Cap. 1 Variables Multidimensionales V26feb2020

IND – 411
ESTADISTICA INFERENCIAL
Docente: Ing. Marcelino Aliaga L.
CAP. 1 INTRODUCCION A LOS MODELOS ECONOMETRICOS

CELD@ 1
IND - 411
Capitulo 1
VARIABLES ALEATORIAS
MULTIDIMENSIONALES
Objetivo.- Introducir al alumno en los conceptos básicos
sobre las variables aleatorias discretas y continuas, las
distribuciones de probabilidad, las medidas numéricas de las
variables aleatorias y la utilización de estas distribuciones para
resolver problemas prácticos.
ESTADISTICA INFERENCIAL CELD@ 2

IND - 411
Cap. 1: Contenido Analítico

1.1. Introducción
1.2. Conceptos Básicos
1.3. Variables Aleatorias Multidimensionales
1.4. Distribución de Probabilidades Conjuntas y Acumuladas
de Variables Aleatorias Discretas y Continuas
1.5. Distribuciones Marginales
1.6. Distribuciones Condicionales
1.7. Distribución Uniforme
1.8. Distribución Polinomial
1.9. Momentos Potenciales Ordinarios
IND - 411
Cap. 1: Contenido Analítico

1.10. Momentos Potenciados Centrados
1.11. Función Generatriz de Momentos
1.12. Función Característica
1.13. Independencia
1.14. Regresión y Coeficiente de Correlación
1.15. Covarianza y Matriz de Covarianza
1.16. Variables Aleatorias con Distribución Idéntica
1.17. Funciones Lineales de Variables Aleatorias

IND - 411
1.1. Introducción
La Estadística se puede definir:
• INDICES
• Reunir • INDICADORES
• Organizar • ESTADIGRAFOS
CIENCIA ENCARGADA
• Presentar
CON EL FIN DE
OBTENER
• ESTIMADORES
• Analizar • MEDIDAS RESUMEN
• Interpretar datos • MEDIDAS DE CONCLUSION
“La Estadística es la ciencia que estudia como debe emplearse

la información y dar una guía de acción en situaciones
practicas que envuelven incertidumbre”
ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 5
IND - 411
1.1. Introducción
El proceso de investigación estadística consiste en:
PROBLEMA
TOMA DE DATOS
ORGANIZACIÓN DE DATOS
ANÁLISIS E INTERPRETACIÓN
CONCLUSIONES Y DECISIONES

IND - 411
1.1. Introducción
Estadística Descriptiva.- Es la parte de la estadística
encargada de extraer y organizar los datos procedentes de un
determinado conjunto de observaciones, mediante:
• El cálculo e interpretación de los estadígrafos de posición
como: media aritmética, mediana y moda.
• El cálculo e interpretación de los estadígrafos de dispersión:
rango, varianza y desviación estándar.
• El cálculo e interpretación de los estadígrafos de asimetría y
apuntamiento.
• La representación gráfica de los datos.
IND - 411
1.1. Introducción
Estadística inferencial.- Es la parte de la estadística que
trata de estimar las características poblacionales
desconocidas, examinando la información obtenida de una
muestra, de una población.
POBLACION
Calculo
Inferir Resultados Probalilidades
MUESTRA MUESTRA ESTIMACION
Toma de Muestra Muestreo

IND - 411
1.1. Introducción
PROCESO CLAVE DE LA INFERENCIA ESTADISTICA
muestra |
||
Población
ESTUDIO CONCLUSIONES

IND - 411
1.1. Introducción
Calculo de
Proceso Muestreo
Probabilidades
INFERENCIA
Inferencial: ESTADISTICA
POBLACION MUESTRA
PARAMETRO ESTADISTICO
ESTIMACION
DOCIMA DE
HIPOTESIS
MODELO
ESTADISTICO
CONTROL PREDICCION TOMA DE

ESTADISTICA INFERENCIAL CELD@ DECISIONES CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 10
IND - 411

Experimento Aleatorio (E).-
Es un proceso perfectamente entendido cuyo resultado se
puede observar; pero por el contrario, su valor no se puede
determinar anticipadamente.
Espacio Muestral (S, Ω, U).-
Es el conjunto de todos los posibles resultados de un
experimento aleatorio.
•Espacio Discreto.- Si es numerable.
•Espacio Continuo.- Si no es numerable

IND - 411

Evento o Suceso (e).- Es cualquier subconjunto del espacio
muestral.
Suceso Elemental.- es cada uno de los resultados posibles
del experimento aleatorio; es decir, un suceso elemental
consta de un solo elemento del espacio muestral.
Suceso Compuesto.- Es el que consta de dos o mas sucesos
elementales.
Suceso Seguro.- Es aquel que ocurre siempre.
Suceso Imposible.- Es aquel que no ocurre nunca.
IND - 411
m
p(A) = lím
n → n
IND - 411

iii) Basado en la Verosimilitud.- La probabilidad de
ocurrencia de un evento A es la verosimilitud (grado de
verdad) que se le asigna a dicho evento. Por lo tanto, un
mismo evento puede tener mas de una probabilidad.
p(A) = ?
iv) Basado en una Función Real Valorada.- La
probabilidad de un evento P(A), se define como la función P
que asigna a cada evento A del espacio muestral S un valor
numérico P(A), verificando que mínimamente se cumplan los
siguientes Axiomas de Kolmogórov: P(A)=#
IND - 411

1) No negatividad: p(A) ≥ 0
2) Normalización: p(Ω) = 1
3) Aditividad: p(A ∪ B) = p(A) + p(B), Si A ∩ B = Ø
Teoremas Complementarios a los Axiomas:
i. p(Ø) = 0
ii. 0≤p(A)≤1
iii. p(AՍB)=p(A)+p(B)-p(AՌB)
iv. p(Ac )= 1 - p(A)
v. Si A  B  p(A)  p(B)
vi. Si A  B  P(B-A) = p(B) - p(AB)
vii. p(Ai)   p(Ai)
IND - 411

i) Se denomina variable aleatoria X a la función que asocia a cada
resultado del espacio muestral S de un experimento aleatorio E un valor
numérico real. S=Ω
S1
X :S →
S2
e → X (e )
S3
X(Si)
S4
4 …..
1 0 2132 43 …….
16
CELD@ 16
CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 16
IND - 411

Ejemplo.- Un experimento consiste en lanzar 3 monedas.
17
CELD@ 17
IND - 411

Características:
1. Dominio.-
2. Rango.-
3. Variable Discreta.-
4. Variable Continua.-
Si A es un subconjunto de X, entonces la:

P(A)=P(X=A) = P(s ϵ Ω/X(s) ϵ A)
La función de X(s) caracteriza a la probabilidad p.

IND - 411

Propiedades:
1. Si X es una variable aleatoria definida sobre S, y c es una

cte. Cualquiera; c·X es una v. a. sobre el mismo espacio.
2. Si X e Y son dos v. a., su suma X+Y y su producto X·Y son

también variable aleatoria.
3. En general, cualquier función medible de v. a. es también

una variable aleatoria.
IND - 411

ii) Una variable aleatoria bidimensional (X, Y) es una aplicación del
espacio muestral S en R2=R×R
X •Y
S → • =  2
w → ( X ( w),Y ( w))
Sea E un experimento aleatorio y S un espacio muestral asociada a él.
Sean X: S→R, Y: S→R, que a cada resultado w ϵ S le asigna el par de
números reales (x, y). Entonces (X, Y) son v. a. bidimensionales.
Por lo tanto, cada componente de la variable aleatoria bidimensional es

una variable aleatoria unidimensional.
20
CELD@ 20
IND - 411

Ejemplo.- Un experimento consiste en lanzar una moneda 3 veces. Si
las variables aleatorias se definen como X=“Numero de caras en las
tres tiradas” e Y=“Diferencia en valor absoluto entre el numero de caras
y el sello en las tres tiradas”.
21
CELD@ 21
IND - 411

iii) En el caso multidimensional, si se tiene:
→
X = (X1 , X 2 ,.......,X n )
Es un vector que pertenece al espacio muestral S cuyas funciones
también están definidas en S; entonces el vector X recibe el nombre de
variable aleatoria multidimensional
X 1 • X 2 •...• X n
S →  •  • ....•  =  n
w → ( X 1 ( w), X 2 ( w).....X n ( w))

22
CELD@ 22
IND - 411
1.4.1. Distribución de Probabilidad Conjunta

i) Caso Discreto Bi-variante.- Sean X e Y variables
aleatorias discretas. Su función de masa conjunta (cuantía),
es la función p(x, y) que expresa la probabilidad simultanea de
que X tome el valor x e Y tome el valor y:
p(x, y) = P(X = x, Y = y)
Propiedades: a) p(x, y) = P(X = x, Y = y)  0 x, y

b)  p(x, y) = 1
x y

IND - 411

ii) Caso Discreto Multivariante.- Sea X = (x1 , x 2 ,.....,x n )
un vector aleatorio discreto. Su función de masa conjunta
(cuantía), es la función p(x1, x2,…….., xn) que expresa la
probabilidad simultanea de que X1 tome el valor x1, X2 tome el
valor x2,……, Xn tome el valor xn:
p(x1, x2,…….., xn) = P(X1=x1, X2=x2,……, Xn=xn)
Propiedades:
a) p(x1 , x 2 ,.....,x n ) = P(X1 = x1 , X 2 = x 2 ,.....,X n = x n )  0 x i
b)  ...... p(x1 , x 2 ,.....,x n ) = 1
x1 x2 xn

IND - 411

Ejemplo.- Se lanzan dos dados y se definen las variables
aleatorias suma (S) y diferencia en valor absoluto (D) de los
resultados.
a) Encontrar la distribución conjunta.
b) Las distribuciones marginales.
c) La distribución de la diferencia entre los dados
condicionada a que la suma sea 8.
d) Ambas variables son independientes?.

IND - 411

iii) Caso Continuo Bi-variante.- Sean X e Y variables
aleatorias continuas. Su función de densidad conjunta f(x, y),
es la función que debe cumplir con las siguientes propiedades:
a) f(x, y)  0 x, y
b) 
RxRy
 f(x, y)dydx = 1

IND - 411

iv) Caso Continuo Multivariante.- Sea X = (x1 , x 2 ,.....,x n )
un vector aleatorio continuo. Su función de densidad
conjunta f(x1, x2,…….., xn), es la función que debe cumplir con
las siguientes propiedades:
a) f(x1 , x 2 ,.......xn )  0 x i
b)  
R x1 R x 2
......  f(x1 , x 2 ,.......xn )dx n .......dx2dx1 = 1
R xn

IND - 411

Ejemplo.- Sean X e Y dos variables aleatorias continuas con
función de densidad conjunta:
x+y 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
f(x, y) =
0 e. o. l.

IND - 411
1.4.2. Distribución de Probabilidad Acumulada

i) Caso Discreto Bi-variante.- Para cualquier variable
aleatoria bidimensional discreta (X, Y), se define la función de
distribución acumulada bidimensional como:
x y
P(x, y) = p(X  x, Y  y) =  p(t1 , t 2 )
t1 t2
En particular:
a b
P(a, b) = p(X  a, Y  b) =  p(x, y)
x y

IND - 411

ii) Caso Discreto Multivariante.- Para cualquier vector
aleatorio multidimensional discreto X = (x1 , x 2 ,.....,x n ) , se
define la función de distribución acumulada multidimensional
como:
P(x1 , x 2 , .......,x n ) = p(X1  x1 , X 2  x 2 ,.......,X n  x n )

x1 x1 xn
P(x1 , x 2 , .......,x n ) =   ....... p(t1 , t 2 ,........,t n )
t1 t2 tn

IND - 411

iii) Caso Continuo Bi-variante.- Para cualquier variable
aleatoria bidimensional continua (X, Y), se define la función de
distribución acumulada bidimensional como:
x y
F(x, y) = f(X  x, Y  y) =   f(t , t
- -
1 2 )dt 2 dt1
Propiedades: a) F(-,-) = F(-, y) = F(x, - ) = 0

b) F(, ) = 1
2
c) f(x, y) = F(x, y)
xy
IND - 411

iv) Caso Continuo Multivariante.- Para cualquier vector
aleatorio multidimensional continuo X = (x1 , x 2 ,.....,x n ) , se
define la función de distribución acumulada multidimensional
como:
F(x1 , x 2 , .......,x n ) = f(X1  x1 , X 2  x 2 ,.......,X n  x n )

x1 x 2 xn
F(x1 , x 2 , .......,x n ) =   ...... f(t , t

- - -
1 2 ,......,t n )dt n ......dt2 dt1

IND - 411

i) Caso Discreto Bi-variante.- Sean (X, Y) v. a. b. con
distribución de cuantía conjunta p(x, y); entonces, la función
de probabilidad marginal de X, Y esta definida como :
p1 (x) = p x (x) =  p(x, y)

y
p 2 (y) = p y (y) =  p(x, y)

x

IND - 411

ii) Caso Discreto Multivariante.- Sea p(x1, x2, …….., xn) una
función de cuantía n-dimensional, se define la función de
probabilidad marginal para cualquier subconjunto de variables
(xi1, xi2, ……., xit) como:
pi1,i2,......,it (xi1 , x i2 ,......,x it ) =  ...... p(x1 , x 2 ,.......,x n )

x1 x2 xn
Donde la suma se extiende a todos los valores excepto los

elementos del subconjunto (xi1, xi2, ……., xit)

IND - 411

iii) Caso Continuo Bi-variante.- Sean (X, Y) v. a. b. con
función de densidad conjunta f(x, y); entonces, la función de
probabilidad marginal de X, Y esta definida como:
f1 (x) = g x (x) =  f(x, y)dy

Ry
f 2 (y) = h y (y) =  f(x, y)dx

Rx

IND - 411

iv) Caso Continuo Multivariante.- Sea f(x1, x2, …….., xn) una
función de densidad n-dimensional, se define la función de
probabilidad marginal para cualquier subconjunto de variables
(xi1, xi2, ……., xit) como:
f i1,i2,......,it (xi1 , x i2 ,......,x it ) =   ......  f(x , x

R X1 R X2 R Xn
1 2 ,.......,x n )dx n .......dx2 dx1
Donde la integral se extiende a todos los valores excepto los

elementos del subconjunto (xi1, xi2, ……., xit)

IND - 411

i) Caso Discreto Bi-variante.- Sean (X, Y) v. a. b. con
distribución de cuantía conjunta p(x, y) y cuantías marginales
px(x),py(y); entonces, la función de probabilidad condicional de
X, Y esta definida como :
p(x, y) p(X = x, Y = y)
p(x y) = p(X = x Y = y) = =
p y (y) p y (Y = y)
p(x, y) p(X = x, Y = y)
p(x y) = p(X = x Y = y) = =
p y (y) p y (Y = y)
IND - 411

ii) Caso Discreto Multivariante.- Sea p(x1, x2, …….., xn) una
función de cuantía n-dimensional de X = (x1 , x 2 ,.....,x n ) , se
define la función de probabilidad condicional para dos
subconjuntos disjuntos de variables (xi1, xi2, ……., xis) y (xj1, xj2,
……., xjt) como:
p(x1 , x 2 ,...xn )
p(x i1 , x i2 ,...xis x j1, x j2 ,...xjt ) =
p x j1, x j2 ,...x jt (x j1, x j2 ,...xjt )

IND - 411

iii) Caso Continuo Bi-variante.- Sean (X, Y) v. a. b. con
distribución de densidad conjunta f(x, y) y densidades
marginales fx(x), fy(y); entonces, la función de probabilidad
condicional de X, Y esta definida como :
f(x, y)
f(x y) =
f y (y)
f(x, y)
f(y x ) =
f x (x)
IND - 411

iv) Caso Continuo Multivariante.- Sea f(x1, x2, …….., xn) una
función de densidad n-dimensional de X = (x1 , x 2 ,.....,x n ) , se
define la función de probabilidad condicional para dos
subconjuntos disjuntos de variables (xi1, xi2, ……., xis) y (xj1, xj2,
……., xjt) como:
f(x1 , x 2 ,...xn )
f(x i1 , x i2 ,...xis x j1, x j2 ,...xjt ) =
f x j1, x j2 ,...x jt (x j1, x j2 ,...xjt )

IND - 411
1.7. Distribución Uniforme

1
a) f(x) = axb
b-a
1
b) f(x, y) = a  x  b, c  y  d
Area
1
c) f(x, y, z) = a  x  b, c  y  d, e  z  f
Volumen

IND - 411
1.8. Distribución Multinomial

Esta asociada con las pruebas repetidas de un suceso con mas
de dos resultados posibles.
En general, suponemos que hay k resultados posibles de un
suceso aleatorio y designamos las probabilidades respectivas
de estos resultados p1, p2,……, pk; entonces, debe verificarse
que:
n!
p(X1 = x1 , X 2 = x 2 ,......,X k = x k ) = p1x1 p 2x 2 .......pkx k
x1!, x 2!,...xk !
k k
x
i
i =n  p(X ) = 1
i
i E[X i ] = npi V[X i ] = npi (1 − pi )

IND - 411

i) Valor Esperado.- Mide el rendimiento o el valor que
esperamos en promedio de los valores correspondientes a
todos los resultados posibles ponderada por las función de
probabilidad.
Sea g(x1,x2,……, xn) una función de las variables aleatorias que
tienen función de probabilidad: p(x1,x2,……, xn) (f (x1,x2,……,
xn)). Entonces, se define el valor esperado como:
Eg(x1 , x 2 ,......,x n ) =  ...... g(x1 , x 2 ,......,x n )p(x1 , x 2 ,......,x n )
x1 x2 xn
Eg(x1 , x 2 ,......,x n ) =   ........ g(x , x1 2 ,......,x n )f(x1 , x 2 ,......,x n )dx n ......dx2 dx1
R1 R 2 Rn

IND - 411

Propiedades del Valor Esperado:
i. _EkX  = kEX 
ii. _Ek  = k
iii. _EaX + b = aEX  + b
iv. _EX + Y = EX  + EY 
v. _EX - Y = EX- EY
vi. _EXY  = EXEY

IND - 411

ii) Valor Esperado Condicional.- Sea (X,Y) una variable
aleatoria bidimensional o dos subconjuntos aleatorios
multidimensional. Se define el valor esperado condicional
como:
EX/Y =  xp(x y)
x
EX/Y =  xf(x y)dx

Rx

IND - 411

iii) Momentos Ordinarios Bivariantes.- Sea (X,Y) una
variable aleatoria bidimensional, y (r, s) números naturales. Se
llama momento de orden (r, s) al valor, cuando existe (es decir
si la suma que lo define o la integral que converge):

mrs = E Xr Ys 
m rs =  x r ys p(x, y)
x y
m rs =   x y f(x, y)dydx
r s
RxRy

IND - 411

iv) Momentos Ordinarios Multivariantes.- Sea un vector
aleatorio multidimensional, X = (X 1 , X 2 ,......, X n ) y (r1 , r2 ,......, rn )
números naturales. Se llama momento ordinario multivariante
al valor, cuando existe (es decir si la suma que lo define o la
integral que converge):

mr1r2 ......rn = E X1r1 Xr22 ......Xrnn 
m r1r2 ......rn =  ...... x1r1 x r22 ......xrnn p(x1 , x 2 ,......,x n )
x1 x2 xn
m r1r2 ......rn =   ........ x

r1 r2 rn
1 x ......x f(x1 , x 2 ,......,x n )dx n ......dx2 x1 )
2 n
R1 R 2 Rn
IND - 411
1.10. Momentos Potenciales Centrados

i) Momentos Centrados Bivariantes.- Sea (X,Y) una
variable aleatoria bidimensional, y (r, s) números naturales. Se
llama momento centrado de orden (r, s) al valor, cuando existe
(es decir si la suma que lo define o la integral que converge):

μ rs = E (X - X ) (Y - Y )
r s

μ rs =  (x - x ) (y - y ) p(x, y)
r s
x y
μ rs =   (x - x ) (y - y ) f(x, y)dydx
r s
RxRy

IND - 411
1.10. Momentos Potenciales Centrados

ii) Momentos Centrados Multivariantes.- Sea un vector
aleatorio multidimensional, X = (X 1 , X 2 ,......, X n ) y (r1 , r2 ,......, rn )
números naturales. Se llama momento centrado multivariante
al valor, cuando existe (es decir si la suma que lo define o la
integral que converge):

μ r1r2 ......rn = E (X1 − X1 ) (X 2 − X2 ) ......(X n − Xn )
r1 r2 rn

μ r1r2 ......rn =  ...... (x1 − x1 ) (x 2 − x 2 ) ......(x n − x n ) p(x1 , x 2 ,......,x n )
r1 r2 rn
x1 x2 xn
μ r1r2 ......rn = ........ (

  1 1 2 2x − x ) 1
(x − x
r
) 2
(
r
...... x n − x n ) n r
f(x1 , x 2 ,......,x n )dx n ......dx2 x1 )
R1 R 2 Rn
IND - 411

Se define como:
 
M x, y (t, μ ) = E e tx +μy =  e tx +μy p(x, y)
x y
M x, y = E e tx +μy =   e tx + μy
f(x, y)dydx
RxRy
 
M x1 ,x 2 ,......,x n (t1 , t 2 ,......,t n ) = E e t1x1 + t 2 x 2 +......+ t n x n = ...... e t1x1 + t 2 x 2 +......+ t n x n p(x1 , x 2 ,......,x n )
x1 x 2 xn
 
M x1 ,x 2 ,......,x n (t1 , t 2 ,...,t n ) = E e t1x1 + t 2 x 2 +......+ t n x n =   ...  e t1x1 + t 2 x 2 +......+ t n x n f(x1 , x 2 ,...,x n )dx n ...dx2 x1 )
R1 R 2 Rn

IND - 411

Propiedades:
_ x (t ) es la f.g.m. de x; además si a y b son constantes
i. Si M
≠ 0, entonces:
t
at
M x +a (t ) = e M x  ; → b  0
b
b b
ii. Si existe una f.g.m. infinitamente derivable, entonces se

tiene:  r +s
m rs = M x, y (t, μ )l t =0,μ =0
t μ
r s

IND - 411
1.12. Función Característica

Se define como:
 
φ x, y (t, μ ) = E ei(tx +μy ) =  ei(tx +μy )p(x, y)
x y

φ x, y = E e i(tx +μy ) =   e i(tx + μy )
f(x, y)dydx
RxRy
 
φ x1 ,x 2 ,......,x n (t1 , t 2 ,......,t n ) = E ei(t1x1 + t 2x 2 +......+ t n x n ) = ...... ei(t1x1 + t 2 x 2 +......+ t n x n ) p(x1 , x 2 ,......,x n )
x1 x 2 xn
 
φ x1 ,x 2 ,......,x n (t1 , t 2 ,...,t n ) = E ei(t1x1 + t 2 x 2 +......+ t n x n ) =   ...  ei(t1x1 + t 2 x 2 +......+ t n x n ) f(x1 , x 2 ,...,x n )dx n ...dx2 x1 )
R1 R 2 Rn

IND - 411
1.13. Independencia
Se dice que dos variables (X,Y) son independientes si se
verifica que las siguientes propiedades:
i. _p(x, y) = px (x)py (y) f(x, y) = f1 (x)f 2 (y)
ii. _p(x y ) = p x (x) p(y x ) = p y (y)
iii. _f (x y ) = f1 (x) f (y x ) = f 2 (y)
iv. _Ex, y = Ex Ey
v. _Mx + y (t ) = Mx (t )My (t )
vi. _Vx + y = Vx  + Vy

IND - 411
1.14. Covarianza
Para dos variables (X,Y) se define la covarianza como:
Cov(X,Y) = E( X − μ X )(Y − μY )
Cov(X,Y) = EXY  − EX EY 
Propiedades:
i. Si X,Y son independientes  _ Cov( X , Y ) = 0
ii. _VX + Y = VX + VY  2Cov (X, Y )
iii. _μ11 = m11 − m10 m01
iv. _Cov( X , Y ) =  V X V Y 

IND - 411
1.15. Matriz de Covarianza


La matriz de covarianza para un vector X = (X 1 , X 2 ,......, X n )

Se define como: V X = E ( X-μ)( X-μ)T   
V11 V12 ... V1n   11  12 ...  1n 
V  
V2 n   21  22 
 2n 
 

V X =  21
 
V22

...
...
=
    
...
...  
   
Vn1 Vn 2 ... Vnn   n1  n2 ...  nn 

IND - 411
1.16. Medida de Asociación Lineal

i. Regresión.- Se define la regresión de una variable X sobre
otra Y al valor medio de la primera condicionada a un cierto
valor de la segunda:
E y x  = 1 (x) = a + bx
Ex y  = 2 (y) = c + dy
ˆ 11
b=
m01 = a + bm10 20
m11 = am10 + bm20 11
aˆ = m01 − m10
20

IND - 411
1.16. Medida de Asociación Lineal

ii. Correlación.- Se define como la medida de la asociación
existente entre (x,y); mediante el siguiente coeficiente:
Cov( x, y ) 11
= =
V xV  y   20 02
-1 -0,5 0 0,5 1
ρ = 1 Directamente proporcional perfecto.
ρ ˃ 0 Directamente proporcional.
ρ = 0 Incorrelación.
ρ ˂ 0 Inversamente proporcional.
ρ = -1 Inversamente proporcional perfecto.
IND - 411
1.17. Media y Varianza de Variables Aleatorias

Propiedades:
i. _EX  Y = EX  EY
ii. _VX  Y = VX + VY  Cov(X, Y)
iii. _EX1 + X 2 + ...... + X n  = EX1  + EX 2  + ...... + EX n 
iv. _EX1 − X 2 − ...... − X n  = EX1  − EX 2  − ...... − EX n 
v. _VX1 + X 2 + ...... + X n  = VX1  + VX 2  + ...... + VX n 
vi. _VX1 - X 2 − ...... − X n  = VX1  + VX 2  + ...... + VX n 

Cap. 1 Variables Multidimensionales V26feb2020

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Cap. 1 Variables Multidimensionales V26feb2020

Cargado por

Copyright:

Formatos disponibles

IND – 411

CAP. 1 INTRODUCCION A LOS MODELOS ECONOMETRICOS

ESTADISTICA INFERENCIAL CELD@ 2

Cap. 1: Contenido Analítico

Cap. 1: Contenido Analítico

ESTADISTICA INFERENCIAL CELD@ 4

“La Estadística es la ciencia que estudia como debe emplearse

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 6

MUESTRA MUESTRA ESTIMACION

Toma de Muestra Muestreo

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 8

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 9

CONTROL PREDICCION TOMA DE

1.2. Conceptos Básicos

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 11

1.2. Conceptos Básicos

1.2. Conceptos Básicos

1.2. Conceptos Básicos

1.2. Conceptos Básicos

1.3. Variables Aleatorias Multidimensionales

1.3. Variables Aleatorias Multidimensionales

1.3. Variables Aleatorias Multidimensionales

Si A es un subconjunto de X, entonces la:

La función de X(s) caracteriza a la probabilidad p.

1.3. Variables Aleatorias Multidimensionales

1. Si X es una variable aleatoria definida sobre S, y c es una

2. Si X e Y son dos v. a., su suma X+Y y su producto X·Y son

3. En general, cualquier función medible de v. a. es también

1.3. Variables Aleatorias Multidimensionales

Por lo tanto, cada componente de la variable aleatoria bidimensional es

1.3. Variables Aleatorias Multidimensionales

1.3. Variables Aleatorias Multidimensionales

w → ( X 1 ( w), X 2 ( w).....X n ( w))

1.4.1. Distribución de Probabilidad Conjunta

Propiedades: a) p(x, y) = P(X = x, Y = y)  0 x, y

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 23

1.4.1. Distribución de Probabilidad Conjunta

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 24

1.4.1. Distribución de Probabilidad Conjunta

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 25

1.4.1. Distribución de Probabilidad Conjunta

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 26

1.4.1. Distribución de Probabilidad Conjunta

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 27

1.4.1. Distribución de Probabilidad Conjunta

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 28

1.4.2. Distribución de Probabilidad Acumulada

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 29

1.4.2. Distribución de Probabilidad Acumulada

P(x1 , x 2 , .......,x n ) = p(X1  x1 , X 2  x 2 ,.......,X n  x n )

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 30

1.4.2. Distribución de Probabilidad Acumulada

Propiedades: a) F(-,-) = F(-, y) = F(x, - ) = 0

1.4.2. Distribución de Probabilidad Acumulada

F(x1 , x 2 , .......,x n ) = f(X1  x1 , X 2  x 2 ,.......,X n  x n )

F(x1 , x 2 , .......,x n ) =   ...... f(t , t

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 32

1.5. Distribuciones Marginales

p1 (x) = p x (x) =  p(x, y)

p 2 (y) = p y (y) =  p(x, y)

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 33

1.5. Distribuciones Marginales

pi1,i2,......,it (xi1 , x i2 ,......,x it ) =  ...... p(x1 , x 2 ,.......,x n )