Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inferencia
Inferencia
condicionales
FX (a) = ∑ pi
xi ≤a
FX (a) = ∑ pi
xi ≤a
FX (a) = ∑ pi
xi ≤a
FX (a) = ∑ pi
xi ≤a
P(X ≤ a) = FX (a)
P(X ≤ a) = FX (a)
P(X ≤ a) = FX (a)
P(X ≤ a) = FX (a)
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 .
−∞ −∞ −∞
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 .
−∞ −∞ −∞
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 .
−∞ −∞ −∞
f (y , x )
fY |x = .
fX (x )
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.
f (y , x )
fY |x = .
fX (x )
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.
f (y , x )
fY |x = .
fX (x )
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.
f (y , x )
fY |x = .
fX (x )
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.
X1 = x1 , X2 = x2 , ..., Xn = xn
f (y , x1 , ..., xn )
fY |x1 ,...,xn = .
f (x1 , ..., xn )
X1 = x1 , X2 = x2 , ..., Xn = xn
f (y , x1 , ..., xn )
fY |x1 ,...,xn = .
f (x1 , ..., xn )
X1 = x1 , X2 = x2 , ..., Xn = xn
f (y , x1 , ..., xn )
fY |x1 ,...,xn = .
f (x1 , ..., xn )
X1 = x1 , X2 = x2 , ..., Xn = xn
f (y , x1 , ..., xn )
fY |x1 ,...,xn = .
f (x1 , ..., xn )
(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.
(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.
(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.
(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.
(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.