Академический Документы
Профессиональный Документы
Культура Документы
Tomás Rau
7 de Agosto
Contenidos
Distribuciones Bivariadas
Distribuciones Multivariadas
Espacio de Probabilidad
Ejemplos
Una variable aleatoria X tiene una distribución Bernoulli con
parámetro p ∈ [0, 1], denotada X ∼ Ber (p), si
0
para x < 0
FX (x) = 1 − p para 0 ≤ x < 1
1 para x ≥ 1
Ejemplos
Ejemplo. Una variable aleatoria X tiene una distribución normal
estándar, denotada X ∼ N (0, 1), si
Z x
FX (x) = φ(t)dt, x ∈ R,
−∞
donde
1 1 2
φ(t) = √ exp − t , t ∈R
2π 2
La variable aleatoria del primer ejemplo es discreta mientras que
las variables aleatorias de los otros ejemplos son continuas, de
acuerdo a la siguiente clasificación.
Valor Esperado
Definición. (i) Sea X una v.a. discreta con pmf fX y sea
g : R → R cualquier función. El valor esperado de g (X ), denotado
por E (g (X )), es
X
E (g (X )) = g (x)fX (x),
x∈X
P
provisto que x∈X g (x)fX (x) < +∞.
Valor Esperado
Var (X ) = σ 2 = E (X − µ)2 = E (X 2 ) − µ2
, p
mientras que σ = Var (X ) es llamada la desviación estándar de
X.
Valor Esperado
Definiciones.
El k-ésimo momento (no central) de una variable aleatoria X
es
µ′k = E X k , k ∈ N = {1, 2, . . .}.
La kurtosis E (X − µ)4 .
E (aX + b) = aE (X ) + b,
y
Var (aX + b) = a2 Var (X )
Distribuciones Bivariadas
Distribuciones Bivariadas
Definición. Un vector aleatorio bivariado es un vector (X , Y ),
donde X e Y son variables aleatorias (definidas en el mismo
espacio de probabilidad (Ω, B, P)) tal que (X , Y ) : Ω → R2 induce
un espacio de probabilidad (R2 , B(R2 ), PX ,Y ), donde B(R2 ) es una
σ-álgebra de Borel definida en R2 y
CDF Conjunta
Observación. Existen condiciones necesarias y suficientes para que
una función sea una cdf conjunta. En efecto, una función
F : R2 → R es una cdf conjunta si y solo si
(i) lı́mx→−∞ F (x, y ) = 0 para cualquier y , lı́my →−∞ F (x, y ) = 0
para cualquier x y lı́mx→+∞,y →+∞ F (x, y ) = 1.
(ii) F es no decreciente, esto es, F (x ′ , y ′ ) ≥ F (x, y ) cuando
x′ ≥ x y y′ ≥ y.
(iii) F es continua por la derecha; esto es, para cualquier ǫ > 0 y
cualquier (x0 , y0 ) ∈ R2 , existe un δ > 0 tal que
|F (x, y ) − F (x0 , y0 )| < ǫ cuando x0 ≤ x < x0 + δ y
y0 < y < y0 + δ.
Z x Z y
FX ,Y (x, y ) = fX ,Y (t, s)dsdt ∀(x, y ) ∈ R2
−∞ −∞
CDF Marginal
PDF/PMF Marginal
Es más, si (X , Y ) es discreto con pmf fX ,Y la pmf marginal fX de
X satisface (Casella y Berger, Teorema 4.1.6)
X
fX (x) = fX ,Y (x, y ) ∀x ∈ R.
y ∈R
(R +∞ R +∞
fX (x) = −∞ fX ,Y (x, y )dy si
R−∞
fX ,Y (x, y )dy < +∞
, x ∈ R.
+∞
0 si −∞ fX ,Y (x, y )dy = +∞
PDF/PMF Condicional
Definición. (i) Sea (X , Y ) un vector aleatorio discreto bivariado
con una pmf conjunta fX ,Y y pmf marginal fY de Y . Para
cualquier y tal que fY (y ) > 0, la pmf condicional de X dado
Y = y es la función fX |Y (·|y ) : R → [0, 1] dada por
fX ,Y (x, y )
fX |Y (x|y ) = , x ∈R
fY (y )
(ii) Sea (X , Y ) un vector aleatorio continuo bivariado con una pdf
conjunta fX ,Y y pdf marginal fY de Y . Para cualquier y tal que
fY (y ) > 0, la pdf condicional de X dado Y = y es la función
fX |Y (·|y ) : R → R+ dada por
fX ,Y (x, y )
fX |Y (x|y ) = , x ∈R
fY (y )
Ordenando la ecuación que define fX |Y (x|y ), llegamos a la
Clase 2:importante relación
Teorı́a Econométrica I
Definiciones de cdf , pdf , pmf Distribuciones Bivariadas Distribuciones Multivariadas
CDF Condicional
CDF Condicional
Esperanza Condicional
Esperanza Condicional
Esperanza Condicional
La media condicional de X dado Y = y es EX |Y (X |y ), mientras
que la varianza condicional de X dado Y = y es
VarX |Y (X |y ) = EX |Y (X − EX |Y (X |y ))2
= EX |Y (X 2 |y ) − EX |Y (X |y )2
LEI
Teorema (Ley de Esperanzas Iteradas; Casella y Berger,
Teorema 4.4.3). Para cualquier vector aleatorio bivariado (X , Y ),
EX (X ) = EY (EX |Y (X |Y )),
en el sentido de que si algún lado existe también existe el otro y
son iguales.
Teorema (Identidad de la Varianza Condicional; Casella y
Berger, Teorema 4.4.7). Para cualquier vector aleatorio bivariado
(X , Y ),
Esperanza Incondicional de g (X , Y )
Definición. (i) Sea (X , Y ) un vector aleatorio discreto bivariado
con pmf conjunta fX ,Y y sea g : R2 → R una función. El valor
esperado de g (X , Y ), denotado E (g (X , Y )), es
X
E (g (X , Y )) = g (x, y )fX ,Y (x, y ),
(x,y )∈R2
P
provisto que (x,y )∈R2 g (x, y )fX ,Y (x, y ) < +∞.
(ii) Sea (X , Y ) un vector aleatorio continuo bivariado con pdf
conjunta fX ,Y y sea g : R2 → R una función. El valor esperado de
g (X , Y ), denotado E (g (X , Y )), es
Z +∞ Z +∞
E (g (X , Y )) = g (x, y )fX ,Y (x, y )dydx,
−∞ −∞
R +∞ R +∞
provisto que −∞ −∞ g (x, y )fX ,Y (x, y )dydx < +∞.
Clase 2: Teorı́a Econométrica I
Definiciones de cdf , pdf , pmf Distribuciones Bivariadas Distribuciones Multivariadas
La correlación de X e Y es el coeficiente
p depcorrelación ρXY
definido por ρXY = Cov (X , Y )/( Var (X ) Var (Y ))
Clase 2: Teorı́a Econométrica I
Definiciones de cdf , pdf , pmf Distribuciones Bivariadas Distribuciones Multivariadas
Distribuciones Multivariadas
Pmf conjunta
Definición. Sea X un vector aleatorio n-dimensional con cdf
conjunta FX .
(i) X es un vector aleatorio discreto si existe una función no
negativa fX tal que
X
FX (x) = fX (t) ∀x ∈ Rn
t≤x
′t x′
donde ≤ es una abreviación para t1 ≤ x1 , . . . , tn ≤ xn . La
función fX es la pmf conjunta de X .
(ii) X es un vector aleatorio continuo si existe una función no
negativa fX tal que
Z
FX (x) = fX (t)dt ∀x ∈ Rn
t≤x
Momentos
Definición. Sea X un vector aleatorio n-dimensional. La media
(vector) de X , denotada E (X ), es
µ1
E (X ) = µ = ... ,
µn
donde µi = E (Xi ), 1 ≤ i ≤ n. La matriz de covarianza de X ,
denotada Var (X ), es
σ11 · · · σ1n
Var (X ) = E (X − µ)(X − µ)′ = Σ = ... .. .. ,
. .
σn1 · · · σnn
donde σij = Cov (Xi , Xj ), 1 ≤ i , j ≤ n.
Clase 2: Teorı́a Econométrica I
Definiciones de cdf , pdf , pmf Distribuciones Bivariadas Distribuciones Multivariadas
Momentos
Sea X = (X1 , . . . , Xn )′ un vector aleatorio n-dimensional. Si
a1 , . . . , an y b1 , . . . , bn son constantes, entonces
n n
!
X X
E ai Xi = ai E (Xi ),
i =1 i =1
y
Xn n
X n X
X n
Cov ai Xi , bj X j = ai bj Cov (Xi , Xj ),
i =1 j=1 i =1 j=1
Covarianza
lo que se simplifica a
n n
!
X X
Var ai Xi = ai2 Var (Xi )
i =1 i =1
en el caso especial que las variables aleatorias no estén
correlacionadas (es decir, Cov (Xi , Xj ) = 0 cuando i 6= j).
Condicional
fY ,Z (y , z)
fY |Z (y |z) = ,
fZ (z)
para cualquier y ∈ Rk y cualquier z ∈ Rn−k tal que fZ (z) > 0.
Independencia
Normal Multivariada
Definición. Un vector aleatorio n-dimensional X = (X1 , . . . , Xn )′
está normalmente distribuido con media (vector)
µ1
µ = ...
µn
y matriz de covarianza
σ11 · · · σ1n
Σ = ... .. .. ,
. .
σn1 · · · σnn
denotado X ∼ N (µ, Σ), si X es continuo con pdf conjunta fX
dada por
Clase 2: Teorı́a Econométrica I
Definiciones de cdf , pdf , pmf Distribuciones Bivariadas Distribuciones Multivariadas
Normal Multivariada
1 1 ′ −1
fX (x) = exp − (x − µ) Σ (x − µ) , x ∈ Rn
(2π)n/2 |Σ|1/2 2
Como la terminologı́a sugiere, X tiene media µ, E (X ) = µ y
matriz de covarianza Σ,
Var (X ) = E (X − µ)(X − µ)′ = Σ.
Ejemplo
Suponga que X = (X1 , . . . , Xn )′ ∼ N (µ, Σ) es un vector aleatorio
n-dimensional. Particione en la k-ésima fila como
Y
X = ,
Z
donde Y = (X1 , . . . , Xk )′ y Z = (Xk+1 , . . . , Xn )′ . De forma
conformable particione µ y Σ como
µY
µ=
µZ
y
ΣYY ΣYZ
Σ= .
ΣZY ΣZZ
Teorema
La distribución marginal de Y y Z es normal,
Y ∼ N (µY , ΣYY )
Z ∼ N (µZ , ΣZZ )
Y |Z = z ∼ N µY − ΣYZ Σ−1 −1
ZZ (z − µZ ), ΣYY − ΣYZ ΣZZ ΣZY .