp 75t − 70t + 18t2 + 32t2


51 2
− t
2
 
49 2
= exp 5t + t
2
28 / 29
Distribución Normal Bivariada
Por lo tanto, Z ∼ N (µZ = 5, σZ = 7), luego
 
−2 − 5 Z − µZ 19 − 5
P [−2 < Z < 19] = P < <
7 σZ 7

= P (−1 < Z ∗ < 2)

= P (Z ∗ < 2) − P (Z ∗ < −1)

= P (Z ∗ < 2) − P (Z ∗ > 1)

= P (Z ∗ < 2) − [1 − P (Z ∗ < 1)]

= 0.977 − 1 + 0.841 = 0.818

29 / 29