Está en la página 1de 3

Estadsticos de Orden

Jos Alfonso Urbina: Ricaul Castellon Snchez


28 de octubre de 2014
Denicin: Los estadsticos de orden para una muestra aleatoria X1 , . . ., Xn
son valores muestrales colocados en orden ascendente. Son denominados por
X(1) , . . ., X(n) . Los estadsticos de orden son variables aleatorias que satisfacen X(1) X(2) . . . X(n) . Los siguientes son algunos estadsticos que estn
denidos en trminos de estadsticos de orden.

Rango

El rango de la muestra R = X(n) X(1) , es la distancia entre la observacin mas


grande y la mas pequea. Esta es una medida de dispersin de la muestra y
debe reejar la dispersin de la poblacin.

Mediana

La mediana muestral la cual denominamos por M, es un numero tal que la mitad


de las observaciones estn por debajo de M y la otra mitad son mayores. En
trminos de estadsticos de orden M es denido por
(
M=

X((n+1)/2)
(X(n/2) + X(n/2+1)/2

si n es impar
Si n es impar

La mediana muestral es una medida de locacin y puede ser considerada una


alternativa a la media muestral. Una ventaja de la mediana muestral sobre la
media muestral es que esta es menos afectada por las observaciones extremas.

(100)ka-esimo percentil

Para cualquier numero p entre 0 y 1la (100)pe-esima muestra percentil es la


observacin tal que el numero aproximado np de las observaciones son menos
que esta observacin y n(1-p) son mayor que esta observacin. El 50k-esimo
percentil es la mediana de la muestra, 25k-esimo percentil se le llama el primer
cuartil y el 75k-esimo se le llama el tercer cuartil, una medida de dispersin que
se usa algunas vece es el rango intecuartil, que es la distancia entre el primer y
tercer cuartil.
1

Teorema 5.3.4

Sea X1 , . . .,Xn una muestra aleatoria de una distribucin discreta con pmf
fX (xi ) = pi , donde x1 < x2 < . . .son los posibles valores de Xen orden ascen-

dente. Se dene

Po = 0
P1 = p1
P2 = p1 + p2

..
.
Pi = p1 + p2 + . . . + pi

Sea X(1) , . . .,X(n) el estadstico de orden de la muestra. Entonces


P (X(j) xi ) =

n
X
n
(
)Pik (1 Pi )nk
k

k=1

P (X(j) = x) =

n
X
k
k
(
)[Pik (1 Pi )nk Pi1
(1 Pi1 )nk ]
n
k=j

Demostracin
Fijando i , y sea Y la variable aleatoria de los nmeros menores que o igual a
xi ; para cada Xi , . . .,Xn llame al evento {Xj xi } un xito y {Xj > xi }un
fracaso. Entonces Yes el numero de xitos en n intentos. Por consiguiente,
Y binomial(n, Pi ). El evento {Xj xi } es equivalente a {Y > j} es decir,
al menos j valores muestrales son menos que o igual a xi . Las dos ecuaciones
estn entonces establecidas.
Teorema 5.4.4

Sea X(1) , . . .,X(n) el estadstico de orden de una muestra aleatoria X1 , . . .,Xn


proveniente de una poblacin continua con cdf FX (x) y pdf fX (x ). Entonces la
pdf de X(j) es
fX(j) (x) =

n!
fX (x)[FX (x)]j1 [1 FX (x)]nj
(j 1)(n j)!

Ejemplo (pdf de un estadstico de orden uniforme)


Sea X1 , . . .,Xn unif orme(0, 1), de manera que fX (x ) = 1 para todo x (0, 1)
y FX (x) = x para x (0, 1). Entonces, la pdf del j-esimo estadstico de orden
es
iid

fX(j) (x) =

n!
xj1 (1 x)nj
(j 1)(n j)!

para todo x (0 , 1 ). Entonces X(j) Beta(j, n j + 1). De esto se puede


concluir que
EX(j) =
V arX(j) =

j
n+1

j(n j + 1)
(n + 1)2 (n + 2)

Teorema 5.4.6

Sea X(1) , . . .,X(n) el estadstico de orden de una muestra aleatoria de una poblacin continua con cdf FX (x) y fX (x ). Entonces la pdf de la conjunta de X(i)
y X(j) , 1 i < j n , es
fX(i) fX(j) (u, v) =

n!
fX (u)fX (v)[FX (u)]i1 [FX (v)FX (x)]j1i [1FX (v)]nj
(i j)!(j 1 i)!(n j)!

para < u < v < . La pdf conjunta de tres o mas estadsticos de orden
puede ser derivada usando argumentos similares pero un poco mas complejos.
Quizas el otro pdf mas usado es fX(1 ) , . . . , fX(n) (x1 , . . . , xn ), que es la pdf conjunta de todos los estadsticos de orden dado por
(
fX(1) , . . . , fX(n) (x1 , . . . , xn ) =

n!fX (x1 ) . . . fX (xn ) para < x1 < . . . < xn <


0
de de otra manera