IND – 411 ESTADISTICA INFERENCIAL Docente: Ing. Marcelino Aliaga L. CAP. 1 INTRODUCCION A LOS MODELOS ECONOMETRICOS CE
Views 36 Downloads 0 File size 6MB
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. 1.2. 1.3. 1.4.
1.5. 1.6. 1.7. 1.8. 1.9.
Introducción Conceptos Básicos Variables Aleatorias Multidimensionales Distribución de Probabilidades Conjuntas y Acumuladas de Variables Aleatorias Discretas y Continuas Distribuciones Marginales Distribuciones Condicionales Distribución Uniforme Distribución Polinomial Momentos Potenciales Ordinarios
ESTADISTICA INFERENCIAL
CELD@
3
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
ESTADISTICA INFERENCIAL
CELD@
4
IND - 411
1.1. Introducción La Estadística se puede definir:
CIENCIA
ENCARGADA
• Reunir • Organizar • Presentar • Analizar • Interpretar datos
CON EL FIN DE OBTENER
• INDICES • INDICADORES • ESTADIGRAFOS • ESTIMADORES • MEDIDAS RESUMEN • 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
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
6
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. ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
7
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 Probalilidades
Inferir Resultados MUESTRA
MUESTRA
Toma de Muestra
ESTADISTICA INFERENCIAL
CELD@
ESTIMACION Muestreo
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
8
IND - 411
1.1. Introducción PROCESO CLAVE DE LA INFERENCIA ESTADISTICA
muestra
||
|
CONCLUSIONES
ESTUDIO ESTADISTICA INFERENCIAL
Población
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
9
IND - 411
1.1. Introducción Proceso Inferencial:
Calculo de Probabilidades
Muestreo INFERENCIA ESTADISTICA
POBLACION
MUESTRA
PARAMETRO
ESTADISTICO
ESTIMACION
DOCIMA DE HIPOTESIS
MODELO ESTADISTICO
ESTADISTICA INFERENCIAL
CONTROL
PREDICCION
CELD@
TOMA DE DECISIONES
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
10
IND - 411
1.2. Conceptos Básicos 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 ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
11
IND - 411
1.2. Conceptos Básicos 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. ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
12
IND - 411
1.2. Conceptos Básicos
m p(A) = lím n → n ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
13
IND - 411
1.2. Conceptos Básicos 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)=# ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
14
IND - 411
1.2. Conceptos Básicos 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. ii. iii. iv. v. vi. vii.
p(Ø) = 0 0≤p(A)≤1 p(AՍB)=p(A)+p(B)-p(AՌB) p(Ac )= 1 - p(A) Si A B p(A) p(B) Si A B P(B-A) = p(B) - p(AB) p(Ai) p(Ai)
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
15
IND - 411
1.3. Variables Aleatorias Multidimensionales 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
X :S →
S1
e → X (e )
S2 S3
X(Si)
S4
R
4 ….. 1 0 2132 43 ……. ESTADISTICA INFERENCIAL
CELD@
CELD@
16
16
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
16
IND - 411
1.3. Variables Aleatorias Multidimensionales Ejemplo.- Un experimento consiste en lanzar 3 monedas.
ESTADISTICA INFERENCIAL
CELD@
CELD@
17
17
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
17
IND - 411
1.3. Variables Aleatorias Multidimensionales 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. ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
18
IND - 411
1.3. Variables Aleatorias Multidimensionales 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. ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
19
IND - 411
1.3. Variables Aleatorias Multidimensionales ii) Una variable aleatoria bidimensional (X, Y) es una aplicación del espacio muestral S en R2=R×R X •Y
S → • = w → ( X ( w),Y ( w)) 2
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. ESTADISTICA INFERENCIAL
CELD@
CELD@
20
20
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
20
IND - 411
1.3. Variables Aleatorias Multidimensionales 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”.
ESTADISTICA INFERENCIAL
CELD@
CELD@
21
21
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
21
IND - 411
1.3. Variables Aleatorias Multidimensionales 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 → • • ....• = w → ( X 1 ( w), X 2 ( w).....X n ( w)) ESTADISTICA INFERENCIAL
n
CELD@
CELD@
22
22
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
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 ESTADISTICA INFERENCIAL
y
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
23
IND - 411
1.4.1. Distribución de Probabilidad Conjunta 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
ESTADISTICA INFERENCIAL
x2
xn
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
24
IND - 411
1.4.1. Distribución de Probabilidad Conjunta 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?.
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
25
IND - 411
1.4.1. Distribución de Probabilidad Conjunta 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)
f(x, y)dydx = 1
RxRy ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
26
IND - 411
1.4.1. Distribución de Probabilidad Conjunta 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)
...... f(x1 , x 2 ,.......xn )dx n .......dx2dx1 = 1
R x1 R x 2 ESTADISTICA INFERENCIAL
R xn CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
27
IND - 411
1.4.1. Distribución de Probabilidad Conjunta Ejemplo.- Sean X e Y dos variables aleatorias continuas con función de densidad conjunta: x+y
0 ≤ x ≤ 1, 0 ≤ y ≤ 1
0
e. o. l.
f(x, y) =
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
28
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
t1
t2
a
b
x
y
P(x, y) = p(X x, Y y) = p(t1 , t 2 )
En particular: P(a, b) = p(X a, Y b) = p(x, y)
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
29
IND - 411
1.4.2. Distribución de Probabilidad Acumulada 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
t1
t2
tn
P(x1 , x 2 , .......,x n ) = ....... p(t1 , t 2 ,........,t n )
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
30
IND - 411
1.4.2. Distribución de Probabilidad Acumulada 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) xy
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
31
IND - 411
1.4.2. Distribución de Probabilidad Acumulada 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 ) F(x1 , x 2 , .......,x n ) =
x1 x 2
...... f(t , t 1
- -
ESTADISTICA INFERENCIAL
xn
2
,......,t n )dt n ......dt2 dt1
-
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
32
IND - 411
1.5. Distribuciones Marginales 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
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
33
IND - 411
1.5. Distribuciones Marginales 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) ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
34
IND - 411
1.5. Distribuciones Marginales 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
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
35
IND - 411
1.5. Distribuciones Marginales 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 1
R X1 R X2
2
,.......,x n )dx n .......dx2 dx1
R Xn
Donde la integral se extiende a todos los valores excepto los elementos del subconjunto (xi1, xi2, ……., xit) ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
36
IND - 411
1.6. Distribuciones Condicionales 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) ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
37
IND - 411
1.6. Distribuciones Condicionales 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 ) ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
38
IND - 411
1.6. Distribuciones Condicionales 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) ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
39
IND - 411
1.6. Distribuciones Condicionales 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 ) ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
40
IND - 411
1.7. Distribución Uniforme 1 a) f(x) = b-a
axb
1 b) f(x, y) = Area
a x b, c y d
1 c) f(x, y, z) = Volumen
a x b, c y d, e z f
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
41
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
x
i
=n
i ESTADISTICA INFERENCIAL
k
p(X ) = 1
E[X i ] = npi
i
V[X i ] = npi (1 − pi )
i
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
42
IND - 411
1.9. Momentos Potenciales Ordinarios 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: Eg(x1 , x 2 ,......,x n ) = ...... g(x1 , x 2 ,......,x n )p(x1 , x 2 ,......,x n ) x1
Eg(x1 , x 2 ,......,x n ) =
xn
........ g(x , x 1
R1 R 2 ESTADISTICA INFERENCIAL
x2
2
,......,x n )f(x1 , x 2 ,......,x n )dx n ......dx2 dx1
Rn
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
43
IND - 411
1.9. Momentos Potenciales Ordinarios Propiedades del Valor Esperado: i. ii. iii. iv. v. vi.
_EkX = kEX _Ek = k _EaX + b = aEX + b _EX + Y = EX + EY _EX - Y = EX- EY _EXY = EXEY
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
44
IND - 411
1.9. Momentos Potenciales Ordinarios ii) Valor Esperado Condicional.- Sea (X,Y) una variable aleatoria bidimensional o dos subconjuntos aleatorios multidimensional. Se define el valor esperado condicional como:
EX/Y = xp(x y) x
EX/Y =
xf(x
y)dx
Rx
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
45
IND - 411
1.9. Momentos Potenciales Ordinarios 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
m rs =
y
x y f(x, y)dydx r
s
RxRy ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
46
IND - 411
1.9. Momentos Potenciales Ordinarios 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
m r1r2 ......rn =
x2
........ x R1 R 2
ESTADISTICA INFERENCIAL
xn r1 1
r2 2
rn n
x ......x f(x1 , x 2 ,......,x n )dx n ......dx2 x1 )
Rn CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
47
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
x
μ rs =
s
y
(x - x ) (y - y ) f(x, y)dydx r
s
RxRy ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
48
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
x1
μ r1r2 ......rn =
x2
r2
rn
xn
1 2 n ( ) ( ) ( ) ........ x − x x − x ...... x − x f(x1 , x 2 ,......,x n )dx n ......dx2 x1 ) n n 1 1 2 2
r
R1 R 2 ESTADISTICA INFERENCIAL
r
r
Rn CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
49
IND - 411
1.11. Función Generatriz de Momentos Se define como:
M x, y (t, μ ) = E e tx +μy = e tx +μy p(x, y) x
e
M x, y = E e tx +μy =
y 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 ESTADISTICA INFERENCIAL
CELD@
Rn CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
50
IND - 411
1.11. Función Generatriz de Momentos Propiedades: i. Si M _ x (t ) es la f.g.m. de x; además si a y b son constantes ≠ 0, entonces: at t 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 =
ESTADISTICA INFERENCIAL
t μ r
s
M x, y (t, μ )l t =0,μ =0
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
51
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
e
φ x, y = E e i(tx +μy ) =
y 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 ESTADISTICA INFERENCIAL
CELD@
Rn CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
52
IND - 411
1.13. Independencia Se dice que dos variables (X,Y) son independientes si se verifica que las siguientes propiedades: i. ii. iii. iv. v. vi.
_p(x, y) = px (x)py (y) f(x, y) = f1 (x)f 2 (y) p(y x ) = p y (y) _p(x y ) = p x (x) f (y x ) = f 2 (y) _f (x y ) = f1 (x) _Ex, y = Ex Ey _Mx + y (t ) = Mx (t )My (t ) _Vx + y = Vx + Vy
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
53
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) = EXY − EX EY
Propiedades: i. Si X,Y son independientes _ Cov( X , Y ) = 0 ii. _VX + Y = VX + VY 2Cov (X, Y ) iii. _μ11 = m11 − m10 m01 iv. _ Cov( X , Y ) = V X V Y ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
54
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 V V X = 21 Vn1
V12 V22 Vn 2
ESTADISTICA INFERENCIAL
... ... ... ...
V1n 11 V2 n 21 = Vnn n1
CELD@
12 22
n2
... ... ... ...
1n 2n
nn
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
55
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 Ex y = 2 (y) = c + dy
20
m01 = a + bm10
m11 = am10 + bm20
ESTADISTICA INFERENCIAL
CELD@
11 ˆ b=
11 aˆ = m01 − m10 20
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
56
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 xV y 20 02 -1
ρ ρ ρ ρ ρ
= ˃ = ˂ =
-0,5
0
0,5
1
1 Directamente proporcional perfecto. 0 Directamente proporcional. 0 Incorrelación. 0 Inversamente proporcional. -1 Inversamente proporcional perfecto.
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
57
IND - 411
1.17. Media y Varianza de Variables Aleatorias Propiedades:
i. ii. iii. iv. v. vi.
_EX Y = EX EY _VX Y = VX + VY Cov(X, Y) _EX1 + X 2 + ...... + X n = EX1 + EX 2 + ...... + EX n _EX1 − X 2 − ...... − X n = EX1 − EX 2 − ...... − EX n _VX1 + X 2 + ...... + X n = VX1 + VX 2 + ...... + VX n _VX1 - X 2 − ...... − X n = VX1 + VX 2 + ...... + VX n
ESTADISTICA INFERENCIAL
CELD@
CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES
58