ESTATSTICAS DE ORDEM DA DISTRIBUIO

DE POISSON: UM ESTUDO ASSINTTICO

DE SEUS MOMENTOS

Flavia Barbato RIBEIRO1

Maria Cecilia Mendes BARRETO2
RESUMO: O conhecimento de certas propriedades de estatsticas de ordem,
em particular, seus momentos, tem sido de fundamental importncia no
estudo dos estimadores lineares no viciados timos obtidos a partir de
amostragem de conjuntos ordenados. Pela literatura recente, o procedimento
de amostragem de conjuntos ordenados tem grande aplicao em pesquisa
do Meio Ambiente, principalmente quando o custo de observao exige
estimadores mais eficientes. Neste trabalho fizemos um estudo das
estatsticas de ordem para uma varivel com distribuio de Poisson, que
pouca ateno tem tido na literatura e que de grande importncia em
aplicaes prticas. Para isso calculamos os valores esperados e varincias
de estatsticas de ordem, atravs de uma funo criada no software S-Plus e
investigamos se para algum tamanho de amostra, as mdias e varincias das
estatsticas de ordem padronizadas convergem para valores assintticos
medida que aumenta. Conclumos que os valores esperados e as varincias
padronizadas das estatsticas de ordem estudadas convergem para os
respectivos valores da distribuio Normal Padro medida que aumenta, para cada tamanho de amostra n.
PALAVRAS-CHAVE: Amostragem de Conjuntos Ordenados, Momentos de
Estatsticas de Ordem, Pontos Extremos, S-Plus, Distribuio de Poisson,
Distribuio Normal Padronizada, Estatstica Aplicada ao Meio Ambiente.

1 Departamento de Estatstica da UFSCar Caixa Postal 676, CEP 13565-905 So

Carlos SP. E-mail: cbarreto@power.UFSCar.br (Bacharelado em Estatstica).
2 Departamento de Estatstica da UFSCar Caixa Postal 676, CEP 13565-905 So
Carlos SP. E-mail: cbarreto@power.UFSCar.br

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

103

1 Introduo
O procedimento de amostragem de conjuntos ordenados foi
elaborado para situaes em que a varivel resposta de interesse
difcil e cara de ser coletada, mas possvel fazer alguma suposio
econmica a respeito das ordens dos futuros resultados. Introduzido
por McIntyre (1952), sua grande vantagem est no aumento da preciso
da media amostral como um estimador da mdia populacional.
O processo consiste na seleo de n potenciais amostras, cada
uma de tamanho n. A seguir um profissional especializado da rea,
ordena os indivduos dentro de cada amostra atravs de valores de uma
varivel concomitante ou por algum mtodo barato. Para i = 1, ,n , na
i-sima amostra ordenada, observa-se a varivel de interesse, X ,
apenas no indivduo que obteve o posto i, obtendo-se o valor xi (i ) . A
amostra de conjuntos ordenados (ranked set sampling RSS) formada, ento, por x1( 1 ) , x2( 2 ) , , xn( n ) , onde dos n 2 indivduos selecionados, apenas n so efetivamente mensurados na quantia X . Uma
propriedade importante dos elementos dessa amostra que as
observaes xi (i ) so independentes, uma vez que cada elemento
amostral provm de uma amostra independentemente selecionada.
A mdia dos elementos da amostra de conjuntos ordenados um
estimador no viciado da mdia populacional e sua varincia menor
ou igual a varincia de uma mdia amostral de uma amostra aleatria
simples de mesmo tamanho. Esses resultados so vlidos para qualquer
tipo de distribuio.
Na literatura recente, o procedimento de amostragem de conjuntos ordenados tem sido amplamente estudado por diversos autores.
Por exemplo, na estimao de parmetros de vrias distribuies
(Muttlak & McDonald, 1990; Muttlak & McDonald, 1992; Lam et al,
1994; Bonh, 1996; Kaur et al, 1996; Samawi et al, 1996; Sinha et al,
1996; Yu & Lam, 1997; Barnett & Moore, 1997); na estimao da
funo de distribuio (Kvam & Samaniego, 1994; Stokes, 1995;
Bohn, 1996; Stokes & Sager, 1998); em testes de hipteses para duas
populaes ( Bohn & Wolfe, 1992; Bohn & Wolfe, 1994; Koti &
Babu, 1996); na estimao de parmetros em modelos de regresso
linear simples (Muttlak, 1995; Barreto & Barnett, 1999) e no planejamento de experimentos de um fator de classificao (Muttlak , 1996).

104

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

Entre os estimadores considerados nesses artigos, esto estimadores definidos por combinaes lineares mais gerais de observaes
de amostragem de conjunto ordenados ( Stokes,1995; Bhoj &
Ashsanullah, 1996; Sinha et al, 1996; Bhoj ,1997; Barnett & Moore,
1997 e Barreto & Barnett, 1999). Nesses trabalhos, a varivel de
interesse, X , contnua e sua distribuio pertence famlia locaoescala, isto , pode ser escrita na forma F [( X ) / ] , onde F uma
famlia de distribuies. e os estimadores obtidos so os estimadores
lineares no viciados timos na classe de combinaes lineares da
amostra de conjuntos ordenados (best linear unbiased estimators
BLUEs).
A varivel reduzida U = ( X ) / tem uma distribuio livre
de parmetros. Nesse caso as estatsticas de ordem reduzida,
U ( i ) = X ( i ) / , tm esperana i:n , varincia i:n e covarincia

ij :n que dependem da ordem da estatstica, do tamanho da amostra e

da distribuio da varivel aleatria original. Na situao de amostras
de conjuntos ordenados, onde cada observao provm de uma amostra
independente, os momentos podem ser escritos por

E Yr ( r ) = + r :m , Var Yr ( r ) = 2 r:m e

Cov Yr ( r ) ,Ys( s ) = 2 rs:m = 0

Os estimadores lineares no viciados timos de e

correspondem a combinaes lineares dos elementos da amostra de
conjuntos odenados, cujos coeficientes dependem das esperanas i:n

e das varincias i:n .

Barreto (2001) apresenta uma reviso sobre estimadores lineares
no viciados timos de amostras de conjuntos ordenados para a mdia
populacional e para os parmetros de uma regresso linear simples
quando a distribuio da varivel de interesse a Normal.
Nos trabalhos citados maior ateno tem sido dada s variveis
aleatrias contnuas, principalmente quelas que pertencem a
distribuio da famlia locaoescala. Nenhuma ateno, entretanto
tem sido dada s variveis discretas.
Por outro lado, estatsticas de ordem e suas propriedades tem sido
estudadas por diversos autores e algumas referenciais bsicas so:
David (1981), Arnold & Balakrishnan (1989), Balakrishnan & Cohen
(1991) e Johnson et al (1992). No caso de distribuies discretas,
Balakrishnan (1986) obteve vrias relaes de recorrncia e iden-

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

105

tidades para momentos e produto de momentos de estatsticas de

ordem. Gupta & Panchapakesan (1974) preocuparam-se com estatsticas de ordem vindas de populaes binomiais independentes.
Melnick (1980) apresenta um mtodo para calcular momentos de
variveis discretas ordenadas, baseado em uma relao recursiva entre
os momentos da i-sima estatstica de ordem e os momentos das
estatsticas de ordem dos extremos. O mtodo foi ilustrado com
variveis Poisson independentes, onde a mdia e a varincia do mnimo
e do mximo foram calculadas.
Uma lacuna parece existir, portanto, no estudo da distribuio
assinttica das estatsticas de ordem para distribuies discretas.
Com o advento de microcomputadores muitos softwares estatsticos calculam para diversas distribuies de probabilidade, a densidade, a funo acumulada e a inversa da funo acumulada. No
existe, entretanto, nenhuma funo especfica que calcule os momentos
das estatsticas de ordem.
Nosso interesse foi, ento, fazer um estudo da distribuio
assinttica das estatsticas de ordem de uma varivel aleatria com distribuio de Poisson. Como conseqncia, foi elaborada uma funo no
S Plus que calcula os momentos das estatsticas de ordem de uma
varivel com distribuio de Poisson, para qualquer valor de e n .
Na seo 2 apresentam-se alguns resultados sobre estatsticas de
ordem para distribuies discretas. Os resultados especficos para
estatsticas de ordem da distribuio de Poisson esto na seo 3. Nessa
seo tambm apresentada a estratgia de anlise para o estudo do
comportamento assinttico dos momentos. Os resultados e discusses
sobre as esperanas e varincias das estatsticas de ordem obtidas a
partir da funo escrita em S Plus so apresentadas na seo 4,
juntamente com o estudo de seu comportamento assinttico para
diversos valores do parmetro e do tamanho de amostra.

2 Uma reviso sobre estatsticas de ordem

e seus momentos
Antes de obter uma forma explcita para a mdia e varincia das
estatsticas de ordem para a distribuio de Poisson, apresenta-se uma
reviso sobre alguns resultados bsicos, que podem ser encontrados,
por exemplo, em David (1981).

106

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

Para um conjunto de n variveis aleatrias independentes e

identicamente distribudas, X 1 , X 2 ,
, X n , cada uma com funo
distribuio acumulada P( x ) , as estatsticas de ordem so definidas
como seu arranjo em ordem crescente e indicadas por
X ( 1 ) , X ( 2 ) , , X ( n ) , onde X ( r ) corresponde a r-sima estatstica de
ordem.
A funo distribuio acumulada da r-sima estatstica de ordem,
indicada por Fr ( x ), r = 1, ,n , pode ser obtida por

Fr ( x ) =

n i
P ( x)[1 P( x )]ni
i

n
i =1

Como casos especiais tm-se a funo distribuio do mnimo e

do mximo das estatsticas de ordem que so indicadas por

F1 ( x ) = 1 [1 P( x )]n e Fn ( x ) = P n ( x )
respectivamente.
Um resultado importante sobre a funo distribuio acumulada
de estatsticas de ordem dado por
Fr ( x ) = I P( x ) (r , n r + 1)
onde
p

I p (a ,b) =

0
1
0

t a1 (1 t )b1 dt

t a 1 (1 t )b1 dt

a chamada funo beta incompleta.

Esses resultados so vlidos para qualquer varivel aleatria.
Quando a varivel de interesse discreta assumindo, sem perda
de generalidade, os valores 0 ,1,2 , , a distribuio de probabilidade da
r-sima estatstica de ordem pode ser escrita como

f r ( x ) = I P( x ) ( r ,n r + 1 ) I P( x 1 ) ( r ,n r + 1 ) .

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

107

O k-simo momento de X ( r ) pode ser obtido, ento, diretamente

pela definio

(r:kn) =

x k f r (x) .

x =0

Como conseqncia desses resultados, tem-se que o valor

esperado e a varincia da r-sima estatstica de ordem podem ser
escritas como:

r:n =

[1 I

P( x ) ( r , n

r +1)

(1)

V( X( r ) ) = 2

x =0

x 1 I P( x ) ( r ,n r + 1 ) + r:n r2:n

(2)

Na prxima seo vamos usar esses resultados para obter

numericamente as mdias e as varincias das estatsticas de ordem de
uma distribuio de Poisson, uma vez que no encontramos na
literatura sua forma explcita.

3 Os momentos das estatsticas de ordem na

distribuio de Poisson
Para o clculo do valor esperado e da varincia da r-sima
estatstica de ordem dados em (1) e (2) importante conhecer a forma
da funo distribuio acumulada de uma varivel aleatria com
distribuio de Poisson. Ela dada por

P( x ) =

e i
i =0 i!
x

(3)

Sabe-se que a distribuio de Poisson converge para a distribuio Normal (por exemplo, Mood et al, 1974). Investigamos se as
108

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

estatsticas de ordem de Poisson convergem para as correspondentes

estatsticas de ordem da distribuio Normal. Como estratgia de
anlise da convergncia, decidiu-se ento comparar os valores
esperados e as varincias padronizadas das estatsticas de ordem da
distribuio de Poisson com os respectivos valores de uma distribuio
Normal Padro. Para tanto os momentos das estatsticas de ordem da
distribuio de Poisson foram reescritos como r:n = + r:n

V(X (r) ) = r:n . Espera-se que r:n

r:n convirjam para os

respectivos valores de uma Normal Padro.

Usando os resultados (1), (2) e (3) com a somatria truncada em
200, uma funo foi criada no S-PLUS-4.5 (Venables & Ripley, 1977)
especialmente para o clculo dos valores de r:n e V(X (r) ) . No Apndice encontra-se uma cpia desse procedimento.
Para sistematizar o estudo, primeiramente foram calculados os
valores de r:n e V(X (r) ) para diversos tamanhos de amostras entre 3
e 19 e valores do parmetro entre 1 e 100.
Como a distribuio de Poisson assimtrica e a distribuio
Normal, simtrica, a diferena maior entre as respectivas estatsticas de
ordem ocorreu, como esperado, nos extremos. A estatstica de ordem
central tambm um bom indicador de assimetria da distribuio
padronizada. Assim, como elementos de comparao apresenta-se e
discute-se aqui os resultados para as estatsticas de ordem X 1( 1 ) ,

X (n+1) / 2 [(n+1) / 2 ] e X n( n ) para tamanhos de amostras mpares, e X 1(1) ,

X n / 2 [n / 2 ] e X n( n ) para tamanhos de amostras pares.
A comparao dos valores esperados e varincias das duas
distribuies foi feita atravs do erro relativo, na forma

ER = 100 ( N P ) / N
onde P o valor de r:n ou r:n na distribuio de Poisson e N, o
respectivo valor tabelado na Normal (Pearson & Hartley, 1976).
Para apresentar e discutir os resultados, foram selecionados
alguns valores do parmetro e tambm alguns tamanhos de amostras. Na prxima seo so comentadas as esperanas e varincias de

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

109

algumas estatsticas de ordem para a distribuio de Poisson para

tamanhos de amostras iguais a 3, 5, 10, 15 e 19.

4 Resultados e discusses

valores esperados do
mnimo

A anlise da convergncia da seqncia em dos valores

esperados, i:n , e das varincias, i:n , da i-sima estatstica de ordem
padronizadas em amostras aleatrias simples de tamanho n da distribuio de Poisson com parmetro pode ser feita atravs dos
grficos dessas seqncias, para valores escolhidos de n, e de tabelas
contendo os erros relativos, para diversos valores de e de n.
A Figura 1 refere-se aos valores esperados padronizados, 1:n ,
da primeira estatstica de ordem em amostras casuais da distribuio de
Poisson de parmetro . Quando cresce, estes valores esperados se
aproximam dos valores esperados das respectivas estatsticas de ordem
em amostras de tamanho n da distribuio Normal Padro, correspondendo no grfico ao valor de igual a 110, para o mesmo tamanho de amostra. Pode-se observar ainda que para diferentes valores
de tamanho de amostra o comportamento das linhas so semelhantes.
0
-0,5

20

40

60

-1
-1,5

80

100

120

n=3
n=5
n=10
n=15
n=19

-2
lambda

FIGURA 1 Valores esperados padronizados da primeira estatstica de ordem ( 1:n )

em amostras de tamanho n da distribuio de Poisson com parmetro .

Para melhor quantificar a convergncia de 1:n , na Tabela 1

apresentam-se os erros relativos para os valores de 1:n . Estes variam

de 0,57% 45,78%. Fixado o tamanho da amostra, o erro relativo
diminui conforme aumenta-se o valor do parmetro . O valor do erro
relativo menor para tamanhos pequenos de amostras, e maior para

110

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

tamanhos grandes de amostras. Pode-se dizer que o erro relativo dos

valores de 1:n aumenta medida que n cresce.
Tabela 1 Erro relativo dos valores esperados padronizados da primeira estatstica de ordem ( 1:n ) em amostras de tamanho
n da distribuio de Poisson com parmetro .

n
10

15

19

13,89

22,80

35,64

42,42

45,78

5,43

9,33

14,14

16,83

18,39

3,74

6,66

10,14

12,05

13,14

2,97

5,40

8,26

9,81

10,70

10

2,34

4,36

6,69

7,96

8,69

20

1,50

2,92

4,52

5,38

5,89

30

1,17

2,33

3,61

4,31

4,72

40

0,98

1,99

3,09

3,69

4,04

50

0,86

1,76

2,74

3,27

3,59

60

0,77

1,60

2,48

2,96

3,26

70

0,71

1,47

2,28

2,73

3,00

80

0,65

1,37

2,12

2,54

2,80

90

0,61

1,29

1,99

2,39

2,63

100

0,57

1,22

1,88

2,26

2,49

As varincias padronizadas de X 1( 1 ) , 1:n , da distribuio de

Poisson de parmetro esto na Figura 2. Quando cresce, estas
varincias se aproximam das respectivas varincias em amostras de
tamanho n da distribuio Normal Padro, correspondendo no grfico
ao valor de igual a 110, para o mesmo tamanho de amostra. Assim
como no caso de 1:n pode-se observar que as linhas se comportam de
maneira semelhante, sendo quase paralelas.
Na Tabela 2 tem-se os erros relativos dos valores de 1:1 . Estes
variam de 6.00% 99,96%, com valor menor para tamanhos de
amostras pequenas e maior para tamanhos de amostras grandes. Fixado
o tamanho de amostra, o erro relativo dos valores de 1:n diminui a
medida que aumenta.

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

111

valores esperados
do mnimo

0
-0,5

20

40

60

80

100

120

n=3
n=5

-1

n=10
n=15

-1,5

n=19

-2
lambda

FIGURA 2 Valores das varincias padronizadas da primeira estatstica de ordem

( 1:n ) em amostras de tamanho n da distribuio de Poisson com parmetro .

Tabela 2 Erro relativo das varincias padronizadas da primeira estatstica de ordem ( 1:n ) em amostras de tamanho n da
distribuio de Poisson com parmetro .

10

15

19

57,64

77,76

97,09

99,67

99,96

33,02

44,44

57,54

64,29

67,96

25,87

34,88

45,13

50,36

53,02

22,03

29,75

38,56

43,06

45,29

10

18,56

25,11

32,61

36,47

38,33

20

13,27

17,99

23,47

26,31

27,59

30

10,88

14,77

19,31

21,69

22,69

40

9,45

12,84

16,80

18,89

19,73

50

8,46

11,50

15,07

16,96

17,69

60

7,73

10,51

13,78

15,53

16,17

70

7,16

9,74

12,78

14,41

14,98

80

6,70

9,12

11,97

13,50

14,02

90

6,32

8,60

11,30

12,75

13,22

100

6,00

8,16

10,72

12,11

13,62

A apresentao e anlise do comportamento dos momentos das

estatsticas centrais esto agrupados para tamanhos de amostras
mpares e tamanhos de amostras pares.

112

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

Na Figura 3 tem-se os valores de ( n+1 ) / 2:n para tamanhos de

valores esperados das

estatsticas centrais

amostras mpares da distribuio de Poisson de parmetro . Percebese que eles convergem para o valor esperado na Normal Padro,
correspondente no grfico ao valor de igual a 110, medida que
aumenta, independente do valor de n . As linhas definidas para cada
tamanho de amostra so praticamente paralelas. Como o respectivo
valor na Normal zero, no possvel calcular o correspondente erro
relativo.

-0,04

20

40

60

80

100

120

n=3
n=5
n=11

-0,09

n=15
n=19

-0,14
lambda

FIGURA 3 Valores esperados padronizados da estatstica de ordem central

( ( n +1 ) / 2:n ) em tamanhos de amostras mpares da distribuio de Poisson com
parmetro

Na Figura 4 tem-se os valores de n / 2:n da distribuio de Pois-

son com parmetro para tamanhos de amostras pares. Conforme

aumenta, eles convergem para o valor esperado na Normal Padro,
correspondente no grfico ao valor de igual a 110, independente do
valor de n . As linhas definidas para cada tamanho de amostra so
praticamente paralelas. Neste caso podemos observar dois tipos de
situaes, uma para tamanhos de amostras pares e outra para mpares.
Na figura 5 tem-se os valores de n / 2:n da distribuio de Pois-

son com parmetro . Percebe-se que conforme aumenta, eles convergem para as respectivas varincias da Normal Padro, correspondente no grfico ao valor de igual a 110, para o mesmo valor de
n. Podemos observar ainda o mesmo comportamento paralelo das linhas.
A quantificao da convergncia dos erros relativos dos valores
de n / 2:n esto na Tabela 3. Eles variam de 0,11% 48,39%, com
valor menor para tamanhos de amostras pequenas e maior, para ta-

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

113

valores esperados das

estatsticas centrais

manhos de amostras grandes. Porm, conforme aumenta, seu valor

diminui.
0
-0,1 0

20

40

60

80

100

120

-0,2
-0,3
-0,4

n=4
n=6
n=10
n=14
n=18

-0,5
lambda

FIGURA 4 Valores esperados padronizados da estatstica de ordem central ( n / 2 :n )

varincia dos valores

centrais

em tamanhos de amostras pares da distribuio de Poisson com parmetro

0,6
0,5
0,4
0,3
0,2
0,1
0

n=3
n=5
n=10
n=15
n=19
0

20

40

60

80

100

120

lambda

FIGURA 5 Valores das varincias padronizadas estatstica de ordem central ( n / 2: n )

em amostras de tamanho

n da distribuio de Poisson com parmetro .

Na Figura 6 temos os valores de n : n para diversos valores de

e de n . Eles convergem para os valores esperados na Normal Padro,
correspondente no grfico ao valor de igual a 110, conforme
aumenta, para o mesmo tamanho de amostra. Pode-se observar ainda
que para diferentes valores de n o comportamento das linhas so
semelhantes.
A Tabela 4 apresenta alguns valores dos erros relativos de n:n .
Estes variam de 0,38% 18,16%, com valor menor para tamanhos de
amostras pequenas e maior para tamanhos de amostras grandes. Podese dizer que o erro relativo dos valores de n:n diminui conforme
aumenta o valor de , fixados os tamanhos de amostras.

114

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

Tabela 3 Erro relativo das varincias padronizadas da estatstica de

ordem central ( n / 2 :n ) em amostras de tamanho n da
distribuio de Poisson com parmetro .

n
3

10

15

19

17,32

31,49

62,72

51,62

48,39

4,28

7,95

12,03

26,19

32,71

2,46

4,68

6,23

15,38

19,68

1,73

3,32

3,94

10,93

13,97

10

1,20

2,31

2,32

7,63

9,75

20

0,59

1,15

0,62

3,81

4,86

30

0,39

0,77

0,14

2,53

3,23

40

0,29

0,58

0,07

1,90

2,42

50

0,23

0,47

0,17

1,52

1,94

60

0,19

0,39

0,23

1,26

1,61

70

0,16

0,34

0,27

1,08

1,38

80

0,14

0,30

0,29

0,95

1,21

90

0,12

0,26

0,31

0,84

1,07

100

0,11

0,24

0,32

0,76

0,96

valores esperados
dos mximos

2,5
2
1,5
1
0,5
0

n=3
n=5
n=10
n=15
n=19
0

20

40

60

80

100

120

lambda

FIGURA 6 Valores esperados padronizados da n-sima estatstica de ordem ( n : n )

em amostras de tamanho

n da distribuio de Poisson com parmetro .

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

115

Tabela 4 Erro relativo dos valores esperados padronizados da n-sima estatstica de ordem ( n:n ) em amostras de tamanho n
da distribuio de Poisson com parmetro .

n
10

0,38

5,98

12,99

16,36

18,16

1,19

4,66

8,67

10,66

11,71

15

19

1,26

3,92

7,04

8,60

9,42

1,22

3,46

6,11

7,44

8,13

10

1,14

3,00

5,24

6,35

6,93

20

0,94

2,25

3,85

4,65

5,05

30

0,82

1,88

3,20

3,86

4,18

40

0,74

1,65

2,80

3,37

3,66

50

0,68

1,49

2,53

3,04

3,29

60

0,63

1,37

2,32

2,79

3,02

70

0,59

1,27

2,16

2,60

2,81

80

0,56

1,20

2,03

2,44

2,63

90

0,54

1,13

1,92

2,31

2,49

100

0,51

1,08

1,83

2,20

2,37

Na Figura 7 esto os valores de n:n . Eles convergem para as

respectivas varincias em amostras de tamanho n na Normal Padro,
correspondente no grfico ao valor de igual a 110, conforme
aumenta o valor de , para o mesmo tamanho de amostra. Assim
como no caso de n:n pode-se observar que as linhas se comportam de
maneira semelhante, alm de serem paralelas.
Na Tabela 5 encontram-se os erros relativos para os valores de
n:n . Estes variam de 6,37% 171,33%, com valor menor para
tamanhos de amostras pequenas e maior para tamanhos de amostras
grandes. Pode-se dizer que o erro relativo dos valores de n:n diminui

a medida que aumenta, fixado o tamanho da amostra.

116

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

varincias dos
mximos

n:n

1,2
1
0,8
0,6
0,4
0,2
0

n=3
n=5
n=10
n=15
n=19
0

20

40

60

80

100

120

lambda

FIGURA 7 Valores das varincias padronizadas da n-sima estatstica de ordem

( n:n ) em amostras de tamanho n da distribuio de Poisson com parmetro .

Tabela 5 Erro relativo das varincias padronizadas da n-sima estatstica de ordem ( n : n ) em amostras de tamanho n da
distribuio de Poisson com parmetro .

10

15

19

75,76

104,43

139,22

159,04

171,33

39,83

55,00

73,27

82,88

88,91

30,06

41,46

55,07

62,17

66,72

25,08

34,55

45,81

51,65

55,45

10

20,75

28,56

37,79

42,55

45,72

20

14,45

19,85

26,18

29,40

31,66

30

11,72

16,09

21,19

23,76

25,64

40

10,12

13,88

18,26

20,45

22,11

50

9,03

12,39

16,28

18,22

19,72

60

8,24

11,29

14,83

16,58

17,98

70

7,62

10,44

13,70

15,32

16,63

80

7,12

9,76

12,80

14,30

15,55

90

6,71

9,20

12,06

13,46

14,65

100

6,37

8,72

11,43

12,75

13,90

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

117

5 Concluses
Em amostras de conjuntos ordenados, os momentos das estatsticas de ordem padronizadas so importantes na obteno de BLUEs.
Neste trabalho foram apresentados os resultados de um estudo sobre o
comportamento assinttico do valor esperado e da varincia de algumas estatsticas de ordem para variveis aleatrias com distribuio de
Poisson com parmetro .
Mostrou-se que os valores de mdias e varincias das estatsticas
de ordem X 1( 1 ) e X n( n ) vindos de uma distribuio Poisson com
parmetro , quando padronizadas, convergem para os valores das
esperanas e varincias das respectivas estatsticas de ordem de uma
Normal Padro, em amostras de tamanho n, a medida que se aumenta o
valor do parmetro. A variao do erro relativo pode ser considerada
baixa e sofre um acrscimo a medida que o tamanho da amostra
aumenta. Para as estatsticas de ordem do mnimo e do mximo existe
um comportamento muito semelhante e as diferenas nos erros
relativos so muito pequenas. Alm do mais, o comportamento do erro
relativo indica que a aproximao melhor para amostras de tamanho
pequeno.
Em relao aos valores de n / 2:n pde-se observar que eles se

aproximam, quando cresce, do correspondente valor esperado na

distribuio Normal, conforme aumenta o valor do parmetro, para
cada tamanho de amostra. Resultado anlogo obteve-se para as varincias.
Conclui-se ento que os dois primeiros momentos centrais das
estatsticas de ordem padronizadas de uma amostra aleatria de
tamanho n de uma varivel aleatria com distribuio de Poisson com
parmetro convergem para os momentos correspondentes destas
estatsticas em amostras de mesmo tamanho vindo as de uma
distribuio Normal padro, quando .

118

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

RIBEIRO, F. B., BARRETO, M. C. M. Order stastistics for poisson

distribution: an asymptotic study of its moments, Rev. Mat. Estat. (So
Paulo), v.19, p.103-121, 2001.
ABSTRACT: The knowledge of the properties of the moments of order
statistics are very important in the study of best linear unbiased estimators
for ranked set sampling. In recent papers, the procedure of ranked set
sampling are used in reseach of the Environment, mainly when the cost of
observations required more efficient estimators. In this paper we have
studied the properties of order statistics from Poisson distribution, which is
little attention is given in the literature but is very important in applications.
We have calculated the expected values and variances of the order statistics
from Poisson distribution using a function in S-Plus software. We have
checked for some sample values, if the means and variances of reduced
order statistics from Poisson distribution converge for some values as
increase. We have concluded that the expected values and the variances of
reduced order statistics for Poisson distribution converge for same figures
of the standard Normal distribution as increase, for the same values of
sample size.
KEYWORDS: Ranked set sampling, moments of order statistics, extreme
points, S-Plus, Poisson distribution and standard normal distribution,
Environmental statistics.

Referncias bibliogrficas
BALAKRISHNAN, N. Order Statistics from discrete distributions,
Comun. Stat, Part A-Theory Meth., v.15, p.657-75, 1986.
BARNETT, V., MOORE, K. Best linear unbiased estimates in ranked
set sampling with particular reference to imperfect ordering, J. Appl.
Stat., v.24, p.697-710, 1997.
BARRETO, M. C. M., BARNETT, V. Best linear unbiased estimators
for the simple linear regression model using ranked set sampling. J.
Ecol. Environ. Stat., v.6, 119-34, 1999.
BARRETO, M. C. M. Planejamentos eficientes em pesquisa no Meio
Ambiente usando amostragem em conjuntos ordenados. Rev. Mat.
Estat., v.19, p.71-84, 2001.

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

119

BHOJ, D. S., AHSANULLAH, M. Estimation of parameters of the

generalized geometric distribution using ranked set sampling.
Biometrics, v.52, p.685-94, 1996.
BOHN, L. L. A review of nonparametric ranked set sampling methodology. Comun. Stat., Part A-Theory Meth., v.25, p.2675-85, 1996.
BOHN, L. L., WOLFE, D. A. Nonparametrics 2 sample procedures for
ranked set samples data, J. Am. Stat. Assoc., v.87, p.552-62, 1996.
BOHN, L. L., WOLFE, D. A. The effect of imperfect judgment
rankings on properties of procedures based on the ranked set samples
analog of the Mann-Whitney-Wilcoxon statistics, J. Am. Stat. Assoc.,
v.89, p.168-76, 1992.
DAVID, H. A. Order statistics. 2. ed. New York: Jonh Wiley, 1981.
360p.
DELL, T. R., CLUTTER, J. L. Ranked set sampling theory with the
use of ranked set sampling on grass clover swards. Grass For. Sci.,
v.40, p.257-63. 1972.
JOHNSON, N., KOTZ, S., KEMP, A. Univariate discrete distributions, 2. ed. New York: John Wiley, 1992. 565p.
KAUR, A. et al. Environmental sampling with a concomitant variable and
stratified simple random sampling. J. Appl. Stat., v.23, p.231-55, 1996.
KOTI, K. M., BABU, G. J. Sign test for ranked set sampling. Comun.
Stat. Part A-Theory Meth., v.25, p.1617-30, 1996.
KVAM, P. H., SAMANIEGO, F. J. Nonparametric maximumlikelihood-estimation basead on ranked set samples. J. Am. Stat.
Assoc., v.89, p.526-37, 1994.
LAM, K., SINHA, B. K., WU, Z. Estimation of parameters in a 2parameter exponential distribuition using ranked set sample. Ann.
Inst. Stat. Math., v.46, p.723-36, 1994.
MOOD, A. M., GRAYBILL, F. A., BOES, D. C. Introduction to the
theory of statistics, 3. ed. Tokyo: McGraw-Hill, 1974. 564p.
MUTTLAK, H. A. Parameters estimation in a simple linear-regression
using rank set sampling. Biom. J., v.37, p.799-810, 1995.
MUTTLAK, H. A. Estimation of parameters for one-way layout with
rank set sampling. Biom. J., v.38, p.507-15, 1996.
MUTTLAK, H. A., MCDONALD, L. L. Ranked set sampling with
respect to comcomitant variables and with size biased probability of
selection. Comun. Stat. Part A-Theory Meth., v.19, p.653-67, 1990.
120

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

MUTTLAK, H. A., MCDONALD, L. L. Ranked set sampling and the

line intercept method-a more efficient procedure. Biom. J., v.34, p.32946. 1990.
PEARSON, E. S., HARTLEY, H. O. Biometrika tables for statisticians. London: Griffin, 1976. v.2, 286p.
SAMAWI, H. M., AHMED, M. S., ABUDAYYEH, W. Estimating the
population mean using extreme ranked set sampling. Biom. J., v.38,
p.577-86, 1996.
SINHA, B. K., SINHA, B. K., PURKAYASTHA, S. On some aspects
of ranked set sampling for estimation of normal and exponential
parameters. Stat. Decisions, v.14, p.223-240, 1996.
STOKES, L. S. Ranked set sampling with concomitant variables.
Comun. Stat. Part A Theory Meth., v.25, p.1617-30, 1977.
STOKES, L. S. Parametric ranked set sampling. Ann. Inst. Stat. Math.,
v.47, p.465-82, 1995.
STOKES, L. S., SAGER, T. W. Characterization of a ranked set
sample with aplication to estimating distributions functions. J. Am.
Stat. Assoc., v.83, p.374-81, 1988.
VENABLES, W. N., RIPLEY, B. D. Modern applied statistics with SPlus, 2.ed. New York: SpringerVerlag, 1997. 548p.
Recebido em 23.5.2000

Apndice
Funo do S-Plus para clculo dos valores esperados e varincias
das estatsticas de ordem da distribuio de Poisson
estatistica.ordem<-function(lam,r,n)
{
x<-seq(0,200,1)
px<-ppois(x,lam)
ip<-pbeta(px,r,n-r+1,ncp=0)
w<-1-ip
mi<-sum(w)

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001

121

sigma<-2*sum(x*w)+mi-mi^2
resposta<-c(mi,sigma)
}

122

Rev. Mat. Estat., So Paulo, 19: 103-121, 2001