Momentos Exactos de los Estadı́sticos de Orden

Integrantes : Fernandez Villarreal,Quilca la Rosa, Madueño Carrión

Docente: Rita Guzmán López

Universidad Nacional de Ingenierı́a

Escuela Profesional de Ingenierı́a Estadı́stica

2 de Abril del 2018

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 1 / 20

 Momentos Exactos de los Estadistı́cos de Orden
1 Conceptos Previos
Estadı́sticos de Orden
Propiedades a usar
2 Desarrollo
Usando la distribución uniforme
Generalización de los Momentos Exactos
3 Ejercicios Aplicativos
Ejercicio 1
Ejercicio 2
Ejercicio 3
4 Solución de Ejercicios Aplicativos
Ejercicio 1
Ejercicio 2
Ejercicio 3

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 2 / 20

 Conceptos Previos Estadı́sticos de Orden

Definición:

Estadı́sticos de Orden
En una muestra aleatoria el valor máximo, mı́nimo o valor mediano pueden
proporcionar información de resumen adicional. Por ejemplo:

1. Las aguas de inundación más altas o la temperatura de invierno más

baja registrada durante 50 años podrı́an ser datos útiles al planificar
emergencias futuras.
2. El valor mediano del precio de las casas vendidas durante el mes
anterior podrı́a ser útil para estimar el costo de vida.Estos son algunos
ejemplos de estadı́sticos de orden

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 3 / 20

 Conceptos Previos Estadı́sticos de Orden

Definición de Estadı́sticos de Orden

Estadı́stico de Orden
Los estadı́sticos de orden de una muestra aleatoria X1 , X2 . . ., Xn obtenidas
de una población con distribución FX , son los valores de muestra colocados
en orden ascendente. Ellos son denotados porX(1) , X(2) . . ., X(n)

Los estadı́sticos de orden son variables aleatorias que satisfacen X(1) 6. . .6X(n)

En particular:
X(1) = min Xi ,
1≤i≤n

X(2) = 2◦ min Xi
..
.
X(n) = max Xi
1≤i≤n

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 4 / 20

 Conceptos Previos Propiedades a usar

Recordar:

1. Si X∼U[0; 1] ⇒ fX (x) = 1 ; Si 06x61

2. Si X∼Beta(α, β)

x (α−1) (1−x)(β−1)
fX (x) = B(α,β)
Si 0 < x<1 ; α, β > 0

R1 Γ(α)Γ(β)
B(α, β) = 0
t α−1 (1 − t)β−1 dt = Γ(α+β)

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 5 / 20

 Conceptos Previos Propiedades a usar

Recordar:
3. El momento K -ésimo respecto al origen; de la variable aleatoria X
está dado por (caso continuo):
Z ∞
K
E (X ) = x K f (x)dx
−∞

4. X(r ): r-ésimo estadı́stico de orden

n![F(x)]r −1 [1 − F(x)]n−r f (x)

fX(r) (x) =
(r − 1)!(n − r )!

5. Si X∼U[0; 1]
⇒X(r ) ∼Beta(r , n − r + 1)

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 6 / 20

 Desarrollo Usando la distribución uniforme

Desarrollo
Para facilitar los cálculos trabajaremos que X∼U[0, 1] Entonces:
fX (x) = 1 ; 06x61

 0 si 0<x



F(x) = x si 0 ≤ x < 1




1 si x ≥1

Sea X1 , . . ., Xn una muestra aleatoria simple que proviene de una
población distribuida uniformemente donde 06x61 Tenemos:
X(1) = min{X1 , . . ., Xn }
X(2) = 2◦ min{X1 , . . ., Xn }
..
.
X(n) = max{X1 , . . ., Xn }
Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 7 / 20
 Desarrollo Usando la distribución uniforme

Desarrollo

Esto es : 0 < X(1) < X(2) < . . . < X(n) < 1

El momento K -ésimo del r-ésimo estadı́stico de orden

Z ∞
K
E [X(r) ] = x K fX (r ) (x)dx
−∞

∞
n![F(x)]r −1 [1 − F(x)]n−r f (x)
Z
= xK
−∞ (r − 1)!(n − r )!

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 8 / 20

 Desarrollo Usando la distribución uniforme

Continuación

Como X∼U[0; 1]
1
n!x r −1 (1 − x)n−r ∗ 1dx
Z
K
E [X(r) ] = xK
0 (r − 1)!(n − r )!
Z 1
n!
= x r +K −1 (1 − x)n−r dx
(r − 1)!(n − r )! 0
n!
E [X(r) K ] = B(r + k, n − r + 1)
(r − 1)!(n − r )!
n! Γ(r + k)Γ(n − r + 1)
= ∗
(r − 1)!(n − r )! Γ(n + k + 1)

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 9 / 20

 Desarrollo Usando la distribución uniforme

Continuación

En consecuencia
n! (r + k − 1)!(n − r )!
E [X(r) K ] = ∗
(r − 1)!(n − r )! (n + k)!

n!(r +k−1)!
E [X(r) K ] = (r −1)!(n+k)! ; 16r 6n , K ∈ Z+
Parak = 1
n!r !
⇒ E [X(r) ] =
(r − 1)!(n + 1)!
r
E [X(r) ] = (n+1)

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 10 / 20

 Desarrollo Usando la distribución uniforme

Continuación

En consecuencia k = 2
n!(r + 1)! r (r + 1)
⇒ E [X2(r) ] = =
(r − 1)!(n + 2)! (n + 1)(n + 2)

∴ Var (X(r ) ) = E [X2(r) ] − (E [X(r) ])2

r (r + 1) r r (n − r + 1)
Var (X(r ) ) = −( )2 =
(n + 1)(n + 2) n+1 (n + 1)2 (n + 2)

r (n−r +1)
Var (X(r) ) = (n+1)2 (n+2)

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 11 / 20

 Desarrollo Generalización de los Momentos Exactos

De manera general

De forma general para cualquier distribución se puede obtener la

media y varianza

E [X(r) ] = FX −1 ( n+1
r
)

r (n−r +1)
Var (X(r) ) = [f (E [X(r) ])]−2
(n+1)2 (n+2) x

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 12 / 20

 Ejercicios Aplicativos Ejercicio 1

Ejercicio 1

1.1 Sea una variable aleatoria X que se distribuye uniformemente en el

intervalo [0; 1].Calcular la esperanza y varianza del X(5) de una
muestra aleatoria de tamaño 10.
1.2 Suponga que el tiempo máximo que se puede reservar una sala de
conferencias grande de cierta empresa son 6 horas. Con mucha
frecuencia tienen conferencias extensas y breves. De hecho, se puede
suponer que la duración X de una conferencia tiene una distribución
uniforme en el intervalo [0, 6]. Encontrar la esperanza y varianza del
X(5) en una muestra aleatoria de tamaño 10.

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 13 / 20

 Ejercicios Aplicativos Ejercicio 2

Ejercicio 2

Se ha comprobado el tiempo de vida de cierto tipo de marcapasos sigue una

distribución exponencial con media de 16 años .Encontrar la esperanza y la
varianza del X(6) de una muestra aleatoria de tamaño 14 .

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 14 / 20

 Ejercicios Aplicativos Ejercicio 3

Ejercicio 3

Las barras de pan de centeno que cierta panaderı́a distribuye a las tiendas
locales tienen una longitud promedio de 30cm y una desviación estándar
de 2 cm. Si se supone que las longitudes están distribuidas normalmente.
Encontrar la esperanza y varianza del X(4) en una muestra de 20 barras de
pan.

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 15 / 20

 Solución de Ejercicios Aplicativos Ejercicio 1

Sol Ejercicio 1.1

X∼U[0; 1]
Datos: n = 10, r = 5 ¿E (X(5) ), Var (X(5) )?
Como vemos que es una uniforme estándar solamente reemplazaremos
los valores en las formulas obtenidas anteriormente:
r r (n−r +1)
E [X(r) ] = (n+1) Var (X(r) ) = (n+1) 2 (n+2)

Reemplazando nos queda:

5
⇒ E [X(5) ] = = 0, 45
b
(11)

5(6)
⇒ Var (X(5) ) = = 0.02066
(11)2 (12)

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 16 / 20

 Solución de Ejercicios Aplicativos Ejercicio 1

Sol Ejercicio 1.2

X:Tiempo máximo de reservas X∼U[0;

 6]
 
 0 si x <0
 
 1
 
6 si 0 ≤ x ≤ 6 F(x) =

x
f(x) = 6 si 0≤x <6

 

0 si c.c
 

1 si x ≥6


Hallamos F−1
(x)
F (x) = y

F (x) = x
6 ⇒ 6y = x ⇒F(x) −1 = 6x

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 17 / 20

 Solución de Ejercicios Aplicativos Ejercicio 1

Sol Ejercicio 1.2

Datos:n = 10, r = 5¿E (X(5) ), Var (X(5) )?

Dado que no es una uniforme estandar usaremos la formula
generalizada : E [X(r) ] = FX −1 ( n+1
r
)
r (n−r +1)
Var (X(r) ) = {f [F −1 ( n+1
(n+1)2 (n+2) X X
r
)]}−2
Reemplazando nos queda:
5 30
⇒ E [X(5) ] = FX −1 ( )= = 2.72
b
11 11
5(6) 5
⇒ Var (X(5) ) = 2
{fX [FX −1 ( )]}−2
(11) (12) 11

b −2 = 0.02 ∗ ( 1 )−2 = 0.72

= 0.007 ∗ (fX (2.72))
6

Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 18 / 20

 Solución de Ejercicios Aplicativos Ejercicio 2

Sol Ejercicio 2
− ln(1−x)
f (x) = λ−λx ;F (X ) = 1 − −λx ; F(X ) −1 = λ
Sabemos que E (X ) = λ1 Entonces se deduce que λ = 1
16 ⇒
1
X∼Exp(λ = 16 )
Usaremos la formula generalizada en nuestro caso:
E [X(r) ] = FX −1 ( n+1
r
)
r (n−r +1)
Var (X(r) ) = {f [F −1 ( n+1
(n+1)2 (n+2) X X
r
)]}−2
Reemplazando nos queda:
6
⇒ E [X(6) ] = FX −1 ( ) = FX −1 (0.4) = 8.1732
15
6(9) 6
⇒ Var (X(6) ) = 2
{fX [FX −1 ( )]}−2
(15) (16) 15
= 0.015 ∗ (fx (8.1732))−2 = 0.15 ∗ (0.0375)−2 = 10.66
Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 19 / 20
 Solución de Ejercicios Aplicativos Ejercicio 3

Sol Ejercicio 3

X:Barras de pan X∼N(µ = 30cm, σ = 2cm)

Datos: n = 20, r = 4 ¿E (X(4) ), Var (X(4) )?
Como vemos que no es una normal estandar , usaremos la formula
generalizada en nuestro caso: E [X(r) ] = FX −1 ( n+1
r
)
r (n−r +1)
Var (X(r) ) = {f [F −1 ( n+1
(n+1)2 (n+2) X X
r
)]}−2
Reemplazando nos queda:
4
⇒ E [X(4) ] = FX −1 ( ) = 28.248
21
4(17) 4
⇒ Var (X(4) ) = {fX [FX −1 ( )]}−2
(21)2 (22) 21
= 0.007 ∗ (0.13589)−2 = 0.3795
Inferencia Estadı́stica No Paramétrica (UNI) Momentos Exactos Estadı́sticos de Orden Abril,2018 20 / 20