Documentos de Académico
Documentos de Profesional
Documentos de Cultura
<
=
>
W
i
~Bernoulli(p)con p= P(x
i
p
) = F(
p
)=P(w
i
=1)
Sean W
1
, W
2
,,W
n
n ensayos independientes entonces
1
n
i
i
W W
=
=
con W =
#X
s
<
p
al realizar n ensayos. Entonces W ~ Binomial(n, p) con W=0, 1, 2,, n.
Por lo tanto para el evento de inters Y
i
<
p
<Y
j
con i <j el nmero de xitos que hay
en dicho intervalo de acuerdo a (1) son al menos i y a lo mucho j-1, por ello
P(Y
i
<
p
<Y
j
) = P(i W j-1)
Sea F
W
la distribucin acumulativa de la variable aleatoria Binomial, entonces
P(i W j-1) = F
W
(j-1) - F
W
(i-1) = ( )
1
1
j n w
w
w i
n
p p
w
=
| |
|
\ .
Es importante hacer notar que P(i W j-1) = P(i-1 < W <j)
Si al calcular la probabilidad de un intervalo aleatorio suponga que esta es 1-, es
decir,
P(Y
i
<
p
<Y
j
) = 1- = P(i W j-1); 0 << 1
Esto significa que (1-) es la probabilidad que el intervalo aleatorio (Y
i
, Y
j
) incluya
el cuantil de orden p,
p
.
Si los valores observados de las estadsticas de orden de Y
i
y Y
j
son respectivamente
y
i
y y
j
, entonces el intervalo (y
i
, y
j
) sirve como un intervalo de confianza al (1-)x100%
para el cuantil de orden p,
p
.
As entonces el intervalo de confianza para
p
es:
p
e (y
i
, y
j
) con (1-)x100% de confianza
Estadstica II
El procedimiento explicado es el exacto, sin embargo en muchas ocasiones aparece
el clculo aproximado utilizando la distribucin de probabilidad normal [Hogg Graig.pdf].
Tarea 2.Realizar los ejercicios del artculo Hogg Graig.pdf.
3. Determinacin del intervalo de confianza para el cuantilp, de acuerdo a las
propiedades de las estadsticas de orden.
Antecedentes:
Propiedades de las estadsticas de orden.
Sea X una variable aleatoria de tipo continuo con una f.d.p f(x) en a x b < < que es
positiva y vale cero en otro lado. La funcin de distribucin ( ) F x es:
( ) ( ) , si
x
a
F x f w dw a x b = < <
}
( ) ( ) 0, si
a
a
f w dw F a x a = = s
}
( ) ( ) 1, si
b
a
f w dw F b x b = = >
}
Distribuciones marginales de las estadsticas de orden.
La distribucin conjunta es:
( )
( ) ( ) ( )
1 2 3 1 2 3
1 2 3
6 ,
, ,
0 ,
f y f y f y a y y y b
g y y y
eoc
< < < <
=
En particular se obtiene haciendo una transformacin uno a uno de los valores de la
terna X
1
, X
2
, X
3
a las estadsticas de orden Y
1
<Y
2
<Y
3
, es decir se hace un mapeo de las Xs
a las Ys. Para ello se requiere determinar para cada posible punto del mapeo el jacobiano
de la transformacin (funcin inversa de probabilidad).
Estadstica de orden marginal para la mediana
1 2 3
a y y y b < < < <
( ) ( ) ( ) ( ) ( ) ( ) ( )
2 2
2 2
2 1 2 3 1 3 2 3 3 1 1
6 6
b y b y
y a y a
g y f y f y f y dy dy f y f y dy f y dy
( (
= =
( (
} } } }
;
2
2
2
2
1 1
2 3 1 3
2 3 2 3
2 2 3 3
como ( ) ( ) :
6 ( ) ( )[ ( )]
6 ( ) ( )[ ( ) ( )]
6 ( ) ( ) ( )
6
b
y
a
y
b
y
b
y
F y f y
f y f y F y dy
f y f y F y F a dy
f y F y f y dy
=
=
=
=
=
}
}
}
2
2 2 3
2 2 2
( ) ( )[ ( )]
6 ( ) ( )[ ( ) ( )]
b
y
f y F y F y
f y F y F b F y =
Estadstica II
2 2 2 2
2 2 2
( ) 6 ( ) ( )[1 ( )]
6 ( )[1 ( )] ( )
g y f y F y F y
F y F y f y
=
=
2
2 2 2 2
2
6[ ( ) ( )] ( ),
( )
0 , eoc
F y F y f y a y b
g y
< <
=
Como se pudo comprobar la marginal de Y
2
puede expresarse como la f.d.p. f(y
2
) y
la F.D. F(y
2
)
Al considerar la f.d.p de Y
2
se puede calcular por ejemplo G(M):
2
2 2 2 2 2
2 3 2 3 2 3
2 2
2 3
( ) Pr[ ] 6 [ ( ) ( )] ( )
( ) ( ) ( ) ( ) ( ) ( )
6[ ] 6[ ]
2 3 2 3 2 3
( ) ( ) 1 1 3 1 2 1
6[ ] 6[ ] 6[ ] 6
2 3 4 2 8 3 24 24 2
M
a
M
a
G M y M F y F y f y dy
F y F y F M F M F a F a
F M F M
x x
= s =
= =
= = = = =
}
2 3
2 2
2
2
2 2 2
2
2
( ) ( )
Sea ( ) [ ]
2 3
( ) 2 ( ) 3 ( )
[ ] ( )
( ) 2 3
F y F y
H y
dH y F y F y
f y
d y
=
/ /
=
/ /
Es importante destacar que:
F(x)=f(x), a<x<b;
( )
( )
dF x
f x
dx
=
1 ( ) ( ) ( ) ( ) ( ) ( ) .
b x b
a a x
F x F b F x f w dw f w dw f w dw = = =
} } }
Procediendo de manera similar se obtiene la marginal para Y
1
y para Y
3
: g(y
1
),g(y
3
);
respectivamente.
Tarea 3: Para n=3, determine las marginales para Y
1
y para Y
3
.
A partir de lo visto se puede hacer la generalizacin para la distribucin conjunta de
nestadsticas de orden como sigue:
Conjunta de n estadsticas de orden:
1 2 1 2
1 2
! ( ) ( )... ( ), ...
( , ,..., )
0 , eoc
n n
n
n f y f y f y a y y y b
g y y y
< < < < <
=
Marginal de la mxima estadstica de orden (Y
n
).
Estadstica II
4 3 2
4 3 2
4 3
1 2 1 2 3 1
1 1 2 2 3 1
2 2 2 3 1
( ) ... ! ( ) ( )... ( ) ...
... [ ! ( ) ] ( )... ( ) ...
... [ ! ( ) ( )] ( )... ( ) ...
n
n
n
y y y y
n n n
a a a a
y y y y
n n
a a a a
y y y
n n
a a a
g y n f y f y f y dy dy dy dy
n f y dy f y f y dy dy dy
n F y F a f y f y dy dy dy
=
=
=
} } } }
} } } }
} } }
4 3
4
4
2 2 2 3 3 1
2 2
3
3 3 1
2
3
3 3 1
3
... [ ! ( ) ( ) ] ( )... ( ) ...
( ) ( )
... [ ![ ] ( )... ( ) ...
2 2
( )
...[ ! ( ) ]... ( )...
2
(
... ![
n
n
n
y y y
n n
a a a
y y
n n
a a
y y
n n
a a
n F y f y dy f y f y dy dy
F y F a
n f y f y dy dy
F y
n f y dy f y dy
F y
n
=
=
=
=
} } }
} }
} }
5
5
3
4
4 4 1
3
4
4 4 1
) ( )
] ( ) ]... ( )...
2 3 2 3
( )
... [ ! ( ) ]... ( )...
2 3
n
n
y y
n n
a a
y y
n n
a a
F a
f y dy f y dy
x x
F y
n f y dy f y dy
x
=
} }
} }
Si integramos sucesivamente sobre y
5,
,y
n
se obtiene:
1 1
1
( ) ( 1)! ( )
! ( ) ( ) ( ),
( ) ( 1)! ( 1)!
0 , eoc
n n
n n n
n n n n
n n
F y n n F y
n f y nF y f y a y b
g y n n
= = < <
Marginal de la mnima estadstica de orden (Y
1
).
1 2 3 4 2 1
...
n n n
a y y y y y y y b
< < < < < < < < <
1 3 2 1
1 3 2 1
2
1 1 1 2 1 2
1 2 1 1 2
1 2 1 1
( ) ... ! ( ) ( )... ( ) ...
... ! ( ) ( )... ( )[ ( ) ] ...
... ! ( ) ( )... ( )[1 ( )]
n n n
n n n
n n
b b b b
n n n
y y y y
b b b b
n n n n
y y y y
b
n n
y y
g y n f y f y f y dy dy dy
n f y f y f y f y dy dy dy
n f y f y f y F y
=
=
=
} } } }
} } } }
}
1 3
1 3 2
2
1 3
1 2
1 2 1 1 1 1 2 2
2
1
1 2 3 2 2
...
... ! ( ) ( )... ( )[ ( )[1 ( )] ] ...
[1 ( )]
... ! ( ) ( )... ( )[ ] ...
2
...
n n
n
n
b b
n
y
b b b
n n n n n
y y y
b b
b n
n y n
y y
dy dy
n f y f y f y f y F y dy dy dy
F y
n f y f y f y dy dy
n
=
=
} }
} } }
} }
1 3
2
2
1 2 2 2 2
[1 ( )]
! ( ) ( )... ( )[ ] ...
2
n
b b
n
n n
y y
F y
f y f y f y dy dy
} }
Al completar la integracin se encuentra que:
1
1 1 1
1 1
[1 ( )] ( ),
( )
0 , eoc
n
n F y f y a y b
g y
< <
=
Un procedimiento general para calcular la distribucin marginal de cualquier
estadstica de orden (Y
k
) se comenta a continuacin.
Estadstica II
Distribucin Marginal para cualquier estadstica de orden.
Con base en lo anterior puede observarse que es fcil expresar la marginal de
cualquier estadstica de orden, digamos Y
k
, en trminos de F(y
k
) y f(y
k
), esto se obtiene,
calculando la integral:
2
1
1 2 1 1 1
( ) ... ... ! ( ) ( )... ( ) ... ...
k
k k
y y b b
k k n n k k k
a a y y
g y n f y f y f y dy dy dy dy
+
=
} } } }
1
!
[ ( )] [1 ( )] ( ),
( 1)!( )! ( )
0 , eoc
k n k
k k k k
k k
n
F y F y f y a y b
k n k g y
< <
Tarea 4. Para n=3, obtenga la funcin de distribucin de las estadsticas de orden
Y1 y Y3. Considere la expresin para la k-sima estadstica de orden.
Es importante destacar que con las marginales de las estadsticas de orden es posible
determinar la probabilidad de un particular intervalo aleatorio para
p
. Una forma de cmo
realizarlo se encuentra en el Apndice 1, utilizando MATHEMATICA V.5.
Tarea 5. Calcule la probabilidad del Intervalo Aleatorio
1 0.25 3
( ) Y Y < < , en
MATHEMATICA V.5, considerando las distribuciones marginales de las estadsticas de
orden
1
Y y la de
3
Y .
Estadstica II
4. Intervalo de confianza para el cuantil poblacional
p
obtenido a partir de las
distribuciones marginales de las estadsticas de orden.
Sabamos intuitivamente que:
1
p
1
Pr( ) Pr[ 1] ( 1) ( 1) (1 ) Pr[ 1 ]
j
w n w
i j
w
n
Y Y i w j F j F i P P i w j
w
=
| |
< < = s s = = = < <
|
\ .
, si 0 1
( ) 0, si 0
1, si 1
x x
F x x
x
< <
= s
>
F
x
(y
i
) es la distribucin de la estadstica de orden Y
i
considerando que la ley que
gobierna a X es la uniforme. Al considerar la expresin para la estadstica de orden Y
i
y la
uniformidad de X se tiene que:
p p
1 1
0 0
Pr( ) Pr( ( ) ( )) Pr( ( ) )
!
(1 ) (1 )
( 1)!( )!
i x i x x i
P P
i n i n i i
Y F Y F F Y p
n
x x dx cte x x dx
i n i
< = < = <
= =
} }
Donde
1
! ( 1)!
1 ( 1)!( )! ( 1)!( )!
n
n n n
n cte
i i n i i n i
| |
= = =
|
\ .
Aplicando el mtodo de integracin por partes se tiene que:
udv uv vdu =
} }
donde
1 1
(1 ) ; ; ; ( )(1 )
i
n i i n i
x
i
u x dv x dx v du n i x dx
= = = =
( )
1
0
0
[(1 ) ] ( )(1 )
i i
P
n i P n i
x x
i i
cte x n i x dx
= +
}
Ahora manejando convenientemente los trminos constantes de las dos expresiones
respectivamente se obtiene:
Estadstica II
! !
;
( 1)!( )! ( )!( )!
n
cte n n
i i i i n i i n i
| |
= = =
|
\ .
! ( )
( ) !( )
( 1)!( )!
n n i
cte n i n n i
i i i n i
= =
! ( ) i n i
1
( 1)!
1
!( 1)! ( 1)!
n
n n
n cte
i i n i n i
| |
= = =
|
\ .
( )
1 1
0 0
(1 ) 1 (1 ) (1 ) 1 (1 )
P P
i n i n i i i n i n i i
n n
p p cte x x dx p p cte x x dx
i i
| | | |
= + = +
| |
\ . \ .
} }
donde ,
Nuevamente por el mtodo de integracin por partes se obtiene que:
1
1 2
1
(1 ) ; ; ; ( 1)(1 )
i
n i i n i
x
i
u x dv x dx v du n i x dx
+
+
= = = =
( )
1 1
1 2
0 1 1
0
(1 ) 1 [(1 ) ] ( 1)(1 )
i i
P
i n i n i P n i
x x
i i
n
p p cte x n i x dx
i
+ +
+ +
| |
= + +
|
\ .
}
Manejando los trminos constantes convenientemente se tiene que
( 1)!
1 !
1 ( 1) !( 1)! ( 1)!( 1)!
( 1)! ( 1)
1( 1) ( 1)( 1)!
1 ( 1) !( 1)!
1
1 1
1
( 1)
1
n n
cte n
i i i n i i n i
n n n i
cte n i n n i n
i i i n i
n n
n
i i i
n
n n i
i i
+ + +
+ +
| | | |
= = =
| |
+ +
\ . \ .
| |
= = =
|
+
\ .
( 1)! ( 1) i n i +
( )!
( 1)!( 2)!
( 2)!
1 1 2 1
0
1 ( 1) ( 2) 1
0
1
1
1
(1 ) (1 ) (1 )
1 1
1
(1 ) (1 ) (1 )
1 1
n n i
i n i
n i
P
i n i i n i n i i
i n i i n i n i i
n
n
i
n n n
p p p p n x x dx
i i i
n n n
p p p p n x x dx
i i i
+
+ +
+ + + +
| |
= =
|
+
\ .
| | | | | |
= + +
| | |
+ +
\ . \ . \ .
| | | | | |
= + +
| | |
+ +
\ . \ . \ .
}
P
}
Continuando la integracin hasta repetir la integracin por partes n-i veces, el
resultado que se obtiene es:
1 ( 1) 1
1 0
0
1 ( 1) 1 0
(1 ) (1 ) ... (1 )
1 1
1
(1 )
1
(1 ) (1 ) ... (1 ) (1 )
1 1
i n i i n i n
P
n
i n i i n i n n
n n n
p p p p n p p
i i n
n
n x x dx
n
n n n
p p p p n p p p p
i i n
+ +
+ +
| | | | | |
= + + +
| | |
+
\ . \ . \ .
| |
+
|
\ .
| | | | | |
= + + + +
| | |
+
\ . \ . \ .
}
p
Pr( ) (1 ) Pr( )
n
w n w
i
w i
n
Y p p i w n
w
=
| |
< = = s s
|
\ .
Que se refiere a n-i+1=n-(i-1) trminos de probabilidad en la suma.
Procediendo de igual manera para el evento
p
( )
j
Y < , se tiene:
p p
Pr( ) Pr( ( ) ( )) Pr( ( ) ) (1 )
n
w n w
j x j x x j
w j
n
Y F Y F F Y p p p
w
=
| |
< = < = < =
|
\ .
Por lo tanto
Estadstica II
p
Pr( ) Pr( ); con
j
Y j w n i j < = s s <
En este caso se realiza la integracin por partes n-j veces, la cantidad de trminos
que tiene la suma de probabilidades es n-j+1=n-(j-1).
Por lo tanto la probabilidad del intervalo aleatorio para el cuantil es:
p p p
1
1
Pr( ) Pr( ) Pr( )
(1 ) (1 )
Pr( ) Pr( ) (1 )
Pr(
i j i j
n n
w n w w n w
w i w j
j
w n w
w
Y Y Y Y
n n
p p p p
w w
n
i w n j w n p p
w
i
= =
=
< < = < <
| | | |
=
| |
\ . \ .
| |
= s s s s =
|
\ .
=
1) ( 1) ( 1) Pr( 1 )
w w
w j F j F i i w j s s = = < <
Las expresiones anteriores se refieren a las obtenidas inicialmente cuando se
procedi intuitivamente, donde W como se haba comentado era una variable
binomial(n,p), donde p es el orden del cuantil con
n
i
w i
W W
=
=
y
i
W es una variable aleatoria
Bernoulli(p).
Tarea 6. Determine para n=5, i=2 y j=4, como se calcula la probabilidad del
intervalo aleatorio
2 p 4
( ) Y Y < < , utilizando el enfoque formal con las marginales para la
estadsticas de orden, verificando para cada una de las probabilidades de los eventos
p p
( ) ( )
i j
Y y Y < < aleatorios cuantas veces se aplica el mtodo de integracin por partes y
cuantos trminos hay en la suma de probabilidades para cada evento aleatorio?
Se cumple lo que establecen las frmulas generales?