Clase 2

Definiciones de cdf , pdf , pmf Distribuciones Bivariadas Distribuciones Multivariadas
Clase 2: Teorı́a Econométrica I
Tomás Rau
7 de Agosto

Contenidos
Definiciones de cdf , pdf , pmf
Distribuciones Bivariadas
Distribuciones Multivariadas

Espacio de Probabilidad
Definición. Sea (Ω, B, P) un espacio de probabilidad. Una

variable aleatoria es una función medible con valores reales
definida en Ω, la denotamos X : Ω → R. Un vector aleatorio es un
vector de variables aleatorias.
Cualquier variable aleatoria X : Ω → R induce un espacio de

probabilidad (R, B(R), PX ), donde B(R) es una σ-álgebra de Borel
definida en R y PX ; eso es,
PX (B) = P ({ω : X (ω) ∈ B}) , B ∈ B(R)

Función de Distribución Acumulada (CDF)
Definición. Sea X una variable aleatoria definida en el espacio de

probabilidad (Ω, B, P). La función de distribución acumulada (cdf)
de X es la función FX : R → [0, 1] definida por
FX (x) = PX ((−∞, x]) = P({ω : X (ω) ≤ x}), x ∈R

Notar que si conocemos PX automáticamente conocemos FX .
Lo interesante es que lo opuesto también es verdad (Teorema de
correspondencia para cdfs (Casella y Berger, Teorema 1.5.10)). De
esta forma el conocimiento de FX implica el conocimiento de PX y
vice versa.

Teorema (Casella y Berger, Teorema 1.5.3). Una función

F : R → [0, 1] es una CDF si y solo si
(i) lı́mx→−∞ F (x) = 0 y lı́mx→+∞ F (x) = 1.
(ii) F es (monótona) no decreciente.
(iii) F es continua por la derecha.

Observaciones. Recuerde que una función F : R → R es continua

en x0 ∈ R si, para cualquier cualquier ǫ > 0, existe un δ > 0 tal
que |F (x) − F (x0 )| < ǫ cuando |x − x0 | < δ (es decir, cuando
x0 − δ < x < x0 + δ).
Una función F : R → R es continua por la derecha en x0 ∈ R si,

para cualquier cualquier ǫ > 0, existe un δ > 0 tal que
|F (x) − F (x0 )| < ǫ cuando x0 < x < x0 + δ.


Ejemplo: No continua por la derecha
 
 0 si x < 0 
1
F (x) = si x = 0
 2
1 si x > 0

Figura : No continua por la derecha, ni por la izquierda en x0 = 0


Ejemplo: Continua por la derecha en x0 = 0. Haciendo la siguiente
modificación

0 si x < 0
F (x) =
1 si x ≥ 0
Clase 2: Teorı́a Econométrica I Figura : Continua por la derecha

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

Una variable aleatoria X tiene una distribución uniforme es [0, 1],

denotada X ∼ U[0, 1], si

0 para x < 0

FX (x) = x 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.

Tipos de Variables aleatorias

Definición. Sea X una variable aleatoria con cdf FX .
(i) X es una variable aleatoria discreta si existe una función
fX : R → [0, 1] = [0, +∞) tal que
X
FX (x) = fX (t) ∀x ∈ R
t≤x
La función fX es la función de masa de probabilidad (pmf ) de
X.
(ii) X es una variable aleatoria continua si existe una función
fX : R → R+ tal que
Z x
FX (x) = fX (t)dt ∀x ∈ R
−∞
Cualquier función de este tipo es una función de densidad de
probabilidad (pdf ) de X .
Momentos de una variable aleatoria

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) < +∞.
(ii) Sea X una v.a. continua con pdf fX y sea g : R → R cualquier

función. El valor esperado de g (X ), denotado por E (g (X )), es
Z +∞
E (g (X )) = g (x)fX (x)dx,
−∞
R +∞
provisto que −∞ g (x)fX (x) < +∞.
Valor Esperado
Las siguientes esperanzas son usadas tan frecuentemente que

nombres especiales han sido reservadas para ellas.
Definición. La media de una variable aleatoria X es µ = E (X ). La

varianza de X es
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, . . .}.
El k-ésimo momento central de X es µk = E (X − µ)k .

La skewness de una variable aleatoria X es E (X − µ)3

La kurtosis E (X − µ)4 .

Si a y b son constantes y X una variable aleatoria, entonces
E (aX + b) = aE (X ) + b,
y
Var (aX + b) = a2 Var (X )


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
PX ,Y (B) = P({ω : (X (ω), Y (ω)) ∈ B}), B ∈ B(R2 )
Definición. Una cdf conjunta de (X , Y ) es la función

FX ,Y : R2 → [0, 1] definida por
FX ,Y (x, y ) = PX ,Y ((−∞, x] × (−∞, y ])

= P({ω : X (ω) ≤ x, Y (ω) ≤ y }), (x, y ) ∈ R2
Notar que si conocemos FX ,Y conocemos PX ,Y y viceversa.

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.

Vector aleatorio discreto, continuo

Definición. Sea (X , Y ) un v.a. bivariado con cdf conjunta FX ,Y .
(i) (X , Y ) es un vector aleatorio discreto si existe una función
fX ,Y no negativa tal que
X
FX ,Y (x, y ) = fX ,Y (s, t) ∀(x, y ) ∈ R2
s≤x,t≤y
(ii) (X , Y )es un vector aleatorio continuo si existe una función

fX ,Y no negativa tal que
Z x Z y
FX ,Y (x, y ) = fX ,Y (t, s)dsdt ∀(x, y ) ∈ R2
−∞ −∞
Cualquier función que cumpla con los requerimientos es una

pdf conjunta de (X , Y ).
Vector aleatorio discreto, continuo
Observación. Una función f : R2 → [0, 1] es una pmf de un vector

aleatorio discreto si y solo si (Casella y Berger, p. 142)
X
f (x, y ) = 1.
(x,y )∈R2
Análogamente, una función f : R2 → R+ es una pdf conjunta de

un vector aleatorio continuo si y solo si (Casella y Berger, p. 145)
Z +∞ Z +∞
f (x, y )dydx = 1.
−∞ −∞

CDF Marginal
Definición. Sea (X , Y ) es vector aleatorio bivariado. La cdf de X

se llama la cdf marginal de X . Si (X , Y ) es discreto, X es una
variable aleatoria discreta y su pmf se llama la pmf marginal de X .
Si (X , Y ) es continuo, X es una variable aleatoria continua y una
pdf de X se llama la pdf marginal de X .
La distribución conjunta de (X , Y ) determina las distribuciones
marginales de X e Y . En efecto, la cdf marginal de X
está relacionada a la cdf conjunta FX ,Y de (X , Y ) de la siguiente
manera:
FX (x) = lı́m FX ,Y (x, y ) ∀x ∈ R.

y →+∞

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
Análogamente si (X , Y ) es continuo con pdf fX ,Y , una pdf

marginal de X es la función fX : R → R+ , dada por
(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
CDF Condicional
Las distribuciones marginales de X e Y NO determinan la

distribución conjunta de (X , Y ) a menos que la distribución
condicional en Y = y sea igual a la distribución marginal de
X para todos los valores de y .
Esto es, mientras que la distribución conjunta de (X , Y )
siempre determina las distribuciones marginales de X e Y lo
contrario no se mantiene a menos que X e Y sean
independientes, en el sentido de la siguiente definición.

CDF Condicional
Definición. Sea (X , Y ) un vector aleatorio discreto (continuo)

bivariado con pmf (pdf) conjunta fX ,Y y pmfs (pdfs) marginales fX
y fY . Las variables aleatorias X e Y son independientes si
fX ,Y (x, y ) = fX (x)fY (y ) ∀(x, y ) ∈ R2 .

Para cualquier y fijo con fY (y ) > 0, la pmf (pdf) condicional
fX |Y (·|y ) es una pmf (pdf) y tiene sentido definir las esperanzas
condicionales con respecto a la distribución de X condicional en
Y = y.

Esperanza Condicional
Definición. (i) Sea (X , Y ) un vector aleatorio discreto y sea

g : R → R una función. Para cualquier y tal que fY (y ) > 0, el
valor esperado condicional de g (X ) dado Y = y es denotado por
EX |Y (g (X )|y ) y es dado por
X
EX |Y (g (X )|y ) = g (x)fX |Y (x|y ),
x∈R
P
provisto que x∈R g (x)fX |Y (x|y ) < +∞.

(ii) Sea (X , Y ) un vector aleatorio continuo y sea g : R → R una

función. Para cualquier y tal que fY (y ) > 0, el valor esperado
condicional de g (X ) dado Y = y es denotado por EX |Y (g (X )|y ) y
es dado por
Z +∞
EX |Y (g (X )|y ) = g (x)fX |Y (x|y )dx,
−∞
R +∞
provisto que −∞ g (x)fX |Y (x|y )dx < +∞.

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
Para cualquier y fijo, la media condicional EX |Y (X |y ) como la

varianza condicional VarX |Y (X |y ) son solo números fijos.
Viendo a EX |Y (X |·) y a VarX |Y (X |·) como funciones (de y ),

podemos definir las variables aleatorias EX |Y (X |Y ) y
VarX |Y (X |Y ).

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 ),
VarX (X ) = EY (VarX |Y (X |Y )) + VarY (EX |Y (X |Y )),

en el sentido de que si algún lado existe también existe el otro y
son iguales.
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 < +∞.
Media y matriz de covarianza

Definición. Sea (X , Y ) un vector aleatorio bivariado. La media
(vector) de (X , Y ) es

X E (X )
E = .
Y E (Y )
La matriz de covarianza de (X , Y ) es

X Var (X ) Cov (X , Y )
Var = .
Y Cov (Y , X ) Var (Y )
La covarianza de X e Y es
Cov (X , Y ) = E ((X −E (X ))(Y −E (Y ))) = E (XY )−E (X )E (Y ) = Cov (Y
La correlación de X e Y es el coeficiente
p depcorrelación ρXY
definido por ρXY = Cov (X , Y )/( Var (X ) Var (Y ))
Media y matriz de covarianza
Observación. La matriz de covarianza de cualquier vector

aleatorio bivariado (X , Y ) es simétrica y semidefinida positiva. La
matriz de covarianza es singular si y solo si |ρXY | = 1.
El siguiente teorema provee una condición necesaria para

independencia.
Teorema (Casella y Berger, Teorema 4.5.5). Sea (X , Y ) un

vector aleatorio bivariado. Si X e Y son independientes, entonces
Cov (X , Y ) = ρXY = 0. No necesariamente al reves.

Distribuciones Multivariadas

Vector Aleatorio y CDF Conjunta

Definición. Un vector aleatorio n − dimensional es un vector
X = (X1 , . . . , Xn )′ , donde X1 , . . . , Xn son variables aleatorias
(definidas en el mismo espacio de probabilidad (Ω, B, P)).
Un vector aleatorio n-dimensional X : Ω → Rn induce un espacio
de probabilidad (Rn , B(Rn ), PX ), donde B(Rn ) es una σ-álgebra de
Borel definida en Rn y
PX (B) = P({ω : (X (ω)) ∈ B}), B ∈ B(Rn ).
Definición. La cdf conjunta de un vector aleatorio n-dimensional
X es la función FX : Rn → [0, 1] definida por
FX (x) = PX ((−∞, x1 ] × . . . × (−∞, xn ])
= P({ω : X1 (ω) ≤ x1 , . . . , Xn (ω) ≤ xn }), x = (x1 , . . . , xn )′ ∈ Rn .
Las condiciones que debe satisfacer son las mismas que en el caso
bivariado pero generalizado para n.
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
Cualquier función que cumpla lo anterior es una pdf conjunta de 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.
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
Como caso especial del último resultado tenemos:

 
n n n n
n X
!
X X X X
Var ai Xi = Cov  ai Xi , aj Xj  = ai aj Cov (Xi , Xj ),
i =1 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).
Expresión vectorial para estas identidades puede obtenerse al

definir los vectores a = (a1 , . . . , an )′ y b = (b1 , . . . , bn )′ (ambos de
n × 1). Especı́ficamente, tenemos
E (a′ X ) = a′ E (X )
Cov (a′ X , b ′ X ) = a′ Var (X )b,
Var (a′ X ) = a′ Var (X )a.
CDF Marginal y Condicional
Definición. Sea X un vector aleatorio n-dimensional y particione

X en la k-ésima fila como

Y
X = ,
Z
donde Y = (X1 , . . . , Xk )′ y Z = (Xk+1 , . . . , Xn )′ .
La cdf de Y se llama la cdf marginal de Y . Si X es discreto, Y es

un vector aleatorio discreto y su pmf se llama la pmf marginal de
Y . Si X es continuo, Y es un vector aleatorio continuo y su pdf se
llama la pdf marginal de Y .

Condicional
Si (Y ′ , Z ′ )′ es un vector aleatorio continuo con pdf (pmf) conjunta

fY ,Z y pdf (pmf) marginal fZ de Z , la pdf (pmf) condicional de Y
dado Z = z es la función fY |Z (·|z) dada por
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
Definición. Sean X1 , . . . , Xn vectores aleatorios discretos

(continuos) (no necesariamente de la misma dimensión) con pmf
(pdf) conjunta fX1 ,...,Xn y pmfs (pdfs) marginales fX1 , . . . , fXn . Los
vectores aleatorios X1 , . . . , Xn son mutuamente independientes si
fX1 ,...,Xn (x1 , . . . , xn ) = fX1 (x1 ) · . . . · fXn (xn ) ∀x1 , . . . , xn .
La independencia mutua se preserva bajo transformacions de los

vectores aleatorios individuales.

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
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.

Cuando X se distribuye normal también lo está cualquier subvector

de X . De forma más general tenemos el siguiente resultado.
Teorema (Ruud, Lema 10.3). Suponga que X ∼ N (µ, Σ) es un
vector aleatorio n-dimensional. Si A ∈ Rm×n tiene rango m y
b ∈ Rm , entonces
AX + b ∼ N Aµ + b, AΣA′ .


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 )
como también lo es la distribución condicional de Y dado Z = z.

Teorema (Ruud, Lemas 10.4 y 10.5). Si

Y µY ΣYY ΣYZ
∼N , ,
Z µZ ΣZY ΣZZ
entonces
Y |Z = z ∼ N µY − ΣYZ Σ−1 −1

ZZ (z − µZ ), ΣYY − ΣYZ ΣZZ ΣZY .

Clase 2

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Clase 2

Загружено:

Авторское право:

Доступные форматы

Definiciones de cdf , pdf , pmf Distribuciones Bivariadas Distribuciones Multivariadas

Clase 2: Teorı́a Econométrica I

Clase 2: Teorı́a Econométrica I

Definiciones de cdf , pdf , pmf

Clase 2: Teorı́a Econométrica I

Definición. Sea (Ω, B, P) un espacio de probabilidad. Una

Cualquier variable aleatoria X : Ω → R induce un espacio de

PX (B) = P ({ω : X (ω) ∈ B}) , B ∈ B(R)

Clase 2: Teorı́a Econométrica I

Función de Distribución Acumulada (CDF)

Definición. Sea X una variable aleatoria definida en el espacio de

FX (x) = PX ((−∞, x]) = P({ω : X (ω) ≤ x}), x ∈R

Clase 2: Teorı́a Econométrica I

Función de Distribución Acumulada (CDF)

Teorema (Casella y Berger, Teorema 1.5.3). Una función

Clase 2: Teorı́a Econométrica I

Función de Distribución Acumulada (CDF)

Observaciones. Recuerde que una función F : R → R es continua

Una función F : R → R es continua por la derecha en x0 ∈ R si,

Clase 2: Teorı́a Econométrica I

Función de Distribución Acumulada (CDF)

Figura : No continua por la derecha, ni por la izquierda en x0 = 0

Función de Distribución Acumulada (CDF)

Clase 2: Teorı́a Econométrica I Figura : Continua por la derecha

Una variable aleatoria X tiene una distribución uniforme es [0, 1],

Clase 2: Teorı́a Econométrica I

Clase 2: Teorı́a Econométrica I

Tipos de Variables aleatorias

Momentos de una variable aleatoria

Clase 2: Teorı́a Econométrica I

(ii) Sea X una v.a. continua con pdf fX y sea g : R → R cualquier

Las siguientes esperanzas son usadas tan frecuentemente que

Definición. La media de una variable aleatoria X es µ = E (X ). La

Clase 2: Teorı́a Econométrica I

El k-ésimo momento central de X es µk = E (X − µ)k .

La skewness de una variable aleatoria X es E (X − µ)3

Si a y b son constantes y X una variable aleatoria, entonces

Clase 2: Teorı́a Econométrica I

Clase 2: Teorı́a Econométrica I

PX ,Y (B) = P({ω : (X (ω), Y (ω)) ∈ B}), B ∈ B(R2 )

Definición. Una cdf conjunta de (X , Y ) es la función

FX ,Y (x, y ) = PX ,Y ((−∞, x] × (−∞, y ])

Notar que si conocemos FX ,Y conocemos PX ,Y y viceversa.

Clase 2: Teorı́a Econométrica I

Vector aleatorio discreto, continuo

(ii) (X , Y )es un vector aleatorio continuo si existe una función

Cualquier función que cumpla con los requerimientos es una

Vector aleatorio discreto, continuo

Observación. Una función f : R2 → [0, 1] es una pmf de un vector

Análogamente, una función f : R2 → R+ es una pdf conjunta de

Clase 2: Teorı́a Econométrica I

Definición. Sea (X , Y ) es vector aleatorio bivariado. La cdf de X

FX (x) = lı́m FX ,Y (x, y ) ∀x ∈ R.

Clase 2: Teorı́a Econométrica I

Análogamente si (X , Y ) es continuo con pdf fX ,Y , una pdf

Clase 2: Teorı́a Econométrica I

Las distribuciones marginales de X e Y NO determinan la

Clase 2: Teorı́a Econométrica I

Definición. Sea (X , Y ) un vector aleatorio discreto (continuo)

fX ,Y (x, y ) = fX (x)fY (y ) ∀(x, y ) ∈ R2 .

Clase 2: Teorı́a Econométrica I

Definición. (i) Sea (X , Y ) un vector aleatorio discreto y sea

Clase 2: Teorı́a Econométrica I