Revisi on Estad stica

Mart n Sol a
Mart n Sol a

Agosto 2013

Mart n Sol a (FE)

Revisi on Estad stica

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.

Mart n Sol a (FE)

Revisi on Estad stica

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.

Mart n Sol a (FE)

Revisi on Estad stica

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.

Mart n Sol a (FE)

Revisi on Estad stica

08/13

2 / 16

Variable Aleatoria discreta

Funciones de probabilidad y de distribucion

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:

Mart n Sol a (FE)

Revisi on Estad stica

08/13

3 / 16

Variable Aleatoria discreta

Funciones de probabilidad y de distribucion

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 .

Mart n Sol a (FE)

Revisi on Estad stica

08/13

3 / 16

Variable Aleatoria discreta

Funciones de probabilidad y de distribucion

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.

Mart n Sol a (FE)

Revisi on Estad stica

08/13

3 / 16

Variable Aleatoria discreta

Funciones de probabilidad y de distribucion

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 ) .

Mart n Sol a (FE)

Revisi on Estad stica

08/13

4 / 16

Variable Aleatoria discreta

Funciones de probabilidad y de distribucion

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:

Mart n Sol a (FE)

Revisi on Estad stica

08/13

4 / 16

Variable Aleatoria discreta

Funciones de probabilidad y de distribucion

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

F (hi ) es continua a la derecha, es decir que (i ) limhh+ F (h) = F (hi ) .

i

Mart n Sol a (FE)

Revisi on Estad stica

08/13

4 / 16

Variable Aleatoria discreta

Funciones de probabilidad y de distribucion

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

F (hi ) es continua a la derecha, es decir que (i ) limhh+ F (h) = F (hi ) .

i

Si hi > hj , entonces F (hi ) F (hj ) .

Mart n Sol a (FE)

Revisi on Estad stica

08/13

4 / 16

Variable Aleatoria discreta

Funciones de probabilidad y de distribucion

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

F (hi ) es continua a la derecha, es decir que (i ) limhh+ F (h) = F (hi ) .

i

2 3

Si hi > hj , entonces F (hi ) F (hj ) . limh F (h ) = 1.

Mart n Sol a (FE)

Revisi on Estad stica

08/13

4 / 16

Variable Aleatoria discreta

Funciones de probabilidad y de distribucion

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

F (hi ) es continua a la derecha, es decir que (i ) limhh+ F (h) = F (hi ) .

i

2 3 4

Si hi > hj , entonces F (hi ) F (hj ) . limh F (h ) = 1. limh F (h ) = 0.

Mart n Sol a (FE) Revisi on Estad stica 08/13 4 / 16

Variable Aleatoria discreta

Momentos

El primer y segundo momento (centrado) de una variable aleatoria son:

Mart n Sol a (FE)

Revisi on Estad stica

08/13

5 / 16

Variable Aleatoria discreta

Momentos

El primer y segundo momento (centrado) de una variable aleatoria son:

la media incondicional E [h ] = =

hi pi ,

Mart n Sol a (FE)

Revisi on Estad stica

08/13

5 / 16

Variable Aleatoria discreta

Momentos

El primer y segundo momento (centrado) de una variable aleatoria son:

la media incondicional E [h ] = = y la varianza incondicional E (h )2 = 2 =

hi pi , (hi )2 pi .

Mart n Sol a (FE)

Revisi on Estad stica

08/13

5 / 16

Variable Aleatoria discreta

Momentos

El primer y segundo momento (centrado) de una variable aleatoria son:

la media incondicional E [h ] = = y la varianza incondicional E (h )2 = 2 =

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

Mart n Sol a (FE)

Revisi on Estad stica

Variable Aleatoria discreta

Momentos

Otras dos medidas que se utilizan para describir una distribucion de probabilidad son:

Mart n Sol a (FE)

Revisi on Estad stica

08/13

6 / 16

Variable Aleatoria discreta

Momentos

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

Mart n Sol a (FE)

Revisi on Estad stica

08/13

6 / 16

Variable Aleatoria discreta

Momentos

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

- y la kurtosis, que es un medida del espesor de las colas de la distribuci on E (h )4 =

(hi )4 pi

Mart n Sol a (FE)

Revisi on Estad stica

08/13

6 / 16

Variable Aleatoria discreta

Momentos

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

- y la kurtosis, que es un medida del espesor de las colas de la distribuci on E (h )4 =

(hi )4 pi

En general podemos denir al momento central de orden r como r = E [(h )r ] =

Mart n Sol a (FE) Revisi on Estad stica

(hi )r pi .
08/13 6 / 16

Distribuci ones Conjuntas

Dadas 2 variables aleatorias h y z denimos:

Mart n Sol a (FE)

Revisi on Estad stica

08/13

7 / 16

Distribuci ones Conjuntas

Dadas 2 variables aleatorias h y z denimos: - la probabilidad conjunta: pij = Pr(h = hi ; z = zj ) tal que pij 0 y pij = 1.
ij

Mart n Sol a (FE)

Revisi on Estad stica

08/13

7 / 16

Distribuci ones Conjuntas

Dadas 2 variables aleatorias h y z denimos: - la probabilidad conjunta: pij = Pr(h = hi ; z = zj ) tal que pij 0 y pij = 1.
ij

- la distrubuci on marginal de cada variable Pr{h = hi } = Pr{z = zj } =

Pr{h = hi ; z = zj },
j

Pr{h = hi ; z = zj }.
i

Mart n Sol a (FE)

Revisi on Estad stica

08/13

7 / 16

Distribuci ones Conjuntas

Dadas 2 variables aleatorias h y z denimos: - la probabilidad conjunta: pij = Pr(h = hi ; z = zj ) tal que pij 0 y pij = 1.
ij

- la distrubuci on marginal de cada variable Pr{h = hi } = Pr{z = zj } =

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 }.

Mart n Sol a (FE)

Revisi on Estad stica

08/13

7 / 16

Distribuci ones Condicionadas

La funci on de probabilidad de h condicional en z se dene como: Pr{ h = hi | z = zj } = Pr{h = hi , z = zj } . Pr{z = zj }

Mart n Sol a (FE)

Revisi on Estad stica

08/13

8 / 16

Distribuci ones Condicionadas

La funci on de probabilidad de h condicional en z se dene como: Pr{ h = hi | z = zj } = Pr{h = hi , z = zj } . Pr{z = zj }

Si h y z son independientes entonces Pr{ h = hi | z = zj } = Pr{h = hi } Pr{z = zj } = Pr{h = hi }. Pr{z = zj }

Mart n Sol a (FE)

Revisi on Estad stica

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

Mart n Sol a (FE)

Revisi on Estad stica

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

La covarianza es un caso especial, donde g (h, z ) = (h h ) (z z ) , es decir Cov (h, z ) = E [(h h ) (z z )] =

(hi h ) (zj z ) pij

i j

= E [hz ] h z .

Mart n Sol a (FE)

Revisi on Estad stica

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

La covarianza es un caso especial, donde g (h, z ) = (h h ) (z z ) , es decir Cov (h, z ) = E [(h h ) (z z )] =

(hi h ) (zj z ) pij

i j

= E [hz ] h z .
La segunda igualdad se desprende de las propiedades de la esperanza, su demostracion queda como ejercicio.

Mart n Sol a (FE)

Revisi on Estad stica

08/13

9 / 16

Covarianza y Correlaci on

La covarianza indica la direcci on de la variaci on conjunta de h, z .

Mart n Sol a (FE)

Revisi on Estad stica

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

Mart n Sol a (FE)

Revisi on Estad stica

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.

Mart n Sol a (FE)

Revisi on Estad stica

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

entonces tomando hz z h = hz y reordenando obtenemos 2 + (1 )2 deniendo a

z h

z h

+ 2 (1 ) hz

z 0 h

= x obtenemos (1 )2 (x )2 + 2 (1 ) hz x + 2 0

Mart n Sol a (FE)

Revisi on Estad stica

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.

Mart n Sol a (FE)

Revisi on Estad stica

08/13

12 / 16

Momentos condicionales

La esperanza condicional es la media de la distribuci on condicional y est a denida como E [ h | z = zj ] =

hi Pr{ h = hi | z = zj },
i

Mart n Sol a (FE)

Revisi on Estad stica

08/13

13 / 16

Momentos condicionales

La esperanza condicional es la media de la distribuci on condicional y est a denida como E [ h | z = zj ] =

hi Pr{ h = hi | z = zj },
i

La varianza condicional es la varianza de la distribucion condicional, i.e., Var [ h | z = zj ] =

(hi E [ h = hi | z = zj ])2 Pr{ h = hi | z = zj }

i

Mart n Sol a (FE)

Revisi on Estad stica

08/13

13 / 16

Ley de Expectativas Iteradas

El siguiente teorema une los conceptos de momentos condicionales y marginales

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

Por denici on de valor esperado, el lado izquierdo de la igualdad es E [E (h |z )] =

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

Ley de Expectativas Iteradas

Proof.
Por denici on, la probabilidad conjunta es igual a la condicional multiplicada por la marginal Pr{h = hi ; z = zj } = Pr{ h = hi | z = zj } Pr{z = zj }, por lo tanto el valor esperado de la esperanza condicional puede escribirse como E [E (h |z )] = que se simplica a

{ hi
j i

Pr{h = hi ; z = zj } } Pr{z = zj }, Pr{z = zj }

hi Pr{h = hi ; z = zj } = hi Pr{h = hi }.
i j i

Por lo tanto se concluye que E (h ) = E [E (h |z )] .

Mart n Sol a (FE) Revisi on Estad stica 08/13 15 / 16

Ley de Expectativas Iteradas

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 )).

Mart n Sol a (FE)

Revisi on Estad stica

08/13

16 / 16

Ley de Expectativas Iteradas

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.

Mart n Sol a (FE)

Revisi on Estad stica

08/13

16 / 16