Documente Academic
Documente Profesional
Documente Cultură
Mart n Sol a
Mart n Sol a
Agosto 2013
08/13
1 / 16
Deniciones Utiles
Una variable aleatoria es una variable cuyo valor num erico est a determinado por el resultado del experimento aleatorio.
08/13
2 / 16
Deniciones Utiles
Una variable aleatoria es una variable cuyo valor num erico est a determinado por el resultado del experimento aleatorio. Una variable aleatoria es discreta si el conjunto de las realizaciones de la variable aleatoria es nito o innito numerable.
08/13
2 / 16
Deniciones Utiles
Una variable aleatoria es una variable cuyo valor num erico est a determinado por el resultado del experimento aleatorio. Una variable aleatoria es discreta si el conjunto de las realizaciones de la variable aleatoria es nito o innito numerable. Una variable aleatoria se dice continua si el conjunto de las realizaciones es innito no numerable.
08/13
2 / 16
Dada una variable aleatoria h que asigna a cada evento un n umero determinado, hi , existe una funcion de probabilidad asociada pi = Pr {h = hi } que cumple los siguientes axiomas:
08/13
3 / 16
Dada una variable aleatoria h que asigna a cada evento un n umero determinado, hi , existe una funcion de probabilidad asociada pi = Pr {h = hi } que cumple los siguientes axiomas:
1
pi 0, i .
08/13
3 / 16
Dada una variable aleatoria h que asigna a cada evento un n umero determinado, hi , existe una funcion de probabilidad asociada pi = Pr {h = hi } que cumple los siguientes axiomas:
1 2
pi 0, i . i pi = 1.
08/13
3 / 16
Asociada a la funcion de probabilidad esta la funcion de distribucion, que se dene como F (hi ) = Pr{h hi }. de esta denicion se desprende que pi = F (hi ) F (hi 1 ) .
08/13
4 / 16
Asociada a la funcion de probabilidad esta la funcion de distribucion, que se dene como F (hi ) = Pr{h hi }. de esta denicion se desprende que pi = F (hi ) F (hi 1 ) . F (hi ) debe satisfacer las siguientes propiedades:
08/13
4 / 16
Asociada a la funcion de probabilidad esta la funcion de distribucion, que se dene como F (hi ) = Pr{h hi }. de esta denicion se desprende que pi = F (hi ) F (hi 1 ) . F (hi ) debe satisfacer las siguientes propiedades:
1
08/13
4 / 16
Asociada a la funcion de probabilidad esta la funcion de distribucion, que se dene como F (hi ) = Pr{h hi }. de esta denicion se desprende que pi = F (hi ) F (hi 1 ) . F (hi ) debe satisfacer las siguientes propiedades:
1
08/13
4 / 16
Asociada a la funcion de probabilidad esta la funcion de distribucion, que se dene como F (hi ) = Pr{h hi }. de esta denicion se desprende que pi = F (hi ) F (hi 1 ) . F (hi ) debe satisfacer las siguientes propiedades:
1
2 3
08/13
4 / 16
Asociada a la funcion de probabilidad esta la funcion de distribucion, que se dene como F (hi ) = Pr{h hi }. de esta denicion se desprende que pi = F (hi ) F (hi 1 ) . F (hi ) debe satisfacer las siguientes propiedades:
1
2 3 4
08/13
5 / 16
hi pi ,
08/13
5 / 16
hi pi , (hi )2 pi .
08/13
5 / 16
hi pi , (hi )2 pi .
Sea f una funci on de la variable aleatoria h, f (h ) es tambi en una variable aleatoria que toma valor funcional f (hi ) con probabilidad pi . El valor esperado de f (h ) es E [(f (h )] =
f (hi )pi .
08/13 5 / 16
Otras dos medidas que se utilizan para describir una distribucion de probabilidad son:
08/13
6 / 16
Otras dos medidas que se utilizan para describir una distribucion de probabilidad son: - una medida de la asimetr a de la distribuci on E (h )3 =
(hi )3 pi
08/13
6 / 16
Otras dos medidas que se utilizan para describir una distribucion de probabilidad son: - una medida de la asimetr a de la distribuci on E (h )3 =
(hi )3 pi
(hi )4 pi
08/13
6 / 16
Otras dos medidas que se utilizan para describir una distribucion de probabilidad son: - una medida de la asimetr a de la distribuci on E (h )3 =
(hi )3 pi
(hi )4 pi
(hi )r pi .
08/13 6 / 16
08/13
7 / 16
08/13
7 / 16
Pr{h = hi ; z = zj },
j
Pr{h = hi ; z = zj }.
i
08/13
7 / 16
Pr{h = hi ; z = zj },
j
Pr{h = hi ; z = zj }.
i
Las variables h y z son estad sticamente independientes si, y s olo si, pij = Pr{h = hi } Pr{z = zj }.
08/13
7 / 16
08/13
8 / 16
08/13
8 / 16
Covarianza y Correlaci on
Para cualquier funcion g (h, z ) denimos a E [g (h, z )] como E [g (h, z )] =
g (hi , zj ) pij
i j
08/13
9 / 16
Covarianza y Correlaci on
Para cualquier funcion g (h, z ) denimos a E [g (h, z )] como E [g (h, z )] =
g (hi , zj ) pij
i j
= E [hz ] h z .
08/13
9 / 16
Covarianza y Correlaci on
Para cualquier funcion g (h, z ) denimos a E [g (h, z )] como E [g (h, z )] =
g (hi , zj ) pij
i j
= E [hz ] h z .
La segunda igualdad se desprende de las propiedades de la esperanza, su demostracion queda como ejercicio.
08/13
9 / 16
Covarianza y Correlaci on
08/13
10 / 16
Covarianza y Correlaci on
La covarianza indica la direcci on de la variaci on conjunta de h, z . Sin embargo, la magnitud de esta variaci on depende de las medidas de las unidades, para solucionar este problema denimos el coeciente de correlaci on como hz hz = z h
08/13
10 / 16
Covarianza y Correlaci on
La covarianza indica la direcci on de la variaci on conjunta de h, z . Sin embargo, la magnitud de esta variaci on depende de las medidas de las unidades, para solucionar este problema denimos el coeciente de correlaci on como hz hz = z h Este coeciente mantiene el signo de la covarianza y est a entre 1 y 1.
08/13
10 / 16
Covarianza y Correlaci on
Proof.
Como para una variable aleatoria (z , h ) R2 ++ es cierto que sign (hz ) = sign (hz ) . Para demotrar que hz [1, 1], tomemos
2 2 Var (h + (1 ) z ) = 2 2 h + (1 ) z + 2 (1 ) hz 0
z h
+ 2 (1 ) hz
z 0 h
= x obtenemos (1 )2 (x )2 + 2 (1 ) hz x + 2 0
08/13
11 / 16
Covarianza y Correlaci on
Proof.
Como la desigualdad vale para todo , debe ser cierto que la cuadratica denida por (1 )2 (x )2 + 2 (1 ) hz x + 2 no tenga dos ra ces,
(2 (1 ) hz )2 4 (1 )2 2 0
simplicando obtenemos 2 hz 1 lo que implica 1 hz 1.
08/13
12 / 16
Momentos condicionales
hi Pr{ h = hi | z = zj },
i
08/13
13 / 16
Momentos condicionales
hi Pr{ h = hi | z = zj },
i
08/13
13 / 16
Proposition E [E (h |z )] = E (h ) Proof.
Dada la variable aleatoria h, podemos expresar el lado derecho de la igualdad como E (h ) = hi Pr{h = hi }.
i
E (h|zj ) Pr{z = zj }
j
=
Mart n Sol a (FE)
{ hi Pr{ h = hi | z = zj }} Pr{z = zj }.
j i
Revisi on Estad stica 08/13 14 / 16
{ hi
j i
hi Pr{h = hi ; z = zj } = hi Pr{h = hi }.
i j i
Un caso particular donde se aplica la denici on de expectativas iteradas es cuando se condiciona con respecto al set de informaci on de un agente determinado, es decir Et 2 (yt ) = Et 2 (Et 1 (yt )).
08/13
16 / 16
Un caso particular donde se aplica la denici on de expectativas iteradas es cuando se condiciona con respecto al set de informaci on de un agente determinado, es decir Et 2 (yt ) = Et 2 (Et 1 (yt )). Intuitivamente esta expresi on nos dice que lo que un agente espera que pase en dos d as, es lo que el espera hoy que va a esperar ma nana que vaya a suceder al dia siguiente.
08/13
16 / 16