Fundamentos de inferencia estadística en modelos

condicionales

Dr. Ricardo Bórquez

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 1 / 22

Espacio muestral, eventos y función de probabilidad

Sea Ω un conjunto arbitrario, al que llamaremos espacio muestral y sea E

una familia que contiene eventos (i.e. subconjuntos) de Ω.
Al par (Ω, E ) se le denomina espacio medible.
Los eventos se pueden medir mediante funciones llamadas medidas.
Por ejemplo, la función ] : E → N ∪ {0} es una medida que contabiliza el
número de elementos de un evento del conjunto Ω.
Otras medidas importantes son las denominadas funciones de probabilidad.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 2 / 22

Espacio muestral, eventos y función de probabilidad

Sea Ω un conjunto arbitrario, al que llamaremos espacio muestral y sea E

una familia que contiene eventos (i.e. subconjuntos) de Ω.
Al par (Ω, E ) se le denomina espacio medible.
Los eventos se pueden medir mediante funciones llamadas medidas.
Por ejemplo, la función ] : E → N ∪ {0} es una medida que contabiliza el
número de elementos de un evento del conjunto Ω.
Otras medidas importantes son las denominadas funciones de probabilidad.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 2 / 22

Espacio muestral, eventos y función de probabilidad

Sea Ω un conjunto arbitrario, al que llamaremos espacio muestral y sea E

una familia que contiene eventos (i.e. subconjuntos) de Ω.
Al par (Ω, E ) se le denomina espacio medible.
Los eventos se pueden medir mediante funciones llamadas medidas.
Por ejemplo, la función ] : E → N ∪ {0} es una medida que contabiliza el
número de elementos de un evento del conjunto Ω.
Otras medidas importantes son las denominadas funciones de probabilidad.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 2 / 22

Espacio muestral, eventos y función de probabilidad

Sea Ω un conjunto arbitrario, al que llamaremos espacio muestral y sea E

una familia que contiene eventos (i.e. subconjuntos) de Ω.
Al par (Ω, E ) se le denomina espacio medible.
Los eventos se pueden medir mediante funciones llamadas medidas.
Por ejemplo, la función ] : E → N ∪ {0} es una medida que contabiliza el
número de elementos de un evento del conjunto Ω.
Otras medidas importantes son las denominadas funciones de probabilidad.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 2 / 22

Espacio muestral, eventos y función de probabilidad

Sea Ω un conjunto arbitrario, al que llamaremos espacio muestral y sea E

una familia que contiene eventos (i.e. subconjuntos) de Ω.
Al par (Ω, E ) se le denomina espacio medible.
Los eventos se pueden medir mediante funciones llamadas medidas.
Por ejemplo, la función ] : E → N ∪ {0} es una medida que contabiliza el
número de elementos de un evento del conjunto Ω.
Otras medidas importantes son las denominadas funciones de probabilidad.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 2 / 22

Espacio muestral, eventos y función de probabilidad

Sea P : E → [0, 1]. P es una función de probabilidad si

1 P(Ω) = 1
2 P(E1 ) ≤ P(E2 ) si y sólo si E1 ⊆ E2 para todos los eventos E1 , E2 ∈ E
∞
3 P(∪∞
i=1 Ei ) = ∑i=1 P(Ei ) si E1 , E2 , ... son eventos disjuntos.
Ei , Ej ∈ E se dicen disjuntos si Ei ∩ Ej = Ø, esto es, si ellos no tienen
elementos en común.
Una función de probabilidad asigna el valor máximo de 1 al espacio
muestral y el valor mínimo de 0 a su complemento Ø (el conjunto vacío).
Nota: P(Ej ) = 0 no implica que Ej = Ø.

A la tripleta (Ω, E , P) se le denomina espacio de probabilidad.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 3 / 22

Espacio muestral, eventos y función de probabilidad

Sea P : E → [0, 1]. P es una función de probabilidad si

1 P(Ω) = 1
2 P(E1 ) ≤ P(E2 ) si y sólo si E1 ⊆ E2 para todos los eventos E1 , E2 ∈ E
∞
3 P(∪∞
i=1 Ei ) = ∑i=1 P(Ei ) si E1 , E2 , ... son eventos disjuntos.
Ei , Ej ∈ E se dicen disjuntos si Ei ∩ Ej = Ø, esto es, si ellos no tienen
elementos en común.
Una función de probabilidad asigna el valor máximo de 1 al espacio
muestral y el valor mínimo de 0 a su complemento Ø (el conjunto vacío).
Nota: P(Ej ) = 0 no implica que Ej = Ø.

A la tripleta (Ω, E , P) se le denomina espacio de probabilidad.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 3 / 22

Espacio muestral, eventos y función de probabilidad

Sea P : E → [0, 1]. P es una función de probabilidad si

1 P(Ω) = 1
2 P(E1 ) ≤ P(E2 ) si y sólo si E1 ⊆ E2 para todos los eventos E1 , E2 ∈ E
∞
3 P(∪∞
i=1 Ei ) = ∑i=1 P(Ei ) si E1 , E2 , ... son eventos disjuntos.
Ei , Ej ∈ E se dicen disjuntos si Ei ∩ Ej = Ø, esto es, si ellos no tienen
elementos en común.
Una función de probabilidad asigna el valor máximo de 1 al espacio
muestral y el valor mínimo de 0 a su complemento Ø (el conjunto vacío).
Nota: P(Ej ) = 0 no implica que Ej = Ø.

A la tripleta (Ω, E , P) se le denomina espacio de probabilidad.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 3 / 22

Variables aleatorias, función de distribución
Considere el espacio de probabilidad (Ω, E , P), el cual mantendremos fijo.
Sea X : Ω → R.
La función X es una variable aleatoria si para cada valor a ∈ R se tiene que
{X ≤ a} ∈ E
y por lo tanto, a ese conjunto se le puede asignar una medida mediante la
función de probabilidad P. Para calcularla, el siguiente resultado es útil.
Si X es una variable aleatoria, entonces existe una función FX : R → [0, 1],
llamada función de distribución de X tal que

P(X ≤ a) = FX (a) para todo a ∈ R,

donde R = R ∪ {−∞, +∞}.
Para especificar la función de distribución de X , usamos la notación
X ∼ FX .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 4 / 22

Variables aleatorias, función de distribución
Considere el espacio de probabilidad (Ω, E , P), el cual mantendremos fijo.
Sea X : Ω → R.
La función X es una variable aleatoria si para cada valor a ∈ R se tiene que
{X ≤ a} ∈ E
y por lo tanto, a ese conjunto se le puede asignar una medida mediante la
función de probabilidad P. Para calcularla, el siguiente resultado es útil.
Si X es una variable aleatoria, entonces existe una función FX : R → [0, 1],
llamada función de distribución de X tal que

P(X ≤ a) = FX (a) para todo a ∈ R,

donde R = R ∪ {−∞, +∞}.
Para especificar la función de distribución de X , usamos la notación
X ∼ FX .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 4 / 22

Variables aleatorias, función de distribución
Considere el espacio de probabilidad (Ω, E , P), el cual mantendremos fijo.
Sea X : Ω → R.
La función X es una variable aleatoria si para cada valor a ∈ R se tiene que
{X ≤ a} ∈ E
y por lo tanto, a ese conjunto se le puede asignar una medida mediante la
función de probabilidad P. Para calcularla, el siguiente resultado es útil.
Si X es una variable aleatoria, entonces existe una función FX : R → [0, 1],
llamada función de distribución de X tal que

P(X ≤ a) = FX (a) para todo a ∈ R,

donde R = R ∪ {−∞, +∞}.
Para especificar la función de distribución de X , usamos la notación
X ∼ FX .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 4 / 22

Variables aleatorias, función de distribución
Considere el espacio de probabilidad (Ω, E , P), el cual mantendremos fijo.
Sea X : Ω → R.
La función X es una variable aleatoria si para cada valor a ∈ R se tiene que
{X ≤ a} ∈ E
y por lo tanto, a ese conjunto se le puede asignar una medida mediante la
función de probabilidad P. Para calcularla, el siguiente resultado es útil.
Si X es una variable aleatoria, entonces existe una función FX : R → [0, 1],
llamada función de distribución de X tal que

P(X ≤ a) = FX (a) para todo a ∈ R,

donde R = R ∪ {−∞, +∞}.
Para especificar la función de distribución de X , usamos la notación
X ∼ FX .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 4 / 22

Variables aleatorias, función de distribución
Considere el espacio de probabilidad (Ω, E , P), el cual mantendremos fijo.
Sea X : Ω → R.
La función X es una variable aleatoria si para cada valor a ∈ R se tiene que
{X ≤ a} ∈ E
y por lo tanto, a ese conjunto se le puede asignar una medida mediante la
función de probabilidad P. Para calcularla, el siguiente resultado es útil.
Si X es una variable aleatoria, entonces existe una función FX : R → [0, 1],
llamada función de distribución de X tal que

P(X ≤ a) = FX (a) para todo a ∈ R,

donde R = R ∪ {−∞, +∞}.
Para especificar la función de distribución de X , usamos la notación
X ∼ FX .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 4 / 22

Variables aleatorias, función de distribución
Considere el espacio de probabilidad (Ω, E , P), el cual mantendremos fijo.
Sea X : Ω → R.
La función X es una variable aleatoria si para cada valor a ∈ R se tiene que
{X ≤ a} ∈ E
y por lo tanto, a ese conjunto se le puede asignar una medida mediante la
función de probabilidad P. Para calcularla, el siguiente resultado es útil.
Si X es una variable aleatoria, entonces existe una función FX : R → [0, 1],
llamada función de distribución de X tal que

P(X ≤ a) = FX (a) para todo a ∈ R,

donde R = R ∪ {−∞, +∞}.
Para especificar la función de distribución de X , usamos la notación
X ∼ FX .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 4 / 22

Variables aleatorias, función de distribución
Considere el espacio de probabilidad (Ω, E , P), el cual mantendremos fijo.
Sea X : Ω → R.
La función X es una variable aleatoria si para cada valor a ∈ R se tiene que
{X ≤ a} ∈ E
y por lo tanto, a ese conjunto se le puede asignar una medida mediante la
función de probabilidad P. Para calcularla, el siguiente resultado es útil.
Si X es una variable aleatoria, entonces existe una función FX : R → [0, 1],
llamada función de distribución de X tal que

P(X ≤ a) = FX (a) para todo a ∈ R,

donde R = R ∪ {−∞, +∞}.
Para especificar la función de distribución de X , usamos la notación
X ∼ FX .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 4 / 22

Variables aleatorias, función de distribución

Algunas propiedades de la función de distribución:

FX (−∞) = 0
FX (∞) = 1
P(a < X ≤ b) = FX (b) − FX (a) para todo a, b ∈ R

Si F es una función de distribución entonces existe una variable aleatoria,

en algún espacio de probabilidad, tal que F es su función de distribución.
La función FX (resp. X ) se dice discreta si existen p1 , p2 , ... ∈ R tales que

FX (a) = ∑ pi
xi ≤a

donde pi = P(X = xi ) y ∑∞i=1 pi = 1.

La función pi es la función de densidad de la variable aleatoria discreta X .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 5 / 22

Variables aleatorias, función de distribución

Algunas propiedades de la función de distribución:

FX (−∞) = 0
FX (∞) = 1
P(a < X ≤ b) = FX (b) − FX (a) para todo a, b ∈ R

Si F es una función de distribución entonces existe una variable aleatoria,

en algún espacio de probabilidad, tal que F es su función de distribución.
La función FX (resp. X ) se dice discreta si existen p1 , p2 , ... ∈ R tales que

FX (a) = ∑ pi
xi ≤a

donde pi = P(X = xi ) y ∑∞i=1 pi = 1.

La función pi es la función de densidad de la variable aleatoria discreta X .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 5 / 22

Variables aleatorias, función de distribución

Algunas propiedades de la función de distribución:

FX (−∞) = 0
FX (∞) = 1
P(a < X ≤ b) = FX (b) − FX (a) para todo a, b ∈ R

Si F es una función de distribución entonces existe una variable aleatoria,

en algún espacio de probabilidad, tal que F es su función de distribución.
La función FX (resp. X ) se dice discreta si existen p1 , p2 , ... ∈ R tales que

FX (a) = ∑ pi
xi ≤a

donde pi = P(X = xi ) y ∑∞i=1 pi = 1.

La función pi es la función de densidad de la variable aleatoria discreta X .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 5 / 22

Variables aleatorias, función de distribución

Algunas propiedades de la función de distribución:

FX (−∞) = 0
FX (∞) = 1
P(a < X ≤ b) = FX (b) − FX (a) para todo a, b ∈ R

Si F es una función de distribución entonces existe una variable aleatoria,

en algún espacio de probabilidad, tal que F es su función de distribución.
La función FX (resp. X ) se dice discreta si existen p1 , p2 , ... ∈ R tales que

FX (a) = ∑ pi
xi ≤a

donde pi = P(X = xi ) y ∑∞i=1 pi = 1.

La función pi es la función de densidad de la variable aleatoria discreta X .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 5 / 22

Variables aleatorias, función de distribución

La función FX (resp. X ) se dice continua si existe una función g : R → R+

tal que Z a
FX (a) = g(x )dx .
−∞
La función g es la función de densidad de la variable aleatoria continua X .
Note que en el caso continuo,
Z a
P(X = a) = g(x )dx = 0 para todo a ∈ R.
a

Se llama soporte de una variable aleatoria X , al subconjunto S ⊆ R más

pequeño tal que P(X ∈ S) = 1. Soporte es otro nombre para imagen de X .
Las variables aleatorias discretas (resp. continuas) se caracterizan por
tener un soporte contable/enumerable (resp. no-contable/no-enumerable).
Una variable aleatoria se dice mixta si su soporte tiene una parte contable.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 6 / 22

Variables aleatorias, función de distribución

La función FX (resp. X ) se dice continua si existe una función g : R → R+

tal que Z a
FX (a) = g(x )dx .
−∞
La función g es la función de densidad de la variable aleatoria continua X .
Note que en el caso continuo,
Z a
P(X = a) = g(x )dx = 0 para todo a ∈ R.
a

Se llama soporte de una variable aleatoria X , al subconjunto S ⊆ R más

pequeño tal que P(X ∈ S) = 1. Soporte es otro nombre para imagen de X .
Las variables aleatorias discretas (resp. continuas) se caracterizan por
tener un soporte contable/enumerable (resp. no-contable/no-enumerable).
Una variable aleatoria se dice mixta si su soporte tiene una parte contable.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 6 / 22

Variables aleatorias, función de distribución

La función FX (resp. X ) se dice continua si existe una función g : R → R+

tal que Z a
FX (a) = g(x )dx .
−∞
La función g es la función de densidad de la variable aleatoria continua X .
Note que en el caso continuo,
Z a
P(X = a) = g(x )dx = 0 para todo a ∈ R.
a

Se llama soporte de una variable aleatoria X , al subconjunto S ⊆ R más

pequeño tal que P(X ∈ S) = 1. Soporte es otro nombre para imagen de X .
Las variables aleatorias discretas (resp. continuas) se caracterizan por
tener un soporte contable/enumerable (resp. no-contable/no-enumerable).
Una variable aleatoria se dice mixta si su soporte tiene una parte contable.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 6 / 22

Variables aleatorias, función de distribución

La función FX (resp. X ) se dice continua si existe una función g : R → R+

tal que Z a
FX (a) = g(x )dx .
−∞
La función g es la función de densidad de la variable aleatoria continua X .
Note que en el caso continuo,
Z a
P(X = a) = g(x )dx = 0 para todo a ∈ R.
a

Se llama soporte de una variable aleatoria X , al subconjunto S ⊆ R más

pequeño tal que P(X ∈ S) = 1. Soporte es otro nombre para imagen de X .
Las variables aleatorias discretas (resp. continuas) se caracterizan por
tener un soporte contable/enumerable (resp. no-contable/no-enumerable).
Una variable aleatoria se dice mixta si su soporte tiene una parte contable.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 6 / 22

Variables aleatorias, función de distribución

La función FX (resp. X ) se dice continua si existe una función g : R → R+

tal que Z a
FX (a) = g(x )dx .
−∞
La función g es la función de densidad de la variable aleatoria continua X .
Note que en el caso continuo,
Z a
P(X = a) = g(x )dx = 0 para todo a ∈ R.
a

Se llama soporte de una variable aleatoria X , al subconjunto S ⊆ R más

pequeño tal que P(X ∈ S) = 1. Soporte es otro nombre para imagen de X .
Las variables aleatorias discretas (resp. continuas) se caracterizan por
tener un soporte contable/enumerable (resp. no-contable/no-enumerable).
Una variable aleatoria se dice mixta si su soporte tiene una parte contable.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 6 / 22

Variable aleatoria normal
Sean µ ∈ R y σ 2 > 0.
La función F : R → [0, 1] definida por

exp(−(x − µ)2 /2σ 2 )

Z a
F (a) = √ dx
−∞ σ 2π
corresponde a la función de distribución normal de parámetros (µ, σ 2 ).
La función de densidad normal es
exp(−(x − µ)2 /2σ 2 )
g(x ) = √ .
σ 2π

Note que EX = µ (µ es la media) y E(X − µ)2 = σ 2 (σ 2 es la varianza).

Si X es una variable aleatoria normal de parámetros (µ, σ 2 ) la denotamos
por X ∼ N(µ, σ 2 ).
A cualquier variable aleatoria Z ∼ N(0, 1) la llamamos normal estándar.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 7 / 22

Variable aleatoria normal
Sean µ ∈ R y σ 2 > 0.
La función F : R → [0, 1] definida por

exp(−(x − µ)2 /2σ 2 )

Z a
F (a) = √ dx
−∞ σ 2π
corresponde a la función de distribución normal de parámetros (µ, σ 2 ).
La función de densidad normal es
exp(−(x − µ)2 /2σ 2 )
g(x ) = √ .
σ 2π

Note que EX = µ (µ es la media) y E(X − µ)2 = σ 2 (σ 2 es la varianza).

Si X es una variable aleatoria normal de parámetros (µ, σ 2 ) la denotamos
por X ∼ N(µ, σ 2 ).
A cualquier variable aleatoria Z ∼ N(0, 1) la llamamos normal estándar.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 7 / 22

Variable aleatoria normal
Sean µ ∈ R y σ 2 > 0.
La función F : R → [0, 1] definida por

exp(−(x − µ)2 /2σ 2 )

Z a
F (a) = √ dx
−∞ σ 2π
corresponde a la función de distribución normal de parámetros (µ, σ 2 ).
La función de densidad normal es
exp(−(x − µ)2 /2σ 2 )
g(x ) = √ .
σ 2π

Note que EX = µ (µ es la media) y E(X − µ)2 = σ 2 (σ 2 es la varianza).

Si X es una variable aleatoria normal de parámetros (µ, σ 2 ) la denotamos
por X ∼ N(µ, σ 2 ).
A cualquier variable aleatoria Z ∼ N(0, 1) la llamamos normal estándar.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 7 / 22

Variable aleatoria normal
Sean µ ∈ R y σ 2 > 0.
La función F : R → [0, 1] definida por

exp(−(x − µ)2 /2σ 2 )

Z a
F (a) = √ dx
−∞ σ 2π
corresponde a la función de distribución normal de parámetros (µ, σ 2 ).
La función de densidad normal es
exp(−(x − µ)2 /2σ 2 )
g(x ) = √ .
σ 2π

Note que EX = µ (µ es la media) y E(X − µ)2 = σ 2 (σ 2 es la varianza).

Si X es una variable aleatoria normal de parámetros (µ, σ 2 ) la denotamos
por X ∼ N(µ, σ 2 ).
A cualquier variable aleatoria Z ∼ N(0, 1) la llamamos normal estándar.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 7 / 22

Álgebra de variables aleatorias

Sean X , X1 , X2 , ..., Xn variables aleatorias todas definidas en el mismo

espacio de probabilidad (Ω, E , P). Las siguientes son variables aleatorias:
1 X1 + X2 + ... + Xn (suma): X1 (ω) + X2 (ω) + ... + Xn (ω) ∀ω ∈ Ω
2 aX (producto por escalar): aX (ω) ∀ω ∈ Ω y ∀a ∈ R
3 X1 X2 (producto de variables aleatorias): X1 (ω)X2 (ω)
4 X1 /X2 (división de variables aleatorias): X1 (ω)/X2 (ω) si
P(X2 = 0) = 0.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 8 / 22

Álgebra de variables aleatorias

Sean X , X1 , X2 , ..., Xn variables aleatorias todas definidas en el mismo

espacio de probabilidad (Ω, E , P). Las siguientes son variables aleatorias:
1 X1 + X2 + ... + Xn (suma): X1 (ω) + X2 (ω) + ... + Xn (ω) ∀ω ∈ Ω
2 aX (producto por escalar): aX (ω) ∀ω ∈ Ω y ∀a ∈ R
3 X1 X2 (producto de variables aleatorias): X1 (ω)X2 (ω)
4 X1 /X2 (división de variables aleatorias): X1 (ω)/X2 (ω) si
P(X2 = 0) = 0.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 8 / 22

Álgebra de variables aleatorias

Sean X , X1 , X2 , ..., Xn variables aleatorias todas definidas en el mismo

espacio de probabilidad (Ω, E , P). Las siguientes son variables aleatorias:
1 X1 + X2 + ... + Xn (suma): X1 (ω) + X2 (ω) + ... + Xn (ω) ∀ω ∈ Ω
2 aX (producto por escalar): aX (ω) ∀ω ∈ Ω y ∀a ∈ R
3 X1 X2 (producto de variables aleatorias): X1 (ω)X2 (ω)
4 X1 /X2 (división de variables aleatorias): X1 (ω)/X2 (ω) si
P(X2 = 0) = 0.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 8 / 22

Álgebra de variables aleatorias

Sean X , X1 , X2 , ..., Xn variables aleatorias todas definidas en el mismo

espacio de probabilidad (Ω, E , P). Las siguientes son variables aleatorias:
1 X1 + X2 + ... + Xn (suma): X1 (ω) + X2 (ω) + ... + Xn (ω) ∀ω ∈ Ω
2 aX (producto por escalar): aX (ω) ∀ω ∈ Ω y ∀a ∈ R
3 X1 X2 (producto de variables aleatorias): X1 (ω)X2 (ω)
4 X1 /X2 (división de variables aleatorias): X1 (ω)/X2 (ω) si
P(X2 = 0) = 0.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 8 / 22

Álgebra de variables aleatorias

Sean X , X1 , X2 , ..., Xn variables aleatorias todas definidas en el mismo

espacio de probabilidad (Ω, E , P). Las siguientes son variables aleatorias:
1 X1 + X2 + ... + Xn (suma): X1 (ω) + X2 (ω) + ... + Xn (ω) ∀ω ∈ Ω
2 aX (producto por escalar): aX (ω) ∀ω ∈ Ω y ∀a ∈ R
3 X1 X2 (producto de variables aleatorias): X1 (ω)X2 (ω)
4 X1 /X2 (división de variables aleatorias): X1 (ω)/X2 (ω) si
P(X2 = 0) = 0.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 8 / 22

Algunas propiedades de las variables aleatorias

1 E(aX ) = aEX para todo a ∈ R

2 E(a1 X1 + ... + an Xn ) = a1 EX1 + ... + an EXn para variables aleatorias
X1 , ..., Xn y a1 , ..., an ∈ R
3 V (aX ) = a2 V (X ) para todo a ∈ R
4 V (X ) = EX 2 − (EX )2
5 V (aX + bY ) = a2 V (X ) + b 2 V (Y ) + 2abC (X , Y ) donde a, b, ∈ R y
C (X , Y ) = E [(X − EX )(Y − EY )] es la covarianza entre X e Y
6 C (X , Y ) = 0 si X e Y son independientes (definición más abajo)
7 V (a1 X1 + ... + an Xn ) = a12 V (X1 ) + ... + an2 V (Xn ) si X1 , X2 , ..., Xn son
independientes y a1 , ..., an ∈ R

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 9 / 22

Algunas propiedades de las variables aleatorias

1 E(aX ) = aEX para todo a ∈ R

2 E(a1 X1 + ... + an Xn ) = a1 EX1 + ... + an EXn para variables aleatorias
X1 , ..., Xn y a1 , ..., an ∈ R
3 V (aX ) = a2 V (X ) para todo a ∈ R
4 V (X ) = EX 2 − (EX )2
5 V (aX + bY ) = a2 V (X ) + b 2 V (Y ) + 2abC (X , Y ) donde a, b, ∈ R y
C (X , Y ) = E [(X − EX )(Y − EY )] es la covarianza entre X e Y
6 C (X , Y ) = 0 si X e Y son independientes (definición más abajo)
7 V (a1 X1 + ... + an Xn ) = a12 V (X1 ) + ... + an2 V (Xn ) si X1 , X2 , ..., Xn son
independientes y a1 , ..., an ∈ R

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 9 / 22

Algunas propiedades de las variables aleatorias

1 E(aX ) = aEX para todo a ∈ R

2 E(a1 X1 + ... + an Xn ) = a1 EX1 + ... + an EXn para variables aleatorias
X1 , ..., Xn y a1 , ..., an ∈ R
3 V (aX ) = a2 V (X ) para todo a ∈ R
4 V (X ) = EX 2 − (EX )2
5 V (aX + bY ) = a2 V (X ) + b 2 V (Y ) + 2abC (X , Y ) donde a, b, ∈ R y
C (X , Y ) = E [(X − EX )(Y − EY )] es la covarianza entre X e Y
6 C (X , Y ) = 0 si X e Y son independientes (definición más abajo)
7 V (a1 X1 + ... + an Xn ) = a12 V (X1 ) + ... + an2 V (Xn ) si X1 , X2 , ..., Xn son
independientes y a1 , ..., an ∈ R

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 9 / 22

Algunas propiedades de las variables aleatorias

1 E(aX ) = aEX para todo a ∈ R

2 E(a1 X1 + ... + an Xn ) = a1 EX1 + ... + an EXn para variables aleatorias
X1 , ..., Xn y a1 , ..., an ∈ R
3 V (aX ) = a2 V (X ) para todo a ∈ R
4 V (X ) = EX 2 − (EX )2
5 V (aX + bY ) = a2 V (X ) + b 2 V (Y ) + 2abC (X , Y ) donde a, b, ∈ R y
C (X , Y ) = E [(X − EX )(Y − EY )] es la covarianza entre X e Y
6 C (X , Y ) = 0 si X e Y son independientes (definición más abajo)
7 V (a1 X1 + ... + an Xn ) = a12 V (X1 ) + ... + an2 V (Xn ) si X1 , X2 , ..., Xn son
independientes y a1 , ..., an ∈ R

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 9 / 22

Algunas propiedades de las variables aleatorias

1 E(aX ) = aEX para todo a ∈ R

2 E(a1 X1 + ... + an Xn ) = a1 EX1 + ... + an EXn para variables aleatorias
X1 , ..., Xn y a1 , ..., an ∈ R
3 V (aX ) = a2 V (X ) para todo a ∈ R
4 V (X ) = EX 2 − (EX )2
5 V (aX + bY ) = a2 V (X ) + b 2 V (Y ) + 2abC (X , Y ) donde a, b, ∈ R y
C (X , Y ) = E [(X − EX )(Y − EY )] es la covarianza entre X e Y
6 C (X , Y ) = 0 si X e Y son independientes (definición más abajo)
7 V (a1 X1 + ... + an Xn ) = a12 V (X1 ) + ... + an2 V (Xn ) si X1 , X2 , ..., Xn son
independientes y a1 , ..., an ∈ R

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 9 / 22

Algunas propiedades de las variables aleatorias

1 E(aX ) = aEX para todo a ∈ R

2 E(a1 X1 + ... + an Xn ) = a1 EX1 + ... + an EXn para variables aleatorias
X1 , ..., Xn y a1 , ..., an ∈ R
3 V (aX ) = a2 V (X ) para todo a ∈ R
4 V (X ) = EX 2 − (EX )2
5 V (aX + bY ) = a2 V (X ) + b 2 V (Y ) + 2abC (X , Y ) donde a, b, ∈ R y
C (X , Y ) = E [(X − EX )(Y − EY )] es la covarianza entre X e Y
6 C (X , Y ) = 0 si X e Y son independientes (definición más abajo)
7 V (a1 X1 + ... + an Xn ) = a12 V (X1 ) + ... + an2 V (Xn ) si X1 , X2 , ..., Xn son
independientes y a1 , ..., an ∈ R

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 9 / 22

Algunas propiedades de las variables aleatorias

1 E(aX ) = aEX para todo a ∈ R

2 E(a1 X1 + ... + an Xn ) = a1 EX1 + ... + an EXn para variables aleatorias
X1 , ..., Xn y a1 , ..., an ∈ R
3 V (aX ) = a2 V (X ) para todo a ∈ R
4 V (X ) = EX 2 − (EX )2
5 V (aX + bY ) = a2 V (X ) + b 2 V (Y ) + 2abC (X , Y ) donde a, b, ∈ R y
C (X , Y ) = E [(X − EX )(Y − EY )] es la covarianza entre X e Y
6 C (X , Y ) = 0 si X e Y son independientes (definición más abajo)
7 V (a1 X1 + ... + an Xn ) = a12 V (X1 ) + ... + an2 V (Xn ) si X1 , X2 , ..., Xn son
independientes y a1 , ..., an ∈ R

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 9 / 22

Variable aleatoria normal
Algunas propiedades:
1 Si X ∼ N(µ, σ 2 ) entonces
X −µ 2
σ ∼ N(0, 1) para todo µ ∈ R y σ > 0
2 Si Z ∼ N(0, 1) entonces a + bZ ∼ N(a, b 2 ) para todo a, b ∈ R

3 Si Z ∼ N(0, 1) entonces Z 2 ∼ χ 2 (distribuye chi-cuadrado con 1 grado

1
de libertad)
4 Si X e Y son variables aleatorias normales, ρ
X ,Y = 0 si y sólo si ellas
son independientes, donde
E [(X − EX )(Y − EY )]
ρX ,Y = p
Var (X )Var (Y )
es el coeficiente de correlación entre X y Y
5 Sean Xi ∼ N(µi , σi2 ) con i = 1, 2, ..., n todas independientes y sean
a1 , a2 , ..., an ∈ R. Entonces,
n
∑ ai Xi ∼ N(a1 µ1 + ... + an µn , a12 V (X1 ) + ... + an2 V (Xn ))
i=1

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 10 / 22

Variable aleatoria normal
Algunas propiedades:
1 Si X ∼ N(µ, σ 2 ) entonces
X −µ 2
σ ∼ N(0, 1) para todo µ ∈ R y σ > 0
2 Si Z ∼ N(0, 1) entonces a + bZ ∼ N(a, b 2 ) para todo a, b ∈ R

3 Si Z ∼ N(0, 1) entonces Z 2 ∼ χ 2 (distribuye chi-cuadrado con 1 grado

1
de libertad)
4 Si X e Y son variables aleatorias normales, ρ
X ,Y = 0 si y sólo si ellas
son independientes, donde
E [(X − EX )(Y − EY )]
ρX ,Y = p
Var (X )Var (Y )
es el coeficiente de correlación entre X y Y
5 Sean Xi ∼ N(µi , σi2 ) con i = 1, 2, ..., n todas independientes y sean
a1 , a2 , ..., an ∈ R. Entonces,
n
∑ ai Xi ∼ N(a1 µ1 + ... + an µn , a12 V (X1 ) + ... + an2 V (Xn ))
i=1

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 10 / 22

Variable aleatoria normal
Algunas propiedades:
1 Si X ∼ N(µ, σ 2 ) entonces
X −µ 2
σ ∼ N(0, 1) para todo µ ∈ R y σ > 0
2 Si Z ∼ N(0, 1) entonces a + bZ ∼ N(a, b 2 ) para todo a, b ∈ R

3 Si Z ∼ N(0, 1) entonces Z 2 ∼ χ 2 (distribuye chi-cuadrado con 1 grado

1
de libertad)
4 Si X e Y son variables aleatorias normales, ρ
X ,Y = 0 si y sólo si ellas
son independientes, donde
E [(X − EX )(Y − EY )]
ρX ,Y = p
Var (X )Var (Y )
es el coeficiente de correlación entre X y Y
5 Sean Xi ∼ N(µi , σi2 ) con i = 1, 2, ..., n todas independientes y sean
a1 , a2 , ..., an ∈ R. Entonces,
n
∑ ai Xi ∼ N(a1 µ1 + ... + an µn , a12 V (X1 ) + ... + an2 V (Xn ))
i=1

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 10 / 22

Variable aleatoria normal
Algunas propiedades:
1 Si X ∼ N(µ, σ 2 ) entonces
X −µ 2
σ ∼ N(0, 1) para todo µ ∈ R y σ > 0
2 Si Z ∼ N(0, 1) entonces a + bZ ∼ N(a, b 2 ) para todo a, b ∈ R

3 Si Z ∼ N(0, 1) entonces Z 2 ∼ χ 2 (distribuye chi-cuadrado con 1 grado

1
de libertad)
4 Si X e Y son variables aleatorias normales, ρ
X ,Y = 0 si y sólo si ellas
son independientes, donde
E [(X − EX )(Y − EY )]
ρX ,Y = p
Var (X )Var (Y )
es el coeficiente de correlación entre X y Y
5 Sean Xi ∼ N(µi , σi2 ) con i = 1, 2, ..., n todas independientes y sean
a1 , a2 , ..., an ∈ R. Entonces,
n
∑ ai Xi ∼ N(a1 µ1 + ... + an µn , a12 V (X1 ) + ... + an2 V (Xn ))
i=1

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 10 / 22

Variable aleatoria normal
Algunas propiedades:
1 Si X ∼ N(µ, σ 2 ) entonces
X −µ 2
σ ∼ N(0, 1) para todo µ ∈ R y σ > 0
2 Si Z ∼ N(0, 1) entonces a + bZ ∼ N(a, b 2 ) para todo a, b ∈ R

3 Si Z ∼ N(0, 1) entonces Z 2 ∼ χ 2 (distribuye chi-cuadrado con 1 grado

1
de libertad)
4 Si X e Y son variables aleatorias normales, ρ
X ,Y = 0 si y sólo si ellas
son independientes, donde
E [(X − EX )(Y − EY )]
ρX ,Y = p
Var (X )Var (Y )
es el coeficiente de correlación entre X y Y
5 Sean Xi ∼ N(µi , σi2 ) con i = 1, 2, ..., n todas independientes y sean
a1 , a2 , ..., an ∈ R. Entonces,
n
∑ ai Xi ∼ N(a1 µ1 + ... + an µn , a12 V (X1 ) + ... + an2 V (Xn ))
i=1

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 10 / 22

Vectores aleatorios

Sea X : Ω → Rn una función que asigna a cada elemento del espacio

muestral Ω un vector a = (a1 , a2 , ..., an )0 con ai ∈ R para i = 1, ..., n.
X es un vector aleatorio si {X ≤ a} ∈ E , i.e. es un evento ∀a ∈ Rn y por lo
tanto se le puede asignar una medida de probabilidad con la función P.
En tal caso existe la función de distribución de X, FX : Rn → [0, 1], tal que

P(X ≤ a) = FX (a)

para todo a = (a1 , a2 , ..., an )0 ∈ Rn .

En particular, si X = (X1 , X2 , ..., Xn )0 donde cada Xi es variable aleatoria

P(X ≤ a) = P(X1 ≤ a1 , X2 ≤ a2 , ..., Xn ≤ an )

= P({X1 ≤ a1 } ∩ {X2 ≤ a2 } ∩ ... ∩ {Xn ≤ an })

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 11 / 22

Vectores aleatorios

Sea X : Ω → Rn una función que asigna a cada elemento del espacio

muestral Ω un vector a = (a1 , a2 , ..., an )0 con ai ∈ R para i = 1, ..., n.
X es un vector aleatorio si {X ≤ a} ∈ E , i.e. es un evento ∀a ∈ Rn y por lo
tanto se le puede asignar una medida de probabilidad con la función P.
En tal caso existe la función de distribución de X, FX : Rn → [0, 1], tal que

P(X ≤ a) = FX (a)

para todo a = (a1 , a2 , ..., an )0 ∈ Rn .

En particular, si X = (X1 , X2 , ..., Xn )0 donde cada Xi es variable aleatoria

P(X ≤ a) = P(X1 ≤ a1 , X2 ≤ a2 , ..., Xn ≤ an )

= P({X1 ≤ a1 } ∩ {X2 ≤ a2 } ∩ ... ∩ {Xn ≤ an })

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 11 / 22

Vectores aleatorios

Sea X : Ω → Rn una función que asigna a cada elemento del espacio

muestral Ω un vector a = (a1 , a2 , ..., an )0 con ai ∈ R para i = 1, ..., n.
X es un vector aleatorio si {X ≤ a} ∈ E , i.e. es un evento ∀a ∈ Rn y por lo
tanto se le puede asignar una medida de probabilidad con la función P.
En tal caso existe la función de distribución de X, FX : Rn → [0, 1], tal que

P(X ≤ a) = FX (a)

para todo a = (a1 , a2 , ..., an )0 ∈ Rn .

En particular, si X = (X1 , X2 , ..., Xn )0 donde cada Xi es variable aleatoria

P(X ≤ a) = P(X1 ≤ a1 , X2 ≤ a2 , ..., Xn ≤ an )

= P({X1 ≤ a1 } ∩ {X2 ≤ a2 } ∩ ... ∩ {Xn ≤ an })

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 11 / 22

Vectores aleatorios

Sea X : Ω → Rn una función que asigna a cada elemento del espacio

muestral Ω un vector a = (a1 , a2 , ..., an )0 con ai ∈ R para i = 1, ..., n.
X es un vector aleatorio si {X ≤ a} ∈ E , i.e. es un evento ∀a ∈ Rn y por lo
tanto se le puede asignar una medida de probabilidad con la función P.
En tal caso existe la función de distribución de X, FX : Rn → [0, 1], tal que

P(X ≤ a) = FX (a)

para todo a = (a1 , a2 , ..., an )0 ∈ Rn .

En particular, si X = (X1 , X2 , ..., Xn )0 donde cada Xi es variable aleatoria

P(X ≤ a) = P(X1 ≤ a1 , X2 ≤ a2 , ..., Xn ≤ an )

= P({X1 ≤ a1 } ∩ {X2 ≤ a2 } ∩ ... ∩ {Xn ≤ an })

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 11 / 22

Vectores aleatorios

Por ejemplo, el vector aleatorio X = (X1 , X2 , ..., Xn )0 tiene distribución

normal si su función de densidad es
1 1 0 −1 (z−µ)
fX (z) = n 1 e − 2 (z−µ) Σ ,
(2π) |Σ|
2 2

donde z ∈ Rn . Los parámetros de la función de densidad son µ ∈ Rn y Σ

que es una matriz simétrica, definida positiva (i.e. z 0 Σz > 0 ∀z ∈ Rn ).
En particular,
µ = (EX1 , ..., EXn )0

Σ = E[(X − µ)(X − µ)0 ].

Usaremos la notación X ∼ N(µ, Σ). En este caso, las variables aleatorias
X1 , X2 , ..., Xn son independientes si y sólo si Σ es una matriz diagonal.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 12 / 22

Vectores aleatorios

Por ejemplo, el vector aleatorio X = (X1 , X2 , ..., Xn )0 tiene distribución

normal si su función de densidad es
1 1 0 −1 (z−µ)
fX (z) = n 1 e − 2 (z−µ) Σ ,
(2π) |Σ|
2 2

donde z ∈ Rn . Los parámetros de la función de densidad son µ ∈ Rn y Σ

que es una matriz simétrica, definida positiva (i.e. z 0 Σz > 0 ∀z ∈ Rn ).
En particular,
µ = (EX1 , ..., EXn )0

Σ = E[(X − µ)(X − µ)0 ].

Usaremos la notación X ∼ N(µ, Σ). En este caso, las variables aleatorias
X1 , X2 , ..., Xn son independientes si y sólo si Σ es una matriz diagonal.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 12 / 22

Vectores aleatorios

Por ejemplo, el vector aleatorio X = (X1 , X2 , ..., Xn )0 tiene distribución

normal si su función de densidad es
1 1 0 −1 (z−µ)
fX (z) = n 1 e − 2 (z−µ) Σ ,
(2π) |Σ|
2 2

donde z ∈ Rn . Los parámetros de la función de densidad son µ ∈ Rn y Σ

que es una matriz simétrica, definida positiva (i.e. z 0 Σz > 0 ∀z ∈ Rn ).
En particular,
µ = (EX1 , ..., EXn )0

Σ = E[(X − µ)(X − µ)0 ].

Usaremos la notación X ∼ N(µ, Σ). En este caso, las variables aleatorias
X1 , X2 , ..., Xn son independientes si y sólo si Σ es una matriz diagonal.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 12 / 22

Vectores aleatorios
Más en general, la media de un vector aleatorio X = (X1 , ..., Xn )0 es

EX = (EX1 , ..., EXn )0

y su varianza es
V (X) = E[(X − EX)(X − EX)0 ].
Si X1 , X2 , ... son variables aleatorias continuas, y fX (x1 , ..., xn ) es la función
de densidad de X, su función de distribución evaluada en
a = (a1 , a2 , ..., an )0 ∈ Rn es
Z a1 Z a2 Z an
FX (a) = ... fX (x1 , ..., xn )dxn ...dx2 dx1 .
−∞ −∞ −∞

El siguiente resultado puede ser útil. Defina Y = a1 X1 + ... + an Xn = X0 a

con a = (a1 , ..., an )0 ∈ Rn notando que Y es una variable aleatoria. Luego,

EY = (EX)0 a y además V (Y ) = a0 V (X)a.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 13 / 22

Vectores aleatorios
Más en general, la media de un vector aleatorio X = (X1 , ..., Xn )0 es

EX = (EX1 , ..., EXn )0

y su varianza es
V (X) = E[(X − EX)(X − EX)0 ].
Si X1 , X2 , ... son variables aleatorias continuas, y fX (x1 , ..., xn ) es la función
de densidad de X, su función de distribución evaluada en
a = (a1 , a2 , ..., an )0 ∈ Rn es
Z a 1 Z a2 Z an
FX (a) = ... fX (x1 , ..., xn )dxn ...dx2 dx1 .
−∞ −∞ −∞

El siguiente resultado puede ser útil. Defina Y = a1 X1 + ... + an Xn = X0 a

con a = (a1 , ..., an )0 ∈ Rn notando que Y es una variable aleatoria. Luego,

EY = (EX)0 a y además V (Y ) = a0 V (X)a.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 13 / 22

Vectores aleatorios
Más en general, la media de un vector aleatorio X = (X1 , ..., Xn )0 es

EX = (EX1 , ..., EXn )0

y su varianza es
V (X) = E[(X − EX)(X − EX)0 ].
Si X1 , X2 , ... son variables aleatorias continuas, y fX (x1 , ..., xn ) es la función
de densidad de X, su función de distribución evaluada en
a = (a1 , a2 , ..., an )0 ∈ Rn es
Z a 1 Z a2 Z an
FX (a) = ... fX (x1 , ..., xn )dxn ...dx2 dx1 .
−∞ −∞ −∞

El siguiente resultado puede ser útil. Defina Y = a1 X1 + ... + an Xn = X0 a

con a = (a1 , ..., an )0 ∈ Rn notando que Y es una variable aleatoria. Luego,

EY = (EX)0 a y además V (Y ) = a0 V (X)a.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 13 / 22

Vectores aleatorios

La varianza de X = (X1 , X2 , ..., Xn )0 también se llama matriz de

varianzas-covarianzas ya que por su definición tiene la siguiente estructura:
 
V (X1 ) C (X1 , X2 ) · · · C (X1 , Xn )
 C (X2 , X1 )
 V (X2 ) · · · C (X2 , Xn ) 

 .. .. . . .. 
 . . . . 
C (Xn , X1 ) C (Xn , X2 ) · · · V (Xn )
donde la covarianza entre las variables aleatorias Xi y Xj está dada por

C (Xi , Xj ) = E[(Xi − EXi )(Xj − EXj )]

y existe si E|Xi |2 < ∞ y E|Xj |2 < ∞ para i 6= j.

Observe además que V (Xi ) = C (Xi , Xi ) y existe si E|Xi |2 < ∞.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 14 / 22

Vectores aleatorios

La varianza de X = (X1 , X2 , ..., Xn )0 también se llama matriz de

varianzas-covarianzas ya que por su definición tiene la siguiente estructura:
 
V (X1 ) C (X1 , X2 ) · · · C (X1 , Xn )
 C (X2 , X1 )
 V (X2 ) · · · C (X2 , Xn ) 

 .. .. . . .. 
 . . . . 
C (Xn , X1 ) C (Xn , X2 ) · · · V (Xn )
donde la covarianza entre las variables aleatorias Xi y Xj está dada por

C (Xi , Xj ) = E[(Xi − EXi )(Xj − EXj )]

y existe si E|Xi |2 < ∞ y E|Xj |2 < ∞ para i 6= j.

Observe además que V (Xi ) = C (Xi , Xi ) y existe si E|Xi |2 < ∞.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 14 / 22

Independencia
Sea X ≡ (X1 , X2 , ..., Xn )0 un vector aleatorio y FX su función de
distribución.
Definición: Las variables aleatorias X1 , X2 , ..., Xn se dicen independientes si

FX (a1 , a2 , ..., an ) = FX1 (a1 )FX2 (a2 ) · · · FXn (an ),

donde FXi (ai ) es la función de distribución de Xi para i = 1, 2, ..., n.

Algunas propiedades. Sean X1 , X2 , ..., Xn v.a. aleatorias independientes.
1 E(X1 X2 · · · Xn ) = EX1 EX2 · · · EXn
2 Sean hi : R → R para i = 1, 2, ..., n, entonces h1 (X1 ), h2 (X2 ), ..., hn (Xn )
son independientes
3 Sea f la densidad del vector aleatorio (X1 , X2 , ..., Xn )0 y sea fXi la
densidad de Xi para i = 1, 2, ..., n. Entonces,

f (x1 , ..., xn ) = fX1 (x1 )fX2 (x2 ) · · · fXn (xn ).

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 15 / 22

Independencia
Sea X ≡ (X1 , X2 , ..., Xn )0 un vector aleatorio y FX su función de
distribución.
Definición: Las variables aleatorias X1 , X2 , ..., Xn se dicen independientes si

FX (a1 , a2 , ..., an ) = FX1 (a1 )FX2 (a2 ) · · · FXn (an ),

donde FXi (ai ) es la función de distribución de Xi para i = 1, 2, ..., n.

Algunas propiedades. Sean X1 , X2 , ..., Xn v.a. aleatorias independientes.
1 E(X1 X2 · · · Xn ) = EX1 EX2 · · · EXn
2 Sean hi : R → R para i = 1, 2, ..., n, entonces h1 (X1 ), h2 (X2 ), ..., hn (Xn )
son independientes
3 Sea f la densidad del vector aleatorio (X1 , X2 , ..., Xn )0 y sea fXi la
densidad de Xi para i = 1, 2, ..., n. Entonces,

f (x1 , ..., xn ) = fX1 (x1 )fX2 (x2 ) · · · fXn (xn ).

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 15 / 22

Independencia
Sea X ≡ (X1 , X2 , ..., Xn )0 un vector aleatorio y FX su función de
distribución.
Definición: Las variables aleatorias X1 , X2 , ..., Xn se dicen independientes si

FX (a1 , a2 , ..., an ) = FX1 (a1 )FX2 (a2 ) · · · FXn (an ),

donde FXi (ai ) es la función de distribución de Xi para i = 1, 2, ..., n.

Algunas propiedades. Sean X1 , X2 , ..., Xn v.a. aleatorias independientes.
1 E(X1 X2 · · · Xn ) = EX1 EX2 · · · EXn
2 Sean hi : R → R para i = 1, 2, ..., n, entonces h1 (X1 ), h2 (X2 ), ..., hn (Xn )
son independientes
3 Sea f la densidad del vector aleatorio (X1 , X2 , ..., Xn )0 y sea fXi la
densidad de Xi para i = 1, 2, ..., n. Entonces,

f (x1 , ..., xn ) = fX1 (x1 )fX2 (x2 ) · · · fXn (xn ).

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 15 / 22

Independencia
Sea X ≡ (X1 , X2 , ..., Xn )0 un vector aleatorio y FX su función de
distribución.
Definición: Las variables aleatorias X1 , X2 , ..., Xn se dicen independientes si

FX (a1 , a2 , ..., an ) = FX1 (a1 )FX2 (a2 ) · · · FXn (an ),

donde FXi (ai ) es la función de distribución de Xi para i = 1, 2, ..., n.

Algunas propiedades. Sean X1 , X2 , ..., Xn v.a. aleatorias independientes.
1 E(X1 X2 · · · Xn ) = EX1 EX2 · · · EXn
2 Sean hi : R → R para i = 1, 2, ..., n, entonces h1 (X1 ), h2 (X2 ), ..., hn (Xn )
son independientes
3 Sea f la densidad del vector aleatorio (X1 , X2 , ..., Xn )0 y sea fXi la
densidad de Xi para i = 1, 2, ..., n. Entonces,

f (x1 , ..., xn ) = fX1 (x1 )fX2 (x2 ) · · · fXn (xn ).

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 15 / 22

Independencia
Sea X ≡ (X1 , X2 , ..., Xn )0 un vector aleatorio y FX su función de
distribución.
Definición: Las variables aleatorias X1 , X2 , ..., Xn se dicen independientes si

FX (a1 , a2 , ..., an ) = FX1 (a1 )FX2 (a2 ) · · · FXn (an ),

donde FXi (ai ) es la función de distribución de Xi para i = 1, 2, ..., n.

Algunas propiedades. Sean X1 , X2 , ..., Xn v.a. aleatorias independientes.
1 E(X1 X2 · · · Xn ) = EX1 EX2 · · · EXn
2 Sean hi : R → R para i = 1, 2, ..., n, entonces h1 (X1 ), h2 (X2 ), ..., hn (Xn )
son independientes
3 Sea f la densidad del vector aleatorio (X1 , X2 , ..., Xn )0 y sea fXi la
densidad de Xi para i = 1, 2, ..., n. Entonces,

f (x1 , ..., xn ) = fX1 (x1 )fX2 (x2 ) · · · fXn (xn ).

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 15 / 22

Función de densidad condicional de un vector aleatorio
Sean X e Y dos variables aleatorias con funciones de densidad fX y fY .
Se define la función de densidad de Y condicional en X (ω) = x así:

f (y , x )
fY |x = .
fX (x )

donde f (y , x ) es la densidad del vector aleatorio (Y , X ). (Observe que si

las variables X e Y son independientes entonces fY |x = fX (xfX)f(xY)(y ) = fY .)
Las siguientes propiedades son útiles:

EY = E(E(Y |x ))

V (Y ) = E(V (Y |x )) + V (E(Y |x ))
donde E(Y |x ) es la media (o esperanza) de Y condicional en el evento
X = x en tanto V (Y |x ) es la varianza de Y condicional en X (ω) = x .
Note que E(Y |x ) y V (Y |x ) son realizaciones de una variable aleatoria.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 16 / 22

Función de densidad condicional de un vector aleatorio
Sean X e Y dos variables aleatorias con funciones de densidad fX y fY .
Se define la función de densidad de Y condicional en X (ω) = x así:

f (y , x )
fY |x = .
fX (x )

donde f (y , x ) es la densidad del vector aleatorio (Y , X ). (Observe que si

las variables X e Y son independientes entonces fY |x = fX (xfX)f(xY)(y ) = fY .)
Las siguientes propiedades son útiles:

EY = E(E(Y |x ))

V (Y ) = E(V (Y |x )) + V (E(Y |x ))
donde E(Y |x ) es la media (o esperanza) de Y condicional en el evento
X = x en tanto V (Y |x ) es la varianza de Y condicional en X (ω) = x .
Note que E(Y |x ) y V (Y |x ) son realizaciones de una variable aleatoria.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 16 / 22

Función de densidad condicional de un vector aleatorio
Sean X e Y dos variables aleatorias con funciones de densidad fX y fY .
Se define la función de densidad de Y condicional en X (ω) = x así:

f (y , x )
fY |x = .
fX (x )

donde f (y , x ) es la densidad del vector aleatorio (Y , X ). (Observe que si

las variables X e Y son independientes entonces fY |x = fX (xfX)f(xY)(y ) = fY .)
Las siguientes propiedades son útiles:

EY = E(E(Y |x ))

V (Y ) = E(V (Y |x )) + V (E(Y |x ))
donde E(Y |x ) es la media (o esperanza) de Y condicional en el evento
X = x en tanto V (Y |x ) es la varianza de Y condicional en X (ω) = x .
Note que E(Y |x ) y V (Y |x ) son realizaciones de una variable aleatoria.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 16 / 22

Función de densidad condicional de un vector aleatorio
Sean X e Y dos variables aleatorias con funciones de densidad fX y fY .
Se define la función de densidad de Y condicional en X (ω) = x así:

f (y , x )
fY |x = .
fX (x )

donde f (y , x ) es la densidad del vector aleatorio (Y , X ). (Observe que si

las variables X e Y son independientes entonces fY |x = fX (xfX)f(xY)(y ) = fY .)
Las siguientes propiedades son útiles:

EY = E(E(Y |x ))

V (Y ) = E(V (Y |x )) + V (E(Y |x ))
donde E(Y |x ) es la media (o esperanza) de Y condicional en el evento
X = x en tanto V (Y |x ) es la varianza de Y condicional en X (ω) = x .
Note que E(Y |x ) y V (Y |x ) son realizaciones de una variable aleatoria.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 16 / 22

Función de densidad condicional de un vector aleatorio

La definición de densidad condicional se extiende al caso de que Y y X

sean vectores aleatorios. Así, sea X = (X1 , X2 , ..., Xn )0 un vector aleatorio.
La función de densidad de Y condicional al evento

X1 = x1 , X2 = x2 , ..., Xn = xn

se define como sigue:

f (y , x1 , ..., xn )
fY |x1 ,...,xn = .
f (x1 , ..., xn )

Usaremos la notación Y |x ∼ fY |x que enfatiza la propiedad de que la

densidad condicional de Y cambia con la observación x = (x1 , ..., xn ).

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 17 / 22

Función de densidad condicional de un vector aleatorio

La definición de densidad condicional se extiende al caso de que Y y X

sean vectores aleatorios. Así, sea X = (X1 , X2 , ..., Xn )0 un vector aleatorio.
La función de densidad de Y condicional al evento

X1 = x1 , X2 = x2 , ..., Xn = xn

se define como sigue:

f (y , x1 , ..., xn )
fY |x1 ,...,xn = .
f (x1 , ..., xn )

Usaremos la notación Y |x ∼ fY |x que enfatiza la propiedad de que la

densidad condicional de Y cambia con la observación x = (x1 , ..., xn ).

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 17 / 22

Función de densidad condicional de un vector aleatorio

La definición de densidad condicional se extiende al caso de que Y y X

sean vectores aleatorios. Así, sea X = (X1 , X2 , ..., Xn )0 un vector aleatorio.
La función de densidad de Y condicional al evento

X1 = x1 , X2 = x2 , ..., Xn = xn

se define como sigue:

f (y , x1 , ..., xn )
fY |x1 ,...,xn = .
f (x1 , ..., xn )

Usaremos la notación Y |x ∼ fY |x que enfatiza la propiedad de que la

densidad condicional de Y cambia con la observación x = (x1 , ..., xn ).

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 17 / 22

Función de densidad condicional de un vector aleatorio

La definición de densidad condicional se extiende al caso de que Y y X

sean vectores aleatorios. Así, sea X = (X1 , X2 , ..., Xn )0 un vector aleatorio.
La función de densidad de Y condicional al evento

X1 = x1 , X2 = x2 , ..., Xn = xn

se define como sigue:

f (y , x1 , ..., xn )
fY |x1 ,...,xn = .
f (x1 , ..., xn )

Usaremos la notación Y |x ∼ fY |x que enfatiza la propiedad de que la

densidad condicional de Y cambia con la observación x = (x1 , ..., xn ).

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 17 / 22

Identificación de parámetros, modelo estadístico

Sea f una función de densidad en una familia indexada por el parámetro

θ ∈ Θ donde Θ es en general un subconjunto del espacio paramétrico.
Luego,
f ∈ {f θ : θ ∈ Θ}.
El parámetro θ se dice identificado si
0
θ 6= θ 0 ⇒ f θ 6= f θ .

Por ejemplo, en la familia normal el parámetro (µ, Σ) es identificado y más

en general, una familia de funciones de densidad indexada por un
parámetro que está identificado se conoce como modelo estadístico.
(Observe que este concepto aplica a familias de densidades condicionales.)
Los modelos estadísticos son la base para realizar inferencia estadística
i.e. estimar parámetros, realizar pruebas de hipótesis y generar pronósticos.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 18 / 22

Identificación de parámetros, modelo estadístico

Sea f una función de densidad en una familia indexada por el parámetro

θ ∈ Θ donde Θ es en general un subconjunto del espacio paramétrico.
Luego,
f ∈ {f θ : θ ∈ Θ}.
El parámetro θ se dice identificado si
0
θ 6= θ 0 ⇒ f θ 6= f θ .

Por ejemplo, en la familia normal el parámetro (µ, Σ) es identificado y más

en general, una familia de funciones de densidad indexada por un
parámetro que está identificado se conoce como modelo estadístico.
(Observe que este concepto aplica a familias de densidades condicionales.)
Los modelos estadísticos son la base para realizar inferencia estadística
i.e. estimar parámetros, realizar pruebas de hipótesis y generar pronósticos.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 18 / 22

Identificación de parámetros, modelo estadístico

Sea f una función de densidad en una familia indexada por el parámetro

θ ∈ Θ donde Θ es en general un subconjunto del espacio paramétrico.
Luego,
f ∈ {f θ : θ ∈ Θ}.
El parámetro θ se dice identificado si
0
θ 6= θ 0 ⇒ f θ 6= f θ .

Por ejemplo, en la familia normal el parámetro (µ, Σ) es identificado y más

en general, una familia de funciones de densidad indexada por un
parámetro que está identificado se conoce como modelo estadístico.
(Observe que este concepto aplica a familias de densidades condicionales.)
Los modelos estadísticos son la base para realizar inferencia estadística
i.e. estimar parámetros, realizar pruebas de hipótesis y generar pronósticos.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 18 / 22

Identificación de parámetros, modelo estadístico

Sea f una función de densidad en una familia indexada por el parámetro

θ ∈ Θ donde Θ es en general un subconjunto del espacio paramétrico.
Luego,
f ∈ {f θ : θ ∈ Θ}.
El parámetro θ se dice identificado si
0
θ 6= θ 0 ⇒ f θ 6= f θ .

Por ejemplo, en la familia normal el parámetro (µ, Σ) es identificado y más

en general, una familia de funciones de densidad indexada por un
parámetro que está identificado se conoce como modelo estadístico.
(Observe que este concepto aplica a familias de densidades condicionales.)
Los modelos estadísticos son la base para realizar inferencia estadística
i.e. estimar parámetros, realizar pruebas de hipótesis y generar pronósticos.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 18 / 22

Identificación de parámetros, modelo estadístico

Sea f una función de densidad en una familia indexada por el parámetro

θ ∈ Θ donde Θ es en general un subconjunto del espacio paramétrico.
Luego,
f ∈ {f θ : θ ∈ Θ}.
El parámetro θ se dice identificado si
0
θ 6= θ 0 ⇒ f θ 6= f θ .

Por ejemplo, en la familia normal el parámetro (µ, Σ) es identificado y más

en general, una familia de funciones de densidad indexada por un
parámetro que está identificado se conoce como modelo estadístico.
(Observe que este concepto aplica a familias de densidades condicionales.)
Los modelos estadísticos son la base para realizar inferencia estadística
i.e. estimar parámetros, realizar pruebas de hipótesis y generar pronósticos.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 18 / 22

Función de verosimilitud incondicional

La herramienta fundamental de inferencia es la función de verosimilitud.

Sea X = (X1 , X2 , ..., Xn ) un vector aleatorio normal con función de
densidad fXθ (x ) indexada por θ ∈ Θ donde x está en el soporte de X y θ es
un parámetro identificado (i.e. {f θ : θ ∈ Θ} es un modelo estadístico).
Suponga que observa x0 ∈ Rn . Se define la función de verosimilitud de X:

L(θ |x0 ) = fXθ (x0 ).

La estimación de máxima verosimilitud para θ se define como sigue:

θ ∗ (x0 ) = argmaxL(θ |x0 ).

θ ∈Θ

Es claro que (si existe) la estimación θ ∗ (x0 ) es la realización de un vector

aleatorio, θ ∗ , denominado el estimador de máxima verosimilitud para θ .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 19 / 22

Función de verosimilitud incondicional

La herramienta fundamental de inferencia es la función de verosimilitud.

Sea X = (X1 , X2 , ..., Xn ) un vector aleatorio normal con función de
densidad fXθ (x ) indexada por θ ∈ Θ donde x está en el soporte de X y θ es
un parámetro identificado (i.e. {f θ : θ ∈ Θ} es un modelo estadístico).
Suponga que observa x0 ∈ Rn . Se define la función de verosimilitud de X:

L(θ |x0 ) = fXθ (x0 ).

La estimación de máxima verosimilitud para θ se define como sigue:

θ ∗ (x0 ) = argmaxL(θ |x0 ).

θ ∈Θ

Es claro que (si existe) la estimación θ ∗ (x0 ) es la realización de un vector

aleatorio, θ ∗ , denominado el estimador de máxima verosimilitud para θ .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 19 / 22

Función de verosimilitud incondicional

La herramienta fundamental de inferencia es la función de verosimilitud.

Sea X = (X1 , X2 , ..., Xn ) un vector aleatorio normal con función de
densidad fXθ (x ) indexada por θ ∈ Θ donde x está en el soporte de X y θ es
un parámetro identificado (i.e. {f θ : θ ∈ Θ} es un modelo estadístico).
Suponga que observa x0 ∈ Rn . Se define la función de verosimilitud de X:

L(θ |x0 ) = fXθ (x0 ).

La estimación de máxima verosimilitud para θ se define como sigue:

θ ∗ (x0 ) = argmaxL(θ |x0 ).

θ ∈Θ

Es claro que (si existe) la estimación θ ∗ (x0 ) es la realización de un vector

aleatorio, θ ∗ , denominado el estimador de máxima verosimilitud para θ .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 19 / 22

Función de verosimilitud incondicional

La herramienta fundamental de inferencia es la función de verosimilitud.

Sea X = (X1 , X2 , ..., Xn ) un vector aleatorio normal con función de
densidad fXθ (x ) indexada por θ ∈ Θ donde x está en el soporte de X y θ es
un parámetro identificado (i.e. {f θ : θ ∈ Θ} es un modelo estadístico).
Suponga que observa x0 ∈ Rn . Se define la función de verosimilitud de X:

L(θ |x0 ) = fXθ (x0 ).

La estimación de máxima verosimilitud para θ se define como sigue:

θ ∗ (x0 ) = argmaxL(θ |x0 ).

θ ∈Θ

Es claro que (si existe) la estimación θ ∗ (x0 ) es la realización de un vector

aleatorio, θ ∗ , denominado el estimador de máxima verosimilitud para θ .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 19 / 22

Función de verosimilitud incondicional

La herramienta fundamental de inferencia es la función de verosimilitud.

Sea X = (X1 , X2 , ..., Xn ) un vector aleatorio normal con función de
densidad fXθ (x ) indexada por θ ∈ Θ donde x está en el soporte de X y θ es
un parámetro identificado (i.e. {f θ : θ ∈ Θ} es un modelo estadístico).
Suponga que observa x0 ∈ Rn . Se define la función de verosimilitud de X:

L(θ |x0 ) = fXθ (x0 ).

La estimación de máxima verosimilitud para θ se define como sigue:

θ ∗ (x0 ) = argmaxL(θ |x0 ).

θ ∈Θ

Es claro que (si existe) la estimación θ ∗ (x0 ) es la realización de un vector

aleatorio, θ ∗ , denominado el estimador de máxima verosimilitud para θ .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 19 / 22

Función de verosimilitud incondicional

La herramienta fundamental de inferencia es la función de verosimilitud.

Sea X = (X1 , X2 , ..., Xn ) un vector aleatorio normal con función de
densidad fXθ (x ) indexada por θ ∈ Θ donde x está en el soporte de X y θ es
un parámetro identificado (i.e. {f θ : θ ∈ Θ} es un modelo estadístico).
Suponga que observa x0 ∈ Rn . Se define la función de verosimilitud de X:

L(θ |x0 ) = fXθ (x0 ).

La estimación de máxima verosimilitud para θ se define como sigue:

θ ∗ (x0 ) = argmaxL(θ |x0 ).

θ ∈Θ

Es claro que (si existe) la estimación θ ∗ (x0 ) es la realización de un vector

aleatorio, θ ∗ , denominado el estimador de máxima verosimilitud para θ .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 19 / 22

Función de verosimilitud incondicional

La herramienta fundamental de inferencia es la función de verosimilitud.

Sea X = (X1 , X2 , ..., Xn ) un vector aleatorio normal con función de
densidad fXθ (x ) indexada por θ ∈ Θ donde x está en el soporte de X y θ es
un parámetro identificado (i.e. {f θ : θ ∈ Θ} es un modelo estadístico).
Suponga que observa x0 ∈ Rn . Se define la función de verosimilitud de X:

L(θ |x0 ) = fXθ (x0 ).

La estimación de máxima verosimilitud para θ se define como sigue:

θ ∗ (x0 ) = argmaxL(θ |x0 ).

θ ∈Θ

Es claro que (si existe) la estimación θ ∗ (x0 ) es la realización de un vector

aleatorio, θ ∗ , denominado el estimador de máxima verosimilitud para θ .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 19 / 22

Función de verosimilitud incondicional
Por ejemplo, en el caso normal
1 1 0 −1 (x −µ)
L(µ, Σ|x0 ) = n 1 e − 2 (x0 −µ) Σ 0

(2π) |Σ|2 2

Utilizando la descomposición Σ−1 = C 0 C la función de verosimilitud queda

1 1 2
L(µ, Σ|x0 ) = n 1 e − 2 kuk
(2π) |Σ|2 2

donde u = C (x0 − µ) ∈ Rn .
L(µ, Σ|x0 ) se hace máximo en los valores de µ y C que minimizan kuk2 .
Así planteado, el problema es demasiado general para inferencia ya que la
búsqueda de la estimación θ (x0 ) = (µ, C ) es sobre conjunto muy grande.
Entonces es fundamental escoger adecuadamente el conjunto Θ de valores
posibles para θ (x0 ), lo que hacemos al especificar el modelo estadístico.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 20 / 22

Función de verosimilitud incondicional
Por ejemplo, en el caso normal
1 1 0 −1 (x −µ)
L(µ, Σ|x0 ) = n 1 e − 2 (x0 −µ) Σ 0

(2π) |Σ|2 2

Utilizando la descomposición Σ−1 = C 0 C la función de verosimilitud queda

1 1 2
L(µ, Σ|x0 ) = n 1 e − 2 kuk
(2π) |Σ|2 2

donde u = C (x0 − µ) ∈ Rn .
L(µ, Σ|x0 ) se hace máximo en los valores de µ y C que minimizan kuk2 .
Así planteado, el problema es demasiado general para inferencia ya que la
búsqueda de la estimación θ (x0 ) = (µ, C ) es sobre conjunto muy grande.
Entonces es fundamental escoger adecuadamente el conjunto Θ de valores
posibles para θ (x0 ), lo que hacemos al especificar el modelo estadístico.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 20 / 22

Función de verosimilitud incondicional
Por ejemplo, en el caso normal
1 1 0 −1 (x −µ)
L(µ, Σ|x0 ) = n 1 e − 2 (x0 −µ) Σ 0

(2π) |Σ|2 2

Utilizando la descomposición Σ−1 = C 0 C la función de verosimilitud queda

1 1 2
L(µ, Σ|x0 ) = n 1 e − 2 kuk
(2π) |Σ|2 2

donde u = C (x0 − µ) ∈ Rn .
L(µ, Σ|x0 ) se hace máximo en los valores de µ y C que minimizan kuk2 .
Así planteado, el problema es demasiado general para inferencia ya que la
búsqueda de la estimación θ (x0 ) = (µ, C ) es sobre conjunto muy grande.
Entonces es fundamental escoger adecuadamente el conjunto Θ de valores
posibles para θ (x0 ), lo que hacemos al especificar el modelo estadístico.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 20 / 22

Función de verosimilitud incondicional
Por ejemplo, en el caso normal
1 1 0 −1 (x −µ)
L(µ, Σ|x0 ) = n 1 e − 2 (x0 −µ) Σ 0

(2π) |Σ|2 2

Utilizando la descomposición Σ−1 = C 0 C la función de verosimilitud queda

1 1 2
L(µ, Σ|x0 ) = n 1 e − 2 kuk
(2π) |Σ|2 2

donde u = C (x0 − µ) ∈ Rn .
L(µ, Σ|x0 ) se hace máximo en los valores de µ y C que minimizan kuk2 .
Así planteado, el problema es demasiado general para inferencia ya que la
búsqueda de la estimación θ (x0 ) = (µ, C ) es sobre conjunto muy grande.
Entonces es fundamental escoger adecuadamente el conjunto Θ de valores
posibles para θ (x0 ), lo que hacemos al especificar el modelo estadístico.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 20 / 22

Función de verosimilitud incondicional
Por ejemplo, en el caso normal
1 1 0 −1 (x −µ)
L(µ, Σ|x0 ) = n 1 e − 2 (x0 −µ) Σ 0

(2π) |Σ|2 2

Utilizando la descomposición Σ−1 = C 0 C la función de verosimilitud queda

1 1 2
L(µ, Σ|x0 ) = n 1 e − 2 kuk
(2π) |Σ|2 2

donde u = C (x0 − µ) ∈ Rn .
L(µ, Σ|x0 ) se hace máximo en los valores de µ y C que minimizan kuk2 .
Así planteado, el problema es demasiado general para inferencia ya que la
búsqueda de la estimación θ (x0 ) = (µ, C ) es sobre conjunto muy grande.
Entonces es fundamental escoger adecuadamente el conjunto Θ de valores
posibles para θ (x0 ), lo que hacemos al especificar el modelo estadístico.

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 20 / 22

Función de verosimilitud incondicional

Sea 1n = (1, 1, ..., 1)0 ∈ Rn , α ∈ R.

Siguiendo con el ejemplo normal defina µ = α1n y Σ = In donde In es la
matriz identidad n × n, de tal forma que en este caso el parámetro es α.
Nos interesa encontrar la estimación α(x0 ) que maximiza la función de
verosimilitud normal
1 − 12 kx0 −α1n k2
L(α|x0 ) = n e .
(2π) 2

Notemos que la función L(α|x0 ) se hace máxima en el valor de α que

minimiza la norma kx0 − α1n k, luego, por teorema de proyección se tiene

α(x0 ) = (10n 1n )−1 10n x0 .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 21 / 22

Función de verosimilitud incondicional

Sea 1n = (1, 1, ..., 1)0 ∈ Rn , α ∈ R.

Siguiendo con el ejemplo normal defina µ = α1n y Σ = In donde In es la
matriz identidad n × n, de tal forma que en este caso el parámetro es α.
Nos interesa encontrar la estimación α(x0 ) que maximiza la función de
verosimilitud normal
1 − 12 kx0 −α1n k2
L(α|x0 ) = n e .
(2π) 2

Notemos que la función L(α|x0 ) se hace máxima en el valor de α que

minimiza la norma kx0 − α1n k, luego, por teorema de proyección se tiene

α(x0 ) = (10n 1n )−1 10n x0 .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 21 / 22

Función de verosimilitud incondicional

Sea 1n = (1, 1, ..., 1)0 ∈ Rn , α ∈ R.

Siguiendo con el ejemplo normal defina µ = α1n y Σ = In donde In es la
matriz identidad n × n, de tal forma que en este caso el parámetro es α.
Nos interesa encontrar la estimación α(x0 ) que maximiza la función de
verosimilitud normal
1 − 12 kx0 −α1n k2
L(α|x0 ) = n e .
(2π) 2

Notemos que la función L(α|x0 ) se hace máxima en el valor de α que

minimiza la norma kx0 − α1n k, luego, por teorema de proyección se tiene

α(x0 ) = (10n 1n )−1 10n x0 .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 21 / 22

Función de verosimilitud incondicional

Sea 1n = (1, 1, ..., 1)0 ∈ Rn , α ∈ R.

Siguiendo con el ejemplo normal defina µ = α1n y Σ = In donde In es la
matriz identidad n × n, de tal forma que en este caso el parámetro es α.
Nos interesa encontrar la estimación α(x0 ) que maximiza la función de
verosimilitud normal
1 − 12 kx0 −α1n k2
L(α|x0 ) = n e .
(2π) 2

Notemos que la función L(α|x0 ) se hace máxima en el valor de α que

minimiza la norma kx0 − α1n k, luego, por teorema de proyección se tiene

α(x0 ) = (10n 1n )−1 10n x0 .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 21 / 22

Función de verosimilitud incondicional

Sea 1n = (1, 1, ..., 1)0 ∈ Rn , α ∈ R.

Siguiendo con el ejemplo normal defina µ = α1n y Σ = In donde In es la
matriz identidad n × n, de tal forma que en este caso el parámetro es α.
Nos interesa encontrar la estimación α(x0 ) que maximiza la función de
verosimilitud normal
1 − 12 kx0 −α1n k2
L(α|x0 ) = n e .
(2π) 2

Notemos que la función L(α|x0 ) se hace máxima en el valor de α que

minimiza la norma kx0 − α1n k, luego, por teorema de proyección se tiene

α(x0 ) = (10n 1n )−1 10n x0 .

Dr. Ricardo Bórquez Fundamentos de inferencia estadística en modelos condicionales 21 / 22