Introduccin a la Econometra

Tema 1: INTRODUCCIN

Tema 1 : INTRODUCCIN
1.1 Anlisis de datos bidimensionales. Cuando estudiamos un fenmeno con dos caractersticas observables que creemos puedan tener relacin o cuando analizamos la posible relacin entre dos fenmenos distintos se denomina variable bidimensional al conjunto de pares de valores (X,Y) en que se puede concretar una observacin conjunta cualquiera. As tenemos que del fenmeno fisonoma de los individuos se puede observar conjuntamente las caractersticas altura y peso de cada individuo, del fenmeno mercado de un bien lo haramos con las caractersticas precio y cantidad o, tambin, podramos relacionar el fenmeno ingreso familiar con el fenmeno educacin observando conjuntamente las caractersticas salario y aos de estudio. En todos estos casos se define una variable bidimensional (X,Y). Se llama variable estadstica bidimensional a una coleccin de observaciones conjuntas de (X,Y), que una vez ordenadas da lugar a lo que llamamos distribucin bidimensional de frecuencias que podemos representar de las siguientes formas: 1) Con observaciones agrupadas por frecuencias: [ (xi , yj) ; nij ] i = 1, ... ,h j = 1, ... ,k donde (xi , yj) representa a cualquier par observado nij veces de la variable (X,Y). nij es la frecuencia absoluta conjunta, cumplindose que: siendo N el nmero total de observaciones. 2) Con observaciones sin agrupar: (xi , yi) i = 1, ... ,N que describe la serie completa de valores observados, repetidos o no. Esta ser la forma que habitualmente utilizaremos para representar los pares de valores obtenidos. Ntese que en el primer caso tenemos que utilizar dos subndices i y j, mientras que en el segundo slo tenemos que utilizar un subndice. Se denominan distribuciones marginales a las distribuciones unidimensionales que resultan de considerar por separado cada una de las dos variables que forman la variable bidimensional. Distribuciones condicionadas son las distribuciones unidimensionales que surgen al fijar un valor de una de las variables (condicionante) y considerar la distribucin de los valores de la otra (condicionada), siempre que acompaen al nico valor de la variable condicionante. Se observa que: - al condicionar reducimos el nmero de elementos de la distribucin al fijarnos exclusivamente en los que cumplen una determinada condicin definida por un valor concreto de la otra variable. - el nmero total de distribuciones condicionadas es h + k.

n
i =1 j =1

ij

= N

Departamento de Estadstica e Investigacin Operativa II (Mtodos de Decisin)

En el Apndice de este Tema se repasan las definiciones y expresiones de los momentos en una distribucin bidimensional, a partir de la forma que considera los datos agrupados segn su frecuencia conjunta, incluyendo algunas demostraciones bsicas. Para el caso en que la distribucin bidimensional se presente como el conjunto de pares (xi , yi ) con i = 1, ... , N , entonces los momentos respecto al origen se expresarn de la siguiente forma:

x y
r i

s i

a rs =

i=1

a 10 = x =

x
i=1

a 01 = y =

y
i=1

a 20 =

x
i=1

2 i

a 02 =

y
i=1

2 i

a 11 =

x y
i i=1

Y los momentos con respecto a las medias:

(x
m rs =
i =1

- x ) (y i - y )
r

( x
m 20 = S 2 = x
i=1

- x)

x
=
i=1

2 i

- x2

( y
m02 = S = Siendo la covarianza igual a:
2 y i=1

- y)

y
=
i=1

2 i

- y2

( x
m11 = S xy =
i=1

- x ) . ( y i - y) N =

x y
i i=1

- x.y

Se dice que la variable Y es independiente de la variable X cuando las h distribuciones condicionadas de Y/X=xi (una para cada valor de i) son iguales entre s. Anlogamente, decimos que la variable X es independiente de la variable Y cuando las k distribuciones condicionadas de X/Y=yj (una para cada valor de j) son iguales entre s e iguales a su vez a la distribucin marginal de la variable X. Se puede observar que cuando se da la independencia en un sentido se da tambin en el otro, siendo la independencia recproca. La condicin necesaria y suficiente de independencia estadstica en el caso de observaciones agrupadas por frecuencias es:

i = 1, ... , h j = 1, ... , k

n ij N

n i. n . j f ij = f i. f . j N N

Esta definicin de independencia es muy exigente y difcil de cumplir en la prctica, aunque los fenmenos que representen las variables X e Y no tengan ninguna relacin entre s. El alumno ya la ha utilizado en la Teora de la Inferencia Estadstica para la construccin del test 2 de independencia. Si X e Y son independientes se verifica que:

Introduccin a la Econometra

Tema 1: INTRODUCCIN

a 11 =

x y .f
i j i=1 j=1

ij

x y .f
i j i=1 j=1

. f j =

x .f .y .f
i i j i=1 j=1

= a 10 . a 01

si las variables son independientes a11 = a10.a01

y por tanto la covarianza:

Sxy = a11 - a10.a01 = a10.a01 - a10.a01 = 0

Si las variables son independientes la covarianza toma el valor cero. Pero el recproco no siempre es cierto, es decir: si la covarianza es cero no podemos asegurar que las variables sean independientes.

Se dice que la variable Y depende funcionalmente de la variable X si para cada valor xi que toma X le corresponde un nico valor yi a la Y. La distribucin condicionada de Y/X=xi esta formada por ese valor nico yi con frecuencia no nula, siendo su media igual a ese valor y su varianza igual a cero. Anlogamente se definira la dependencia funcional de X respecto de Y. Si se cumple en los dos sentidos se dice que la dependencia funcional es recproca o biunvoca. Lo habitual, en el campo de la estadstica aplicada, es que trabajemos con variables cuyo grado de dependencia est comprendido entre la independencia y la dependencia funcional. De tal forma que los mtodos estadsticos tratarn de cuantificar ese grado de dependencia, de estudiar la forma funcional ms adecuada y de medir la influencia que una de las variables pudiera tener sobre la otra. Aspectos que se tratan en el estudio del modelo de regresin lineal simple. Si nos encontramos en el caso en que las frecuencias conjuntas necesariamente han de ser unitarias porque ningn valor de la X ni de la Y se repite, como cuando se recogen en una tabla las cifras anuales de consumo y renta, evidentemente dichas variables no son independientes, mientras que aparentemente se puede pensar que existe una dependencia funcional biunvoca dado que a cada valor observado de la X le corresponde un nico valor observado de la Y. Sin embargo, lo que ocurre, generalmente, en estos casos es una limitacin de informacin que no nos permite tener ms de un par observado distinto, bien porque los datos sean temporales e irrepetibles, o bien porque los datos siendo de corte transversal corresponden a variables de tipo continuo sin posibilidad prctica de repeticin (ejemplo: gastos sanitarios e impuestos pagados por 500 familias espaolas elegidas al azar). En este ltimo caso se puede agrupar los datos de cada una de las variables por intervalos y construir una tabla de correlacin determinando las cifras de las frecuencias conjuntas correspondientes, mientras que en el otro caso, admitiendo que no son independientes, tampoco podemos aceptar que exista una dependencia funcional, a no ser que reconozcamos el carcter determinista del fenmeno que estemos estudiando.

Recordemos que la covarianza es una medida del grado de asociacin lineal entre las dos variables X e Y:

Departamento de Estadstica e Investigacin Operativa II (Mtodos de Decisin)

yj

(x

- x) < 0 y j - y > 0
II

(x

- x) > 0 y j - y > 0

I
IV

y
III

(x

- x) < 0 y j - y < 0
x

(x

- x) > 0 y j - y < 0 xi

Como se puede ver en esta figura, que supone una relacin creciente o positiva entre las variables, cuanto ms cerca de la lnea recta imaginaria que pasa por el punto (x, y) estn los puntos observados habr ms puntos pertenecientes a los cuadrantes I y III, donde los sumandos que determinan la covarianza son positivos y tendrn ms importancia en su clculo que los puntos de los cuadrantes II y IV donde habr menos. En el caso de una relacin lineal perfecta no habr puntos en estos cuadrantes y los trminos de la covarianza sern todos positivos. Si la relacin fuese decreciente o negativa la covarianza tomara un valor negativo. Luego, cuanto mayor sea el valor absoluto de la covarianza mayor ser el grado de relacin o asociacin lineal entre las variables. Si la covarianza es positiva la relacin es creciente o en el mismo sentido, si la covarianza es negativa la relacin es decreciente o en sentido contrario. Si la covarianza tomase el valor cero, aunque no podamos afirmar que las variables son independientes, el grado de relacin lineal es nulo.

1.2 Concepto de modelo. El modelo economtrico.

Un modelo es una representacin simplificada de la realidad y lo hace utilizando expresiones simblicas por medio de un conjunto de relaciones matemticas. Un modelo econmico representa a un fenmeno econmico de forma simplificada y en trminos matemticos. Se puede decir que un modelo econmico es la expresin matemtica de una determinada teora econmica. Un modelo economtrico es aquel modelo econmico que contiene las especificaciones necesarias para su aplicacin emprica. Incorpora variables aleatorias permitiendo el uso de los mtodos de la inferencia estadstica a partir de los datos observados sobre las magnitudes incluidas en el propio modelo. Un modelo economtrico es un conjunto de relaciones matemticas que representa las dependencias e influencias entre diversas magnitudes econmicas incorporadas al

Introduccin a la Econometra

Tema 1: INTRODUCCIN

modelo por medio de variables, que suelen representar a las posibles observaciones muestrales de dichas variables, y podrn ser aleatorias. Un modelo economtrico tambin recoge ciertas caractersticas del fenmeno que se estudia por medio de parmetros, cuyo valor desconocido deber estimarse aplicando el correspondiente mtodo estadstico, y suele introducir ciertas variables aleatorias denominadas perturbaciones aleatorias o trminos de error, no observables, que representan al conjunto de posibles causas e influencias no incluidas en el modelo. La formulacin del modelo se hace, habitualmente, a partir del contenido de una determinada teora econmica que se pretende contrastar empricamente.

1.3 Ejemplo 1: La funcin de Consumo keynesiana

La teora econmica en que se basa este modelo podemos recogerla directamente de la obra de Keynes: La ley psicolgica fundamental en que podemos basarnos con entera confianza, tanto a priori partiendo de nuestro conocimiento de la naturaleza humana como de la experiencia, consiste en que los hombres estn dispuestos, por regla general y en promedio, a aumentar su consumo a medida que su ingreso crece, aunque no tanto como el crecimiento de su ingreso. Esto quiere decir que si C es el monto del consumo e Y el ingreso (ambos medidos en unidades de salario), C tiene el mismo signo que dC Y, pero es de menor magnitud, es decir, es positivo y menor que la unidad.(pg. dY 96)...la satisfaccin de las necesidades primarias inmediatas de un hombre y su familia es un motivo ms fuerte que los relativos a la acumulacin... Estas razones impulsarn casi siempre a ahorrar mayor proporcin del ingreso cuando el ingreso real aumenta(pg. 97).... (Teora general de la ocupacin, el inters y el dinero, J.M. Keynes) Es decir, si C es el consumo privado y R es la renta disponible, expresados en precios constantes (o deflactados) se definen las siguientes hiptesis del modelo: 1) C depende de R. Por tanto, si se escoge la forma lineal para expresar la relacin entre C y R el modelo econmico queda: C = + R 2) La propensin marginal al consumo est comprendida entre cero y uno:
0< dC <1 dR al ser dC = esto supone que 0 < < 1. dR

3) La propensin marginal al consumo debe ser menor que la propensin media: dC C < dR R De aqu se deduce que <

+ R
R

R < + R > 0

Departamento de Estadstica e Investigacin Operativa II (Mtodos de Decisin)

El modelo economtrico correspondiente se obtiene refiriendo las variables C y R a los instantes temporales de observacin e introduciendo las variables que representan a los trminos de error o perturbaciones aleatorias. Modelo economtrico: Ct = + Rt + ut para t = 1,2, ... ,N Ct : Consumo privado deflactado del periodo t Rt : Renta disponible deflactada del periodo t y : parmetros ut : Variable aleatoria denominada perturbacin aleatoria Es evidente que si prescindimos de ut y sustituimos Ct y Rt por sus valores observados la ecuacin Ct = + Rt no se cumplir de forma exacta, para unos valores fijos de y , en los periodos considerados. Las variables ut representan todas las dems causas que afectan al consumo, diferentes del nivel de renta, y no estn incluidas en el modelo, introduciendo la aleatoriedad en el mismo y pudiendo, as, aplicar mtodos de inferencia estadstica para la estimacin de los parmetros y . Las hiptesis sobre los valores de los parmetros ( 0 < <1 y > 0 ) debern ser aceptadas o rechazadas estadsticamente utilizando alguno de los mtodos de contrastes de hiptesis que nos proporciona la Inferencia Estadstica.

A partir de este primer ejemplo se pueden deducir las siguientes caractersticas sobre los elementos que constituyen un modelo economtrico:

- Cada magnitud que relaciona un modelo se representa por una variable que puede tomar cualquier valor dentro de un conjunto establecido. A la variable que representa a la magnitud que el modelo intenta analizar estudiando las posibles causas de sus variaciones se la denomina variable endgena (tambin: dependiente o explicada) y a las que representan esas posibles causas y, por tanto, sus variaciones influyen sobre la variable endgena se las denomina variables exgenas (tambin: independientes o explicativas). En el ejemplo 1 la variable endgena es C, que representa al consumo privado del periodo a precios constantes, y la nica variable exgena es R, que representa a la renta disponible del periodo tambin a precios constantes.

Las variables ut, que, como ya se ha dicho antes, contienen a todas las causas e influencias sobre la variable endgena no representadas por las variables exgenas ni por los parmetros, reciben el nombre de perturbaciones aleatorias. Al ser el valor de los parmetros desconocido sern variables no observables o latentes.

Introduccin a la Econometra

Tema 1: INTRODUCCIN

- Los datos que generan las variables observables pueden ser:

Series temporales: las observaciones se realizan en distintos periodos de tiempo. Datos de seccin cruzada o de corte transversal: cuando corresponden a distintos individuos o familias o empresas pero referidos al mismo periodo de tiempo. Datos de panel: supone una combinacin de los anteriores al obtenerse los datos sobre un mismo conjunto de individuos(o familias o empresas) en distintos periodos de tiempo.

En nuestro ejemplo los datos son series temporales: Ct y Rt representan, respectivamente, a las cifras deflactadas del consumo privado y de la renta disponible en un pas o regin determinada correspondientes al periodo de tiempo t.

- Al realizarse las observaciones temporalmente podemos distinguir entre variable sin retardos, simbolizada por Xt, que recoge el valor que toma la variable X en el periodo t y variable retardada, simbolizada por Xt-k, que representa al valor que tom la variable X k periodos antes del periodo t. En el ejemplo las variables son sin retardos.

- Si el modelo se define, como en nuestro ejemplo, por medio de una nica ecuacin se denomina modelo uniecuacional, y si necesita de dos ecuaciones o ms modelo multiecuacional.

- Si los datos son de seccin cruzada o si son series temporales pero todas las variables incluidas en el modelo aparecen sin retardos, el modelo se denomina esttico y si aparecen, en alguna ecuacin del modelo, variables retardadas el modelo recibe el nombre de dinmico en el sentido que intentar captar el comportamiento en el tiempo de las variables implicadas.

- Si la forma en que intervienen variables y parmetros en cada una de las ecuaciones que definen el modelo es lineal respecto a los parmetros, es decir, se puede expresar como una combinacin lineal en que los coeficientes son los parmetros y los elementos de la combinacin son las variables originales o alguna transformacin de las mismas, se dice que el modelo es lineal, mientras que en cualquier otro caso ser un modelo no lineal.

- Los parmetros son magnitudes que permanecen constantes durante la realizacin completa del fenmeno. Afectan a las variables, como coeficientes, marcando su efecto o peso en la relacin y pueden tener interpretacin econmica. En el ejemplo 1 los parmetros son y , siendo la propensin marginal al consumo y el denominado consumo autnomo.

Departamento de Estadstica e Investigacin Operativa II (Mtodos de Decisin)

1.4 Etapas del trabajo economtrico.

I. ESPECIFICACIN Teora econmica Matemticas Estadstica matemtica

Ejemplo 1: Ct = + Rt + ut para t = 1,2, ... ,N

II. ESTIMACIN Inferencia estadstica (estimacin) Teora econmica

Ejemplo 1: estimadores de y : * y * Ct* = * + * Rt

III. VERIFICACIN Inferencia estadstica (contrastes de hiptesis) Teora econmica

Ejemplo 1: Ho: = 0 H0: = 1 Ho: = 0 H1: 0 H1: < 1 H1: > 0

IV. APLICACIN

Puede ser, por ejemplo, prediccin:

Mtodos estadsticos Teora econmica

Ejemplo 1: Si Rt+h = R0 Cpt+h = * + * R0

Introduccin a la Econometra

Tema 1: INTRODUCCIN

EJERCICIOS PROPUESTOS

1.1 Las alturas (en cm.) y los pesos (en kg.) de 40 mujeres, elegidas al azar entre las que forman un determinado colectivo, han sido: Alturas: X Pesos: Y X Y X Y X Y X Y 146 41 154 46 160 48 165 60 147 45 155 50 160 48 166 54 148 42 155 48 160 50 167 60 150 55 156 45 162 60 168 50 150 48 156 60 162 56 168 58 151 60 157 50 162 48 170 60 152 50 158 48 163 50 172 68 152 52 158 52 163 58 174 65 152 45 158 53 164 56 174 70 153 48 159 52 164 52 175 64

1: Calcule las medias y las varianzas de las distribuciones marginales de alturas y pesos. 2: Elabore la tabla de correlacin de la distribucin bidimensional, estableciendo para cada variable 6 intervalos de amplitud igual a 5. 3: Calcule, a partir de la tabla construida en el apartado anterior, las medias y varianzas marginales, comparndolas con las obtenidas en el primer apartado. 4: Obtenga las medias de las seis distribuciones de frecuencias de los pesos condicionadas a las alturas.

1.2 Las calificaciones obtenidas por 32 alumnos, elegidos al azar entre los asistentes a un determinado Curso de especializacin, en el examen previo de ingreso ( X ) y en el examen final ( Y ), han resultado ser :

X 5 5 5 5 5 5 6 6

Y 3 4 5 5 6 8 4 4

X 6 6 6 6 6 6 7 7

Y 5 5 6 6 7 9 4 5

X 7 7 7 7 8 8 8 8

Y 6 7 7 8 6 7 7 8

X 8 9 9 9 10 10 10 10

Y 10 10 8 9 8 9 10 10

1: Calcule las medias y las varianzas de las dos distribuciones marginales. 2: Elabore la tabla de frecuencias de la distribucin bidimensional. 3: Calcule la covarianza. 4: Calcule las medias y las varianzas de las seis distribuciones de Y condicionadas a los distintos valores que puede tomar la X.

Departamento de Estadstica e Investigacin Operativa II (Mtodos de Decisin)

1.3 Teniendo en cuenta los datos anuales de la Renta Disponible y del Consumo Privado, ambos expresados en miles de millones de dlares de 2000, de la economa de Estados Unidos durante el periodo de 1960 a 2004:
Renta dis- Consumo ponible privado (miles de (miles de millones de millones de $ de 2000) $ de 2000) Renta dis- Consumo ponible privado (miles de (miles de millones de millones de $ de 2000) $ de 2000) Renta dis- Consumo ponible privado (miles de (miles de millones de millones de $ de 2000) $ de 2000)

Ao 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974

1759.7 1819.2 1908.2 1979.1 2122.8 2253.3 2371.9 2475.9 2588.0 2668.7 2781.7 2907.9 3046.5 3252.3 3228.5

1597.4 1630.3 1711.1 1781.6 1888.4 2007.7 2121.8 2185.0 2310.5 2396.4 2451.9 2545.5 2701.3 2833.8 2812.3

Ao 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989

3302.6 3432.2 3552.9 3718.8 3811.2 3857.7 3960.0 4044.9 4177.7 4494.1 4645.2 4791.0 4874.5 5082.6 5224.8

2876.9 3035.5 3164.1 3303.1 3383.4 3374.1 3422.2 3470.3 3668.6 3863.3 4064.0 4228.9 4369.8 4546.9 4675.0

Ao 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004

5324.2 5351.7 5536.3 5594.2 5746.4 5905.7 6080.9 6295.8 6663.9 6861.3 7194.0 7333.3 7562.2 7741.8 8004.3

4770.3 4778.4 4934.8 5099.8 5290.7 5433.5 5619.4 5831.8 6125.8 6438.6 6739.4 6910.4 7099.3 7306.6 7588.6

Fuente: Economic Report of the President

1: Calcule las medias y las varianzas de las variables Renta disponible y Consumo privado, as como su covarianza. 2: Cules seran los valores de las medias y las varianzas de las distribuciones del Consumo privado condicionadas a los distintos valores de la Renta disponible?.

1.4 Calcule las medias, las varianzas y la covarianza de las variables X e Y si los datos los conocemos de las siguientes formas:

A) N = 15 ; Xi = 270 ; Xi2 = 5542 ; Yi = 84 ; Yi2 = 526,5 ; Xi Yi = 1340 Yt = 84 ; (Yt -Y )2 = 56,1 ; Xt = 270 ; (Yt - Y )(Xt - X ) = -172

B) N = 15 ;

(Xt - X )2 = 682 a02 = 35,1 ; a11 = 268 3

C) N = 15 ; a10 = 18 ; a01 = 5,6 ; a20 = 369, 4666667 ;

10

Introduccin a la Econometra

Tema 1: INTRODUCCIN

APNDICE Los momentos en una distribucin bidimensional. La covarianza.

Sea la distribucin bidimensional de frecuencias [ (xi , yj) ; nij ] i = 1, ... ,h definimos el momento de orden (r,s) respecto al origen como :

j = 1, ... ,k

x y
r i

s j

n ij

a rs =
Se deduce que a 10 = x
a 10 = x 1 y 0 f ij = i j
i =1 j=1 h k h

i =1 j=1

= x ir ysj f ij
i=1 j=1

y a 01 = y
k

x i f ij =
i =1 j=1

x
i i=1 j=1

f ij =

x
i =1

f i = x

ya que

f
j=1
h i =1

ij

= f i
y
h k

As mismo a 20 = x i2 f i
a 02 = x i0 y 2 f ij = j
i =1 j=1 h k

a 02 = y 2 f j j

y 2j f ij =
i =1 j=1

y
2 j j=1 i=1

j=1 k

fij =

y
j=1

2 j

fj

ya que

f
i=1

ij

= fj

Por tanto, si uno de los elementos del par (r,s) se anula, el momento resultante es el correspondiente en la distribucin marginal. El momento de orden (1,1) o momento producto es:
a 11 = x i y j f ij
i =1 j=1 h k

Definimos el momento de orden (r,s) respecto a las medias como :

m rs = (x i - x ) (y j - y ) f ij
h k r s i =1 j=1

Con demostraciones anlogas a las utilizadas en los momentos respecto al origen se obtiene que: m 10 = 0
m 01 = 0
2 m 20 = (x i - x ) f i = S 2 = a 20 - x 2 = a 20 - a 10 x 2 2 m 02 = (y j - y ) f j = S 2 = a 02 - y 2 = a 02 - a 01 y 2 j=1 i =1 k h

Se define la covarianza como:

11

Departamento de Estadstica e Investigacin Operativa II (Mtodos de Decisin)

COV(X, Y) = m11 = S xy = (x i - x ) (y j - y ) f ij
h k i =1 j=1

para el clculo en funcin de los momentos respecto al origen: Sxy = m11 = a11 - a10.a01
S xy = (x i - x ) (y j - y ) f ij = (x i y j - xy j - yx i + x.y ) f ij =
h k h k i =1 j=1 i =1 j=1

(sumatorio de una suma suma de sumatorios)

=

x y
i i =1 j=1

f ij - x

y
i =1 j=1

f ij - y

x
i =1 j=1

f ij + x.y

f
i =1 j=1

ij

(teniendo en cuenta los resultados anteriores y que fij = 1 ) = a 11 - xa 01 - ya 10 + x.y = a 11 - a 10 a 01 - a 01a 10 + a 10 a 01 = a 11 - a 10 a 01

Transformaciones lineales en una distribucin bidimensional.

Sea la variable (X ,Y) de la que a partir de su distribucin bidimensional de frecuencias se obtienen los momentos : a 10 = x a 01 = y m 20 = S 2 x m 02 = S 2 y m11 = S xy

Si realizamos las transformaciones lineales:

X = a + bX Y = c + dY

los momentos en la distribucin de frecuencias de la nueva variable (X,Y) seran: a'10 = x' = a + bx
m' 20 = S 2 = b 2 S 2 x' x

a' 01 = y' = c + dy
m'02 = S 2 = d 2 S 2 y' y S y' = d S y

Para las desviaciones tpicas: S x' = b S x Para la covarianza: m'11 = S x'y' = bdS xy

Demostracin:
S x'y' = (x'i x') (y' j y') f ij = (a + bx i a bx ) (c + dy j c dy ) f ij =
h k h k i =1 j=1 i =1 j=1 h k

= b(x i x ) d (y j y ).f ij = bd (x i x ) (y j y ) f ij = bdS xy

h k i =1 j=1 i =1 j=1

12