LASESTADSTICASDEORDENCOMOUNAAPLICACIN

DETRANSFORMACINDEFUNCIONESVARIABLES

OLGAARDILASANCHEZ
oardilas@gmail.com

TrabajodeGradoparaOptarelTitulodeMatemtico

Director
BenignoLozanoRojas

FUNDACIONUNIVERSITARIAKONRADLORENZ
FACULTADDEMATEMATICAS
BOGOTAD.C.
2007

RESUMEN
Estetrabajoesuncomplemento,delasvariablesaleatorias,laaplicacin
de las tcnicas de transformaciones para encontrar la funcin de
distribucindeunavariableapartirdeotrayaconocidayenespeciallas
estadsticas de orden donde estas estadsticas juegan un papel
importanteenlainferenciaestadsticaparticularmenteporquealgunasde
suspropiedadesnodependendeladistribucindelacualfueobtenidala
muestraaleatoria.

ABSTRACT
Thisworkisacomplement,oftherandomvariables,theapplicationofthe
techniqueof transformations to find the distribution function of a variable
from other one already known, and special the statistics of order where
statistical these play an important paper (role) in the statistical inference
particularlybecausesomeofpropertiesdonotdependonthedistribution
onwhichwasobtainedtherandomsample.

AGRADECIMIENTOS

Agradezco al profesor Benigno Lozano Rojas, quien me acompao y

apoyoconlosvaliososaportesenlaejecucindeestetrabajo,agradezco
tambin al doctor Antonio Velasco Muos decano de la facultad de
matemticasyacadaunodelosdocentesycompaerosquetuvieronun
aporteimportanteparamformacinalolargodelacarrera.
Y agradecer a mis padres y hermanos por el apoyo y consejos durante
todoestetiempodeformacin.

INTRODUCCION
El presente trabajose encuentra divididoendos partes, la primera parte
consta de tres captulos de conceptos bsicos que se utilizan en las
estadsticasdeordenylasegundaparteeseldesarrollodeltema.
Se har una introduccin: sobre las variables aleatorias discretas y
continuas donde las variables aleatorias se conocen porque todos los
resultados posibles de un espacio muestral, se pueden transformar en
cantidades numricas. Tambin se tratara sobre las distribuciones
discretas que surgen al contar y las distribuciones continuas que
aparecencuandosemide,yporultimoseabordarasobrelastcnicasde
transformaciones que es usada tanto en distribuciones de probabilidad
variables aleatorias discretas como en distribuciones de probabilidad de
variables aleatorias continuas. Esta tcnica se utiliza para encontrar la
funcin de distribucin de una variable aleatoria a partir de unavariable
aleatoriayaconocida.
La segunda parte comprende de las estadsticas de orden.

Estas

estadsticas juegan un papel importante en la inferencia estadstica

particularmente porque algunas de sus propiedades no depende de la
distribucin de la cual fue obtenida la muestra aleatoria. Estas
estadsticas se ordenan ascendentemente a partir de las muestras
obtenidas anteriormente, esto quiere decir que a menudo necesitamos
ordenar las variables aleatorias observadas de acuerdo a su magnitud
paraidentificarmodelosprobabilisticostalescomoelmximo,elmnimo,
el rango, la mediana y entre otros. Ya que en estos modelos se aplican
mtodosmatemticosespecficos.

CAPITULOUNO

1.VARIABLEALEATORIA

Definicin 1.1: Sea S un espacio muestral sobre el cual se encuentra

definida una funcin de probabilidad. Sea X una funcin de valor real
definidasobreS,demaneraquetransformelosresultadosdeSenpuntos
sobre la recta de los reales, se dice entonces que X es una variable
aleatoria.1
El conjunto de valores que una variable aleatoria puede tomar se
denominaelrangodelavariablealeatoria.
SedicequeXesunavariablealeatoriasitodoslosresultadosposiblesde
unespaciomuestral,sepuedentransformarencantidadesnumricas.

Ejemplo1.1:
Sea:X=nmerodecarasqueseobtieneenlanzamientosindependientes
deunamonedadediezyunadecincocentavos.
EnestecasoSconstadeloscuatropuntos(resultados)

(H,H)

(H,T)

(T,H)

(T,T)

EntoncesS={HH,HT,TH,TT}

CANAVOSGeorge.Probabilidadyestadsticaaplicacionesymtodos.McGrawHill.Pg.52

10

(H=cara,T=cruzlaprimeraletraserefierealdiezylasegundaal
cinco).
LosvalorescorrespondientesdeXson:
2

0,respectivamente.

HH

HT

TH

TT

0
Tabla 1

Definicin 1.2: Se dice que una variable aleatoria X es discreta si su

rangoesunconjuntofinitooinfinitonumerabledevalores.2

Ejemplo1.2:
Enelejemplo1.1losvaloresposiblesdeXson0,1y2.LuegoXesuna
variablealeatoriadiscreta.

Definicin 1.3: Se dice que una variable aleatoria X es continua si su

rango es un conjunto infinito no numerable de valores. Este conjunto
puededefinirseenunintervalooenunconjuntofinitodeintervalos.

Ejemplo1.3:
Sea unavariablealeatoriaXcuyosvaloresseanlospesosenkilogramos
de todas las persona mayores de 30 aos, lgicamente hay infinitos
valoresasociadosaestospesos.Siestospesosseasignaranalarecta
2

CANAVOSGeorge.Probabilidadyestadsticaaplicacionesymtodos.McGrawHill.Pg.53

11

real, puede definirse un nmero finito de intervalos para describir todos

losposiblesvaloresdepeso.

1.1

DISTRIBUCIONESDEPROBABILIDAD

Definicin 1.4: Una distribucin de probabilidad es un listado de las

probabilidadesdetodoslosposiblesresultadosquepodranobtenersesi
elexperimentosellevaacabo.
Las distribuciones de probabilidad se clasifican como discretas y
continuas.

1.1.2Distribucionesdeprobabilidaddevariablesdiscretas

Una variable aleatoria asume cada uno de sus resultados con cierta
probabilidad.

Definicin 1.5: Sea X una variable aleatoria discreta. Se llamar

f (x)= P(X = x) funcin de probabilidad de la variable aleatoria X , si
satisfacelassiguientespropiedades.3
1. P ( x) 0
2.

xP (x) =1

Ejemplo1.4
Searrojandosdadoslegaleshallar:
3

CANAVOSGeorge.Probabilidadyestadsticaaplicacionesymtodos.McGrawHill.Pg.54

12

a. La funcin de probabilidad f( x)donde X es la suma de los dos

nmerosqueseobtienenalarrojardosdadoslegales.
b. Laprobabilidaddequelasumadelosdosdadossea6.
Solucin:
a. La funcin de probabilidades f( x), correspondiente, tiene los
siguientes valores:

Resultado

Nde

Probabilidad

ocurrencias
2

1/36

2/36

3/36

4/36

5/36

6/36

5/36

4/36

10

3/36

11

2/36

12

1/36

Tabla 2
NotequelosvaloresposiblesdeXconformanlosposiblesconteossobre
elespaciomuestralyenconsecuencialasprobabilidadessuman1.
Acontinuacinsemuestranlasgraficasdef(x)

13

Funcindedensidad
0,18
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0

Serie1

10

15

Grfica1

b.Lafuncin probabilidad dondex=6ser:

f(6 ) = P (X =6 ) =6/36

Definicin1.6: Ladistribucinacumulativadelavariablealeatoria X es
laprobabilidaddeque X seamenoroigualaunpuntoespecficode X y
estadadapor4:

F( X)= P (X x)=

x P (xi)
i

Conciertaspropiedades:
1. 0 F( x) 1.
2. F (xi) F(xj)

si

xi xj.

3. P (X > x) =1 F( x).
4. P (X = x) = F (x)-F(x- 1 ) .
5. P (xi X xj) = P (X xj) P (X < xj)=F(xj)-F(xi-1 ).
Cabeanotarque P (X x) P (X < x) si X esunavariablediscreta.

CANAVOSGeorge.Probabilidadyestadsticaaplicacionesymtodos.McGrawHill..Pg.53

14

P (X x)=+ P (X =0 ) + P (X =1 ) ++ P (X = x 1 ) + P (X = x )
P (X < x)=+ P (X =0 ) + P (X =1 ) ++ P (X = x 1 )
Ejemplo1.5:

EncuentreladistribucinacumuladadelavariablealeatoriaXdel
ejemplo1.3

Solucin:

F(2 ) = P (X 2 ) = P (X =2 ) =1/36
F(3 ) = P (X 3 ) = P (X =2 ) + P (X =3 )
=1/36+2/36
=3/36

F(4 ) = P (X 4 ) = P (X =2 ) + P (X =3 ) + P (X =4 )
=1/36+2/36+3/36
=6/36

F(5 ) = P (X 5 ) = P (X =2 ) + P (X =3 ) + P (X =4 ) + P (X =5 )
=1/36+2/36+3/36+4/36
=10/16

F(6 ) = P (X 6 ) = P (X =2 ) + P (X =3 ) + P (X =4 ) + P (X = 5)+ P (X =6)

=1/36+2/36+3/36+4/36+5/36
=15/36

F(7 ) = P (X 7 ) = P (X =2 ) + P (X =3 ) + P (X =4 ) + P (X =5 ) + P (X =6 )
+ P (X =7) =1/36+ 2/36+3/36+ 4/36+ 5/36+6/36
=

21/36

F(8 ) = P (X 8 ) = P (X =2 ) + P (X =3 ) + P (X =4 ) + P (X =5 ) + P (X =6 )
+ P (X =7)+ P (X =8)

15

=1/36+2/36+3/36+4/36+5/36+6/36+5/36
=26/36

F(9 ) = P (X 9 ) = P (X =2 ) + P (X =3 ) + P (X =4 ) + P (X =5 ) + P (X =6 )
+ P (X =7)+ P (X =8)+ P (X =9)
=1/36+2/36+3/36+4/36+5/36+6/36+5/36+4/36
=30/36

F(10 ) = P (X 10 ) = P (X =2 ) + P (X =3 ) + P (X =4 ) + P (X =5 ) + P (X =6 )
+ P (X =7)+ P (X =8)+ P (X =9)+ P (X =10)
=1/36+2/36+3/36+4/36+5/36+6/36+5/36+4/36+3/36
=33/36

F(11 ) = P (X 11 ) = P (X =2 ) + P (X =3 ) + P (X =4 ) + P (X =5 ) + P (X =6 )
+ P (X =7)+ P (X =8)+ P (X =9)+ P (X =10)+ P (X =11)
= 1/36 + 2/36 + 3/36+ 4/36+ 5/36 + 6/36 + 5/36
+4/36+3/36+2/36
=35/36

F(12 ) = P (X 12 ) = P (X =2 ) + P (X =3 ) + P (X =4 ) + P (X =5 ) + P (X =6 )
+ P (X =7)+ P (X =8)+ P (X =9)+ P (X =10)+ P (X =11)+ P (X =12)
=1/36+2/36+3/36+4/36+5/36+6/36+5/36+4/36+3/36+2/36+1/36
=1
Luegoladistribucinacumuladaes:

16

F ( X)=

0
1/36
3/36
6/36
10/36
15/36
21/36
26/36
30/36
33/36
35/36
1

x<2
2 x< 3
3 x< 4
4 x< 5
5 x< 6
6 x< 7
7 x< 8
8 x< 9
9 x< 10
10 x< 11
11 x< 12
x 12

1.1.3Distribucionesdeprobabilidaddevariablescontinas

Enelcasodelasdistribucionescontinas P (X = x)=0.

Ejemplo1.6:
La variable aleatoria continua W se define como la altura de todas las
personas mayores de 20 aos en un intervalo de 170 hasta 180
centmetros.

Suponga

que

se

quiere

encontrar

p (X =175 ) ,

aparentemente parece que se pudiera calcular fcilmente, pero si

entendiramosqueenelintervalo(170,180)hayinfinidadesdenmeros,
evidentementehayinfinidaddeestaturasporlocual p (X =175 ) tiendea
sernulo,paraestecasoesmejorutilizarintervalos.Ennuestrocasoseria

p(174.9 X 175.1 ) .
La distribucin de probabilidad de una variable continua X esta
caracterizada por una funcin f( x), la cual recibe el nombre de funcin

17

de densidad de probabilidad y proporciona un medio para calcular

p(a X b ) conb>a.
Demaneraformalsedefinedelasiguientemanera:

Definicin1.7: Siexisteunafuncin f( x) talque5:

f ( x) 0

<0<

f(x)dx=1

P(a X b ) =

a,b

a f(x)dx

Entoncessediceque f( x) eslafuncindedensidaddeprobabilidadde
lavariablealeatoriacontinua X .
Deestadefinicinsederivanalgunasotraspropiedades.
Sea X una variable aleatoria contina con funcin de densidad f( x)
probar:
1. P ( X =a ) =0
2. P(a X b ) = P(a <X < b )
Solucin:
a

1. P( X = a ) =P(a X a ) = f(x)dx =0
a

2. P(a X b ) = P ( X =a ) + P(a <X < b ) + P ( X =b ) =

P(a <X < b )

Ejemplo1.7:
SeaXunavariablealeatoriacontinuaconlasiguientedistribucin:

CANAVOSGeorge.Probabilidadyestadsticaaplicacionesymtodos.McGrawHill.Pg.58

18

 1 -12x
2e

f(x)=
0

si

0< x

en otro caso

a. Encontrar P(1X 2)
Solucin:
Primeroseverificasielmodeloeslegtimo:

1 -1/2x
e dx
2

Integrandoporsustitucintenemosque
- e-1 /2x

= 0- [-1]= 1 Porlotantoelmodeloeslegtimo.

Ahoraseencontrarla P (1X 2)

P(1X 2)=

1 -1/2x
e dx
2

Integrandoporsustitucintenemosque:
-e-1 /2x

2
1

= -e-1 + e-1/2

Entonessetieneque:
-1

-1/2

P(1X 2) =-e + e

19

1.2 Valoresperado
Los grandes jugadores de pker dicen que los jugadores no
experimentados pueden ganar dinero a corto plazo pero que perdern
dinero a largo plazo. Lo contrario vale para profesionales y muy buenos
jugadores,locualesganarngeneralmentealargoplazo.
Porquestoesas?Estosedebeaunconceptoconocidocomovalor
esperado. Valor esperado es el beneficio que se espera. Por ejemplo,
supongamosqueherealizadounaapuestaparatirarunamoneda.Sisale
cara,perder$1,sisalecruz,ganare$100.Deboaceptartericamente
esta apuesta (asumiendo que la moneda es verdadera y existe un
cincuentacincuentadeposibilidaddequesalgacaraocruz)?
Se debera aceptar la apuesta. Existe una probabilidad de 1/2 de que
caiga en cara y gane $100. Por lo tanto, la ganancia esperada es
0.5*$100=50. Si saliera cruz, pierdo $1. Por lo que, la perdida esperada
0.5*$1=0.50 Y el beneficioesperado eslaganancia esperada menos la
prdidaesperada.Esdecir,quemibeneficioesperadoesde$49,5.
Entonces, no ganar $49,50. Ganar $100 o perder $1. Sin embargo,
deberamos ver la apuesta como "ganar" $49,50. Los resultados en los
juegos de azar estn influenciados por la suerte a corto plazo. Sin
embargo, a los resultados se vern cercanos a semejarse al valor
esperado. Si lanzamos la moneda un milln de veces, mi beneficio final
sermuycercanoa49,50millones.6
Entoncesresumiendo:
Sea X una variable discreta donde solo podr tomar dos valores,
$100(ganancia),$1(laperdidasea X = {1,100}ahoralaprobabilidad

www.pokertips.com.es/strategy/expectedvalue.php

20

de ganancia es 0.5 y la ganancia de perdida es 0.5. por tanto su valor

esperadoes:

m = (1)(0.5)+(100)(0.5)=49.5
Luegoseobservaqueelvaloresperadoestadadopor:
1

E ( X)=

xi.P
(xi) =(1)(0.5)+(100)(0.5)=49.5

i
=0

Assellegaaladefinicindevaloresperadooesperanzamatemticade
unavariablealeatoria

Definicin1.8:
La media de una variable aleatoria se considera como una cantidad
numricaalrededordelacuallosvaloresdelavariablealeatoriatiendena
agruparseporlotantolamediaesunamedidadetendenciacentralyse
definepor:

m = E ( X)=

x xp(x)

Si X esunavariablediscreta

m = E ( X)=

Si X esunavariablecontinua

xf(x)dx

En general define el valor esperado de una funcin de X , h( x), por la

igualdad

E [h( X)] =

x h(x)p(x)

Si X esunavariablediscreta.

E[h( X)] =

Si X esunavariablecontinua.

h( x)f(x)dx

21

Anlogamenteparamasdedosvariables x1 ,x2,x3,...,xk elvaloresperado

decualquierfuncinhdelasvariantes,sedefinepor

E[h(x1,x2,x3,...,xk )] =

...h(x,x ,x ,...,xk )p(x ,x ,x ,...,xk )

x x x
x
1

Si x1 ,x2,x3,...,xk variablesdiscretas.

E[h(x1,x2,x3,...,xk )] =

h(x ,x ,x ,...,xk )f(x ,x ,x ,...,xk )dx dx dx ...dxk

1

Si x1 ,x2,x3,...,xk variablescontinuas.
Elvaloresperadoomediaposeealgunaspropiedades:
1. E (k)=k

para k unaconstante

2. E (cx+k)= cE(x)+ k

para k , c constantes

3. E[g(x)+ h(x)]= E[(g(x)]+ E[(h(x)]

donde g y h funcionesde
distribucin

NOTA: El valor esperado, puede no existir dependiendo si la

correspondientesumaointegraldivergeaunvalorinfinito.
Ejemplo:
Halle lamediadecadaunadelassiguientesdistribuciones:
a.

412

f( x) 1/41/81/21/8
b.

1357

f( x) 1/6

1/9

1/2

22

1/3

Solucin:
1 1 1 1
a. m = E ( X) = xf(x) = -5 - 4 + 1 + 2 = -1
4 8 2 8
1 1 1 1 50
b. m = E ( X) = xf(x) = 3 + 2 + 5 + 7 =
3 9 2 3 9

23

CAPITULODOS

2.DISTRIBUCIONESESPECIALES

2.1.DISTRIBUCIONES ESPECIALESDISCRETAS
2.1.1 DISTRIBUCIONUNIFORME
Ladistribucinuniformeeslaquecorrespondeaunavariablequetoma
todossusvalores,x 1, 7x2,...,x n,conigualprobabilidadelespaciomuestral
debeserfinito.Dondeneselparmetrodeladistribucin.
Silavariabletienenposiblesvalores,sufuncindeprobabilidadsera:

f(x)= 1

para

n=1,2,3,.

La media y la varianza de la distribucin uniforme se calculan por las

expresiones:

Media:

Varianza:

m =

n+1
2

s2 =

n2 -1
12

Lafuncingeneradorademomentosestadadapor:

www.ucm.es/info/genetica/Estadistica/estadistica_basica%201.htm#Distribucin%20uniforme

24

mx(t)= eit
i=1 n

2.1.2.DISTRIBUCIONBERNOULLI
Consisteenrealizarunexperimentoaleatoriounasolavezyobservarsi
cierto suceso ocurre o no, siendo p la probabilidad de que esto sea as

(xito)yq=1plaprobabilidaddequenolosea(fracaso).Enrealidadno
se trata ms que de una variable dicotmica, es decir que nicamente
puede tomar dos modalidades, Podramos por tanto definir este
experimento mediante una variable aleatoria discreta X que toma los
valoresX = 0 si elsuceso no ocurre, yX = 1 en caso de queel suceso
ocurra8.
Lafuncindeprobabilidaddelavariablebernoullies:

f ( x)= pxq1- x

para

0 p 1.

x = 0, 1

Lamediaylavarianzadeladistribucinbernoullisecalculan:

Media:
Varianza:

m = p
s 2 = pq

Lafuncingeneradorademomentosestadadapor:

mx (t) = q + pet
8

www.bioestadistica.uma.es/libro/node69.htm

25

2.1.3.DISTRIBUCIONBINOMIAL
Ladistribucinbinomialposeelassiguientescaractersticas:
1. El modeloestcompuestodenensayosindependientes iguales,
siendonunnmeronaturalfijo.
2. Cadaensayoresultaenunsucesoquecumplelaspropiedadesde
la variable binmico o de Bernouilli, es decir, slo existen dos
posibles resultados, mutuamente excluyentes, que se denominan
generalmentecomoxitoyfracaso.
3. Laprobabilidaddelxito(odelfracaso)esconstanteentodoslos
ensayos.P(xito)=pP(fracaso)=1p=q
4. Losensayossonestadsticamenteindependientes.
La funcin de probabilidad de la variable binomial se representa como
b(x,n,p) donde n y p son los parmetros de la distribucin e indica la
probabilidad de que ocurran exactamente x xitos en una muestra de n
observacionesdeBernoulliindependientes9.

nelnmerodepruebas
plaprobabilidaddexito.

n
f ( x)= pxqn- x
x

para

x=0,1,2,...,n
0 p 1
n= 1,2,3...

Lamediaylavarianzadeladistribucinbinomialsecalculan:

www.ucm.es/info/genetica/Estadistica/estadistica_basica%201.htm#Distribucin%20binomial

26

Media:

m = np

Varianza:

s 2 = npq

Lafuncingeneradorademomentosestadadapor:

m x (t) = (q + pet )

2.1.4.DISTRIBUCIONHIPERGEOMTRICA
Una variable tiene distribucin hipergeomtrica si posee un modelo que
cumplelassiguientescondiciones:
1. Setomaunamuestradetamaon,sinreemplazo,deunconjunto
finitodeMobjetos.
2. KdelosMobjetossepuedenclasificarcomoxitosyMKcomo
fracasos.
3. Xcuentaelnmerodexitosobtenidosenlamuestra.
En este caso, la probabilidad de xito en pruebas sucesivas no es
constante pues depende del resultado de las pruebas anteriores. Por
tanto,laspruebasnosonindependientesentres10.
Lafuncindeprobabilidaddelavariablehipergeomtricaes:
K M - K

x n- x

f( x) =
M

n

para

10

x =1,2,3,...,n
M = 1,2,3,...
K = 0,1,2,...,M
n = 1,2,3,...,M

www.ucm.es/info/genetica/Estadistica/estadistica_basica%201.htm#Distribucin%20hipergeom
trica

27

Lamediaylavarianzadeladistribucinhipergeomtricasecalculan:

m = n

Media:

Varianza:

K
M

K M - K M - n

M M M - 1

s 2 = n

2.1.5.DISTRIBUCIONPOISSON
Unavariabledetipopoissoncuentaxitosqueocurrenenunaregindel
espacioodeltiempo.
Elmodeloquelageneradebecumplirlassiguientescondiciones:
1. Elnmerodexitosqueocurrenencadaregindeltiempoodel
espacioesindependientedeloqueocurraencualquierotrotiempo
oespaciodisyuntodelanterior.
2. La probabilidad de un xito en un tiempo o espacio pequeo es
proporcional al tamao de este y no depende de lo que ocurra
fueradel.
3. La probabilidad de encontrar uno o ms xitos enuna regindel
tiempo o del espacio tiende a cero a medida que se reducen las
dimensionesdelareginenestudio11.

LafuncindeprobabilidaddeunavariablePoissones:

11

www.ucm.es/info/genetica/Estadistica/estadistica_basica%201.htm#Distribucin%20de%20poisso
n

28

f ( x)=

e- l l x
x!

si

x=0,1,2,3,..,

l >0

Lamediay lavarianzadeladistribucinpoissonsecalculan:

Media:

m = l

Varianza:

s 2 = l

Lafuncingeneradorademomentosestadadapor:

mx (t) =

[ (

)]

exp l e t - 1

2.1.6.DISTRIBUCIONGEOMETRICA
La distribucin geomtrica comparte algunas caractersticas del modelo
Binomialperoladiferenciaentrelosdosmodeloesqueenladistribucin
geomtrica la variable

x es el nmero de ensayos que son necesarios

realizarparaqueocurraporprimeravezunxito12.
Lafuncindeprobabilidaddeunavariablegeomtricaes:

f ( x) = pqx

x=0,1,2,3,..,
0<p<1y(q=1p)

Lamediaylavarianzadeladistribucingeomtricasecalculan:

12

WACKERLYDennis,MENDENHALLWilliam,SCHEAFFERRichard.2002.Estadsticamatemticacon
aplicaciones.Thomson.Pg.110

29

Media:

Varianza:

m =

s2 =

q
p

q
p 2

Lafuncingeneradorademomentosestadadapor:

mx (t) =

p
1-qet

2.1.7.DISTRIBUCIONBINOMIALNEGATIVA
Ladistribucinbinomialnegativasurgedeuncontextosemejantealque
conduce a la distribucin geomtrica, donde cada ensayo idntico e
independientedaorigenaunodelosdosresultadosdexitoofracaso13.
Estemodelonospermiteencontrarlaprobabilidaddelnmerodeensayos
quesonnecesariosrealizarenelqueocurreelnsimoxito.
Lafuncindeprobabilidaddeunavariablebinomialnegativaes:
r+ x- 1 r x
p q
x

para

f (x)=

0<p1 y r>0

x=0,1,2,3,..,
Lamediaylavarianzadeladistribucinbinomialnegativasecalculan:

Media:

m =

rq
p

13 13

WACKERLYDennis,MENDENHALLWilliam,SCHEAFFERRichard.2002.Estadsticamatemticacon
aplicaciones.Thomson.Pg.116

30

s2 =

Varianza:

rq
p 2

Lafuncingeneradorademomentosestadadapor:

mx (t) =

t
1-qe

2.2. DISTRIBUCIONES ESPECIALES CONTINUAS

2.2.1.DISTRIBUCIONUNIFORME
Lafuncindedistribucinuniformeesconstanteenelintervalo(a,b).
Poresto,taldistribucintambinseconocecomodistribucinrectangular
Lafuncindedensidaddeladistribucinuniformees:

f(x)= 1

b -a

para

a < x < b
- < a < b<

La media y la varianza de la distribucin uniforme se calculan por las

expresiones:

Media:

Varianza:

m =

a + b
2

s2 =

(b - a)2
12

Lafuncingeneradorademomentosestadadapor:

mx (t) =

ebt - eat
(b- a)t

31

2.2.2. DISTRIBUCIONNORMAL
Una variable es normal cuando se ajusta a la ley de los grandes
nmeros, es decir, cuando sus valores son el resultado de medir
reiteradamente una magnitud sobre la que influyen infinitas causas de
efectoinfinitesimal.
Las variables normales tienen una funcin de densidad con forma de
campanaalaquesellamacampanadeGauss14.
Lafuncindedensidaddeunavariablenormales:

f( x)=

exp- ( x- m )
2
2
s
2ps

para

<m <

s >0

Lamediaylavarianzadeladistribucinnormalsecalculan:

Media:
Varianza:

m = E ( X)
s2 = E( X -m )2

Lafuncingeneradorademomentosestadadapor:

mx (t) =

exp mt + s 2t2
2

2.2.3. DISTRIBUCIONBETA
Ladistribucinbetapermitegenerarunagranvariedaddeperfiles,seha
utilizado para representar variables fsicas cuyos valores se encuentran
restringidosaunintervalodelongitudfinita15.
14

www.ucm.es/info/genetica/Estadistica/estadistica_basica%201.htm#Distribucin%20normal%20
o%20de%20Gauss

32

Lafuncindedensidaddeunavariablebetaes:

1
f( x)=
xa-1(1- x)b-1
B(a,b)

0 < x< 1
para

a> 0
b> 0

Lamediaylavarianzadeladistribucinbetasecalculan:

Media:

m =

Varianza:

s2 =

a
a+ b

ab
(a+ b+ 1)(a+ b)2

2.2.4.DISTRIBUCIONWEIBULL
En los ltimos 25 aos esta distribucin se emple como modelo para
situacionesdeltiempofallayconelobjetivodelograrunaampliavariedad
de componentes mecnicos y elctricos. La distribucin de Weibull
dependededosparmetros a , q 16.
LafuncindedensidaddeunavariableWeibulles:

a
f (x) = a xa -1 exp[- (x/q )a ]
q

o< x<
a > 0
q > 0

LamediaylavarianzadeladistribucinWeibullsecalculan:

Media:

m = qG1+

15

CANAVOSGeorge.Probabilidadyestadsticaaplicacionesymtodos.McGrawHill.Pg.147

16

CANAVOSGeorge.Probabilidadyestadsticaaplicacionesymtodos.McGrawHill.159

33

s 2 = q2G1+

Varianza:

2
1
2
- G 1+
a
a

Lafuncingeneradorademomentosestadadapor:

mx (t) = a- bG1+ t
t

2.2.5.DISTRIBUCINCHICUADRADO
Sea v unenteropositivo.SedicequeunavariablealeatoriaXtieneuna
distribucin Chicuadrado con v grados de liberta si y slo si X es una
variable aleatoria con una distribucin gamma y parmetros a = v

b = 2 .
LafuncindedensidaddeunavariableChicuadradoes:
1 1
f( x) =

G v 2
2

( )

( )

- 1 x
2

x 2-1e

LamediaylavarianzadeladistribucinChicuadradosecalculan:
Media:

m =v

Varianza:

s2 = 2v

Lafuncingeneradorademomentosestadadapor:

mx (t) =

1- 2t

34

2.2.6.DISTRIBUCIONTSTUDENT
Supongamos dos variables aleatorias independientes, una normal
tipificada,Z,yotracondistribucin c2 con n gradosdelibertad,lavariable
definidasegnlaecuacin17:

T=

Z
x2
n

tienedistribucintcon n gradosdelibertad.
Lafuncindedensidaddeunavariabletstudentes:

f ( x)=

G[(v+ 1) /2]

[1+ ( )]
2/v

- < x <

- (v+1)/2

pvG(v/2)

para

v > 0
v > 1

Lamediaylavarianzadeladistribucintstudentsedefinen:
Media:

Varianza:

m = 0

s2 =

v
v-2

parav>2

2.2.7. DISTRIBUCION F
LadistribucinFaparecefrecuentementecomola estadsticadeprueba
de la hiptesis nula (distribucin nula) de una prueba estadstica,

17

www.ucm.es/info/genetica/Estadistica/estadistica_basica%201.htmDistribucinT%20de%20Stud
ent

35

especialmenteenelanlisisdevarianza,paramasdedospoblaciones18.

LafuncindedensidaddeunavariabledistribucinFes:
G[(m+ n) /2] m
f (x) =

G(m/2)G(n/2) n

para

x(m- 2) /2
( m+ n)/2
1+ m x
n

[ ( )]

o < x <
m, n = 1,2,...

LamediaylavarianzadeladistribucinF secalculan:

Media:

Varianza:

m =

n
n- 2

s2 =

paran>2

2n2 (m+n- 2)
paran>4
m(n- 2)2(n- 4)

2.2.8.DISTRIBUCIONGAMMA
Ladistribucingammaesunadistribucindeprobabilidadcontinuacon
dosparmetros a yb .
Elparmetro a recibeelnombredeparmetrodeforma,yaquelaforma
deladensidadgammadifiereporlosdistintosvaloresde a .
El parmetro b recibe el nombre de parmetro de escala debido a la
multiplicacin de una variable aleatoria con distribucin gamma por una
constantepositiva19.

18

es.wikipedia.org/wiki/Distribuci%C3%B3n_F

19

WACKERLYDennis,MENDENHALLWilliam,SCHEAFFERRichard.2002.Estadsticamatemticacon
aplicaciones.Thomson.Pg.177

36

Lafuncindedensidaddeunavariablegammaes:

b a a -1 - bx
f (x)=
x e
G (a )

o < x <
b > 0
a > 0

para

Lamediaylavarianzadeladistribucingammasecalculan:

Media:

Varianza:

m =

s2 =

r
b
r
b2

Lafuncingeneradorademomentosestadadapor:

mx (t) = b

b -t

Comocasosespecialesdeladistribucingammaencontramos:

2.2.9. DISTRIBUCIONEXPONENCIAL
Lafuncingammaenlaque=1sellamafuncindedensidad
exponencial.Lafuncindedensidadexponencialseutilizaconfrecuencia
paradescribirladuracindeloscomponenteselectrnicos20.
Lafuncindedensidaddeunavariableexponencial es:

f (x) = be- bx

para

0 x

b > 0

Lamediaylavarianzadeladistribucinexponencialsecalculan:

20

WACKERLYDennis,MENDENHALLWilliam,SCHEAFFERRichard.2002.Estadsticamatemticacon
aplicaciones.Thomson.Pg.178

37

Media:

Varianza:

m =

s2 =

b
1

b 2

Lafuncingeneradorademomentosestadadapor:

mx (t) = b

b -t

38

CAPITULOTRES

3.TECNICADETRANSFORMACIONES
Esta tcnica es usada tanto en distribuciones de probabilidad variables
aleatorias discretas como en distribuciones de probabilidad de variables
aleatoriascontinuas
3.1 TECNICA DE TRANSFORMACIONES PARA VARIABLES
ALEATORIASDISCRETAS

Teorema 3.1: Supngase que X es una variable aleatoria discreta con

distribucin de probabilidad P(x). Si la funcin Y=g(X) define una
transformacin uno a uno entre los valores X y Y, de tal forma que la
ecuaciny = g( x) tengasuinversa x = g-1(y),entoncesladistribucinde

Y es21:

fY (y)= fX (g-1(y))
Demostracin:

FY (y) = P(Y = y) = P(g(x) = y) = P(x = g-1(y))=

21

probabilidadyestadstica.Warpole.Meyer.Pag184

39

fX (g-1(y))

Ejemplo3.1:
Sea X esunavariablealeatoriadiscretadondesudistribucinse
encuentradadapor

2x

fX ( x)=P (X = x) = 3
0

x= 1,2,3,4
en otro caso

Encontrarladistribucinde Y =2 X - 1
Solucin:
Si x variaentre1y4remplazandoenytenemosque y = 1,3,5,7

y = g( x)= 2x- 1

x = g-1 (y) =

y+ 1
2

Ahora

fY (y) = P(Y = y) = P(2X - 1= y) = P X =

y+ 1

=
2

y+ 1

fX

(y+ 1)

fY (y)=

Luegoladistribucinde y seencuentradadapor:

y+1

fY ( y)=P (Y
= y) = 3
0

y= 1,3,5,7
en otro caso

Suponga ahora el problema en el que X1,X2,...,Xn, son variables

aleatoriasdiscretasconfuncinconjunta fX1,X2,...,Xn (x1,x2,...,xn),ysedesea
encontrar la probabilidad conjunta fY1,Y2,...,Yn (y1,y2,...,yn)de las nuevas
variablesaleatorias
40

y1 = g1(x1,x2,...,xn), y2 = g2(x1,x2,...,xn), ..., yn = gn(x1,x2,...,xn),

las cuales definen una transformacin uno a uno entre los conjuntos de
puntos(x1,x2,...,xn)y

(y1,y2,...,yn).Si se resuelven las ecuaciones

simultneamenteseencontraralasolucininversanica

x1 = g1-1(y1,y2,...,yn), x2 = g2-1(y1,y2,...,yn), ..., xn = gn-1(y1,y2,...,yn),

Teorema3.2:Sean queX1,X2,...,Xn, sonvariablesaleatoriasdiscretas
condistribucindeprobabilidadconjunta fX1,X2,...,Xn (x1,x2,...,xn).Silas
funciones y1 = g1(x1,x2,...,xn), y2 = g2(x1,x2,...,xn), ..., yn = gn(x1,x2,...,xn),
definenunatransformacinunoaunoentrelosvalores (x1,x2,...,xn) y
(y1,y2,...,yn) detalformaquelasecuaciones:

y1 = g1(x1,x2,...,xn), y2 = g2(x1,x2,...,xn),...,yn = gn(x1,x2,...,xn),

tenganinversa

x1 = g1-1(y1,y2,...,yn), x2 = g2-1(y1,y2,...,yn),...,xn = gn-1(y1,y2,...,yn),,

respectivamenteentoncesladistribucinconjuntadeY1,Y2,...,Yn, es:

fY,Y ,...,Yn ,(y1,y2,...,yn)

1

= fX1,X2,...,Xn [g1-1(x1,x2,...,xn),g2-1(x1,x2,...,xn),...gn-1(x1,x2,...,xn)]

Demostracin:

fY,Y ,...,Yn ,(y1,y2,...,yn)

1

= P (Y1 = y1, Y2 = y2, ... ,Yn = yn)

= P (g1(x1,x2,...xn)= y1, g2(x1,x2,...xn)= y2, ... ,gn(x1,x2,...xn)= yn)

= P (X1 = g1- 1(y1,y2,...yn), X2 = g-21(y1,y2,...yn), ..., Xn = gn-1(y1,y2,...yn))

=

fX ,X ,...,Xn [g1-1(x1,x2,...,xn),g2-1(x1,x2,...,xn),...gn-1(x1,x2,...,xn)]
1

41

Ejemplo3.2:
Sean X1, X2 variablesdiscretascondistribucindeprobabilidadconjunta
X1X2
18

f( x1,x2 ) =
0

X1 = 1, 2
X2 = 1, 2, 3
en otro caso

Encontrarladistribucindeprobabilidaddelavariablealeatoria

Y1 = X1X2
Solucin:

Sea y1 =g1(x1,x2)

y2 = g2(x1,x2)

fY ,Y (y1,y2) = P (Y1 = y1, Y2 = y2)

1

(g1(x1,x2)= y1 ,

g2(x1,x2) = y2)

-1
-1
= P (x1 =g1 (y1,y2), x2 = g2 (x1,x2)

= fX (g1-1(y1,y2), g2-1(x1,x2)

Y1 = X1X2 fY1 (y1)=?

Seusaunavariableauxiliar Y2 = X2
Ahoraprocedemosaencontrarlasinversas:

y1 = X1X2 y1 = X1y2 x1 =

y1
=g 1-1(y1, y2)
Y2

x2 = y2 = g2-1(y1, y2)

LosIntervalosde y1 y y2 son:

x1
1
2

x2

1
2

2
4

3
6

42

Porlotanto

y1=1,2,3,4,6
y2=1,2,3
Tenemos:

y1

,y2
y2

fY,Y (y1,y2)= fx
1 2

Y1
fY (y1)
1

y1
18

1
18

2
9

1
6

2
9

1
3

3.2.
TECNICADETRANSFORMACIONESPARAVARIABLES
CONTINUAS

Enestecasoseenunciaelsiguienteteorema:

Teorema3.3: Sean X esunavariablealeatoriacontinuacondistribucin

de probabilidad fX ( x). Si la funcin Y= g(X) define una correspondencia
unoaunoentrelosvalores X y Y,detalformaquelaecuacin y = g( x)
tengasuinversa x = g-1(y),entoncesladistribucinde Y es:

fY (y)= fX (g-1(y)) J
donde

J =

d -1
g (y) y recibe el nombre de jacobiano de la
dy

transformacin.

43

Demostracin:
La demostracin puede abrirse en dos casos, en el caso en el que

y = g( x) escrecienteyenelcasoenelque y = g( x) esdecreciente.

Supngase que y = g( x) escreciente.

0
g1(a)

1,5

Grfica2

Seescogedospuntosarbitrariosde y ,porejemplo a y b entonces:

P (a
Y b) = P (Y
b)- P(Y a)
= P (g(X) b)- P(g(X) a)
= P (X g-1(b))- P(X g-1(a))
= P[g-1(a) X g-1(b)]
g-1(b)

X
g-1(a)

(x)dx

44

Ahora se cambia las variable de integracin de x a y por la relacin

x = g-1(y) setendraque:

dx= [ g-1(y)]' dy
luego
b

P (a
Y b)=

-1

a fX (g

(y))[g-1(y)]'dy

como a y b recorren todos los valores permisibles de y siempre que

a < b setieneque

fY ( y) = fX (g-1(y))[g-1(y)]'

= fX (g-1 (y)).J
Se conoce a J = [g-1(y)]' como el reciproco de la pendiente de la lnea
tangente a la curva de la funcin creciente y = g( x) es evidente que

J = J .
Luego

fY (y)= fX (g-1(y)) J

Suponga que y = g( x) esdecreciente.

a
0
0

g1(a)

Grfica3

45

Seescogeotravezpuntosarbitrariosde y , a y b entonces:

P (a
Y b) = P (Y
b)- P(Y a)
= P (g(X) b)- P(g(X) a)
= P (X g-1(b))- P(X g-1(a))
= P [g-1(b) X g-1(a)]
g-1(a)

fX (x)dx

g-1(b)

otravezcambiandolavariabledeintegracinde x a y setieneque:
a
-1

P (a
Y b)=

b fX (g

(y))[g-1(y)]'dy

= - fX (g-1(y))[g-1(y)]'dy
a

Como a y b recorren todos los valores permisibles de y siempre que

a < b setieneque

P (a
Y b) = - fX (g-1 (y)). J
enestecasolapendientedelacurvaesnegativa,portanto J = - J .

fY (y)= fX (g-1(y)) J

conlocualseconcluyeelteorema.
Ejemplo3.3:
Sea X unavariablealeatoriacontinuadondesudistribucinseencuentra
dadapor:
2x 0 x 1

fX ( x) = P(X = x) =
0 en otro caso

46

EncontraraY=3Y1
Solucin:

Seencuentraelintervalode y

-1 < y= 3x- 1< 2

- 1 y 2

Ahora

FY (y) = P(Y = y)= P[3x- 1 y]

= P[3x y+ 1]

y+ 1

= P x
3

FX =

y+ 1
3

y+ 1

y+ 1 3
fY (y)= FX
d

3 dy

y+1 1
= fX
.
3 3

fY ( y) =

2 y+1
9

Teorema3.4:Sean X1,X2,...,Xn sonvariablesaleatoriascontinuascon

distribucindeprobabilidadconjunta fX1,X2,...,Xn,(x1,x2,...,xn).Si

y1 =g1(x1,x2,...,xn), y2 = g2(x1,x2,...,xn), ..., yn = gn(x1,x2,...,xn), definen

unatransformacinunoaunoentrelosvalores (x1,x2,...,xn) y

47

(y1,y2,...,yn) detalformaquelasecuaciones:

y1 = g1(x1,x2,...,xn), y2 = g2(x1,x2,...,xn),...,yn = gn(x1,x2,...,xn),

Tenganinversa

x1 = g1-1(y1,y2,...,yn), x2 = g2-1(y1,y2,...,yn),...,xn = gn-1(y1,y2,...,yn),,

respectivamenteentoncesladistribucinconjuntadeY1,Y2,...,Yn, es:

fY,Y ,...,Yn ,(y1,y2,...,yn)

1

= fX1,X2,...,Xn [g1-1(x1,x2,...,xn),g2-1(x1,x2,...,xn),...gn-1(x1,x2,...,xn)] J

dondeeljacobianoeseldeterminantedenxn.

x1

x1

y1

y2

x2

x2

y1

y2

xn

xn

y1

y2

...

x1

...

xn

yn
y2
M

...

xn

yn

Ejemplo3.4:
Sean X1 y X2 variables aleatorias independientes exponenciales de
parmetros q = 1 ,halleladistribucindelasuma
Solucin:

X1

= f(x1)= e- x1

0 x1

X 2

= f(x2) = e- x2

0 x2

fX ,X (x1,x2)= e - (x+ x )
1

0 x1

0x2

48

1.

y1 = x1 + x2 = g1(x1,x2)

2.

y2 =

x1
x1 + x2

= g2(x1,x2)

Seaencuentran lasinversasde: g1-1(y1,y2) y g 2-1(y1,y2)

de 2.tenemos (x1 + x2)y2 = x1 = y1y2 = g1-1(y1,y2)

de 1.tenemos

x2 = y1 - x1
x2 = y1 - y1y2

x2 = y1(1- y2) = g 2-1(y1,y2)

Losintervalosson:
0 x2
0 y1(1- y2)
0 y2 1

0 y1

Aplicandoelteoremaencontramosladistribucinconjuntade Y1y Y2 es:

f(y1 ,y2) = (g1-1(y1,y2),g2-1(y1,y2)) J

y2

y1
= - y2y1 - y1(1- y2)

(1- y2)

- y1

= - y2y1 - y1 + y1y2) = y1

f(y ,y )( y1y2,y2(1- y2))

1

= e -( y1y2+ y1(1 - y2)) y1

= y1e-( y1y2+ y1(1- y2))
= y1e- y1

49

Y para encontrar la distribucin de fY1(y1) se integra la distribucin

conjuntaconrespectoa y2,entonces:

= f y1 (y1)= y1e- y1 dy2

0

- y1

= y1e

ConloquesetieneunavariableGamma(2,1)

50

CAPITULOCUATRO

4. ESTADISTICASDEORDEN

DEFINICION

Sean X1,X2,...,Xn unamuestraaleatoriadetamaondeunadistribucin

detipocontinuoquetienefuncindedensidadf(x)positivaparaa<x<b.
Entonces Y1 Y2 ,... Yn, donde las Yi son las Xi arregladas en orden
creciente de magnitudes son definidas como las estadsticas de orden
correspondientesalamuestraaleatoria X1,X2,...,Xn .

Estasestadsticasjueganunpapelimportanteenlainferenciaestadstica
particularmente porque algunas de sus propiedades no dependen de la
distribucindelacualfueobtenidalamuestraaleatoria.

Se puede analizar la funcin de densidad conjunta de la muestra

(Distribucinmuestral)enunamuestraAordenadaas:

Sea X1,X2,...,Xn una muestra aleatoria de una distribucin de tipo

continuoquetienedensidad fX ( x) queespositiva,siemprequea<x<b.

51

Sea Y1 la ms pequea de estas Xi, Y2 la siguiente Xi en orden de

magnitudes, y Yn la mas grande de las Xi esto es Y1 <Y2 < ...< Yn
representan a

donde estas ultimas se ordenan

X1,X2,...,Xn

ascendentementeenordendelas idelamuestraaleatoria demagnitud.

TEOREMA4.1: Sean Y1 ,Y2,...,Yn unamuestraordenadadelasvariables

aleatorias X1,X2,...,Xn , entonces la funcin de densidad conjunta de

Y1 ,Y2,...,Yn estdadapor

n!f(y1)f(y2)...f(yn)

g(y1 ,y2,...,yn )=
0 en otro caso

a< y1 < y2 < ...< y

Demostracin: Seprobarparaelcason=3.
Si n = 3, entonces, la funcin de densidad conjunta de X1,X2 ,X3 es

f(x1)f(x2)f(x3).

Considerelaprobabilidaddeuneventotalcomo:

P (a<X1=X2 <b,a<X3<b)=

b b x2

a a x2

Porque

f(x1)f(x2)f(x3)dx1 dx2 dx3

f(x )dx =0
1

Como se anot, se puede definir la funcin de densidad conjunta

f(x1)f(x2)f(x3) sin alterar la distribucin de X1,X2 ,X3 como cero en

todos los puntos (X1,X2 ,X3) que tienen al menos dos de sus
coordenadas iguales. Entonces el espacio, donde f(x1)f(x2)f(x3) es la
unindelos6conjuntosdisyuntossiguientes:

52

A1={(x1,x2 ,x3)a< x1 < x2 <x3 <b}

A2={(x1,x2 ,x3)a< x2 < x1 < x3 <b}
A3={(x1,x2 ,x3)a< x1 < x3 < x2 <b}
A4={(x1,x2 ,x3)a< x2 < x3 < x1 <b}
A5={(x1,x2 ,x3)a< x3 < x1 < x2 <b}
A6={(x1,x2 ,x3) a< x3 < x2 < x1 <b}

Hay 6 de estos conjuntos porque podemos ordenar x1,x2 ,x3

precisamentede6formas.
Considerelasfunciones:
y1=mn{x1,x2 ,x3}
y2 =elvalordemagnitudmedianade{x1,x2 ,x3},y
y3 =mx{x1,x2 ,x3}.
Estasfuncionesdefinenunatransformacinunoaunoquemapeacada
unodelosconjuntosA1, A2,A3, A4,A5, A6 anterioressobreunodelos
conjuntos
B ={(y1,y2,y3)a< y1 < y2 < y3<b}.Lasfuncionesinversassonparalos
puntosenAi,i=1,2,3,4,5,6,as:

A1 =

x1 = y1

x2 = y2 x3 = y3

A2 =

x1 = y2

x2 = y1 x3 = y3

A3 =

x1 = y1

x2 = y3 x3 = y2

A4 =

x1 = y3

x2 = y1 x3 = y2

A5 =

x1 = y2

x2 = y3 x3 = y1

A6 =

x1 = y3

x2 = y2 x3 = y1

EntonceseljacobianodecadaAi,es:

53

 x1
y
1

x
J = 2
y
1

x3
y
1

x1
y2
x2
y2
x3
y2

x1
y3

x2
y3

x3
y3

1 0 0
J 1 = 0 1 0
0 0 1

0 1 0
J 2 = 1 0 0
0 0 1

1 0 0
J 3 = 0 0 1
0 1 0

0 1 0
J 4 = 0 0 1
1 0 0

0 0 1
J 5 = 1 0 0
0 1 0

0 0 1
J6 = 0 1 0
1 0 0

Elvalorabsolutodecadaundelos6jacobianoses+1.Deestemodola
funcindedensidadconjuntadelasestadsticasdeorden:

y1=mn{x1,x2 ,x3}
y2 =elvalordemagnitudmedianade{x1,x2 ,x3},y
y3 =mx{x1,x2 ,x3}.

g(y1,y2,y3)= J 1 f(x1)f(x2)f(x3) + J 2 f(x1)f(x2)f(x3) +...+

J 6 f(x1)f(x2)f(x3)

a<y1<y2<y3<b

0enotrocaso
esdecir.

g(y1,y2,y3)

3!f(y1)f(y2)...f(yn )

=
0 en otro caso

54

a< y1 < y2 < y3 < b

Ejemplo4.1:SeaXunavariablealeatoriadetipocontinuoconfuncinde
densidad f( x)que es positiva y continua, para a<x<b, y cero en otra
parte.Lafuncindedistribucin F( x)deX sepuedeescribir:

si x a

FX ( x)=

f(w) dw
1 si x b

sia<x<b

Deestamanerahayunanicamedianamdeladistribucincon FX (m)=
1
.Considerelamuestraaleatoria X1,X2 ,X3 deestadistribucinysea
2

y1 < y2 < y3 lasestadsticasdeordendelamuestra.

Calcularlaprobabilidaddeque y2 m

Solucin:
6f(y1 )f(y2)...f(yn)

a< y1 < y2 < y3 < b

g (y1,y2,y3)=
en otro caso

Lafuncindedensidadde Y2 esentonces:

h( y2) = 6f(y2)

y2

y a

f(y1)f(y3) dy1dy3

= 6f(y2) F(y1)
y2

y2
a

]f(y )dy
3

= 6f(y2)F(y2) f(y3)dy3
y2

= 6f(y2 )F(y2)F(y3)

b
y2

6f(y2 )F(y2)[1- F(y2)]

h( y2) =

a< y2 < b

0 en otro caso

55

Porconsiguiente

P (y2 m)= 6 F(y2)f(y2)[F(y2)]2 f(y2) d(y2)

a

(F(y2 ))2 (F(y2 ))3

1
P(y2 m)= 6
-
=
2
3 a
2

El resultado anterior puede usarse para obtener expresiones de las

demsestadsticasdeorden.
Sea X una variable aleatoria de tipo continuo que tiene funcin de
densidad f( x)queespositivaycontinua,ena<x<b,yceroenotrocaso.
Entonceslafuncindistribucin F( x)sepuedeescribir

F( x)=0si x a
=

a f(w)

dw si a < x < b

=1si x b
Porconsiguiente

F ( x) = f( x)

a < x< b

Ademssi a < x< b

1 F( x) = F (b
)- F(x)
b

x f(w)

f(w) dw- f(w) dw

a

dw

Sea X1,X2,...,Xn una muestra aleatoria de tamao n de estas

distribuciones, y sea Y1 ,Y2,...,Yn las estadsticas de orden de la muestra
aleatoria.Entonceslafuncindedensidadconjuntade Y1 ,Y2,...,Yn es:

56

n!f(y1)f(y2)...f(yn)
0
en otro caso

g (y1 ,y2,...,yn =

a< y1 < y2 < ...< yn < b

4.1. DISTRIBUCINDELMAXIMO(Yn)

La funcin de densidad del mximo (densidad marginal de yn ) puede

expresarseentrminosdelafuncindedistribucin F( X) ydelafuncin
de densidad f( x)de la variable aleatoria X. Si a <yn < b, la funcin de
densidadmarginalde Yn estadadapor:

gn(yn) =

yn

y4

y3

y4

y3

y2

a ...a a a
yn

yn

...

y4

y3

n!f(y1)f(y2)f(y3)...f(yn) dy1dy2dy3...dyn-1

y2

n! f(y1)dy1 f(y2)f(y3)...f(yn) dy2dy3...dyn-1

a ...a a n! F(y )f(y )f(y )...f(yn)

2

yn

yn

yn

yn

dy2dy3...dyn-1

y4
y3
... n! F(y2)f(y2)dy2 f(y3)...f(yn) dy3...dyn-1
a
a

F(y )2
2
... n!
a
2

y4

y4

f(y )...f(y ) dy ...dy

3
n
3
n-1

[F(y3)]2 f(y )f(y )...f(y )

... n!
a

y3

dy3dy4...dyn-1

y4 [F(y3)]2

... n!
f
(y3)dy3 f(y4)...f(yn) dy4dy5...dyn-1
a

a
2

y5

57

yn

y5

a ...a
yn

yn

3
F(y4)]
[
n!
f(y )...f(y )

2.3

dy4...dyn-1

y5 [F(y4)]3

y6
... n!
f
(y4)dy4 f(y5)...f(yn) dy5...dyn-1
a

a
2.3

y5

... n!
a

[F(y5)]4 f(y )...f(y )

2.3.4

dy5...dyn-1

n!

[F(yn)]n-1
2.3.4...(n- 1)

f(yn)

a< yn < b

Entonces

gn(yn) =

n! [F(yn)]n-1
f(yn)
(n- 1)

n[F(yn)]n-1 f(yn)

g n(yn)
0 en otro caso

a< yn < b

a< yn < b

Deestamanera,lafuncindedistribucinde Yn Fyn ( y) es:

Fyn ( y)= P [Yn y ] = P [ X1 y X2 y ... Xn y

Porqueelmsgrandedelos Xi esmenoroiguala y sisolamentetodas

las Xi son menores o iguales a y . Ahora si los Xi se asumen
independientemente,entonces:
n

P[X1 y X2 y ... Xn y] = P (Xi y) =

i=1

58

FX (y)

i
1

=1

As,ladistribucinde Yn = max( X1 ,...,Xn) sepuedeexpresarentrminos

de las distribuciones marginales de X1,...,Xn . Si en total se asume que
todas las X1,...,Xn tienen la misma distribucin acumulativa, FX (.),
entonces:
n

F X ( y ) = [F X (y)]n
1

= 1

Loanteriorproduceelsiguienteteorema.

TEOREMA 4.2: Si X1,...,Xn sonvariables aleatoriasindependientes y si

Yn = max( X1 ,...,Xn),entonces:
n

FYn ( y) = FX ( y)

i= 1

Si X1,...,Xn son variables aleatorias independientes e idnticamente

distribuidas,confuncindedistribucin FX (.),entonces:

FYn ( y) = [F X (y)]n
COLORARIO: Si X1,...,Xn son variables aleatorias independientes, e
idnticamente distribuidas, y continuas con funcin de densidad
probabilstica fX (.)yfuncindedistribucinacumulativa F (.),entonces:

fYn ( y) = n [FX (y)]n-1 fX (y)

Demostracin:
fYn ( y) =

d
n-1
FYn (y)= n[FX (y)] fX (y)
dy

4.2. DISTRIBUCINDELMINIMO(Y1)

FY (y) = P[Y1 y] = 1- P[Y1 > y]

1

= 1-P[ X1 > y X2 > y ... Xn > y]

59

Porque Y1

es mayor que y si cada Xi > y. Por otra parte, si

X1,X2,...,Xn sonindependientes,entonces:
FY (y)= 1-P[ X1 > y X2 > y ... Xn > y]
1

= 1- P (Xi > y)
i=1
n

= 1- 1- FXi (y)
i=1

Siademsseasumeque X1,X2,...,Xn sonidnticamentedistribuidascon

funcindedistribucinacumulativa FX (.)comn,entonces:

FY (y) = 1- (1- Fxi (y))

1

i=1

1 - [1- F x(y)]

Loanteriorproduceelsiguienteteorema:

TEOREMA4.3: Si X1,X2,...,Xn sonvariablesaleatoriasindependientesy

Y1 = min{X1,...,Xn},entonces
n

FY (y) = 1- (1- FXi (y))

1

i=1

Y si X1,X2,...,Xn son independientes e idnticamente distribuidas con

funcindedistribucinacumulativa FX (.)entonces:

FY (y) = 1 - [1- F X (y)]n

1

COLORARIO: Si X1,X2,...,Xn

son variables aleatorias continuas

independientemente idnticamente distribuidas con funcin de densidad

probabilsticacomn FX (.),entonces,

fY (y) = 1- [1- FX (y)]n-1 fX (y)

1

60

Demostracin:
fY (y) =
1

d
d
n
FY (y)=
1- [1- FX (y)]
dy
dy

= - n[1- FX (y)] (- fX (y))

n-1

= n[1- FX (y)] fX (y)

n-1

si

a < y1 < b

4.3 FUNCIN DE DISTRIBUCIN DE CUALQUIER ESTADISTICA DE

ORDEN

La funcin de distribucin de cualquier estadstica Ya de orden, se da a

continuacin:

TEOREMA 4.4: Sea Y1 Y2 ... Yn que representan las estadsticas de

orden de una muestra aleatoria de tamao n cada una con funcin de
densidad f(x) y funcin de distribucin acumulativaFX (.). La funcin de
distribucin acumulativa de Ya , a = 1,2,,n,estdadapor:

n
[F(y)] j [1- F(y)]n j

j a j
n

FY ( y)=
a

Demostracin:
Paraun y fijosea

Z i = I (- ,y)(Xi)
n

Zi =

Xi y

=1

Noteque

Zi

tieneunadistribucinbinomialconparmetros n y F ( y).

=1

61

Ahora
n
n
FY ( y)= P[Ya y] = P[ Zi a ] = [F(y)] j[1- F(y)]n - j
j=a j

El paso clave en esta prueba es la equivalencia de los dos eventos

{Ya

y} y

{ Z a}. Si la

a sima estadstica de orden es menor o

iguala y ,entonces,seguramenteelnumerodelas Xi menoresoiguales

a y esmayoroiguala a ,einversamente.

n n

[F(y)] j[1- F(y)n- j] = [ f(y)]n
F

(
y
)
=
COLORARIO:

Ya
j= n j

y
n n

FY (y)= [F(y)] j[1- F(y)n- j]
j=1 j
1

0 n

j
= 1- [F(y)] 1- F(y)n- j
j= 0 j

n
0
= 1- [F(y)] 1- F(y)n
0

= 1 - 1- F (y)n

Asume que la muestra aleatoria X1,X2,...,Xn viene de una funcin de

densidadprobabilstica f (.)estoes,quelasvariablesaleatorias Xi son
continuas buscamos la densidad de Ya , la cual, desde luego, se puede
obtenerderivandoa FYa ( y).Noteque:

62

fYa ( y)=

dFya
FY (y+ Dy)- FYa (y)
lim a
dy D 0
Dy
P[ y< Ya y+ Dy]
D 0
Dy

= lim

= lim
D 0

P[(a - 1)delosXi y un Xi en(yy+ Dy)(n- a )delosXi > y+ Dy]

Dy

n!
[F(y)]a -1[F(y+ Dy)- F(y)]1[1- F(y+ Dy)]n-a
= lim

D0 (
Dy
a - 1)!(n- a )!

fYa ( y)=

n!
[F(y)]a -1 [1- FX (y)]n-a fx(y)
(a - 1)!(n- a )!

Utilizandoelmnimocriteriodeladistribucinmultinomial,sepuedehallar
la funcin de densidad conjunta entre

Ya y Yb

para 1 a < b n

fYa ,Y b (x,y)DxDy P[x < Ya x+ Dxy < Yb y+ Dy]

(a - 1)delosXi x un Xi en(xx+ Dx)(b - a - 1)de los

Xi en(x+ Dxy)un Xi en(yy+ Dy)(n- b )de los Xi > y+ Dy

[F(x)]a -1 [F(y)- F(x- Dx)]b -a -1 [1- F(y+ Dy)]n b f(x)Dxf(y)Dy

n!
(a - 1)! 1!(b - a - 1)! 1!(n- b )!
-

Porlotanto:

63

n!

a -1
b -a -1
[1- F(y)]n- b f(x)(y)
(a - 1)!(b - a - 1)!(n- b )![F(x)] [F(y)- F(x)]
fYa ,Y b (x,y)=
0
si
x y

Engeneralsedaelsiguienteteorema:

TEOREMA4.5: Sean X1,X2,...,Xn unamuestraaleatoriadelapoblacincuya

funcin de densidad probabilstica es f (.) y con funcin de distribucin
acumulativa F(.). Sean Y1 Y2 ... Yn las correspondientes estadsticas de
ordenentonces:

fYa (y) =
fY

a ,Y b

n!
[FX (y)]a -1[1- FX (y)]n-a fX (y)
(a - 1)! (n- b )

(x, y)=

n!
[FX (x)]a -1 [FX (y)- FX (x)]b -a -1[1- FX (y)]n-a fX (x)fX (y)
(a - 1)!(b - a - 1)! (n- b )!
- < x< y<

n!f(y1)f(y2)...f(yn) si y1 < y2 < ...< yn

fY1,Y2,...,Yn (y1,y2,...,yn)=
0 en otro caso

4.4DISTRIBUCINDEFUNCIONESDEESTADISTICASDEORDEN

En la seccin anterior se hallaron distribuciones marginales y distribuciones

conjuntas de las estadsticas de orden. En esta seccin se hallar la
distribucin de probabilidades de ciertas funcionesde estadsticas de orden.
64

DEFINICION 4.1: Sea Y1 Y2 ... Yn que denota las estadsticas de

orden de una muestra aleatoria X1,X2,...,Xn de una poblacin con
funcin densidad f (.). La mediana muestral es definida como la
estadstica de orden mitad si n es impar, y el promedio de las dos
estadsticasmitadsinespar.

El rango muestral Se define como Yn - Y1, y el semisuma muestral

como

Yi + Yn
.
2

Silamuestraesdetamaoimpar,entoncesladistribucindelamediana
sepuedeexpresarcomaladistribucindelaestadsticadeorden Ya .Por
ejemplosin=2k+1(nimpar),entonceslaestadsticadeorden YK+1 esla
medianamuestralcuyadistribucinestadadapor fYa ( y)expresadaantes.

Si la muestra es par, es decir, n=2k, entonces la media de orden YK y

YK+1 ,yladistribucindesdelacualpuedeobtenerseladistribucindela
mediana es

fYa ,Y b (x,y) haciendo

a = k

y b =

k+1, iniciando la

transformacinconladensidadconjunta fYk,Y
k+1 (x,y).

EJEMPLO4.2:
Hallar la funcin de densidad conjunta del rango y del semisuma, y a
partirdeall,hallelasdistribucionesmarginalesrespectivas, fk dondeR=

Yn - Y1 y fT endondeT=

Y1 + Yn
2

Solucin:

65

Enprimerlugarsehalla

fY,Yn(x,y)esdecir
1

fY ,Y n(x,y)=
1

n!

1-1

n-1-1
[1- FX (y)]n- n fX (x)fX (y)
(1- 1)!(n- 1- 1)! (n- n)![FX (y)] [FX (y)- FX (x)]

- < Y1 < Yn <

0
en otro caso

n(n- 1)[FX (y)- FX (x)]n-2 fX (x)fX (y)

fY1,Yn(x,y) =
0
en otro caso

SehacelatransformacinR= Yn - Y1 y T=

Y1 + Yn
2

- < Y1 < Yn <

Entonces

1
2

r= g1(y1,yn)= yn - y1

t= g2(y1,yn)= ( y1 + yn)

r= yn - y1

t=

Y1 + Yn
2

yn -y1 = r

yn -y1 = r

yn + y1 = 2t

- yn - y1 = 2 t

2 yn

= r+2t

2 y1

= r2t

r+ 2 t
y1=

yn= r +2t

66

y1 < yn
r
r
t- < t+
2

g 1-1(r,t)= y1=

J =

r > 0

r+2 t
2

g1-1
r

g 2-1(r,t)= yn =

g1-1
t

1
2

g2-1
t

r +2 t
2

=
g2-1
r

- < t <

= 1
2

1 1
- = -1
2 2

gR,T(r,t)= fY,Yn(g1-1(r,t),g2-1(r,t))J
1

r+ 2t
- r+ 2t
= n(n- 1) FX
- FX

2
2

r
r

= n(n- 1) FX t+ - FX t-
2
2

n-2

n-2

- r+ 2t r+ 2t
fX

2 2

fX

r r

fX t- fX t+

r >0

- < t<

Entonceslasdistribucionesmarginales fR ( r) y fT ( t) estndadapor:

gR(r) = gR,T (r,t)dt

gT (t) =

67

gR,T (r,t)dr

Ejemplo4.3:
Sea

Y1 < Y2 < Y3 < Y4 < Y5 las estadsticas de orden de una muestra

aleatoria de tamao S

fX ( x)= e-x

de una poblacin con densidad

x> 0.

a. Hallelafuncindedensidaddelamediana.
b. Hallelafuncindedensidaddelrango
c. Hallelafuncindedensidaddelsemirango.

Solucin:
a. En este caso n =5 puede escribirse n = 2k+1 donde k = 2.
Entonces, la mediana es Y3 =Yk+1 entonces la densidad de la
mediana es un caso particular de

FX ( x)= 1- e-x
fY (y3)=
3

Ya . Por otra parte,

x> 0 entonces:

5!
[FX (y3)]2[1- FX (y3)]2 fX (y3)
(3- 1)!(5- 3)!

y3 > 0

[
] [e ] e
y > 0
=30(1- 2e + e )e
f (y ) =30(e
- 2e + e ) y >0
= 301- e-y3

- y3 2

- y3

-3y3

Y3

- y3

-2y3

-4y3

-3y3

-5y3

b. La funcin del rango R = Y5 - Y1. Primero se halla la distribucin

conjuntade Y1,Y5, as:

fY ,Y (y1,y5) =
1

5!
[FX (y1)]0[FX (y5)- FX (y1)]3[1- FX (y5)]0 fX (y1)fX (y5)
(5- 2)!
0< y1 < y5 <

68

-y
- y 3 - y - y
201- e 5 - 1+ e 1 e 1e 5
fY1 ,Y5 (y1,y5) =
0
en otro caso

0< Y1 < Y5 <

fY,Y (y1,y5) = 20(e-y - e- y ) e- y e- y

1

0< y1 < y5 <

Latransformacin R =Y5 - Y1 T = Y5 entonces:

r = y5 - y1

t = y5

y1 =t- r

y5 =t

J =

y1
r

y1
t

- 1

y5
t

0< r < t

=
y5
r

0<t <

= - 1
0

gR,T (r,t) = fY ,Y (t- r,t)J

1 5

gR (r) = 20(e-t+ r - e-t ) e-t+ re- tdt

3

]
3

= 20e-t (er - 1) e- 2terdt

r

= 20(er - 1)3er e- 5tdt

r

e-5t
= 20(e - 1) e 5

3 r

= 20(e r - 1)3er
= 20(e r - 1)3

e-5r
5

e-4r
5

= 4(e3r - 3e2r + 3er - 1)e-4r

69

r > 0
r > 0

= 4(er - 3e-2 r + 3e-3r - e-4r)

r > 0

c. Hallelafuncindedensidaddelsemirango.
Lafuncindedensidadde Y1,Y5, es

fY,Y (y3)= n(n- 1)[(FX (y5)- FX (y1))]5-2 fX (y1)fX (y5)

1

0< y1 < y5 <

Sehacelatransformacin:

fY ,Y (y1,y5) = 20(e-y - e- y ) e- y e- y
1

0< y1 < y5 <

R =

(Y5 + Y1)
2

T = Y5

Entonces:

r = g1(y1,y5) =

(y1 + y5)
2

t = g2(y1,y5) = y5

y1 = g1-1(y1,y5) = 2r- t

y5 = g2-1(y1,y5) = t

nuevaregin:
0< y1 < y5
0<2r - t < t

t < 2r < 2t
a)

t <2r

b)

2r <2t

t > r

J =

g1-1
r

g1-1
t

g2-1
r

g2-1
t

- 1

= 2
0

70

entonces

gR,T (r,t) = fY ,Y (g1-1(r- t))(g2-1(r- t))J

1

= fY1,Y 5 (2r- t,t)2

= 20(e-( 2r - t) - e-t ) e- (2r-t) - e- t

3

t < 2r < 2t
t
< r < t
2
t < 2r

t > r
gR (r) =

r 40(e

-2 r+ t

- e- t e- 2r-te- tdt

71

r > 0

CONCLUSIONES
Las estadsticas de orden se calculan a travs de la tcnica de
transformacionesdevariables.

Las estadsticas de orden sirven para identificar modelos de

probabilidades, de observaciones ubicadas de las muestras encualquier
posicinespecifica.

Unavezconocidoelmodelodeprobabilidaddeunaestadsticadeorden
es posible hacer un anlisis completo a dicho orden (valor esperado,
grafico...,etc.).
Eltemaabreuncaminoporlomenosentornoalafacultadparaestudiar
aplicaciones en reas del conocimiento que incluyan este tipo de
variablesdeestadsticasordenadas.

72

BIBLIOGRAFIA
WACKERLYDennis,MENDENHALLWilliam,SCHEAFFERRichard.2002.
Estadsticamatemticaconaplicaciones.Thomson.
WALPOLERonald,MEYERSRaymond.2005.Probabilidadyestadstica.
McGrawHill.
CANAVOSGeorge.Probabilidadyestadsticaaplicacionesymtodos.Mc
GrawHill.
HOGGRobert.Introductiontomathemtical.CollierMacmillanpublishers.

www.pokertips.com.es/strategy/expectedvalue.php.
www.personal.us.es/olmedo/El%20concepto%20de%20Valor%20Esperad
o.pdf.
www.ucm.es/info/genetica/Estadistica/estadistica_basica%201.htm.

www.ucm.es/info/genetica/Estadistica/estadistica_basica.

www.bioestadistica.uma.es/libro/node69.htm.

73