1
Capı́tulo 2
1
CAPÍTULO 2. MUESTRAS Y ESTADÍSTICOS MUESTRALES 2
f (x) = λe−λx x ≥ 0
! t+y −λx
t
λe dx [−e−λx ]tt+y −e−λ(t+y) + e−λt
!
P (t < X ≤ t + y/X > t) = ∞ −λx = = =
t
λe dx [−e−λx ]∞t e−λt
" y
−λy
= 1−e = λe−λx dx
0
El desconocimiento sobre F queda reducido al desconocimiento de λ.
CAPÍTULO 2. MUESTRAS Y ESTADÍSTICOS MUESTRALES 3
Ejemplo 2.3. Para ver si una moneda está bien construida, se lanza 100 veces, si
aparecen 5 caras y 95 cruces se deducirá que está mal construida, sin embargo estando
bien construida el suceso observado es posible pero su probabilidad serı́a tan pequeña que
confiamos en el azar para que no se presente. Por otra parte la L.F.G.N. nos garantiza
que la frecuencia relativa de caras va a converger con probabilidad 1 a la probabilidad de
cara.
Hay diversos modos de realizar un muestreo aleatorio pero lo más simple es
llevar a cabo repeticiones independientes y en las mismas condiciones del experimento
aleatorio en cuyo caso obtendremos una muestra aleatoria simple.
Cuando ya se ha obtenido una muestra de tamaño n : (x1 , x2 , . . . , xn ), se dis-
pone de un conjunto de n valores numéricos con los que tratar de precisar la distribu-
ción teórica. Sin embargo cuando se está planificando el muestreo no se sabe qué va-
lores (x1 , x2 , . . . , xn ) resultarán de modo que deben considerarse n variables aleatorias
(X1 , X2 , . . . , Xn ) una de cuyas realizaciones se presentará.
En este sentido esa muestra aleatoria tendrá una distribución n-dimensional (su-
puesto Xi unidimensional) que gobierna las probabilidades de aparición de cada muestra
efectiva (Función de distribución conjunta de las variables de la muestra).
CAPÍTULO 2. MUESTRAS Y ESTADÍSTICOS MUESTRALES 4
X1 X2 X3 Prob.
1 1 1 θ3
1 1 0 θ2 (1 − θ)
1 0 1 θ2 (1 − θ)
0 1 1 θ2 (1 − θ)
1 0 0 θ(1 − θ)2
0 1 0 θ(1 − θ)2
0 0 1 θ(1 − θ)2
0 0 0 (1 − θ)3
Se puede escribir
! !
pθ (x) = θx (1 − θ)1−x y pθ (x1 , x2 , x3 ) = θ xi
(1 − θ)3− xi
xi = 0, 1 i = 1, 2, 3
Representación
Ejemplo 2.7.
X1 + X2 + X3
En el caso de la moneda considerado en el ejemplo 2.4, X =
3
tendrá distribución en el muestreo
X Probabilidad
1 θ3
2 2
3
3θ (1 − θ)
1
3
3θ(1 − θ)2
0 (1 − θ)3
1.
número de obs. xi ∈ (−∞, x]
Fn∗ (x) = ∀x ∈ R
n
2. Si consideramos la muestra ordenada x(1) , x(2) , . . . , x(n) en orden creciente
⎧
⎪
⎪ 0 x < x(1)
⎪
⎪ ..
⎪
⎨ .
Fn∗ (x) = j/n x(j) < x < x(j+1) j = 1, 2, . . . n − 1
⎪
⎪ ..
⎪
⎪ .
⎪
⎩
1 x ≥ x(n)
3. n
1'
Fn∗ (x) = I(−∞,x] (xi )
n i=1
3. Nos permitirá considerar, cuando sustituyamos xi por la v.a. Xi , a Fn∗ (x) como
una suma de v.a.independientes.
CAPÍTULO 2. MUESTRAS Y ESTADÍSTICOS MUESTRALES 8
En cualquier caso Fn∗ es una función de distribución discreta que asigna probabilidad
1
n
a cada una de las observaciones muestrales, de manera que sus momentos, llamados
momentos muestrales existen y valen
n n
1' k 1'
ak = x , bk = (xi − x)k
n i=1 i n i=1
n n
1' 1'
x = a1 = xi , S 2 = b2 = (xi − x)2
n i=1 n i=1
También tienen interés los cuantiles muestrales cp definidos ∀p ∈ (0, 1) como aquéllos
valores que verifican
Fn∗ (cp ) ≥ p, Fn∗ (c−
p) ≤ p
) * nFn∗ : )
B(n,*
F (x))
k n
P Fn∗ (x) = = P (nFn∗ (x) = k) = (F (x))k (1 − F (x))n−k k = 0, 1, . . . n
n k
1 nF (x)
E[Fn∗ (x)] = E[nFn∗ (x)] = = F (x)
n n
1 n F (x)(1 − F (x))
V [Fn∗ (x)] = 2 V [nFn∗ (x)] = 2 (F (x))(1 − F (x)) =
n n n
P c.s.
Por L.D.G.N. Fn∗ (x) → F (x), por L.F.G.N. Fn∗ (x) → F (x) y por el T.C.L.
Sn − nµ L nF ∗ (x) − nF (x) L
√ → N(0, 1) ⇒ √ +n → N(0, 1)
σ n n F (x)(1 − F (x))
√ , + -
L
n (Fn∗ (x) − F (x)) → N 0, F (x)(1 − F (x))
. / 0
F (x)(1 − F (x))
para n grande Fn∗ (x) − F (x) ∼ N 0,
n
. / 0
F (x)(1 − F (x))
Fn∗ (x) ∼ N F (x),
n
∀ϵ > 0, x fijo P (|Fn∗(x) − F (x)| > ϵ i.o. ) = 0 es decir ∃N/ P (|Fn∗ (x) − F (x)| ≤ ϵ ∀n ≥ N) = 1
pero N dependerá de x.
Es decir, hay probabilidad 0 de obtener una sucesión muestral a lo largo de la
cual, los sucesivos valores de Fn∗ (x), (n = 0, 1, 2 . . . , ) no converjan a F (x).
Pero más interesante será poder asegurar que dicha aproximación se produce
simultáneamente para todos los valores de x, lo cual no es inmediato pues aunque el
suceso relativo a x se produzca con probabilidad 1, el número de valores de x no es
numerable.
En este sentido tendremos el teorema de Glivenko- Cantelli también denominado
teorema central de la estadı́stica.
CAPÍTULO 2. MUESTRAS Y ESTADÍSTICOS MUESTRALES 10
Teorema 2.1. de Glivenko-Cantelli: Sea {Xi }i=1,2,...,∞ una sucesión de v.a.i.i.d. con
distribución F. Si Fn∗ (x) es la función de distribución muestral asociada a la muestra
(X1 , X2 , . . . Xn ) y ∆n = supx∈R |Fn∗ (x) − F (x)| entonces lı́m ∆n = 0 c.s. es decir
n%→∞
Salvo para el caso Normal, estas distribuciones son difı́ciles de hallar. Sı́ ten-
dremos los siguientes resultados:
n
1' k
Si ak = X
n i=1 i
α2 − α12 σ2
En particular para a1 = X se tiene E[X] = µ, V [X] = = . En cuanto a los
n n
momentos centrales bk tiene especial importancia la varianza muestral.
n n
1' 1' 2 2 2
Sn2 = (Xi − X)2 = Xi − X , V (X) = E[X ] − E 2 [X]
n i=1 n i=1
2
2 σ σ2 σ2 (n − 1) 2
E[X ] = + µ2 , E[Sn2 ] = α2 − − µ2 = σ 2 − = σ
n n n n
Debido a este resultado es muy frecuente considerar la cuasivarianza muestral
n
1 ' n
s2n = (Xi − X)2 = Sn2
n − 1 i=1 n−1
Entonces E[s2n ] = σ 2 .
CAPÍTULO 2. MUESTRAS Y ESTADÍSTICOS MUESTRALES 11
c.s.
ak (n) −→ αk = E[X k ]
bk (n) → µk c.s.
En particular
c.s c.s. c.s.
X n −→ µ, Sn2 −→ σ 2 también s2n −→ σ 2
La distribución asintótica de los momentos la obtendremos a partir del T.C.L.
Teorema 2.2. Dada una m.a.s. (X1 , X2 , . . . , Xn ) de una población con momentos finitos
de orden k ) 3 *
√ d 2
n(ak (n) − αk ) −→ N 0, α2k − αk
n
1' k
ak (n) = X , E[Xik ) = αk , V [Xik ] = E[Xi2k ] − E 2 [Xik ] = α2k − αk2
n i=1 i
CAPÍTULO 2. MUESTRAS Y ESTADÍSTICOS MUESTRALES 12
Por T.C.L.
√
Sn − nµ n(X − µ) d
√ −→ N(0, 1) ó −→ N(0, 1)
σ n σ
√
n(ak (n) − αk ) d
+ −→ N(0, 1)
α2k − αk2
√ 3
d
n(ak (n) − αk ) −→ N(0, α2k − αk2 )
. / 0
α2k − αk2 √ d
para n grande ak (n) ∼ N αk , en particular n(X − µ) −→ N(0, σ)
n
n
' n
1'
+2(X n − µ) (Xk − X n ) y Sn2 = (Xk − X n )2
k=1
n k=1
n
1'
Sn2 = (Xk − µ)2 − (X n − µ)2
n k=1
se tiene
n
' n
'
2 2
(Xk − µ) − nσ (Xk − µ)2 − nσ 2
k=1 d d
+
√ + −→ N(0, 1), k=1 √ −→ N(0, µ4 − σ 4 )
n µ4 − σ 4 n
n
'
√ 1 1 √
n(Sn2 − σ 2 ) = √ (Xk − µ)2 − √ nσ 2 − n(X n − µ)2
n k=1 n
'n
(Xk − µ)2 − nσ 2
√
= k=1 √ − n(X n − µ)2
n
' n n
√ 1 1 '
2
n(X n − µ) = √ ( Xi − nµ) = √ ( (Xi − µ))2
2
n n i=1 n n i=1
CAPÍTULO 2. MUESTRAS Y ESTADÍSTICOS MUESTRALES 13
n
' n
'
(Xi − µ) (Xi − µ)
i=1 d i=1 d
√ −→ N(0, 1) =⇒ √ −→ Z : N(0, σ)
σ n n
n
'
( (Xi − µ))2
i=1 d
−→ Z 2
n
1 P
por aplicación de la función continua g(x) = x2 ; √ −→ 0
n
Por Slutski
n
1 ' d √ P
√ ( (Xi − µ))2 −→ 0, Z 2 = 0 =⇒ n(X n − µ)2 −→ 0
n n i=1
El resultado es general y
√ d
n(bk (n) − µk ) −→ N(0, σ(θ))
3
siendo σ(θ) = µ2k − µ2k − 2kµk+1µk−1 + k 2 µ2k−1 µ2 para k = 2 resulta lo anterior pues
µ1 = 0.
Sea {Xi } una sucesión de v.a.i.i.d. de distribución F que tenga un único cuantil
de orden p ∈ (0, 1) : xp . Si cp (n) es el cuantil muestral de orden p asociado a una m.a.s.
(X1 , X2 , . . . , Xn ) se verifica
lı́m cp (n) = xp c.s.
n→∞
de orden p) entonces
1
lı́m Fn∗ (xp + ) > p c.s.
n k
CAPÍTULO 2. MUESTRAS Y ESTADÍSTICOS MUESTRALES 14
[1] Rohatgi, V.K. (1976) An Introduction to Probability Theory and Mathematical Sta-
tistics Ed. Wiley
15