Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Teorı́a de carteras:
Introducció n estadı́stica (*)
(*) esta presentación utiliza material de Ross et al., Brayley et al, y notas de Rodolfo Oviedo
Media muestral
s v = variable aleatoria
v h
ˆ
v
h 1 s = tamaño de muestra
s
Cada subíndice h se corresponde con
un elemento de la muestra.
La raya encima de la v indica media
(promedio).
El sombrerito indica que se trata de una
media muestral, y no poblacional.
3
n n n n
E vi E(vi ) ó E vi vi
i 1 i 1 i 1 i 1
siendo n el número de variables.
Demostración
n m n m n n m n
E vi pk vi k pkv i k pkv i k E(vi )
i 1 k 1 i 1 k 1 i 1 i 1 k 1 i 1
Varianza muestral
s
2 h 1
(vh v )2
ˆ (
σ v )
s
donde v E(v) es la media poblacional, o también
m
F (v k k v ) 2
m
fk (vk v )2
k 1
σˆ 2 (v)
s k 1
8
σ 2 (v) E(v v )2
La última igualdad, que es la que habitualmente se usa
como definición de varianza, deriva de simplificar la
igualdad anterior usando (1).
Por comodidad usaremos también la notación
(v) Var(v) para la varianza poblacional.
2
σ(v ) E(v v )2
10
Covarianza muestral
La covarianza muestral se define como
s
(x
h 1
h x ) (yh y )
ˆx ,y ,
s
donde x y y son dos variables aleatorias distintas.
Alternativamente,
m
F (x k k x )(yk y ) s
σˆ x ,y k 1
fh (xh x )(yh y )
s h1
12
Covarianza poblacional
Cuando el tamaño de la muestra tiende a infinito, la
frecuencia relativa fh tiende a la probabilidad ph , y la
covarianza muestral σˆ x,y tiende a la covarianza
poblacional σ x,y Cov( x , y ) :
m
x,y ph (xh x ) (yh y )
h1
x,y E( x x )(y y )
Coeficiente decorrelación
La covarianza no sólo está afectada por el grado de
asociación de las variables sino también por la magnitud
de los desvíos de ambas.
Para quedarnos sólo con la interrelación de las variables
haciendo abstracción de la magnitud de sus desvíos,
relativizamos la covarianza por el desvío estándar de
ambas variables, con lo que se obtiene coeficiente de
correlación lineal:
x,y
x,y (2)
x y
45
a
j=1
1, j a1, 1 a1, 2 a1, 3 a1, n , esto es, la primera fila
de la matriz.
El segundo término (para i 2 ) de la primera sumatoria
n
es a
j=1
2, j a2, 1 a2, 2 a2, 3 a2, n , esto es, la segunda
fila de la matriz.
Y así sucesivamente para i 3,...,n . De esta forma, los
elementos de la doble sumatoria coinciden con los
elementos de la matriz.
20
2
n
n n
2) bi bi b j (4)
i 1 i 1 j 1
En vista de la propiedad anterior y conociendo como se
expande el cuadrado de una suma, la propiedad anterior
resultará obvia para muchos.
Demostración
En la última igualdad de la siguiente expresión, se aplica
propiedad distributiva.
b1 b2 b3 bn
2
Demostración
Hemos definido Cov(x ,y ) E( x x )(y y )
Haciendo x y v , obtenemos
Demostración
x ,y E( x x )(y y ) E( y y )( x x ) y ,x
Demostración
Cov(c 1v 1 , c2v 2 ) E ( c1v1 c1v1 )(c2v 2 c2v 2 )
E c1 (v1 v1 ) c2 (v2 v2 )
c 1c 2 E (v1 v1 )(v2 v2 ) c1c2Cov (v 1 , v2 )
8) La varianza de una suma de variables (v 1 v v )
2 n
es igual a la suma de las celdas de la siguiente matriz,
denominada matriz de (varianzas y) covarianzas :
25
j
i 1 2 3 … n
2
1 1,1 1,2 1,3 … 1,n
2
2 2,1 2,2
2,3 … 2,n
2
3 3,1 σ3,2 3,3 … 3,n
… … … … … …
n n ,1 n ,2 n ,3 …
2
n,n
n n n
Var vi σi , j (6)
i 1 i=1 j=1
27
n n 2 n n
Var vi σi σi , j
i 1 i 1 i 1 j 1
j i
n n 2 n n
Var vi i 2 i , j
i 1 i 1 i 1 j 1
j i
9 ) La varianza de una suma de variables ponderadas
(variables multiplicadas por constantes: c 1v1, c2v2,…, cnvn)
es igual a la suma de las celdas de la siguiente matriz,
denominada matriz ponderada de varianzas y
covarianzas:
29
j
i 1 2 3 … n
… … … … … …
n n n
ci vi ci c j i , j
2
i 1 i=1 j=1
Demostración.
Usando primero la propiedad 10 y luego la 3,
n n n n n
Var ci v i Cov ci v i , c jv j ci c j Cov vi , v j
i 1 i=1 j=1 i=1 j=1
31
n n 2 2 n n
σ 2 ci v i ci σ i ci c j σi , j
i 1 i 1 i 1 j 1
j i
n n 2 2 n n
ci v i
2
ci i 2 ci c j i , j
i 1 i 1 i 1 j 1
j i