Estadística 1 y 2 - Cermeño

Centro de Investigacin y Docencia Econmicas, A.C.
Divisin de economa

ESTADISTICA I, Prof. Rodolfo Cermeo Programa de Licenciatura en Economa

1
1. Probabilidad

1.1 Interpretaciones de probabilidad

1.1.1 Personal o subjetiva
Simplemente es una creencia personal y se puede interpretar como el deseo de apostar tal que las
ganancias estn en un determinado ratio, usualmente favorable. En este caso, probabilidad es el
grado de creencia de una persona sobre un evento, expresado por un nmero entre cero y uno.

1.1.2 Clsica
Una primera interpretacin se basa en la nocin de resultados mutuamente exclusivos e
igualmente probables. Si hay n resultados, la probabilidad de un resultado simple es n / 1 .

1.1.3 Frecuencia relativa
Una interpretacin mas amplia se basa en la nocin de frecuencia relativa. Sea A un evento
definido en el espacio muestral S . Si el experimento es repetido N veces y se observa que el
evento A ocurre f veces, la frecuencia relativa del evento A es igual a N f / y la probabilidad
del evento A se define como el lmite de la frecuencia relativa (o frecuencia emprica) cuando N
tiende a infinito, lo cual es denotado por lim
N
f
N
.

Divisin de economa


2
1.2 Notas sobre Teora de Conjuntos

1.2.1 A es un subconjunto de B, denotado como B A , si cada punto o elemento en A tambin est
en B. Un conjunto es siempre un subconjunto de si mismo: A A o B B .
1.2.2 El conjunto nulo o vaco no contiene ningn punto o elemento. es un subconjunto de
cualquier conjunto.
1.2.3 Unin de Conjuntos A y B, denotado B AU , es el conjunto de todos los puntos en A, B o en
ambos.
1.2.4 Interseccin de Conjuntos A y B, denotado B AI , es el conjunto de todos los puntos que
estn tanto en A como en B.
1.2.5 Si A A , el complemento de A en relacin a S , denotado por A, es el conjunto de puntos en
S que no estn en A.
1.2.6 Si A y B no tienen puntos comunes, = B AI , entonces A y B son mutuamente
exclusivos o disjuntos.

1.3 Experimentos, espacios muestrales y eventos
1.3.1 Experimentos aleatorios
Acciones o simulaciones controladas y repetidas que producen resultados observables.
1.3.2 Puntos muestrales
Cada uno de los resultados posibles de un experimento
1.3.3Espacio muestral
El conjunto de todos los puntos muestrales.
1.3.4Eventos
Los subconjuntos del espacio muestral

Divisin de economa


3
1.3.4Eventos simples
Eventos que no son la unin de otros eventos
1,3,5Eventos compuestos
Eventos que no son eventos simples

Ejemplo 1.1
Considrese el experimento: lanzar un dado simple
El espacio muestral: { } 6 , 5 , 4 , 3 , 2 , 1 = S tiene un nmero finito de elementos.
Los eventos obtener un nmero par y obtener el nmero cuatro se pueden representar
respectivamente por { } 6 , 4 , 2
1
= A y { } 4
2
= A .

Ejemplo 1.2
Experimento lanzar una moneda (con lados H-head y T-tail) dos veces
Espacio muestral: { } TT TH HT HH S , , , =
El evento obtener H por lo menos una vez est dado por { } TH HT HH A =
1

{ } TH HT HH , ,

Ejemplo 1.3
Considrese el experimento: lanzar una moneda (con lados H y T hasta obtener H. En este caso el
espacio muestral es { } K , , , , , TTTTH TTTH TTH TH H S = . Hay infinitos resultados pero pueden
ser asociados con todos los nmeros enteros positivos. En este caso se dice que el espacio muestral es
contable o contablemente infinito

Divisin de economa


4
Ejemplo 1.4
Considere el experimento de sembrar maz en una Ha. de terreno bajo (las mismas) condiciones
controladas y registrar el producto obtenido en Kg. En este caso el espacio muestral es continuo y se
puede definir como { } 0 / > = x x S .

1.4 Axiomas de probabilidad

Sea P una medida de probabilidad en un espacio muestral S . Para cualquier evento S A :

1.4.1 La probabilidad de A es un nmero entre cero y uno: 1 ) ( 0 A P
1.4.2 La probabilidad de todos los resultados posibles es igual a uno: 1 ) ( = S P
1.4.3 Para cualquier secuencia (finita o infinita) de eventos disjuntos K , , ,
3 2 1
A A A , la probabilidad de
la unin de todos ellos es igual a la suma de sus probabilidades individuales. Esto es,
K K + + + = ) ( ) ( ) ( (
3 2 1 3 2 1
A P A P A P A A A P

1.5 Propiedades de probabilidad

Utilizando los axiomas de probabilidad anteriores se puede demostrar las siguientes propiedades:

1.5.1 0 ) ( = P
1.5.2 Para cualquier S A , ) ( 1 ) ( A P A P =
1.5.3 Si B A , ) ( ) ( B P A P
1.5.4 ) ( ) ( ) ( A P B A P B A P = +
Divisin de economa


5
1.5.5 ) ( ) ( ) ( ) ( B A P B P A P B A P + =

Demostracin de 1.5.4:
) B (A B) (A
) B (B A
=
=
= S A A

=
=
=

A
) B (B A ) B (A ) ( B A

Dado que ) ( B A y ) ( B A son conjuntos disjuntos, utilizando el axioma 1.4.3:
) ( ) ( ) ( B A P B A P A P + =

Demostracin de 1.5.5:
B ) B (A
B) B ( B) (A
) (
=
=
= S B A B A

) ( B A y B son conjuntos disjuntos puesto que
Divisin de economa


6

) ( ) (

=
=
=
A
B B A B B A

Por tanto ) ( ) ( ) ( B P B A P B A P + = .
Utilizando la propiedad 1.5.4 ) ( ) ( ) ( B A P A P B A P = y sustituyendo este resultado se
obtiene: ) ( ) ( ) ( ) ( B P B A P A P B A P + =

1.6 Algunas tcnicas de conteo

1.6.1 Eventos simples con probabilidades iguales
) (
) (
) (
S n
A n
A P =
) (A n : Nmero de eventos simples en el subconjunto A
) (S n : Nmero total de eventos simples

Ejemplo 1.5
Considere el experimento de lanzar un dado. Cul es la probabilidad de obtener un nmero par?
{ } 6 , 5 , 4 , 3 , 2 , 1 = S , 6 ) ( = S n
{ } 6 , 4 , 2 = A , 3 ) ( = A n
Entonces 5 . 0
6
3
) ( = = A P
Divisin de economa


7
Ejemplo 1.6
Considere el experimento de lanzar 2 dados. Cul es la probabilidad de que la suma obtenida sea igual
a 4? { } ) , ( j i S = ; 6 , , 2 , 1 , K = j i , 36 ) ( = S n
{ } 4 ) /( ) , ( = + = j i j i A
{ } ) 2 , 2 ( ), 1 , 3 ( ), 3 , 1 ( = A , 3 ) ( = A n

12
1
36
3
) ( = = A P
1.6.2 Permutaciones y Combinaciones

Definicin de Permutacin: El nmero de permutaciones de r elementos tomados de n elementos es el
nmero de los distintos conjuntos ordenados de r elementos que pueden formarse a partir de un
conjunto de n elementos. Este nmero se denota como
n
r
P .

Teorema: El nmero de permutaciones de r elementos tomados de n elementos es igual a
)! (
!
r n
n
P
n
r
= donde 1 2 ) 2 ( ) 1 ( ! = K n n n n y
1 2 ) 2 ( ) 1 ( ) ( )! ( = K r n r n r n r n .

Definicin de Combinacin: El nmero de combinaciones de r elementos tomados de n elementos es
el nmero de los distintos conjuntos de r elementos que pueden formarse a partir de un conjunto de n
elementos distintos.
Divisin de economa


8
Teorema: El nmero de combinaciones de r elementos tomados de n elementos es igual a
! )! (
!
r r n
n
C
n
r

= donde
1 2 ) 2 ( ) 1 ( ! = K n n n n ; 1 2 ) 2 ( ) 1 ( ) ( )! ( = K r n r n r n r n y
1 2 ) 2 ( ) 1 ( ! = K r r r r .
1.6.3 Muestras ordenadas con reemplazo
Cuntas secuencias de r nmeros diferentes pueden formarse con los nmeros n , , 2 , 1 K si los
nmeros pueden repetirse y el orden importa?

Considere la secuencia ( )
r
n n n n n , , , , ,
4 3 2 1
K donde
i
n denota un nmero especfico tomado de
n , , 2 , 1 K .
Existen n resultados posibles para
1
n y tambin n resultados posibles para
2
n (dado que los nmeros
pueden repetirse) lo que da un total de
2
n resultados posibles para los dos primeros nmeros de la
secuencia. Para los tres primeros nmeros existen
3 2
n n n = resultados posibles, etc. Entonces es
posible formar
r
n secuencias diferentes.

1.6.4 Muestras ordenadas sin reemplazo
Cuntas secuencias de r nmeros diferentes pueden formarse con los nmeros n , , 2 , 1 K si los
nmeros NO pueden repetirse y el orden importa?

Divisin de economa


9
Considere la secuencia ( )
r
n n n n n , , , , ,
4 3 2 1
K . Dado que los nmeros no pueden repetirse, tendramos
n resultados posibles para
1
n , ) 1 ( n resultados posibles para
2
n , ) 2 ( n resultados posibles
para
3
n y ) 1 ( r n para
r
n . Por tanto es posible formar ) 1 ( ) 2 ( ) 1 ( + r n n n n K
secuencias diferentes.

El resultado anterior puede determinarse como

) 1 ( ) 1 (
)! (
)! ( ) 1 ( ) 1 (

)! (
!
+ =

+
=
=
r n n n
r n
r n r n n n
r n
n
P
n
r
K
K

1.6.5 Muestras no ordenadas sin reemplazo
Cuntas secuencias diferentes de r nmeros pueden formarse con los nmeros n , , 2 , 1 K si los
nmeros no pueden repetirse y el orden en que aparecen no importa?

Segn 1.6.4 cuando el orden si importa el nmero de secuencias es igual a
n
r
P . Dado que ahora el
orden no importa y que cada secuencia puede ser ordenada de ! r formas distintas, el nmero de
secuencias diferentes sin repeticin y sin importar el orden ser:
Divisin de economa


10

n
r
n
r
C
r r n
n
r
P
=

=
! )! (
!
!

1.6.6 Muestras no ordenadas con reemplazo
Cuntas secuencias diferentes de r nmeros pueden formarse de los nmeros n , , 2 , 1 K si los
nmeros pueden repetirse dentro de la secuencia y el orden no importa?

Cuando el orden no importa pero hay repeticin, el problema es equivalente a preguntar por el nmero
de formas en que r pelotas pueden ser puestas en n cajas. La respuesta es
r n
r
C
+ 1

Ejemplo 1.7
Cuntas combinaciones posibles existen para abrir una caja fuerte si la secuencia consiste de 4
nmeros diferentes?

En este caso 10 = n , 4 = r , no hay reemplazo y el orden si importa. Entonces el nmero de
combinaciones posibles es igual a 5040
10
4
= P .

Ejemplo 1.8
Considere el problema de seleccionar a 2 candidatos de un grupo de 5 para realizar un determinado
trabajo. Cuntas formas de seleccionar son posibles?

En este caso 5 = n , 2 = r , el orden no importa y no hay repeticin. La respuesta es 10
5
2
= C .
Divisin de economa


11
Ejemplo 1.10

Considere el Ejemplo 1.8 pero suponga ahora que el mejor candidato es la persona A, el siguiente
mejor en orden es la persona B y as sucesivamente los siguientes mejores son C, D y E. Determine
la probabilidad de seleccionar exactamente a uno de los dos mejores candidatos.

Nmero de formas de seleccionar a 1 de los dos mejores candidatos:
2
1
C
Nmero de formas de seleccionar a 1 entre los 3 restantes candidatos:
3
1
C
Por tanto la probabilidad buscada es 10 / ) (
3
1
2
1
C C que es igual a 10 / 6 .

Ejemplo 1.9
Cul es la probabilidad de obtener 2 nmeros iguales y 3 nmeros iguales cuando se lanzan 2 dados?
Divisin de economa


1
1.7 Probabilidad condicional y eventos independientes

1.7.1 Probabilidad condicional
La probabilidad condicional de un evento dado el evento es denotada por y se define como
la probabilidad del evento condicional en que el evento ha ocurrido o debe ocurrir con certeza. El
efecto de condicionar el evento a la ocurrencia de otro evento es reducir el tamao del espacio
muestral relevante para y por tanto afectar la probabilidad de ocurrencia de .

Ejemplo 1.11
Considere el experimento de lanzar un dado simple. Determine la probabilidad de obtener el nmero 1
(evento ) dado que se ha obtenido un nmero impar (evento ).

; ;
(Probabilidad incondicional)
(Probabilidad condicional)
Ntese que el espacio muestral relevante se reduce al subconjunto .

1.7.2 Axiomas de probabilidad condicional
Bajo el supuesto ( ) 0 P B >
(i) para cualquier evento
(ii) para cualquier evento que incluye a (
(iii) Si son mutuamente excluyentes, entonces

(iv) Si y y , entonces
( / ) ( )
( / ) ( )
P H B P H
P G B P G
=
Divisin de economa


2
Dado que los eventos y estn incluidos en , la frecuencia relativa de y es la misma antes y
despus que ocurra .

Nota: (i), (ii) y (iii) son anlogos a los correspondientes axiomas de probabilidad en 1.4.

1.7.3 Teorema de probabilidad condicional
Si y son eventos en y , la probabilidad condicional en es igual a
( )
( / )
( )
P A B
P A B
P B
=

Prueba:
Por el axioma (iii),
De los axiomas (ii) y (iii) se puede concluir que si .
Dado que , se tiene que . Entonces,
Dado que y se puede utilizar el axioma (iv):
( / ) ( )
( / ) ( )
P A B B P A B
P B B P B

=
De donde se obtiene , puesto que . Utilizando el resultado de la lnea 3
de la prueba se obtiene finalmente
( )
( / )
( )
P A B
P A B
P B
= .

El resultado anterior implica que ( ) ( / )* ( ) P A B P A B P B =
Divisin de economa


3
Por analoga
( )
( / )
( )
P A B
P B A
P A
= . Por tanto, ( ) ( / )* ( ) ( / )* ( ) P A B P A B P B P B A P A = =

En el caso de 3 eventos , , A B C:

En general, si son eventos tal que ,
entonces:

1.7.4 Eventos Independientes
Dos eventos y son independientes si . En este caso,

, implica que la ocurrencia del evento no tiene efecto en la chance de que pueda
ocurrir. Igualmente, si y son independientes,

1.7.5 Eventos mutuamente independientes
Los eventos , y son mutuamente independientes si:
(i)
(ii)
(iii)
(iv)
Nota: Independencia por pares no implica independencia mutua.
Divisin de economa


4
Ejemplo 1.12
Considere los siguientes eventos:
Una aparece en el primer lanzamiento de una moneda
Una aparece en el segundo lanzamiento de una moneda
Ambos lanzamientos producen una ambos lanzamientos producen .

En este caso , y son independientes por pares pero no son mutuamente independientes puesto
que

1.8 Teorema de Bayes
Sea el espacio muestral conformado por los eventos disjuntos tal que y
(los eventos son una particin de ).
Sea cualquier evento arbitrario en tal que . Entonces

Prueba:

Segn el teorema de probabilidad condicional:

Dado que los eventos son mutuamente exclusivos y su unin es igual a
.
Utilizando el teorema anterior . Por tanto,
(Ley de probabilidad total).

Divisin de economa


5
Diagrama de Venn:

Ejemplo 1.13
En una planta de ensamblaje de computadoras existen 3 grupos de trabajadores con las siguientes
caractersticas:

Grupo % de Produccin % de Produccin Defectuosa
1 20 1
2 30 2
3 50 3
100

Se elige aleatoriamente una computadora y se encuentra que est defectuosa. Cul es la probabilidad
que haya sido producida por el grupo 2?

Evento de que una computadora elegida aleatoriamente sea producida por el grupo
, y
Evento de que una computadora seleccionada aleatoriamente est defectuosa
Divisin de economa


6
Las probabilidades condicionales de que una computadora est defectuosa dado que fue producida por
el grupo son:
, y
Aplicando el teorema de Bayes:

Ejemplo 1.14
El parlamento de un estado mexicano esta conformado por panistas (40%) y no-panistas (60%). Se
sabe que el 30% de panistas favorecen un proyecto de privatizacin y que el 70% de no-panistas
tambin estn de acuerdo con tal proyecto.
Un diputado de este estado es entrevistado aleatoriamente por un noticiero y manifiesta que est de
acuerdo con la privatizacin. Cul es la probabilidad de que este diputado sea panista?

: PA Evento de que un diputado seleccionado aleatoriamente sea panista
: NP Evento de que un diputado seleccionado aleatoriamente sea no-panista
: B Evento de que un diputado seleccionado aleatoriamente est de acuerdo con el proyecto.

4 . 0 ) ( = PA P , 6 . 0 ) ( = NP P
3 . 0 ) / ( = PA B P , 7 . 0 ) / ( = NP B P
? ) / ( = B PA P

0.22222222
(0.6)(0.7) (0.4)(0.3)
(0.4)(0.3)
) / ( * ) ( ) / ( * ) (
) / ( * ) (
) (
) / ( * ) (
) / ( =
+
=
+
= =
NP B P NP P PA B P PA P
PA B P PA P
B P
PA B P PA P
B PA P
Divisin de economa


7
Ejemplo 1.15
Suponga que una prueba de diagnstico de VIH en Mxico es acertada en el 90% de los casos. Se sabe
que uno de cada 10000 mexicanos est infectado con VIH. Un individuo es seleccionado aleatoriamente
y la prueba resulta positiva. Cul es la probabilidad de que este individuo realmente tenga HIV?

: V Evento de que un individuo est infectado con VIH
: T Evento de que la prueba resulte positiva

0001 . 0 ) ( = V P
9999 . 0 ) ( = V P

9 . 0 ) / ( = V T P
1 . 0 ) / ( = V T P

? ) / ( = T V P

0.00089928
.1) (0.9999)(0 .9) (0.0001)(0
.9) (0.0001)(0

) / ( * ) ( ) / ( * ) (
) / ( * ) (
) (
) / ( * ) (
) / (
=
+
=
+
= =
V T P V P V T P V P
V T P V P
T P
V T P V P
T V P

Divisin de economa


1
2. Variables Aleatorias y Distribuciones de Probabilidad

2.1 Variables Aleatorias
Definicin: Una variable aleatoria es una funcin real definida en (cuyo dominio es) el espacio muestral
de un experimento.

Sea S el espacio muestral de un experimento y s cada uno de los resultados posibles o puntos
muestrales. Una variable aleatoria X es una funcin que asigna un valor real ) (s X a cada punto
muestral de un experimento S s .

Es importante enfatizar que el concepto de variable aleatoria se refiere a todos los posibles valores
definidos a partir de un experimento aleatorio, los cuales tendrn cierta probabilidad de ocurrir o de ser
observados. Antes que se realice un experimento se sabe que valores podra tomar una determinada
variable aleatoria. El valor especfico que sta tome solo se conoce al realizar el experimento.

Ejemplo 2.1
Considere el experimento de lanzar una moneda 5 veces. El espacio muestral de este experimento es
un conjunto de
5
2 secuencias diferentes. Se puede definir una variable aleatoria X como el nmero de
caras obtenidas en los 5 lanzamientos. En este caso, la variable aleatoria X tomar valores enteros
de cero a cinco. Note que cada uno de los posibles resultados (diferentes secuencias de caras y
sellos se asociar con algn valor entre cero y cinco.

Ejemplo 2.2
Considere el experimento de seleccionar aleatoriamente una persona y registrar su peso, estatura y
gnero. En este caso se puede definir las siguientes variables aleatorias:
Divisin de economa


2
1
: X Peso de la persona seleccionada aleatoriamente
2
: X Estatura de la persona seleccionada aleatoriamente
:
3
X Gnero de la persona seleccionada aleatoriamente

Mientras que las dos primeras son variables continuas en el sentido de que pueden tomar cualquier
valor real estrictamente positivo, la ltima es claramente una variable discreta. Cuantitativamente, la
variable aleatoria Gnero podra definirse como
=
hombre es da selecciona persona la si 0
mujer es da selecciona persona la si 1
3
X

Ejemplo 2.3
Considere el experimento de seleccionar aleatoriamente un punto ) , , ( z y x s = en un plano tri-
dimensional. Sea H una variable aleatoria definida como la distancia Euclidiana del punto seleccionado
al origen ) 0 , 0 , 0 ( . Esta variable aleatoria puede definirse mediante la funcin:
( )
2 / 1
2 2 2
) ( z y x s H + + =

Generalmente las variables aleatorias son denotadas por letras maysculas y sus valores especficos
por letras minsculas y su probabilidad es denotada por P. Por ejemplo,
( ):
i
P X x = Denota la probabilidad de que la variable aleatoria X tome el valor
i
x
( 3): P X < Probabilidad de de que la variable aleatoria X tome valores menores que 3.

Divisin de economa


3
2.2 Variables aleatorias discretas
Definicin: Una variable aleatoria discreta es una variable que toma un nmero finito o contablemente
infinito de valores reales con ciertas probabilidades.

Ejemplo 2.4
Considere el experimento de lanzar 2 monedas (con lados H y T ) y observar el resultado.

Se puede definir la variable aleatoria : X Nmero observado de H s
En este caso el espacio muestral es
{ }
1 2 3 4
: , : , : , : S E HH E HT E TH E TT = y la variable aleatoria X
puede tomar 3 valores 0,1,2 X = , los cuales corresponden a eventos especficos tal como se indica a
continuacin:
1
2 E X =
2 3
, 1 E E X =
4
0 E X =

Cada uno de los valores de X puede ser asociado a una determinada probabilidad ( ) P X x = , la cual
es igual a la suma de las probabilidades de los eventos especficos asociados con cada valor de x . As,
4
( 0) ( ) 14 P X P E = = =
2 3
( 1) ( ) ( ) 12 P X P E P E = = + =
1
( 2) ( ) 14 P X P E = = =

Divisin de economa


4
2.2.1 Funcin de Densidad de Probabilidad de una variable aleatoria discreta
Definicin: La funcin de densidad de probabilidad o funcin de probabilidad ( . .) f p de una variable
aleatoria discreta X se define como ( ) ( ) ; 1,2, ,
i i i
f x P X x p i n = = = = L . Donde
i
x es cualquier valor
real que la variable X puede tomar. Consecuentemente, esta funcin debe satisfacer:
(i) 0 ( ) 1
i
f x
(ii) Si x no es un valor posible para X , entonces ( ) 0 f x =
(ii) Si la secuencia
1 2 3
, , , x x x L incluye a todos los posibles valores de X , entonces
1
( ) 1
i
i
f x
=
=

Ejemplo 2.5
La funcin de densidad de probabilidad del ejemplo 2.4 se puede representar mediante una tabla o
grfica de barras, tal como se presenta a continuacin:

Divisin de economa


5
2.2.2 Funcin de Distribucin Acumulativa de una variable aleatoria discreta
Definicin: La funcin de distribucin acumulativa o funcin de distribucin ( . .) f d de una variable
aleatoria discreta se define como:
( ) ( )
i i
F x P X x = ; para
i
x < < .

As, ( )
i
F x es la probabilidad de que la variable aleatoria X tome un valor menor o igual a
i
x . Por tanto,
en el caso discreto ( )
i
F x es igual a la suma de todos los valores de ( ) f x que corresponden a
i
x x .
Esto es ( ) ( )
i
i
x x
F x f x
.
Para variables aleatorias discretas la . . f d es una funcin escalera y continua hacia la derecha y tiene
las siguientes propiedades:
(i) ( ) 0 F =
(ii) ( ) 1 F =
(iii) Si a b < , entonces ( ) ( ) F a F b para cualquier nmero real a y b
(iv) Si la variable aleatoria discreta X puede tomar los valores
1 2 n
x x x < < < < < K ,
entonces
1 1
( ) ( ) f x F x = y
1
( ) ( ) ( )
i i i
f x F x F x
= para 2,3, , i n = K .

Divisin de economa


6
Ejemplo 2.6
La funcin de distribucin ( . .) f d del ejemplo 2.4 se puede representar por la tabla y/o grfica:

x ( ) f x ( ) F x
0 para 0 x <
0 para 0 1 x <
1 para 1 2 x <
2 1 para 2 3 x <

Divisin de economa


7
Ejemplo 2.7
Considere el experimento de lanzar una moneda (con lados H y T ) 4 veces y defina a la variable
aleatoria : X Nmero de ' H s . La funcin de distribucin ser en este caso:
x ( ) f x ( ) F x
0 para 0 x <
0 1/16 1/16 para 0 1 x <
1 4/16 5/16 para 1 2 x <
2 6/16 11/16 para 2 3 x <
3 4/16 15/16 para 3 4 x <
4 1/16 16/16 para 4 x

NOTA: Es importante remarcar que la funcin de distribucin ( ) F x est definida para todos los
nmeros reales. Por ejemplo, (2.5) ( 2.5) 11/16 F P X = = an cuando X no puede tomar el valor 2.5.
Divisin de economa


8
2.3 Variables aleatorias continuas
Definicin: Una variable aleatoria es continua si est definida para todos los valores posibles de la lnea
de nmeros reales o por lo menos en un subconjunto o intervalo de sta.

2.3.1 Funcin de Densidad de Probabilidad de una variable aleatoria continua
Definicin: La funcin de densidad de probabilidad o funcin de probabilidad ( . .) f p de una variable
aleatoria continua X es una funcin real que satisface:
(i) ( ) 0 f x para todo x
(ii) ( ) 1 f x dx

(iii) Para cualquier , a b tal que a b < < < , ( ) ( )
b
a
P a X b f x dx =

Divisin de economa


9
NOTAS:
(1) Dado que los valores posibles de X no son contables, la probabilidad de que X tome
cualquier valor particular es cero.
(2) A diferencia del caso discreto, la . . f p de una variable continua no mide ( ) P X x = . Solamente
las reas bajo ( ) f x indican las probabilidades asociadas con los intervalos correspondientes.

2.3.2 Funcin de Distribucin Acumulativa
Definicin: La funcin de distribucin acumulativa o funcin de distribucin ( . .) f d de una variable
aleatoria continua X se define como ( ) ( ) ( )
x
F x P X x f s ds
= =

; para
i
x < < . Donde ( ) f s
es el valor de la . .p f en s. La . . f d satisface:
(i) ( ) 0 F =
(ii) ( ) 1 F =
(iii) Si a b < , ( ) ( ) F a F b
(iv) ( ) ( ) ( ) P a X b F b F a =
(v)
( )
( ) '( )
dF x
f x F x
dx
= =

Ejemplo 2.8
Considere la siguiente . . f p para la variable continua Y :

2
3 ,0 1
( )
0, en cualquier otro punto
y y
f y

=

Divisin de economa


10
En este caso la . . f p puede graficarse como:

En general la funcin de distribucin es ( ) ( ) ( )
x
F x P X x f s ds
= =

y en este caso particular:

2 3 3
0
0
( ) 3 ;0 1
y
y
F y s ds s y y = = = < <

.
Por tanto, la funcin de distribucin se puede especificar como:
3
,0 1
( ) 0, 0
1, 1
y y
F y y
y
< <

Divisin de economa


11
Grficamente:

Ejemplo 2.9
Sea X una variable aleatoria con la siguiente . . f p :

3
3 , 0
( )
0, en otro caso
x
e x
f x
>
=

(i) Verificacin de la funcin de probabilidad:
Se puede verificar que:
(i) ( ) 0 f x para todo valor 0 x >
(ii)
3
3
0
0
( ) 3 3lim 1
3
t
x
x
t
e
f x dx e dx

= = =

Divisin de economa


12
Por tanto ( ) f x satisface las propiedades de una . . f p Grficamente, el rea bajo ( ) f x es igual a uno.

(ii) Evaluacin de (0.5 1) P X y (0 0.5) P X :
En general:
3
3 3
( ) 3 3 3
3
b
b b x
x x
a a
a
e
P a X b e dx e dx

= = =

Para 0.5, 1 a b = = ,
3 1.5
3 1.5
3 3
3 3
e e
e e

= +

(0.5 1) 0.17334309 P X =
Para 0.0, 0.5 a b = = ,
1.5 0
1.5
3 3 1
3 3
e e
e

= +

(0.0 0.5) 0.77686984 P X =
Divisin de economa


13
(iii) Obtencin de la funcin de distribucin:
3 3
0
0
( ) ( ) 3
x x
x
s s
F x f s ds e ds e

= = =

( )
3 0 3
1
x x
e e e

= =
3
0, 0
( )
1 , 0
x
x
F x
e x
=

>

0 0.5 1 1.5 2 2.5 3
0
0.5
1
1.5
2
2.5
3
x
f
(
x
)

y

F
(
x
)
Funciones de Probabilidad f(x) =3*exp(-3*x) y Distribucin F(x) =1 - exp(-3*x)
f(x)
F(x)

(iv) Evaluacin de ( 1/2) F x = y ( 1) F x =
3(1/2)
( 1/2) 1 0.77686984 F x e
= = =
3(1)
( 1) 1 0.95021293 F x e
= = =

(v) Evaluacin alternativa de (0.5 1) P X :
(0.5 1) ( 1) ( 0.5) 0.95021293-0.77686984 0.17334309 P X F x F x = = = = =
Divisin de economa


14
2.3.3 Funcin de Densidad Condicional
Definicin: Sea X una variable aleatoria continua con . . . f d p ( ) f x . La densidad condicional de X
dado a X b est dada por:
( )
,
( )
( / )
0, en otro caso
b
a
f x
a x b
f x dx
f x a X b

Siempre que ( ) 0
b
a
f x dx >
. Ntese que este resultado es un caso especfico de la denominada Regla

de Bayes que establece que
) (
) (
) / (
B P
B A P
B A P

= . En la definicin anterior, < < = X X A ,
y b X a X B < < = , .

Ejemplo 2.10
Utilizando los resultados obtenidos en el ejemplo 2.9 se puede obtener la densidad condicional de X
dado (0.5 1) X . Se sabe que
1
3
0.5
(0.5 1) 3 0.17334309
x
P X e dx
= =
. Por tanto
3 3
3
=17.306718 ,0.5 1
( /0.5 1)
0.17334309
0, en otro caso
x x
e e x
f x X

Divisin de economa


15
Es importante notar que la funcin de densidad condicional satisface:
(i) ( /0.5 1) 0 f x X y (ii)
1
0.5
( /0.5 1) 1 f x X dx =
.
Grficamente,

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0
2
4
6
8
10
12
14
16
18
X
f
(
x
)

y

f
(
x
/
0
.
5
<
x
<
1
)
Densidad y Densidad Condicional de f(x) =3*exp(-3x)
f(x)
f(x/0.5<X<1)

Divisin de economa


1
2.5.5 Funcin de Densidad Marginal

Definicin: La probabilidad marginal de una variable aleatoria bivariada ( , ) X Y es la probabilidad
perteneciente a cada una de las variables por separado, representada por:
1 2
( ) P x X x y
1 2
( ) P y Y y respectivamente.

Dado que cada una de estas probabilidades son incondicionales respecto a la otra variable:
1 2 1 2
( ) ( , ) P x X x P x X x Y = < <
1 2 1 2
( ) ( , ) P y Y y P y Y y X = < <

Por tanto, la funcin de probabilidad marginal de X y Y para las variables aleatorias continuas
( , ) X Y con funcin de densidad conjunta ( , ) f x y , se puede definir como:
( ) ( , ) ; g x f x y dy x
= < <
y ( ) ( , ) ; h y f x y dx y
= < <

Ejemplo 2.15
Considere la siguiente funcin de probabilidad conjunta:
2
( 2 );0 1,0 1
( , )
3
0 en otro caso
x y x y
f x y
+ < < < <

La funcin de densidad marginal de X se obtiene como:
1
1
2
0 0
2 2 2
( ) ( , ) ( 2 ) ( ) ( 1)
3 3 3
g x f x y dy x y dy xy y x
= = + = + = +

Divisin de economa


2
Por tanto:
2
( 1);0 1
( )
3
0 en otro caso
x x
g x
+ < <

Igualmente, la funcin de densidad marginal de Y se obtiene como:
1
1
2
0 0
2 2 1 1
( ) ( , ) ( 2 ) 2 (1 4 )
3 3 2 3
h y f x y dx x y dx x yx y

= = + = + = +

1
(1 4 );0 1
( )
3
0 en otro caso
y y
h y
+ < <

0
0.2
0.4
0.6
0.8
1 0
0.2
0.4
0.6
0.8
1
0
0.5
1
1.5
2
Y
Funcion de Densidad Conjunta: f(x,y) =(2/3)*(x+2*y)
X
f
(
x
,
y
)

Divisin de economa


3
2.5.6 Funcin de Densidad Condicional

Definicin: Para las variables aleatorias continuas ( , ) X Y con funcin de densidad conjunta ( , ) f x y , la
funcin de densidad condicional de X dado
j
Y y = se define como:
( , )
( / )
( )
j
j
j
f x y
f x y
h y
= , siempre que ( ) 0
j
h y >

El numerador y denominador se ilustran en la siguiente grfica:

Divisin de economa


4
Ejemplo 2.16
Evaluar
1
1 1
( / )
2 2
P x Y = considerando la funcin de probabilidad conjunta del Ejemplo 2.15
2
( 2 );0 1,0 1
( , )
3
0 en otro caso
x y x y
f x y
+ < < < <

Primero, podemos determinar la funcin de densidad condicional en general:
2
( 2 )
( , ) 2 4
3
( / )
1
( ) 1 4
(1 4 )
3
x y
f x y x y
f x y
h y y
y
+
+
= = =
+
+

Luego, evaluamos la funcin anterior en
1
2
Y = , obteniendo:
1 2
( / ) ( 1)
2 3
f x Y x = = +
Finalmente, evaluamos
1
1 1
( / )
2 2
P x Y = :
1/2
1/2
2
0 0
1 1 2 2 1 2 1 1 5
( / ) ( 1)
2 2 3 3 2 3 8 2 12
P X Y x dx x x

= = + = + = + =

2.5.7 Independencia
Definicin: Las variables aleatorias , X Y son independientes si y solo si ( , ) ( ). ( ) f x y g x h y = para todos
los valores ( , ) x y en el plano real.

Divisin de economa


5
Dado que ( , ) ( / ). ( ) f x y f x y h y = , las variables , X Y son independientes si ( / ) ( ) f x y g x = , lo cual implica que la
condicin Y y = no afecta a distribucin de probabilidad de X .
NOTA: La condicin ( , ) ( ). ( ) f x y g x h y = en la definicin anterior de independencia es equivalente a:
1 2 1 2 1 2 1 2
( , ) ( )* ( ) P x X x y Y y P x X x P y Y y = , para todos los valores de
1 2 1 2
, , , x x y y tal que
1 2 1 2
, x x y y .
Ejemplo 2.17
Utilizando la informacin de los ejemplos 2.15 y 2.16 se puede determinar si las variables , X Y son independientes.
Dado que, en este caso
2 2 1
( , ) ( 2 ) ( )* ( ) ( 1)* (1 4 )
3 3 3
f x y x y g x h y x y = + = + +
Se puede concluir que , X Y no son independientes.
Ejemplo 2.18
Utilizando la funcin de probabilidad conjunta del ejemplo 2.14 determinar si las variables , X Y son independientes. En
este caso, la funcin de probabilidad conjunta es:
( )
; 0, 0
( , )
0 en otro caso
x y
e x y
f x y
+
> >
=

Funcin de densidad marginal de X :
( ) ( ) ( )
0
0
( ) ( , ) [lim ] [ ]
x y x y x y x x
y
g x f x y dy e dy e e e e

+ + +
= = = = =

Funcin de densidad marginal de Y :
( ) ( ) ( )
0
0
( ) ( , ) [lim ] [ ]
x y x y x y y y
x
h y f x y dx e dx e e e e

+ + +
= = = = =

En este caso , X Y son independientes puesto que:
( )
( , ) ( )* ( ) ( )*( )
x y x y
f x y g x h y e e e
+
= = =
Divisin de economa


1
2.8 Distribuciones con mas de dos variables

2.8.1 Funcin de Distribucin Conjunta
La funcin de distribucin conjunta de n variables aleatorias
1 2
, , ,
n
X X X K discretas o continuas est
dada por
1 2 1 1 2 2
( , , , ) ( , , , )
n n n
F x x x P X x X x X x = K K
Para cualquier punto
1 2
( , , , )
n
n
x x x R K

2.8.2 Funcin de Probabilidad Conjunta: caso discreto
La funcin de probabilidad conjunta de n variables aleatorias
1 2
, , ,
n
X X X K discretas se define como:
1 2 1 1 2 2
( , , , ) ( , , , )
n n n
F x x x P X x X x X x = = = = K K
1 2
( , , , )
n
n
x x x R K

2.8.3 Funcin de Probabilidad Conjunta: caso continuo
La funcin de probabilidad conjunta de n variables aleatorias
1 2
, , ,
n
X X X K continuas es una funcin
no negativa f , tal que para cualquier subconjunto
n
A R :
1 2 1 2 1 2
( , , , ) ( , , , )
n n n
P x x x A f x x x dx dx dx =

K K L K

Nota: Si la funcin de distribucin conjunta es ( ) F , la funcin de probabilidad conjunta es igual a:
1 2
1 2
1 2
( , , , )
( , , , )
n
n
n
n
F x x x
f x x x
x x x
=

K
K
K

Divisin de economa


2
2.8.4 Funcin Marginal de Probabilidad Conjunta
Sea f la funcin de probabilidad conjunta de las variables aleatorias
1 2
, , ,
n
X X X K . La funcin marginal
de probabilidad conjunta de
1
X se define como
1 1 1 2 2 3
( ) ( , , , )
n n
g x f x x x dx dx dx

=

K L K

En general, la funcin marginal de probabilidad conjunta de K variables aleatorias se puede obtener
integrando sobre todos los valores posibles de las n K variables restantes. Por el ejemplo, en el caso
cuatro-variado la funcin marginal de probabilidad conjunta de
2
X y
4
X esta dada por

24 2 4 1 2 3 4 1 3
( , ) ( , , , ) g x x f x x x x dx dx

=

2
2 4
( , ) x x R

Ntese que
24
( ) g es una funcin de densidad conjunta bivariada.

2.8.5 Funcin Marginal de Distribucin Conjunta
Si las variables aleatorias
1 2
, , ,
n
X X X K tienen una funcin de distribucin conjunta ( ) F , la funcin
marginal de distribucin de
1
X se define como
j
1 1 1 1 1 1 2 1 2
x
( ) ( )= ( , , , )=lim ( , , , ); 2,3, ,
n n
G x P X x P X x X X F x x x j n
= < < = K K K
Divisin de economa


3
En general, la funcin marginal de distribucin conjunta de K variables aleatorias se puede obtener
como el valor limite de la funcin de distribucin ( ) F cuando
j
x para cada una de las n K
variables restantes.
j
1 1 1 1
1 1 1
1 2
x
( , , ) ( , )
= ( , , , , , )
=lim ( , , , ); 1, 2, ,
K K K
K K K n
n
G x x P X x X x
P X x X x X X
F x x x j K K n
+
=
< <
= + +
K K
K K
K K

2.8.6 Funcin Condicional de Probabilidad Conjunta
Sea f la funcin de probabilidad conjunta de las variables aleatorias
1 2
, , ,
n
X X X K y
2 2 3
( , , , )
n n
g x x x K
la funcin marginal de probabilidad conjunta de
2 3
, , ,
n
X X X K . La funcin condicional de probabilidad
de
1
X dado
2 2
, ,
n n
X x X x = = K se define como
1 2
1 2
2 2
( , , , )
( / , , )
( , , )
n
n
n n
f x x x
f x x x
g x x
=
K
K
K

Anlogamente,
1 2
1 2 3
3 3
( , , , )
( , / , , )
( , , )
n
n
n n
f x x x
f x x x x
g x x
=
K
K
K
es la funcin condicional de probabilidad conjunta
de
1
X y
2
X dado
3 3
, ,
n n
X x X x = = K .
Para fijar ideas suponga que la funcin de probabilidad conjunta de las variables aleatorias
1 2 5
, , , X X X K es f . En este caso, la funcin condicional de probabilidad conjunta de
1 3 5
, , X X X dado
2 2
X x = y
4 4
X x = es igual a
1 2
1 3 5 2 4
3 2 4
( , , , )
( , , / , )
( , )
n
n
f x x x
f x x x x x
g x x
=
K
, para todo
3
1 3 5
( , , ) x x x R .
Divisin de economa


4
Igualmente, la funcin condicional de probabilidad conjunta de
1 2
, X X dado
5 5
X x = ser igual a la
funcin bivariada
1,2,5 1 2 5
1 2 5
5 5
( , , )
( , / )
( )
g x x x
f x x x
g x
=
Ejemplo 2.24
Considere la siguiente informacin sobre las variables aleatorias
1
X
2
X y
3
X . La funcin de densidad
de probabilidad de
1
X est dada por:
1
1
1
para 0
( )
0 en otro caso
x
e x
f x
>
=

Para cualquier valor
1 1
X x = las variables
2
X y
3
X son independientes y tienen las siguientes
funciones de densidad condicional:
1 2
2
2 1
para 0
( / )
0 en otro caso
x x
e x
f x x
>
=

y
1 3
3
3 1
para 0
( / )
0 en otro caso
x x
e x
f x x
>
=

Determinar la funcin marginal de probabilidad conjunta para
2
X y
3
X .
Por defincin:
2 3 1 2 3 1 1 2 3 1
0
( , ) ( , , ) ( , , ) g x x f x x x dx f x x x dx

= =

(i)Determinacin de
1 2 3
( , , ) f x x x
Dado que las densidades condicionales de
2
X y
3
X son independientes
2 3 1 2 1 3 1
( , / ) ( / )* ( / ) f x x x f x x f x x = .
Divisin de economa


5
Entonces,
1 2 3
( ) 2 1 2 3
2 3 1 1
1
( , , )
( , / )
( )
x x x
f x x x
f x x x x e
f x
+
= = de donde podemos obtener:
1 2 3 1 2 3 1
( ) ( 1) 2 2
1 2 3 2 3 1 1 1 1
( , , ) ( , / )* ( ) [ ]*[ ]
x x x x x x x
f x x x f x x x f x x e e x e
+ + +
= = =

(ii)Determinacin de
2 3
( , ) g x x
1 2 3
( 1) 2
2 3 1 2 3 1 1 1
0 0
( , ) ( , , )
x x x
g x x f x x x dx x e dx

+ +
= =

Lo cual se puede resolver por integracin por partes, como sigue
Haciendo
2
1
u x = y
1 1 2
( 1)
1
x x x
dv e dx
+ +
= se obtiene
1 1
2 du x dx = y
1 2 3
( 1)
2 3
1
( 1)
x x x
v e
x x
+ +
=
+ +

Utilizando * udv u v vdu =

se obtiene:
1 2 3 1 2 3
2
( 1) ( 1)
1 1
1
2 3 2 3
2
( 1) 1
x x x x x x
x x
udv e e dx
x x x x
+ + + +
= +
+ + + +

. Ntese que el primer trmino ) * ( v u de la
expresin anterior evaluado entre (0, ) se hace cero. Sin embargo el integral debe resolverse
nuevamente por integracin por partes. En este caso hacemos
1
2 3
2
1
x
u
x x
=
+ +
y
1 2 3
( 1)
1
x x x
dv e dx
+ +
= .
Entonces
1
2 3
2
1
du dx
x x
=
+ +
y
1 2 3
( 1)
2 3
1
( 1)
x x x
v e
x x
+ +
=
+ +
.
Divisin de economa


6
Entonces,
1 2 3 1 2 3 1 2 3
( 1) ( 1) ( 1)
1 1
1 1
2 2
2 3 2 3 2 3 0
2 2 2
1 ( 1) ( 1)
x x x x x x x x x
x x
e dx e e dx
x x x x x x
+ + + + + +
= +
+ + + + + +

Dado que el primer trmino es igual a cero, la solucin relevante es nicamente el valor del ltimo
integral

1 2 3 1 2 3
( 1) ( 1) 2
2 3 1 1
3 3
2 3 2 3 0
0
2 2
( , ) (0)
( 1) ( 1)
x x x x x x
g x x x e dx e
x x x x
+ + + +

= = = +
+ + + +

Por tanto,
2 3
3
2 3 2 3
2
para 0 y 0
( 1) ( , )
0 en cualquier otro punto
x x
x x g x x
> >
+ + =

Las siguientes grficas muestran respectivamente (1)
1
( ) f x , (2)
2 1
( / ) f x x para
1
X =1, 2 y 3 (Ntese
que
3 1
( / ) f x x sera similar) y (3)
2 3
( , ) g x x .

Divisin de economa


7
0 1 2 3 4 5
0.5
1
x1
f
(
x
1
)
FUNCION DE PROBABILIDAD DE X1: f(x1)
1 2 3 4
0
0.5
1
X2
f
(
x
2

/

x
1
)
DENSIDADES DE X2 CONDICIONAL EN X1: f(x2 / x1)
f(x2 / X1=1)
f(x2 / X1=2)
f(x2 / X1=3)

0
0.2
0.4
0.6
0.8
1 0
0.2
0.4
0.6
0.8
1
0
0.5
1
1.5
2
X3
FUNCION DE DENSIDAD CONJ UNTA DE X2 y X3 CONDICIONAL EN X1
X2
f
(
x
2
,
x
3
/
x
1
)
=
(
2
/
(
x
2
+
x
3
+
1
) 3

Divisin de economa


1
3. Momentos
3.1 Valor Esperado de una Variable Aleatoria Discreta
Definicin: Sea X una variable aleatoria discreta con valores
i
x y probabilidades ( )
i
P x , 1,2, i = K
El valor esperado (esperanza o expectativa) de X est dado por:
1
( ) ( )
i i
i
E X x P x
=
=
(3.1)
Se dice que ( ) E X existe si y solo si la suma anterior es absolutamente convergente. Especficamente,
( ) E X existe si y solo si
1
* ( )
i i
i
x P x
=
<
. Si una variable aleatoria discreta toma un nmero finito de

valores entonces su valor esperado debe existir.

Ejemplo 3.1
Determinar el valor esperado de la variable X : nmero obtenido en el lanzamiento de un dado.
En este caso, 1,2,3,4,5,6
i
x = y ( ) 1/6
i
p x = para todo i . Por tanto,
1
( ) ( ) (1)*(1/6) (2)*(1/6) (3)*(1/6) (4)*(1/6) (5)*(1/6) (6)*(1/6) 3.5
i i
i
E X x P x
=
= = + + + + + =

Notas:
(1)El valor esperado de una variable aleatoria puede ser considerado como la media de su distribucin o
el valor promedio si se repite el experimento un nmero infinito de veces. En la prctica, se puede
obtener el valor esperado repitiendo el experimento un nmero suficientemente grande de veces.
(2)El valor esperado de una variable aleatoria discreta no necesariamente debe coincidir con uno de sus
valores
i
X x = y puede ser un valor que la variable aleatoria nunca tomar. En el ejemplo anterior, no
es posible obtener 3.5 en el lanzamiento de un dado.
Divisin de economa


2
3.2 Valor Esperado de una Variable Aleatoria Continua
Definicin: Si X es una variable aleatoria continua con funcin de densidad de probabilidad ( ) f x , su
valor esperado se define como:
( ) ( ) E X xf x dx
=

(3.2)
Siempre que el integral sea absolutamente convergente. De forma anloga al caso discreto se puede
establecer que ( ) E X existe si y solo si ( ) x f x dx
<
. En el caso de variables aleatorias continuas

pero acotadas a un determinado intervalo de valores en la lnea de nmeros reales el valor esperado
debe necesariamente existir. En estos casos a X b < < < < .

Ejemplo 3.2
Determinar el valor esperado de la variable aleatoria X cuya funcin de densidad est dada por
1/( ),
( )
0 en otro caso
b a a X b
f x

.
2 2 2
1 1 1 1 1 ( )
( ) ( ) (
( ) ( ) 2 ( ) 2 2
b
b
a a
b a
E X xf x dx x dx x b a
b a b a b a
+

= = = = =

3.3 Valor Esperado de Funciones de Variables Aleatorias
3.3.1 Caso Univariado Discreto
Para la variable aleatoria X , con valores
i
x y correspondientes probabilidades ( )
i
p x , 1,2, i = Kel valor
esperado de la funcin arbitraria ( ) g X est dado por
Divisin de economa


3
1
[ ( )] ( ) ( )
i i
i
E g X g x p x
=
=
(3.3)
3.3.2 Caso Univariado Continuo
Sea X una variable aleatoria continua con funcin de densidad ( ) f x y ( ) g X una funcin arbitraria
integrable. El valor esperado de ( ) g X est dado por
[ ( )] ( ) ( ) E g X g x f x dx
=

(3.4)
En el caso discreto, se puede observar que la probabilidad asociada a cada ( )
i
g x es ( )
i
p x . En
realidad, la definicin es equivalente a determinar primero la distribucin de probabilidad de la
transformacin ( ) Y g X = y luego obtener la esperanza de la variable Y . La definicin (3.3) implica que
[ ( )] E g X puede ser obtenido directamente.

En el caso continuo se tiene una situacin similar. Considere que ( ) Y g X = es una transformacin de
X estrictamente creciente o decreciente. Utilizando la tcnica del cambio de variable sabemos que la
funcin de probabilidad de Y se puede obtener como
1
1
( )
( ) [ ( )]
g y
h y f g y
y
. Entonces el valor
esperado de Y se puede obtener como ( ) ( ) E Y yh y dy
=

. Dado que la tcnica de cambio de variable
implica que ( ) ( ) 1 f x dx h y dy

= =

y ( ) Y g X = se puede establecer la equivalencia:
Divisin de economa


4
1
1
( )
[ ( )] ( ) ( ) [ ( )] ( )
g y
E g X g x f x dx yf g y dy yh y dy
y

= = =

(3.5)

Ejemplo 3.3
Utilizando la informacin del ejemplo 3.2 se puede determinar el valor esperado de la transformacin:
2
( ) Y g X X = = .
Se sabe que
1/( ),
( )
0 en otro caso
b a a X b
f x

,
2 2
2 3 3 3
1 1 1 1 1 ( )
[ ( )] ( ) ( ) ( )
( ) ( ) 3 ( ) 3 3
b
b
a a
b ba a
E g X g x f x dx x dx x b a
b a b a b a
+ +

= = = = =

3.3.3 Caso Bivariado Discreto
Sea ( , ) X Y una variable aleatoria bivariada discreta, la cual toma los valores ( , )
i j
x y con probabilidades
( , )
i j
P x y , , 1,2, i j = KSea ( , ) g X Y una funcin arbitraria. Entonces,
1 1
[ ( , )] ( , ) ( , )
i j i j
i j
E g X Y g x y P x y

= =
=
(3.6)

3.3.4 Caso Bivariado Continuo
En el caso de la variable aleatoria continua ( , ) X Y con funcin de densidad conjunta ( , ) f x y . El valor
esperado de de la funcin arbitraria ( , ) g X Y est dado por:
Divisin de economa


5
[ ( , )] ( , ) ( , ) E g X Y g x y f x y dxdy

=

(3.7)

Nota: La definicin anterior puede extenderse a un conjunto de variables continuas
1 2
( , , , )
n
X X X K con
funcin de densidad conjunta
1 2
( , , , )
n
f x x x K . En este caso, el valor esperado de la transformacin
1 2
( , , , )
n
g X X X K ser igual a
1 2 1 2 1 2 1 2
[ ( , , , )] ( , , , ) ( , , , )
n n n n
E g X X X g x x x f x x x dx dx dx

=

K K K K K (3.8)
Una extensin similar aplica al caso de variables aleatorias discretas.

Ejemplo 3.4
Considere la siguiente funcin de probabilidad conjunta
1 2
1 2
1 para 0 1 y 0 1
( , )
0 en otro caso
x x
f x x
< < < <

Determine el valor esperado de
2 2
1 2 1 2
( , ) g X X X X = +
Aplicando la definicin 3.3.4 se puede obtener
2 2
1 2
( ) 2/3 E X X + = tal como se demuestra a
continuacin.
1 1
2 2 2 2 2 2
1 2 1 2 1 2 1 2 1 2 1 2
0 0
( ) ( ) ( , ) ( ) E X X x x f x x dx dx x x dx dx

+ = + = +

1
1
1 1
3 2 2 3
1 1 2 2 2 2 2 2
0 0 0 0
1 1 1 1 2
( )
3 3 3 3 3
x x x dx x dx x x

= + = + = + =

Divisin de economa


6
3.4 Propiedades del Valor Esperado
(1)Si Y aX b = + donde a y b son constantes, entonces
( ) ( ) E Y aE X b = + (3.9)
Considerando el caso continuo y haciendo ( ) Y g X aX b = = + , el valor esperado de Y es igual a:
( ) ( ) ( ) ( ) ( ) ( ) E Y E aX b ax b f x dx a xf x dx b f x dx

= + = + = +

Entonces ( ) ( ) ( ) E Y E aX b aE X b = + = + dado que ( ) ( ) xf x dx E X
y ( ) 1 f x dx

La propiedad anterior implica que la esperanza o valor esperado de una constante es igual a la misma
constante, esto es, ( ) E b b = si b es una constante, dado que b podra considerarse como una
transformacin de la variable aleatoria X .

(2)Si existe una constante a tal que ( ) 1 P X a = , entonces
( ) E X a (3.10a)
Igualmente, si existe una constante b tal que ( ) 1 P X b = , entonces
( ) E X b (3.10b)
La primera parte se puede demostrar estableciendo que ( ) ( ) ( )
a
E X xf x dx xf x dx

= =

debe ser mayor
o igual que ( ) ( )
a
af x dx aP X a
. Dado que por construccin ( ) 1 P X a = se puede concluir que, en

este caso ( ) E X a .
Divisin de economa


7
(3)Si
1
, ,
n
X X K son variables aleatorias y ( ), 1, ,
i
E X i n = K existe, entonces
1 1
( ) ( )
n n
i i
i i
E X E X
= =
=

(3.11)
Considerando el caso bivariado continuo, la esperanza de la transformacin
1 2
X X + es igual a
1 2 1 2 1 2 1 2
( ) ( ) ( , ) E X X x x f x x dx dx

+ = +

1 1 2 1 2 2 1 2 1 2
( , ) ( , ) x f x x dx dx x f x x dx dx

= +

1 1 2 2 1 2 1 2 1 2
( , ) ( , ) x f x x dx dx x f x x dx dx

= +

1 1 1 1 2 2 2 2 1 2
( ) ( ) ( ) ( ) x f x dx x f x dx E X E X

= + = +

Nota: Es importante remarcar que la propiedad anterior es vlida sin importar si las variables
, 1, ,
i
X i n = K son independientes o no.

(4)Si , 1, ,
i
a i n = K y b son constantes y
i
X ( 1,2, , ) i n = K son variables aleatorias, entonces
1 1 2 2 1 1 2 2
( ) ( ) ( ) ( )
n n n n
E b a X a X a X b a E X a E X a E X + + + + = + + + + K K (3.12)

Esta propiedad puede deducirse a partir de (1) y (3).

Divisin de economa


8
(5)Si
1
, ,
n
X X K son variables aleatorias independientes y ( ), 1, ,
i
E X i n = K existe, entonces
1 1
( ) ( )
n n
i i
i i
E X E X
= =
=

(3.13)
Considerando el caso bivariado continuo, la esperanza de la transformacin
1 2
X X es igual a
1 2 1 2 1 2 1 2
( ) ( ) ( , ) E X X x x f x x dx dx

=

Dado que las variables son independientes
1 2 1 1 2 2
( , ) ( ) ( ) f x x f x f x = y la expresin anterior puede
factorizarse como
1 1 1 1 2 2 2 2 1 2
[ ( ) ][ ( ) ] ( ) ( ) x f x dx x f x dx E X E X

= =

Ntese que el supuesto crucial para obtener este resultado es que las variables sean independientes.

3.5 Varianza
Definicin: Sea X una variable aleatoria con media ( ) E X = . La varianza de X se define como
2
( ) [ ( )] Var X E X E X =
2
[ ] E X = =
2
x
(3.14)

La varianza mide el grado de dispersin de (la distribucin de) una variable aleatoria alrededor de su
media. Para variables con unidades de medida comparables, menores valores de
2
x
indican que su
distribucin est mas concentrada alrededor de la media. Por definicin la varianza debe ser un valor no
negativo; sin embargo este valor podra no ser finito en cuyo caso se dice que la varianza no existe. Si la
variable aleatoria X est definida entre los valores a y b tal que a X b < < < < su varianza debe
existir.

Divisin de economa


9
3.6 Propiedades de la Varianza

(1)Si c es una constante, entonces
( ) 0 Var c = (3.15)
Formalmente, ( ) 0 Var X = si y solamente si existe una constante c tal que ( ) 1 P X c = =
Intuitivamente se puede establecer, en el caso discreto, que dado que ( )
i
P x no puede ser cero para
todo i y que ,
2
( ) 0
i
x para obtener el resultado
2
1
( ) ( ) ( ) 0
i i
i
Var X x P x
=
= =
es necesario que
i
x = para todo i en cuyo caso ( ) 1 P X = = .

(2)Si a y b son constantes, entonces
2
( ) ( ) Var aX b a Var X + = (3.16)
Dado que ( ) ( ) E aX b aE X b + = + , utilizando la definicin de varianza se puede obtener
2 2 2 2 2
( ) [( ) ( )] [ ( ( )] [ ( )] ( ) Var aX b E aX b E aX b E a X E X a E X E X a Var X + = + + = = =

La propiedad (2) implica que ( ) ( ) Var X b Var X + = . En este caso 1 a = . La razn es que al sumar un
valor constante b a cada valor de X , las distancias respecto a la media no son afectadas. Esto es,
[( ) ( )] X b E X b + + seguir siendo igual a [ ( )] X E X .

Igualmente, la propiedad (2) implica que ( ) ( ) Var X Var X = . Este resultado corresponde al caso 0 b =
y 1 a = . Intuitivamente, si cada uno de los valores de X cambia de signo, la media ( ) E X tambin
cambiar de signo y la dispersin de la distribucin alrededor de la media no cambiar.

Divisin de economa


10
(3)Para cualquier variable aleatoria
2 2
( ) ( ) [ ( )] Var X E X E X = (3.17)

Esta expresin se puede obtener partiendo de la definicin, desarrollando el cuadrado, tomando la
esperanza y simplificando. En muchas situaciones la expresin anterior se puede evaluar ms
fcilmente que
2
[ ( )] E X E X .
(4)Si
1
, ,
n
X X K son variables aleatorias independientes, entonces
1 1
( ) ( )
n n
i i
i i
Var X Var X
= =
=

(3.18)
Considerando 2 n = y ( )
i i
E X = y aplicando la definicin de varianza tenemos:
2 2
1 2 1 2 1 2 1 1 2 2
( ) [( ) ( )] [( ) ( )] Var X X E X X X X + = + + = +

Desarrollando el trmino cuadrtico obtenemos:
2 2
1 2 1 1 2 2 1 1 2 2
( ) [( ) ( ) 2( )( )] Var X X E X X X X + = + +

Tomando la esperanza de cada trmino se obtiene
1 2 1 2 1 1 2 2
( ) ( ) ( ) 2 ( )( ) Var X X Var X Var X E X X + = + +

Dado que las variables son independientes
1 1 2 2 1 1 2 2
( )( ) ( ) ( ) E X X E X E X = por lo que el
ltimo trmino se reduce a cero. Por tanto
1 2 1 2
( ) ( ) ( ) Var X X Var X Var X + = + .

Divisin de economa


11
(5)Si
1
, ,
n
X X K son variables aleatorias independientes y , 1, ,
i
a i n = K y b son constantes, entonces
2
1 1
( ) ( )
n n
i i i i
i i
Var a X b a Var X
= =
+ =

(3.19)

Esta propiedad se puede derivar de (2) y (4)

Ejemplo 3.5
Considere la variable aleatoria discreta X , la cual toma los valores con probabilidad 1/2 y con
probabilidad 1/2.
( ) ( )(1/2) ( )(1/2) 0 E X = + =
2 2 2
( ) [ ( )] ( ) [ ( )] Var X E X E X E X E X = =
Dado que ( ) 0 E X = ,
2 2 2 2
( ) ( ) ( ) (1/2) ( ) (1/2) Var X E X = = + =

Ejemplo 3.6
Considere la variable aleatoria continua X con funcin de probabilidad
2(1 ),0 1
( )
0 en otro caso
x x
f x
< <

En este caso,
1 1
2
0 0
( ) ( ) 2(1 ) 2 ( ) 1/3 E X xf x dx x x dx x x dx
= = = =

Igualmente,
1 1
2 2 2 2 3
0 0
( ) ( ) 2(1 ) 2 ( ) 1/6 E X x f x dx x x dx x x dx
= = = =

Por tanto,
2 2 2
( ) ( ) [ ( )] (1/6) (1/3) (1/18) Var X E X E X = = =
Divisin de economa


12
Ejemplo 3.7
Considere la variable aleatoria continua X con . . f p
1
,
( )
2
0 en otro caso
x
f x

< <

2
1 1 1
( ) ( ) ( ) 0
2 4 4
x
E X xf x dx x dx

= = = = =

Dado que ( ) 0 E X = ,
2
( ) ( ) Var X E X = . Entonces,
3
2 2 2 2 2 2
1 1 1 1
( ) ( ) ( ) ( )
2 6 6 3
x
Var X E X x f x dx x dx

= = = = = + =

Divisin de economa


1
3.7 Covarianza
Definicin: Sean , X Y variables aleatorias con funcin de probabilidad conjunta ( , ) f x y , esperanzas
( )
x
E X = , ( )
y
E Y = y varianzas
2
( )
x
Var X = ,
2
( )
y
Var Y = respectivamente. La covarianza de X y
Y se define como:
[ ][ ] { }
( , ) ( ) ( )
xy
Cov X Y E X E X Y E Y = = (3.20)
Si <
2
x
y <
2
y
la covarianza existe y es finita y puede ser un valor positivo, negativo o cero.

La covarianza es una medida de la relacin entre dos variables aleatorias. Si ( ( )) X E X y ( ( )) Y E Y
tienden a tener el mismo signo, entonces ( , ) 0 Cov X Y > . Por el contrario, si ( ( )) X E X y ( ( )) Y E Y
tienden a tener signos contrarios, entonces ( , ) 0 Cov X Y < .

3.8 Propiedades de la Covarianza
(1)Para cualquier par de variables aleatorias X y Y tal que <
2
x
y <
2
y
,
) ( ) ( ) ( ) , ( Y E X E XY E Y X Cov = (3.21)
Este resultado se puede obtener de la definicin de Covarianza, desarrollando el producto
[ ( )][ ( )] X E X Y E Y , tomando esperanza y simplificando. Alternativamente se puede obtener
( , ) [( ( )) ] Cov X Y E X E X Y = y ( , ) [( ( )) ] Cov X Y E Y E Y X = (3.22)
(2)Si X y Y son variables aleatorias independientes y <
2
x
, <
2
y
entonces
0 ) , ( = Y X Cov (3.23)
Este resultado se puede obtener sustituyendo en (2.21) ) ( ) ( ) ( Y E X E XY E = dado que X y Y son
independientes.
Divisin de economa


2
(3)Varianza de la Suma o Diferencia de dos Variables Aleatorias: Si X y Y son variables aleatorias tal
que <
2
x
y <
2
y
, entonces
( ) ( ) ( ) 2 ( , ) Var X Y Var X Var Y Cov X Y = + (3.24)
Utilizando el resultado obtenido en la propiedad (4) de la Varianza para el caso de la suma de dos
variables y haciendo X X =
1
y Y X =
2
se puede obtener el siguiente resultado:
) , ( 2 ) ( ) ( )] )( ( 2 ) ( ) [( ) (
2 2
Y X Cov Y Var X Var Y X Y X E Y X Var
y x y x
+ + = + + = +
Para el caso ) ( Y X Var se obtiene el tercer trmino con signo negativo.

(4)Si
n
X X , ,
1
K son variables aleatorias tal que < ) (
i
X Var para n i , , 1K = entonces
1 1
( ) ( ) 2 ( , )
n n
i i i j
i i i j
Var X Var X Cov X X
= = <
= +

(3.25)
Este resultado puede considerarse como una extensin de (3) al caso de la suma de n variables
aleatorias. Si stas son independientes entonces 0 ) , ( =
j i
X X Cov para todo j i y el resultado es
igual al establecido en la propiedad (4) de la Varianza.

De manera ms general, se puede demostrar que si ( 1,2, , )
i
a i n = K y b son constantes y
( 1,2, , )
i
X i n = K son variables aleatorias, entonces:
2
1 1
1 <
( ) ( ) 2 ( , )
n
n n i i i j i j
i i j
Var a X a X b a Var X a a Cov X X
=
+ + + = +

K (3.26)
La propiedad establecida en (4) corresponde al caso especial donde 0 = b y 1 =
i
a , n i , , 1K =
Divisin de economa


3
Ejemplo 3.8
Determine ) , ( Y X Cov considerando la siguiente distribucin de probabilidad bivariada discreta:
2 / ) 1 , 1 ( = = = Y X P , 2 / ) 1 , 1 ( = = = Y X P , 2 / ) 1 ( ) 1 , 1 ( = = = Y X P ,
2 / ) 1 ( ) 1 , 1 ( = = = Y X P .

La siguiente tabla muestra las probabilidades conjuntas y marginales.

1 = X 1 = X ) (y f
y

1 = Y 2 / 2 / ) 1 ( 2 / 1
1 = Y 2 / ) 1 ( 2 / 2 / 1
) (x f
x
2 / 1 2 / 1

Utilizando las funciones marginales podemos obtener:
0 ) 2 / 1 )( 1 ( ) 2 / 1 )( 1 ( ) ( = + = X E y 0 ) 2 / 1 )( 1 ( ) 2 / 1 )( 1 ( ) ( = + = Y E

Por tanto, en este caso ) ( ) , ( XY E Y X Cov = .
2 / ) 1 )( 1 )( 1 ( 2 / ) 1 )( 1 )( 1 ( ) 2 / )( 1 )( 1 ( ) 2 / )( 1 )( 1 ( ) ( + + + = XY E

De los dos primeros trminos se obtiene y de los dos ltimos trminos se obtiene ) 1 ( . Por
tanto, ) , ( 1 2 ) ( Y X Cov XY E = =

Divisin de economa


4
Ejemplo 3.9
Considere la funcin de densidad conjunta
< < < < +

=
caso otro en 0
1 0 , 1 0 para ) (
) , (
y x y x
y x f y
determine la Covarianza de X y Y .

Funcin de densidad marginal de X y valor esperado de X se determinan tal como sigue:
)
2
1
(
2
1
) ( ) (
1
0
2
1
0
+ =
+ = + =
x y xy dy y x x f
x

12
7
4
1
3
1
4
1
3
1
)
2
1
( )
2
1
( ) (
1
0
2 3
1
0
2
1
0
= + =
+ = + = + =

x x dx x x dx x x X E
Dada la simetra de ) , ( y x f , )
2
1
( ) ( + = y y f
y
y
12
7
) ( = Y E

El valor esperado de XY se obtiene como:
1 1
1 1 1 1
3 2 2 2 2 3
0 0 0 0 0 0
1 1 1 1 1 1 1
( ) ( )
3 2 3 2 6 6 3
E XY xy x y dxdy yx y x dy y y dy y y

= + = + = + = + =

1 7 7 1
( , ) ( ) ( ) ( )
3 12 12 144
Cov X Y E XY E X E Y

= = =

Divisin de economa


5
3.9 Correlacin
Definicin: Si
2
0
x
< < y
2
0
y
< < la correlacin de X y Y se define como
( , ) ( , )
( , ) ( , )
( ) ( )
xy
x y
Cov X Y Cov X Y
Corr X Y X Y
Var X Var Y

= = = = (3.27)

La Correlacin tambin es una medida de la relacin entre dos variables. Sin embargo, a diferencia de
la Covarianza, la Correlacin es independiente de las unidades de medida de las variables. Ntese, sin
embargo, que ambos tendrn el mismo signo.

3.10 Propiedades de la Correlacin

(1)La correlacin solamente puede tomar valores en el intervalo
[ ]
1,1 , esto es
1
xy
(3.28)
(2)Si , a b son constantes, entonces
( , ) ( , ) Corr aX bY Corr X Y = (3.29)
(3)Si , X Y son independientes, entonces
( , ) 0 Corr X Y = (3.30)
(4)Si X es una variable aleatoria con
2
0
x
< < y Y aX b = + , donde , a b son constantes y 0 a ,
entonces
( , ) 1 Corr X Y = , si 0 a > y ( , ) 1 Corr X Y = , si 0 a < (3.31)

La propiedad (1) se puede demostrar considerando que:
Divisin de economa


6
2
[( ) ( )] 0
x y
E X Y , para cualquier valor de .

Desarrollando el cuadrado se puede obtener
2 2 2
[( ) ( ) 2 ( )( )] 0
x y x y
E X Y X Y + , para cualquier valor de .

Evaluando la esperanza de cada trmino,
2
( ) ( ) 2 ( , ) 0 Var X Var Y Cov X Y + , para cualquier valor de .

Haciendo
( , )
( )
Cov X Y
Var Y
= , simplificando y reordenando se puede obtener:
2
[ ( , )] ( ) ( ) Cov X Y Var X Var Y (3.32)

La relacin (2.32) es conocida como la desigualdad de Cauchy-Schwartz e implica que
2 2
[ ( , )] ( ) 1
xy
Corr X Y =

Por tanto, 1 1
xy

Divisin de economa


7
3.11 Moda y Mediana
Definicin: La moda de (la distribucin de) una variable aleatoria X se define como el valor de x tal que
( ) f x es mximo.

En el caso discreto, la moda es el valor de X que tiene la mayor probabilidad de ocurrir.

La moda no es necesariamente un valor nico puesto que el mismo ( ) f x mximo podra ser alcanzado
con diferentes valores de x .

Definicin: Para cualquier variable aleatoria X , la mediana ( ) m de su distribucin es el valor de x tal
que ( ) 1/2 P X m y ( ) 1/2 P X m .

Si existe un valor m tal que ( ) ( ) P X m P X m < = > entonces este punto dividir a la distribucin de
X en dos partes iguales y ser su mediana. Sin embargo, de acuerdo a la definicin anterior es posible
que la mediana no sea un valor nico.

En el caso de variables aleatorias continuas, si la funcin de densidad es simtrica alrededor de x = y
tiene forma de campana, entonces ( ) moda( ) E X m X = = =

Ejemplo 3.10
Considere la siguiente distribucin de probabilidad de una variable aleatoria discreta:
( 1) 0.1 P X = = , ( 2) 0.2 P X = = , ( 3) 0.3 P X = = , ( 4) 0.4 P X = = .
En este caso la mediana de esta distribucin ser 3 m = puesto que ( 3) 0.6 0.5 P X = y
( 3) 0.7 0.5 P X = lo cual est de acuerdo con la definicin.
Divisin de economa


8
Por otro lado, ningn otro valor de X satisface la definicin por lo que en este caso la mediana 3 m =
es nica.
La moda de la distribucin ser 4 y la media ( ) 3 E X = .

Suponga ahora que ( 1) 0.1 P X = = , ( 2) 0.4 P X = = , ( 3) 0.3 P X = = y ( 4) 0.2 P X = = .
En este caso los valores 2 m = y 3 m = satisfarn la definicin de mediana por lo que la mediana no es
nica y cualquier valor de m en el intervalo 2 3 m puede ser considerado como la mediana de esta
distribucin. En la prctica se opta por el valor central (2.5). La moda y media en este caso sern 2 y
2.6 respectivamente.

Ejemplo 3.11
Considere la variable aleatoria X con funcin de densidad
3
2 , 1
( )
0 en otro caso
x x
f x
>
=

. Determine la
media, mediana y moda de esta distribucin.
Determinacin de la media:
3 2 1 1 1
1
1 1
( ) ( ) (2 ) 2 2 lim( 2 ) [ 2(1) ] 2
x
E X xf x dx x x dx x dx x x

= = = = = =

La mediana se puede obtener determinando el valor de m en el integral:
3
1
1
2
2
m
x dx

2 2
1
1 1
1 2
2 2
m
x m m

= + = =

En este caso moda ( ) 1 X = puesto que ( ) f x alcanza su valor mximo cuando 1 x = .
Divisin de economa


1
3.12 Media y Varianza Condicional e Incondicional

Definicin (caso discreto): Sean , X Y variables aleatorias discretas y ( / )
j
P y X la probabilidad de
j
Y y = condicional en X . Sea ( , ) X Y una funcin arbitraria. La media condicional de ( , ) X Y dado
X se define como:
[ ]
/
1
( , )/ ( , ) ( , ) ( / )
Y X j j
j
E X Y X E X Y X y P y X
=
= =
(3.33)
Definicin (caso continuo): Sean , X Y variables aleatorias continuas y ( / )
j
f y x la funcin de densidad
condicional de Y dado X . Sea ( , ) X Y una funcin arbitraria. La media condicional de ( , ) X Y dado
X se define como:
[ ]
/
( , )/ ( , ) ( , ) ( / )
Y X
E X Y X E X Y X Y f Y X dy
= =

(3.34)
Esta funcin puede ser evaluada en un valor particular de X o puede quedar expresada en funcin de
la variable aleatoria X .

Si el valor esperado anterior se mantiene como una funcin de la variable aleatoria X y se toma la
esperanza de esta funcin con respecto a la distribucin de X se puede obtener la media o esperanza
incondicional de ( , ) X Y . Este resultado se establece en el siguiente teorema, para el caso continuo.

Teorema (Ley de Expectativas Iteradas): Sean , X Y variables aleatorias continuas y ( / )
j
f y x la
funcin de densidad condicional de Y dado X . Sea ( , ) X Y una funcin arbitraria y
/
( , )
Y X
E X Y el
valor esperado condicional de ( , ) X Y dado X . La media incondicional de ( , ) X Y es igual a:
Divisin de economa


2
[ ] [ ]
/
( , ) ( , )
X Y X
E X Y E E X Y = (3.35)

Es ilustrativo considerar la prueba correspondiente. De acuerdo a la definicin de valor esperado
(incondicional) de funciones de variables aleatorias
( , ) ( , ) ( , ) E X Y x y f x y dxdy

=

Utilizando la relacin ( , ) ( / ) ( ) f x y f y x f x = la expresin anterior se puede re-escribir como:
( , ) ( , ) ( / ) ( ) E X Y x y f y x dyf x dx

=

La expresin ( , ) ( / ) x y f y x dy
es el valor esperado condicional de ( , ) X Y dado X , denotado como

/
( , )
Y X
E X Y . Por tanto,
/ /
( , ) [ ( , )] ( ) ( , )
Y X X Y X
E X Y E X Y f x dx E E X Y
= =

El siguiente teorema ilustra la relacin entre varianza condicional e incondicional en el contexto de las
definiciones anteriores.

Teorema (Varianza Incondicional): La varianza incondicional de una funcin ( , ) X Y es igual a la media
de la varianza condicional ms la varianza de la media condicional, tal como sigue:

/ /
( , ) ( , ) ( , )
X Y X X Y X
Var X Y E Var X Y Var E X Y = + (3.36)
Divisin de economa


3
Haciendo ( , ) X Y = para simplificar la notacin y utilizando la definicin de Varianza Condicional:
[ ]
2
2
/ / / Y X Y X Y X
Var E E =
Tomando el valor esperado con respecto a X en la ecuacin anterior obtenemos:
[ ]
2
2
/ / / X Y X X Y X X Y X
E Var E E E E = .
Dado que
2 2
/ X Y X
E E E = por la ley de expectativas iteradas, la expresin anterior es igual a:

[ ]
2
2
/ / X Y X X Y X
E Var E E E = (3.37)
Por definicin,
[ ] [ ]
2 2
/ / / X Y X X Y X X Y X
Var E E E E E = , lo cual por el teorema anterior es igual a:
[ ] [ ]
2 2
/ / X Y X X Y X
Var E E E E = (3.38)

Sumando (2.37) y (2.38) se puede obtener:
[ ]
2
2
/ / X Y X X Y X
E Var Var E E E Var + = =

Ejemplo 3.12
Se sabe que
1, 0 1
( )
0 en otro caso
x
f x
< <
y
1
, 0
( / )
0 en otro caso
x y x
f y x
< <
=

. Determinar ( ) E Y .

Alternativa (1): Por definicin ( , ) ( / ) ( ) f x y f y x f x = . Entonces la funcin de probabilidad conjunta ser:
1
( , ) , 0 1,0 f x y x y x
x
= < < < <

Divisin de economa


4
La funcin de densidad marginal para Y puede obtenerse como:
]
1
1 1
( ) ( , ) log log para 0 1
y
y
f y f x y dx dx x y y
x
= = = = < <

.
Ntese que la integral se define en el intervalo
[ ]
,1 y debido a que x y > . Una vez obtenido ( ) f y
procedemos a evaluar ( ) ( ) E Y yf y dy
=

que en este caso es igual a:
1
0
( ) (log ) E Y y y dy =

Resolviendo por integracin por partes hacemos log u y = ; dv ydy = ;
1
du dy
y
= y
2
1
2
v y = .
1
2 2 2 2
0
1 1 1 1 1 1
(log )( ) ( ) log
2 2 2 4 4
udv uv vdu y y y dy y y y
y

= = + = =

Alternativa (2): Por la ley de expectativas (o medias) iteradas
/
( ) ( , )
X Y X
E Y E E X Y =
Haciendo ( , ) X Y Y = y evaluando ( / ) E Y X se puede obtener:
2
/
0 0
1 1 1
( / ) ( / )
2 2
x
x
Y X
E Y X yf x x dy y dy y x E
x x

= = = = =

( ) E Y puede entonces obtenerse tomando el valor esperado sobre X de la funcin anterior.
1
1
2
/
0 0
1 1 1
( ) ( )
2 4 4
X Y X
E Y E E xf x dx x

= = = =

Divisin de economa


5
Ejemplo 3.13
La funcin de densidad marginal de X est dada por
( ) 1 para 0 1 f x x = < <
y la funcin de probabilidad condicional de Y dado X est dada por:
( 1/ )
( 0/ ) (1 )
P Y X x x
P Y X x x
= = =
= = =

Determinar la media y varianza incondicionales de Y .

Alternativa (1):
Media Incondicional de Y :
/ Y X Y X
E E E Y =
/
(1) 0(1 )
Y X
E Y x x x = + =
1
1
2
/
0 0
1 1
( ) ( )
2 2
X Y X x
E Y E E Y E X xf x dx x

= = = = =

Varianza Incondicional de Y :
/ /
( )
X Y X X Y X
Var Y Var E Y E Var Y = +
2
( ) ( )
X X
Var Y Var X E X X = +
Dado que
[ ]
2
2
X X X
Var X E X E X =

y
[ ]
2 2
( )
X X X
E X X E X E X =

la expresin anterior se
reduce a:
[ ] [ ]
2
( )
X X
Var Y E X E X =
Por tanto,
2
1 1 1
( )
2 2 4
Var Y

= =

.
Divisin de economa


6
Alternativa (2):
( ) E Y y ( ) Var Y pueden obtenerse de manera usual si se conocen las probabilidades incondicionales
( 1) P Y = y ( 0) P Y = .
Por definicin
( 1,0 1)
( 1/0 1)
(0 1)
P Y X
P Y X
P X
= < <
= < < =
< <
. Pero el numerador es en este caso la
probabilidad incondicional de 1 Y = . Entonces,

( 1) ( 1/0 1) (0 1) P Y P Y X P X = = = < < < <
Sustituyendo ( 1/0 1) P Y X x = < < = y
1
0
(0 1) ( ) P X f x dx < < =

en la expresin anterior se obtiene:
1
1 1 1
2
0 0 0 0
1 1
( 1) ( ) ( )
2 2
P Y x f x dx xf x dx xdx x

= = = = = =

Por complementariedad,
1
( 0)
2
P Y = =
La media y varianza incondicionales sern entonces:

( ) ( )
1 1 1
( ) 1 0
2 2 2
E Y

= + =

2 2
1 1 1 1 1 1 1 1 1
( ) 1 0
2 2 2 2 4 2 4 2 4
Var Y

= + = + =

Divisin de economa


1
3.13 Momentos y Funciones Generadoras de Momentos

Definicin (Momentos alrededor del origen): Para cualquier variable aleatoria X y cualquier nmero
entero positivo k , el k -simo momento alrededor del origen o alrededor de cero, o simplemente el
momento k se define como el valor esperado (esperanza o expectativa) de
k
X , esto es ( )
k
E X

De acuerdo a la definicin anterior, la media o ( ) E X es el primer momento de la variable aleatoria X .

Definicin (Momentos alrededor de la media): El k -simo momento alrededor de la media o el momento
k alrededor de la media o simplemente el momento central k se define como [ ( )]
k
E X E X .

Segn la definicin anterior la varianza es el segundo momento de una variable aleatoria alrededor de la
media o el segundo momento central.

El primer momento central de cualquier variable aleatoria necesariamente debe ser cero puesto que
1
[ ( )] ( ) ( ) 0 E X E X E X E X = = .

En los casos donde la distribucin es simtrica alrededor de la media cualquier momento central impar,
en el caso que exista, ser igual a cero.

Se dice que el momento k existe si y solo si
( )
k
E X < . Si la variable aleatoria es acotada, todos los
momentos deben necesariamente existir. Sin embargo, estos pueden existir aun cuando la variable no
sea acotada. Finalmente, como ser aparente mas adelante, si el momento k existe todos los
momentos j k < necesariamente deben existir.
Divisin de economa


2
Definicin (funcin generadora de momentos): Sea X una variable aleatoria y t un nmero real. La
funcin generadora de momentos ( . . . f g m ) de X se define como:
( ) ( )
tX
t E e = (3.39)

Si la variable aleatoria es acotada entonces la . . . m g f debe existir para todos los valores de t . En caso
contrario, la . . . m g f puede existir para ciertos valores de t y no existir para otros valores. Sin embargo,
para cualquier variable aleatoria X , la . . . m g f necesariamente existe en 0 = t . En este caso,
0
(0) ( ) (1) 1
X
E e E = = =

La generacin de momentos se establece en el siguiente teorema:

Teorema: Bajo el supuesto de que la . . . m g f de una variable aleatoria X existe para todos los valores
de t en algn intervalo alrededor de 0 t = y de que todas las derivadas existen, el momento k de la
variable aleatoria X alrededor del origen est dado por la k -sima derivada de la . . . m g f evaluada en
0 = t . Esto es:
M
) ( ) 0 (
) ( ) 0 (
) ( ) 0 (
3
2
X E
X E
X E
=

=

=
(3.40)
El primer resultado establece que la primera derivada de la . . . m g f ) (t en 0 = t es la media de X .
Divisin de economa


3
Bajo los supuestos anteriores la derivada ) (t

existe en el punto 0 = t y la derivada de la esperanza
es igual a la esperanza de la derivada. Por tanto,
( ) [ ] ) ( ) ( ) 0 (
0
0 0
X E Xe E e
dt
d
E e E
dt
d
t
tX
t
tX
t
tX
= =
=
= =

Igualmente, la n-sima derivada de ) (t en 0 = t existe y satisface la relacin:
( ) [ ] [ ]
n
t
tX n
t
tX
n
n
t
tX
n
n
n
X E e X E e
dt
d
E e E
dt
d
= =
=
=
= =
0
0 0
) (
) ( ) 0 ( ,
Lo cual produce los resultados en (3.40).

Ejemplo 3.14
Para la variable aleatoria X con funcin de densidad de probabilidad ( . . . p d f ):
>
=

caso otro en 0
0 para
) (
x e
x f
x

Es posible determinar la . . . f g m y evaluar la varianza tal como sigue.
La . . . m g f de X es por definicin: dx e dx e e e E t
x t x tx tx

= = =
0
) 1 (
0
) ( ) (
En este caso la integral ser finita si y solo si 1 < t . Por tanto ) (t existe solo para 1 < t . Entonces
Divisin de economa


4
t
t
=
1
1
) (
La primera y la segunda derivada son respectivamente por
3 2
) 1 (
2
) ( ,
) 1 (
1
) (
t
t
t
t

Entonces, 2 ) 0 ( ) ( ; 1 ) 0 ( ) (
2
=

= =
= x E x E
Por tanto, [ ] [ ] 1 1 2 ) 0 ( ) 0 ( ) ( ) ( ) (
2 2 2
= =

= = x E x E x Var

3.14 Propiedades de las Funciones Generadoras de Momentos

(i)Si X es una variable aleatoria con . . . m g f
X
y b aX Y + = , donde a y bson constantes, la
. . . m g f de Y es igual a
) ( ) ( at e t
X
bt
Y
= (3.41)
Para cualquier valor de t tal que ) (at
x
existe.

Esta propiedad se puede demostrar aplicando la definicin de . . . m g f

( ) [ ] [ ] [ ] ) ( ) (
) (
at e e E e e E e E t
X
bt atX bt b aX t tY
Y
= = = =
+

Divisin de economa


5
(ii)Si
n
X X , ,
1
L son variables aleatorias independientes entonces
=
=
n
i
X Y
t t
i
1
) ( ) ( (3.42)
Por definicin, [ ] [ ] [ ]

= = =
+ + +
= =
= = =
n
i
X
n
i
tX
n
i
tX X X X t tY
Y
t e E e E e E e E t
i
i i n
1 1 1
) (
) ( ) (
2 1

L
,
puesto que son variables aleatorias independientes.

(iii)Si ) ( ) (
2 1
t t
X X
para todo valor de t en un intervalo alrededor de 0 = t , entonces las
distribuciones de
1
X y
2
X deben ser idnticas. Esta propiedad se conoce como propiedad de unicidad
de la funcin generadora de momentos.

Ejemplo 3.15
Determinar la . . . m g f de la variable aleatoria X Y 2 3 = donde X es definida en el Ejemplo 3.14
Sabemos que la variable aleatoria X tiene funcin de densidad de probabilidad ( . . . p d f ):
>
=

caso otro en 0
0 para
) (
x e
x f
x

y que su funcin generadora de momentos ( . . . m g f ) es:
t
t
=
1
1
) ( , para todo 1 < t
La propiedad (i) establece que la . . . m g f de b aX Y + = es igual a ) ( ) ( at e t
X
bt
Y
= .
Divisin de economa


6

Por tanto,
t
e
t
e t e
t
t
X
t
Y
2 1 ) 2 ( 1
1
) 2 (
3
3 3
+
=

= = , para 2 / 1 > t .

Se puede obtener el mismo resultado aplicando directamente la definicin (3.39):
) (
tY
Y
e E =
) ( ) (
2 3 ) 2 3 ( tX t X t
Y
e E e e E

= =

Evaluando la esperanza anterior:

2 2 (2 1)
0 0
1 1
( )
(2 1) 1 2
tX tx x t x
E e e e dx e dx
t t

+
= = = =
+ +

Debe notarse que en este caso la integral ser finita si y solo si 0 ) 1 2 ( > + t 2 / 1 > t .

Entonces la . . . m g f de Y ser:
t
e
e E e e E
t
tX t X t
Y
2 1
) ( ) (
3
2 3 ) 2 3 (
+
= = =

Divisin de economa


7
3.15 Valor Esperado en el Caso Multivariado

Definicin (valor esperado de un vector de variables aleatorias) : Sea
[ ]
1 2
T
n
x x x = x K un vector
de variables aleatorias o un vector aleatorio, donde
[ ]
i i
E x = ,
2
( )
i i
Var x = y ( , )
i j ij
Cov x x = . El
valor esperado de x se define como:
[ ]
[ ]
[ ]
[ ]
1
1
2 2
n
n
E x
E x
E
E x

= = =

x
M
M
(3.43)
Es decir, el valor esperado (esperanza) de un vector aleatorio es el vector de valores esperados de cada
una de las variables del vector aleatorio.

Definicin (co-varianza de un vector de variables aleatorias) : La covarianza de un vector x de variables
aleatorias se define como:
[ ][ ]
( ) ( ) ( )
T
Cov E E E = x x x x x (3.44)

Es importante remarcar que ( ) Cov x ser una matriz simtrica positiva definida de dimensin n por n.

A continuacin se describe su estructura especfica.
Divisin de economa


8
[ ][ ]
[ ]
( ) ( )( ) ( )( )
( )( ) ( ) ( )( )
( )( ) ( )( ) ( )
1 1
2 2
1 1 2 2
2
1 1 1 1 2 2 1 1
2
2 2 1 1 2 2 2 2
2
1 1 2 2
( ) ( ) ( )
( )
( )
( ) ( ) ( )
( )
T
n n
n n
n n
n n
n n n n n n
Cov E E E
x E x
x E x
E x E x x E x x E x
x E x
E x E x x E x x
E x x E x E x x
E x x E x x E x

= =

x x x x x
L
M
L
L
M M M
L

Entonces,

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
2
1 1 2 1 1 12 1
2
2 1 2 2
21 2 2
2
1 2 1 2
, ,
, ,
( )
, ,
n n
n
n
n n n n n n
Var x Cov x x Cov x x
Cov x x Var x Cov x x
Cov
Cov x x Cov x x Var x

= =

x
L L
L L
M M M M M M
L L
(3.45)

Divisin de economa


9
3.16 Algunas propiedades de ( ) E x y ( ) Cov x

(1)La covarianza de un vector aleatorio x es igual a
( ) ( ) ( )
( )
T
T
Cov E E E =

x xx x x (3.46)
(2)Si
[ ]
1 2
T
n
a a a = a K es un vector de constantes y
[ ]
1 2
T
n
x x x = x K es un vector
conformable de variables aleatorias donde
[ ]
1 2
( )
T
n
E = = x K , entonces

1 1 2 2
1
( ) ( )
n
T T T
n n i i
i
E E a a a a
=
= = = + + + =
a x a x a K (3.47)

2 2
1 <
( ) [ ( )] 2
n
T T
i i i j ij
i i j
Var Cov a a a
=
= = +

a x a x a (3.48)

(3)Si P es una matriz de constantes de dimensin
( )
m n , donde m n y x es un vector de variables
aleatorias de dimensin n. Entonces, el valor esperado y la matriz de covarianza de la combinacin
lineal = Z Px estn dados respectivamente por:

[ ] [ ] [ ]
E E E = = = Z Px P x P (3.49)

( ) ( ) ( )
Cov Cov Cov = = Z Px P x P (3.50)

En este caso = Z Px es un vector aleatorio de dimensin
( )
1 m .

Divisin de economa


1
4. Distribuciones de Probabilidad Especficas

4.1 Distribucin de Bernoulli
Definicin: Una variable aleatoria X tiene una distribucin de Bernoulli con parmetro 0 1 p ( p ) si
X solamente puede tomar los valores 0 y 1 con probabilidades ( 1) P X p = = y ( 0) 1 P X p = = .
La funcin de densidad de X es en este caso:
1
(1 ) , 0,1
( / )
0 en otro caso
x x
p p x
f x p
=
=

(4.1)
Ntese que segn (4.1) (0/ ) (1 ) f p p = y (1/ ) f p p = lo cual corrobora la definicin anterior.
El valor esperado o esperanza de X ser en este caso:
01
( ) ( / ) (0)(1 ) (1)( )
,
E X xf x p - p p = = +

( ) E X p = (4.2)
El segundo momento alrededor del origen es:

2 2 2 2
0,1
( / ) (0) (1 ) (1) ( ) E X x f x p p p p = = + =

Entonces, la varianza de X se puede obtener como
[ ] [ ] ( )
2
2 2
( ) Var X E X E X p p = =

.
[ ]
(1 ) Var X p p = (4.3)
La funcin generadora de momentos ( . . f g m) de X est dada por:
( ) (1 )
t
t pe p = + ; t < < (4.4)
Por definicin,
1
0,1
( ) ( ) (1 ) (1 )
tX tX tX x x t
t E e e f x e p p p e p

= = = = +

Divisin de economa


2
La distribucin de Bernoulli es til para modelar experimentos donde solamente hay dos resultados
posibles, xito o fracaso, denotados convenientemente por uno y cero. En economa esta distribucin
se utiliza en los denominados modelos de eleccin con dos alternativas, tales como comprar o no
comprar un automvil, participar o no participar en la fuerza laboral, etc.

4.2 Distribucin Binomial
Definicin: Si
1 2
, , ,
n
X X X L son variables aleatorias independientes y cada una tiene una distribucin
Bernoulli con parmetro p, la variable
1
n
i
i
X X
=
=
tiene una distribucin binomial con funcin de

densidad:
(1 ) , 0,1, ,
( / , )
0 en otro caso
x n x
n
p p x n
f x n p x
L
(4.5)
Donde
!
!( )!
n
n
x x n x

=

: Nmero de combinaciones de n tomados x cada vez
n: Nmero entero positivo
0 1 p : Probabilidad de xito en la distribucin de Bernoulli.

El valor esperado, la varianza y la funcin generadora de momentos de X son respectivamente:
[ ] [ ]
1
n
i
i
E X E x np
=
= =
(4.6)
Divisin de economa


3
[ ] [ ]
1
(1 )
n
i
i
Var X Var x np p
=
= =
(4.7)
1
( ) ( ) (1 )
i
n
n
tx tX t
i
t E e E e pe p
=
= = = +

(4.8)

Un aspecto prctico importante es determinar si un experimento particular es Binomial. Para esto se
debe considerar lo siguiente:
(i) Las n repeticiones son idnticas y cada repeticin solamente tiene dos resultados posibles
(ii)Las repeticiones son independientes en el sentido de que los resultados de una repeticin no
dependen de los resultados de las repeticiones anteriores. En general, esta condicin se satisface
cuando la poblacin es grande y la muestra considerada ( ) n es pequea en relacin a la poblacin
En los modelos de eleccin sealados anteriormente la variable
1
n
i
i
X X
=
=
representa el nmero de
personas que compraron un automvil o el nmero de personas que decidieron participar en la fuerza
laboral. Entonces, la transformacin
X
Y
n
= ser la proporcin de exitos en n repeticiones del
experimento. En este caso se puede obtener
[ ] [ ]
(1 )
y
p p
E Y p Var Y
n
= =

Finalmente, se puede demostrar que si
1 2
, , ,
K
X X X L son variables aleatorias independientes y cada
una tiene una distribucin binomial con parmetros
i
n y 12 p (i , , ,K) = L la suma
1 2
( )
K
Y X X X = + + + L tendr una distribucin binomial con parmetros
1 2
( )
k
n n n n = + + + L y p.
Divisin de economa


4
Ejemplo 4.1
Suponga que un lote de 500 computadoras contiene un 10% de defectuosas. Si se selecciona una
muestra de 5 computadoras aleatoriamente cul es la probabilidad de encontrar por lo menos una
computadora defectuosa?

Sea X el nmero observado de computadoras defectuosas en el experimento. Entonces se debe
encontrar: ( 1) 1 ( 0) P X P X = =
Asumiendo que X tiene una distribucin binomial, la probabilidad anterior es igual a:
5 5
5
( 1) 1 (1 ) 1 (0.9) 1 0.59 0.41
0
P X p

= = = =

4.3 Distribucin Multinomial
Supongamos un experimento con n repeticiones idnticas e independientes. En cada repeticin el
resultado puede pertenecer a una de K clases o categoras con probabilidad 12
i
p (i , , ,K) = L .
Sea
i
Z una variable aleatoria definida como:

1, 12
0
i
el resultado pertenece a la clase i (i , , ,K)
Z
en otro caso
=
L
(4.9)
Sea
ij
Z el valor que la variable
i
Z toma en la repeticin j del experimento y
1
n
i ij
j
X Z
=
=
el nmero de
veces que el resultado del experimento pertenece a la categora o clase 12 i (i , , ,K) = L .

Divisin de economa


5
Definicin: En el contexto anterior, la densidad conjunta de las variables aleatorias
1 2
, , ,
K
X X X L es la
funcin multinomial con parmetros n y
1 2
, , ,
k
p p p L y est dada por:
1 2
1 2 1 2
1 2
!
( , , , )
! ! !
K
x x x
K K
K
n
f x x x p p p
x x x
= L L
L
(4.10)
Donde
1
1
K
i
i
p
=
=
y
1
K
i
i
X n
=
=

Dado que cada ( 1,2, , )
i
X i K = K tiene una distribucin binomial su media y varianza son iguales a:
[ ]
i i
E X np = (4.11)
[ ]
(1 )
i i i
Var X np p = (4.12)
La covarianza entre cada par de variables , ;
i j
X X i j es igual a:
[ ]

, ;
s t s t
Cov X X np p s t = (4.13)

Es posible demostrar el resultado (4.13) definiendo las variables dictomas:
1, el resultado de la repeticin a la clase
0 en otro caso
sj
j s
Z

1, el resultado de la repeticin pertenece a la clase
0 en otro caso
tj
j t
Z

1
n
s sj
j
X Z
=
=
;
1
n
t tj
j
X Z
=
=

Divisin de economa


6
Por construccin
sj s
E Z p =

y
tj t
E Z p =

. Igualmente , 0
sj ti
Cov Z Z =

, para i j , dado que hay
independencia entre los resultados de las diferentes repeticiones.
Sin embargo, para una determinada repeticin i no hay independencia entre las clases o categoras s y
t lo cual implica que [ ] 0 ,
ti sj
Z Z Cov cuando j i = . Especficamente,
[ ] [ ] [ ] [ ]
, 0
si ti si ti si ti s t
Cov Z Z E Z Z E Z E Z p p = =
En este caso
[ ]
0
si ti
E Z Z = puesto que * 0
si ti
Z Z =
Entonces:
1 1 1 1
( , ) ( , ) ( , )
n n n n
s t si tj si tj
i j i i
Cov X X Cov Z Z Cov Z Z
= = = =
= =

1
1
( , ) ( , ) ( , )
( ) 0
n
s t si ti si tj
i i j
n
s t
i
s t
Cov X X Cov Z Z Cov Z Z
p p
np p
=
=
= +
= +
=

Es importante remarcar que la distribucin multinomial es utilizada en modelos de eleccin donde el
nmero de opciones (clases o categoras) es mayor que 2.

Suponiendo 3 repeticiones solamente, la expresin anterior sera:
( )( ) ( ) ( )
3 3 3 3 3 3
1 1 1 1 1 1
1 2 3 1 2 3 1 2 3 1 2 3
( , ) * *
si tj si tj si tj
i j i j i j
s s s t t t s s s t t t
Cov Z Z E Z Z E Z E Z
E Z Z Z Z Z Z E Z Z Z E Z Z Z
= = = = = =

=

= + + + + + + + +

Divisin de economa


7
1 1 1 2 1 3 2 1 2 2 2 3
3 1 3 2 3 3
( , ) ( , ) ( , ) ( , ) ( , ) ( , )
( , ) ( , ) ( , )
s t s t s t s t s t s t
s t s t s t
Cov Z Z Cov Z Z Cov Z Z Cov Z Z Cov Z Z Cov Z Z
Cov Z Z Cov Z Z Cov Z Z
= + + + + +
+ +

Dado que ( ) 0
si tj
Cov Z Z = para todo i j se puede obtener:

1 1 2 2 3 3 1 1 2 2 3 3
( ) ( ) ( ) ( ) ( ) ( )( ) ( )( )
s t s t s t s t s t s t
E Z Z E Z Z E Z Z E Z E Z E Z Z E Z Z = + +
3 3
1 1 2 2 3 3
1 1
( , ) ( , ) ( , ) ( , ) 3
si tj s t s t s t s t
i j
Cov Z Z Cov Z Z Cov Z Z Cov Z Z p p
= =
= + + =

Ejemplo 4.2
Suponga que cada 15 de septiembre a la medianoche 1 milln de personas concurre al zcalo
capitalino. Se sabe que el 20% de la poblacin vive dentro de un radio de distancia de 15 KM, el 70%
vive a una distancia entre 15 y 50 KM y la poblacin restante vive a mas de 50 KM de distancia del
zcalo. Suponga que 20 personas son seleccionadas aleatoriamente. Determinar la probabilidad de que
6 de ellas vivan a no mas de 15 KM, 12 personas vivan a una distancia entre 15 y 50 KM y 2 de ellas
vivan a mas de 50 KM de distancia.

En este caso se puede asumir que la seleccin de personas ocurre con reemplazo dado que la
poblacin concentrada en el zcalo es bastante grande.
Segn (4.4):
1 2
1 2 1 1 2 2 1 2
1 2
!
( , , , ) ( , , , )
! ! !
K
x x x
K k k K
K
n
f x x x P X x X x X x p p p
x x x
= = = = = L K L
L

Por tanto la probabilidad requerida se puede obtener como:
6 12 2
20!
(0.2) (0.7) (0.1) 0.031
6!12!2!
=
Divisin de economa


8
4.4 La Distribucin Uniforme
Definicin: Una variable aleatoria X definida en el intervalo
[ ]
1 2
, tiene una distribucin uniforme si su
funcin de densidad es:

1 2
2 1
1
,
( )
0 en otro caso
x
f x

(4.14)
El valor esperado y la varianza de una distribucin uniforme son respectivamente:

[ ]
2
2 1
+
= X E (4.15)
[ ]
12
) (
2
1 2

= X Var (4.16)

El valor esperado se puede obtener como sigue:
[ ]
[ ]
2
2
1 1
2 2
2
2 1 2 1 2 1
2 1 2 1 2 1 2 1
1 2
( )( ) 1 1 1
( )
2 2( ) 2( )
2
E X xf x dx x dx x
E X
+

= = = = =

+
=

La varianza puede calcularse obteniendo
2
E X

y luego evaluando
( )
2 2
[ ( ) ] E X E X

.

Grficamente, la distribucin uniforme est acotada entre
1
y
2
y ) (x f tiene un valor constante
1 2
1

.
Divisin de economa


9

Ejemplo 4.3
La funcin de densidad de una variable aleatoria est dada por
,0 4
( )
0 en otro caso
cx x
f x
< <
.
Determinar el valor de la constante c y evaluar ( 2) P X > .
La funcin anterior debe satisfacer
4
4
2
0 0
1
1 8 1 1/8
2
cxdx c x c c

= = = =

.
Entonces,
4
4
2
2 2
1 1 3
( 2) (1/8) 1
16 4 4
P X xdx x

> = = = =

) (x f
1 2
1

1
0
Divisin de economa


1
4.5 Distribucin Gamma
Definicin: Una variable aleatoria X tiene una distribucin de tipo gamma, con parmetros y , si
su funcin de densidad es:
1
1
( / , ) ; , 0 , 0
( )
x
f x x e x

= > >
(4.17)
Donde: ) ( es la funcin gamma, definida como:
1
0
( )
x
x e dx
(4.18)
El valor de esta integral ser finito para cualquier valor 0 > .

La funcin gamma tiene las siguientes propiedades:
Si 1 > entonces ) 1 ( ) 1 ( ) ( =
Si n = y n es un nmero entero positivo entonces )! 1 ( ) ( = n n

El valor esperado y la varianza de X son respectivamente:
[ ]
E X = (4.19)

[ ]
2
Var X = (4.20)
El valor esperado de X puede obtenerse tal como sigue:
[ ]
1
0 0 0
1 1 1
( )
( ) ( ) ( )
x x x
E X xf x dx x x e dx x e dx x e dx

= = = =

(*)
Divisin de economa


2
Por definicin
1 1
0 0
1
1 ( )
( )
x x
x e dx x e dx

= =

, lo cual a su vez implica
que
1
0
( 1)
x
x e dx

+
= +
. Sustituyendo este resultado en (*) se puede obtener:

[ ]
1 1
1 1
( 1) ( )
( ) ( )
E X

+ +
= + = =

NOTA: La distribucin gamma es apropiada para variables aleatorias no negativas, con densidad de
probabilidad asimtrica, concentrada cerca del origen y con disminucin gradual a medida que el valor
de X aumenta. Las siguientes grficas muestran esta distribucin para varios valores de y .

2 4 6 8 10 12 14 16 18 20
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
X
f
(
x
)
Densidades Gamma (beta =1)
a =2
a =4
a =8
a =12
2 4 6 8 10 12 14 16 18 20
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
X
f
(
x
)
Densidades Gamma
a =2, b =1
a =2, b =2
a =8, b =1
a =8, b =2

Divisin de economa


3
La funcin generadora de momentos ( . . . m g f ) de la distribucin gamma esta dada por:
) 1 (
1
) (
t
t
= (4.21)

Partiendo de la definicin de la . . . m g f :
1 1
0 0
1
1
0
( )
1
1 1
( ) ( )
1
( )
1 1 1
( ) ( )
( ) 1 1 (1 )
x x
tx tx tx
t
x
t
E e e x e dx e x e dx
x e dx
t
t t t

= =

=

= = =

1442443

Utilizando la . . . m g f anterior se puede demostrar que si las variables
K
X X X , , ,
2 1
L son
independientes y cada una tiene una distribucin gamma con parmetros
i
y ,K) , , (i L 2 1 = , la
transformacin
1 2
( )
K
Y X X X = + + + L sigue una distribucin gamma con parmetros
) (
2 1 K
+ + + L y .
Divisin de economa


4
4.6 Distribucin Exponencial
Definicin: La distribucin exponencial con parmetro 0 > es un caso especial de la distribucin
gamma cuando 0 , 1 > = . En este caso la . . . p d f se especifica como:
1
para 0
( )
0 en otro caso
x
e x
f x

>
(4.22)
La siguiente grfica muestra la distribucin exponencial para diferentes valores de .

0 2 4 6 8 10 12 14 16 18 20
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Densidades Exponenciales (b =1,2,4,8)
b =8
b =4
b =2
b =1

Utilizando los resultados en (4.19) y (4.20) el valor esperado y varianza de X sern respectivamente:
Divisin de economa


5
[ ]
E X = (4.23)
[ ]
2
Var X = (4.24)
La . . . m g f ser en este caso:
) 1 (
1
) (
t
t
= , para ) / 1 ( < t (4.25)

NOTA: La distribucin exponencial tiene una propiedad particular conocida como la propiedad de falta
de memoria lo cual esencialmente significa que no es necesario considerar ocurrencias pasadas de un
evento a fin de calcular la probabilidad de futuras ocurrencias de este evento. Esto implica que
) ( ) / ( b X P a X b a X P > = > + > .

Este resultado puede demostrarse partiendo de la definicin de probabilidad condicional:
) (
) (
) (
) , (
) / (
a X P
b a X P
a X P
a X b a X P
a X b a X P
>
+ >
=
>
> + >
= > + >
]

/ ) ( / /
1
) (
b a
b a
x
b a
x
e e dx e b a X P
+
= = = + >

]

/ / /
1
) (
a
a
x
a
x
e e dx e a X P

= = = >

Por tanto ) (
) (
) (
) / (
/
/
/ ) (
b X P e
e
e
a X P
b a X P
a X b a X P
b
a
b a
> = = =
>
+ >
= > + >

Divisin de economa


6
4.7 Distribucin Chi-cuadrado (
2
)
Definicin: La distribucin Chi-cuadrado (
2
) con parmetro es el caso especial de la distribucin
gamma cuando
2
= y 2 = . En este caso la funcin de densidad es:

( )
( ) 1
2 2
( )
2
1
( / , ) ; 0
/2 2
x
f x x e x

= >
(4.26)
La media y varianza de una variable aleatoria con distribucin Chi-cuadrada son respectivamente:
[ ]
E X = (4.27)
[ ]
2 Var X = (4.28)

Funcin generadora de momentos de la distribucin
2
( )
es:
2
1 1
( ) ;
1 2 2
t t
t

= <

(4.29)

En el caso de K variables aleatorias independientes
K
X X X , , ,
2 1
L es posible demostrar que si
cada una tiene una distribucin
2
con parmetro
i

i
grados de libertad( 12 ) i , , ,K = L , la suma
K
X X X + + + L
2 1
tiene una distribucin
2
con parmetro
1 2
( )
K
+ + + L .
Divisin de economa


7

2 4 6 8 10 12 14 16 18 20
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
X
f
(
x
)
Densidades Chi-Cuadrado
v =2
v =4
v =8

Divisin de economa


8
4.8 La Distribucin Normal
Definicin: Una variable aleatoria X tiene una distribucin normal con media y varianza
2

2
( , 0) < < > , denotado
2
~ ( , ) X N , si su funcin de densidad es:
2
2
1 2
2
2
1 ( )
( , ) exp ; -
2
(2 )
x -
f x/ - x

= < <

(4.30)
La media y varianza de la distribucin normal estn dados respectivamente por:
[ ]
E X = (4.31)

[ ]
2
Var X = (4.32)
La funcin generadora de momentos de la distribucin normal es:
2 2
1
( )
2
( ) ; -
t t
t e t

+
= < < (4.33)

A continuacin se bosqueja la obtencin de la . . . m g f :
2
2
)
2
1
2
1
( ) ( )
(2 )
(x- )
tx-
tx
t E e e dx
= =

Completando cuadrados en el exponente se puede obtener:
2
2
2
2 2
2 2
( )
( ) 1
2 2 2
x t
x -
tx - t t
+

= +

Divisin de economa


9
2 2
1
( ) exp( )
2
t C t t = + , donde
2
2
1 2
2
( )
1
exp
2
(2 )
x t
C dx

+

=

Pero 1 = C puesto que x es una variable aleatoria que tiene una distribucin normal con media
2
( ) t + y varianza
2
.
2 2
1
( )
2
( )
t t
t e

+
=
La distribucin normal tiene la bien conocida forma de campana con interseccin vertical en
2 / 1 2
) 2 /( 1 y puntos de inflexin en = x .
Igualmente, el parmetro es la media, la mediana y la moda.

La siguiente propiedad, establece la normalidad de funciones lineales de una variable aleatoria que
sigue una distribucin normal y es de enorme utilidad prctica: Si X tiene una distribucin normal con
media y varianza
2
y b aX Y + = , donde a y b son constantes y 0 a , entonces Y tiene una
distribucin normal con media b a + y varianza
2 2
a . En notacin convencional:
Si
2
~ ( , ) X N entonces
2 2
( ) ~ ( , ) aX b N a b a + + (4.34)

Esta propiedad implica que si una variable aleatoria X tiene una distribucin normal con media y
varianza
2
, la transformacin
) ( X
tendr tambin una distribucin normal con media cero y
varianza unitaria. Esto se conoce como la distribucin normal estndar.
Divisin de economa


10

-10 -8 -6 -4 -2 0 2 4 6 8 10
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Densidades Normales
X
f
(
x
)
(u=2, s2=2)
(u=0, s2=4)
(u=-4, s2=9)

Divisin de economa


11
4.9 La Distribucin Normal Estndar
Definicin: La distribucin normal con media cero ) 0 ( = y varianza unitaria ) 1 (
2
= es denominada
distribucin normal estndar. En este caso la funcin de densidad se reduce a:
2
1
2
1
2
1
( ) ( /01) ;
(2 )
Z
f Z f Z , e Z
= = < < (4.35)

La Funcin de Distribucin es, por definicin:
( ) ( ) ;
Z
F Z f Z dZ Z
(4.36)
Por simetra, ) ( ) ( Z X P Z X P = , lo cual implica: < < = + Z Z F Z F ; 1 ) ( ) (
-5 -4 -3 -2 -1 0 1 2 3 4 5
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
Funcin de Probabilidad N(0,1)
F(-2)=0.022750132
1 - F(2)
F(2)=0.97724987
-4 -3 -2 -1 0 1 2 3 4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Funcin de Distribucin N(0,1)
F(-2)
F(2)
1-F(2)

Divisin de economa


12
Ejemplo 4.4
La variable aleatoria X tiene una distribucin normal con media 5 y varianza 4. Determinar
) 8 1 ( < < X P
1 5 5 8 5
(1 8) ( ) ( 2 1.5)
2 2 2
X
P X P P Z

< < = < < = < <
[ ] [ ]
(1 8) ( 1.5) ( 2) (1.5) ( 2)
(1.5) 1 (2) 0.9332 1 0.9773 0.9105
P X P Z P Z F F
F F
< < = < < =
= = =

Los valores (1.5) 0.9332 F = y (2) 0.9772 F = pueden obtenerse con la ayuda de algn
software estadstico/economtrico (EViews, Stata, Gauss, Matlab, Excel, etc.) Alternativamente pueden
obtenerse de los tabulados de esta distribucin que aparecen al final de los libros de texto. Ver por
ejemplo, Tabla A.2: Cumulative Normal Distribucin, columna 1 y renglones 16 y 21 en el libro de
Maddala, Introduction to Econometrics, Second Edition.

4.10 Normalidad de la suma de variables aleatorias normales independientes
La propiedad establecida en 4.34 puede generalizarse al caso de K variables aleatorias. Si las
variables aleatorias
K
X X X , , ,
2 1
L son independientes y cada una tiene una distribucin normal con
una media
i
y varianza
2
i
( 12 ) i , , ,K = L y b a a a
K
, , , ,
2 1
L son constantes, entonces la
combinacin lineal ) (
2 2 1 1
b X a X a X a
K K
+ + + + L tambin tiene una distribucin normal con
media ) (
2 2 1 1 K K
a a a + + + L y varianza ) (
2 2 2
2
2
2
2
1
2
1 K K
a a a + + + L .

Divisin de economa


13
Ejemplo 4.5
Supongamos que el ingreso diario por persona en E. U. tiene una distribucin normal con media 68 ($)
y desviacin estndar 2 y la misma variable para Canad tambin tiene una distribucin normal con
media 65 ($) y desviacin estndar igual a 1. Si una persona de cada pas es seleccionada
aleatoriamente e independientemente. Cul es la probabilidad de que el ingreso del canadiense sea
mayor que el ingreso del estadounidense?

C: Ingreso de un canadiense ) 1 , 65 ( ~N
E: Ingreso de un estadounidense
2
~ (68,2 ) N
Aplicando la propiedad establecida en la nota anterior:
2 2 2
( ) ~ ( 65 68 3, (1) (2) 5) C E normal = = = + = . Estandarizando obtenemos:
( ) ( ) 3
~ (0,1)
5
C E C E
Z N
+
= = lo cual a su vez implica que 5 3 C E Z = .
( ) ( 0) ( 5 3 0)
3
( ) ( 1.342) 1 ( 1.342) 1 (1.342)
5
P C E P C E P Z
P Z P Z P Z F
> = > = >
= > = > = =

Aplicando el comando . . (1.342) DISTR NORM STAND = en Excel o (1.342) cdfn en Gauss,
obtenemos el valor 0.910202 , lo cual (redondeando) nos permite concluir que ( ) 0.090 P C E > = .
De la tabla de Maddala referida anteriormente se puede obtener (1.34) 0.9099 F = , lo que nos lleva
al mismo resultado.
Divisin de economa


1
4.11 La Distribucin Normal Multivariada
Definicin: Sea
[ ]
1 2
, , ,
T
n
X X X = x L un vector columna de n variables aleatorias con vector de
medias ( ) E = x y matriz de covarianza ( ) Cov = x . El vector x tiene una distribucin normal
multivariada si su funcin de densidad conjunta es:
1
1
( )
2 2
2
( ) (2 )
T
n
f e
=
1
x ) (x
x (4.37)
Donde es el determinante de la matriz de covarianza y T es el operador de transposicin.

La funcin de densidad conjunta normal multivariada se puede representar alternativamente como:
1
1
1
2 2
2
1 2
( ) (2 ) ( )
T
n
n
f e

=
1
v R v
x R L (4.38)
Donde R es la matriz de correlacin, la cual contiene unos en la diagonal principal y fuera de la
diagonal tiene como elemento tpico
j i
ij
ij

= (correlacin de
i
X y
j
X ) . El vector v tiene como
elemento tpico a la variable
i
X estandarizada. Esto es,
i i
i
X
.

El resultado (4.38) puede demostrarse partiendo del hecho de que la matriz de covarianza puede
expresarse como = DRD, donde R es la matriz de correlacin y D es una matriz diagonal con
elemento tpico
i
(a lo largo de la diagonal).
Divisin de economa


2
En el caso tri-variado la representacin explcita de = DRD ser:

2
1 12 13 1 12 13 1
2
21 2 23 2 21 23 2
2
31 32 3 3 31 32 3
2
1 1 2 12 1 3 13
2
2 1 21 2 2 3 23
2
3 1 31 3 1 32 3
0 0 1 0 0
0 0 1 0 0
0 0 1 0 0

=

=

Ntese que
ij i j ij
= lo cual se obtiene de la definicin de correlacin:
ij ij i j
= .

Utilizando la propiedad = = DRD D R D se puede obtener
1
1 1
1
2
2 2
1 2 1 2 1 2
( ) ( ) ( )
n n n

= =

R R K K K

Por otro lado, sutituyendo = DRD en el ltimo exponente de (4.37) se puede obtener:
1 1
1 1 1 1
( ) ( ) ( ) ( ) ( )
[( ) ] [ ( )]
T T
T T

=
= =
x x x DRD x
x D R D x v R v

Divisin de economa


3
En el caso trivariado, el vector
T
v es igual a:
[ ]
1
1
1 1 2 2 3 3 2
3
3 3 1 1 2 2
1 2 3
1 0 0
( ) ( ) ( ) ( ) 0 1 0
0 0 1
( ) ( ) ( )

T T
x x x
x x x

= =

=

v x D

En el caso donde no hay correlacin (ningn par de variables esta correlacionado), esto es 0
ij
=
para todo i j , la matriz R se hace igual a I (identidad) y la funcin de densidad conjunta ser:
2
2
1
( ) 1
2
1
2
1 2
( ) (2 ) ( )
n
i i
i i
x
n
n
f e

= x L (4.39)
Lo cual equivale al producto de las densidades individuales. Esto es,
1 2
1
( ) ( ) ( ) ( ) ( )
n
n i
i
f f X f X f X f X
=
= =
x L (4.40)
En el caso trivariado, el resultado anterior se puede demostrar reordenando (4.39) de la siguiente forma:
3 2
2
1
( ) 1
3
2
1
2
1 2 3
( ) (2 ) ( )
i i
i i
x
f e

= x
Divisin de economa


4
2 2 2
3 1 2
3 1 2
2 2 2
3 1 2
( ) ( ) ( )
1 1 1
1 1 1 1 1 1
2 2 2
2 2 2
2 2 2 2 2 2
1 2 3
1 2 3
=(2 ) ( ) (2 ) ( ) (2 ) ( )
( ) ( ) ( )
x x x
e e e
f x f x f x

=

Si, adicionalmente suponemos que =
i
y 0
i
= para todo i , la densidad (4.39) se simplifica a
2
2
1
1
2
2
2 2
( ) (2 ) ( )
n
i
i i
x
n n
f e

= x (4.41)

Por ltimo, si 1 = obtenemos la distribucin normal estndar multivariada tambin conocida como
distribucin normal esfrica:
2
1
1
2
2
( ) (2 )
n
i
i
n
x
f e
=

= x

4.12 Distribuciones Condicionales y Marginales de la Normal Multivariada

Consideremos la siguiente particin del vector x definido en la subseccin (4.11):
1
2

=

x
x
x
.
Correspondientemente, el vector de medias y la matriz de covarianza pueden particionarse como:

1
2

=

y
11 12
21 22

=

Divisin de economa


5
Dado que el vector
[ ]
1 2
T
= x x x sigue una distribucin normal multivariada, las distribuciones
marginales de los subvectores
1
x y
2
x tambin sern normales. Especficamente,
1 1 11
~ ( , ) N x y
2 2 22
~ ( , ) N x (3.41)

Igualmente las distribuciones condicionales tambin sern normales. Especficamente, la distribucin
condicional de
1
x dado
2
x ser:

1 2 1|2 11|2
| ~ ( , ) N x x (4.42)

Donde
1
1|2 1 12 22 2 2
( )
= + x y
1
11|2 11 12 22 21
=

Notas:
(1)Como casos especiales, el subvector
1
x podra incluir una sola variable mientras que el subvector
2
x podra incluir a todas las dems o viceversa.

(2)Los resultados (4.41, primera parte) y (4.42) podran obtenerse demostrando que la distribucin
conjunta de los subvectores
1
x y
2
x se puede expresar como el producto de la distribucin
condicional de
1
x dado
2
x por la distribucin marginal de
2
x (suena esto familiar?). Esto es:
1 2 1 2 2
( , ) ( | )* ( ) f f f = x x x x x

Divisin de economa


6
Para llegar a este resultado se debe sustituir los siguientes resultados en (4.37):
1
22 11 12 22 21
=
1
1 1
11 12
1 1 1
21 22
22
T T

=

+

A A B

B A B A B

Donde
1
11 12 22 21
= A y
1
12 22
= B

4.13 Distribucin Normal Bivariada

Definicin: Las variables aleatorias
1
X y
2
X tienen una distribucin normal bivariada si su funcin de
densidad conjunta es:
1 1
2 2 2 2 2
2 2
1 2 1 2 1 2 1 2
1
/ , , , (1 )
2
Q
f(x ,x ) e

=

(4.43)
Donde,
=
2
2
2 2
2
2 2
1
1 1
2
1
1 1
2
2
1
1
x x x x
Q
2 1
2 1
) , (

x x Cov
= es el coeficiente de correlacin de
1
x y
2
x .
1 2 1 2
, ; , 0; 1 1 x x > < <
Divisin de economa


7
Ciertamente, las distribuciones marginales y condicionales sern normales. Especficamente,
las distribuciones marginales de
1
x y
2
x son normales:

2
1 1 1
~ ( , ) X N y
2
2 2 2
~ ( , ) X N (4.44)

Por su parte, tal como se estableci en el caso general, las distribuciones condicionales tambin son
normales:

2 2
1 2 1 1
( / ) ~ ( , (1 )) f x x N b ;
1
1 1 2 2
2
( ) b x
= + (4.45)

2 2
2 1 2 2
( / ) ~ ( , (1 )) f x x N b ;
2
2 2 1 1
1
( ) b x
= + (4.46)

Debe remarcarse que
i
b y
2 2
(1 )
i
son momentos condicionales.

Finalmente, como se puede observar en (4.45) y (4.46) si 0 = , entonces
1
x y
2
x son independientes
y por tanto las distribuciones condicionales sern iguales a las marginales. Esto es,

2
1 2 1 1 1
( / ) ( ) ~ ( , ) f x x f x N = y
2
2 1 2 2 2
( / ) ( ) ~ ( , ) f x x f x N =
Divisin de economa


8
4.14 Algunas propiedades de la distribucin normal multivariada

(i)Si

) , ( ~ X N y ) ( n m D es una matriz de constantes, n m , conformable con X entonces:
~ ( )
T
N DX D, DD

(ii)Si ) , ( ~ X N entonces la forma cuadrtica
1 2
( )
( ) ( ~
T
n
= Y X X )

Considerando que la matriz de covarianza se puede expresar como DRD = , se puede comprobar
que en realidad la forma cuadratica anterior es igual a la suma de cuadrados de variables normales
estndar, tal como se define mas adelante.

(iii)Si M es una matriz simtrica idempotente ( = M M M) de dimensin ) ( n n y tiene rango m y
si X es un vector de variables aleatorias normales estndar ( ) , 0 ( ~
2
I X N ), entonces la forma
cuadrtica: ~
2
) (
2
m
MX X

(iv)Si ) , 0 ( ~
2
I X N y A y B son matrices reales simtricas, entonces las formas cuadrticas
T
X AX y
T
X BX son independientes si y solo si 0 = AB .

(v)Si ) , 0 ( ~
2
I X N , B es una matriz conformable cualquiera y A es una matriz simtrica, entonces
la forma lineal BX es independiente de la forma cuadrtica AX X
si y solo si 0 = BA .
Divisin de economa


9
4.15 Distribuciones relacionadas a la distribucin normal: F t, ,
2

(a) Distribucin
2

Es posible demostrar que transformaciones cuadrticas de variables aleatorias que siguen
distribuciones normales estndar tendrn distribuciones Chi-cuadrado tal como se establece en los
siguientes resultados:

(i)Si ) 1 , 0 ( ~N Z , entonces
2 2
(1)
~ Z

(ii)Si
n
Z Z Z , , ,
2 1
L tienen distribuciones normales estndar y son independientes, entonces la
suma
2 2 2 2
1 2 ( )
~
n n
Z Z Z + + + L

La prueba del resultado (i) se puede esbozar como sigue:

Si ~ (0,1) Z N y
2
( ) Y g Z Z = = entonces la funcin de distribucin de Y puede definirse como:
2 1/ 2 1/ 2
( ) ( ) ( ) ( ) F y P Y y P Z y P y Z y = = =
Dado que ~ (0,1) Z N y que esta distribucin es simtrica:
1/ 2
2
1/ 2 / 2
0
( ) 2 (2 )
y
z
F y e dz

=

Del resultado anterior se puede obtener:
1/ 2 / 2
0
( ) (2 )
y
u
F y u e du

=
donde
2
u z = , la cual es la
funcin de distribucin Chi-cuadrado con un grado de libertad.
Divisin de economa


10
(b) Distribucin t (estandarizada)
La razn de una variable aleatoria con distribucin normal estndar y la raz cuadrada de una variable
con distribucin Chi-cuadrado seguir una distribucin t tal como se establece a continuacin

Definicin: Sea ~ (0,1) Z N (variable aleatoria con distribucin normal estndar) y sea
2
( )
~
v
W
(variable aleatoria con distribucin
2
con parmetro v o v grados de libertad). Si Z y W son
independientes, entonces la razn
Z
W v
tiene una distribucin t con grados de libertad, denotado
por
( ) v
t .

NOTA: En general la distribucin una variable aleatoria continua Y tiene una distribucin t con
parmetros , , si su funcin de densidad es:
( 1)/ 2
2
1
1
( | , , ) 1
y
f y c

= +

, , , 0, 0 y < < < < > >
Y la constante
( )
1/ 2
2
1 1
,
2 2
c B

=

donde B denota la funcin Beta.
La variable standarizada
Y

tendr una distribucin t con parmetros 0 = , 1 = y (grados
de libertad). Esta distribucin es conocida como distribucin t estandarizada o Student t .
Divisin de economa


11
La media y varianza de la distribucin t estadarizada son respectivamente cero y para 2
2
v
v
v
>
.

Grficamente, la distribucin anterior es similar a la distribucin normal estndar pero un poco mas
plana que esta. De hecho a medida que la distribucin t estandarizada se aproxima a la
distribucin normal estndar.

En el caso general mencionado anteriormente, a medida que la distribucin t se aproxima a
una distribucin normal con media y varianza
2
.

(c)Distribucin F

De forma similar a la distribucin t , la razn de dos variables aleatorias con distribuciones
2
tendr la
denominada distribucin F tal como se indica en la siguiente definicin

Definicin: Si
1
2
1 ( )
~
v
W y
2
2
2 ( )
~
v
W son variables aleatorias independientes, entonces la razn
1 1
2 2
W v
W v
tiene una distribucin F con parmetros
1
v y
2
v , denominados grados de libertad del
numerador y denominador respectivamente, denotado por
1 2
( , ) v v
F .

Especficamente, la funcin de densidad de probabilidad de la distribucin
1 2
( , ) v v
F esta dada por:

Divisin de economa


12
[ ]
1
1 2
( 2)/ 2 1
1 2 ( )/ 2
1 2
( | , )
1 ( / )
v
F
v v
c y
f y v v
v y v

+
=
+
, para
1 2
0, 0, 0 y v v > > > y
1
/ 2
1
1 2
2
1 1
,
2 2
v
F
v
c B v v
v

=

Se puede demostrar que si
1
1 v = la densidad anterior tiende a cero a medida que 0 y . Por otro
lado, si 2 v = la moda de la densidad anterior corresponder al valor 0 y =

La media y varianza de la distribucin anterior estn dados respectivamente por
2
2
2
v
v
=
si
2
2 v >

2
2
2 1 2
2
1 2 2
2 ( 2)
( 2) ( 4)
v v v
v v v
+
=

si
2
4 v >

Si bien la distribucin F es sesgada hacia la derecha (skewed to the right) este sesgo tiende a
desaparecer a medida que aumentan los grados de libertad.

Divisin de economa


1
4.16 Muestras Aleatorias y Distribucin de la Media Muestral

4.16.1 Muestra Aleatoria
Definicin: Sea f una distribucin de probabilidad determinada. Se dice que n variables aleatorias
1 2
, , ,
n
X X X L son una muestra aleatoria de f en cualquiera de los siguientes tres casos:

(a) Estas variables son independientes y la distribucin marginal de cada una es f

(b)
1 2
, , ,
n
X X X L son independientes e idnticamente distribuidas con distribucin f

(c) Su distribucin conjunta se puede expresar como
1 2 1 2
( , , , ) ( ) ( ) ( )
n n
f x x x f x f x f x = L L .

La definicin anterior puede explicarse considerando un experimento simple donde n objetos son
seleccionados aleatoriamente de una poblacin y cada objeto tiene la misma probabilidad de ser
seleccionado. El valor de la variable aleatoria X al objeto i seleccionad aleatoriamente es denotado
i
X . Las variables aleatorias
1 2
, , ,
n
X X X L son independientes e idnticamente distribuidas ( . . i i d )
puesto que cada objeto tiene la misma probabilidad de ser seleccionado y la distribucin de
i
X es la
misma para todo i .
Dado que se trata de un experimento de muestreo aleatorio, el valor de
1
X no provee informacin sobre
el valor de
2
X por lo que la distribucin condicional de
2
X dado
1
X es igual a la distribucin marginal
de
2
X la cual es f . En realidad,
1
X ser independiente de
2 3
, , ,
n
X X X L .
Por tanto, la densidad conjunta puede expresarse como el producto de las densidades individuales.
Divisin de economa


2
4.16.2 Distribucin de la Media Muestral

La media muestral de n observaciones
1 2
, , ,
n
X X X L est dada por:

( )
1 2
1
1 1
n
n n i
i
X X X X X
n n
=
= + + + =

K

Es importante notar que la media muestral
n
X es una variable aleatoria puesto que es obtenida a partir
de una muestra seleccionada aleatoriamente.

Supongamos que la media y varianza poblacionales son y
2
respectivamente. Utilizando las
definiciones del captulo anterior es posible determinar la media y varianza de X tal como sigue:

1
1 1
( ) ( ) ( )
n
i
i
E X E X n
n n

=
= = =

2 2
1 1 1 1 1( )
1 1 1
( ) ( ) ( , )
n n n n n
i i i i j
i i i i j j i
Var X Var X Var X Var X Cov X X
n n n
= = = = =

= = = +

2
2
2
1
( ) ( ) Var X n
n n
= =
Debe remarcarse que los resultados anteriores son vlidos independientemente de la distribucin
poblacional especfica.
Divisin de economa


3
Bajo el supuesto de que la distribucin es Normal se puede obtener el siguiente resultado:

Si
1 2
, , ,
n
X X X L es una muestra aleatoria obtenida de una distribucin Normal con media y
varianza
2
, entonces la media muestral
n
X tendr una distribucin Normal con media y varianza
2
n
, denotado como:
2
~ ,
n
X N
n

.

La distribucin anterior es tambin denominada distribucin exacta o distribucin de muestra finita.

4.17 Distribucin Asinttica de
n
X

Excepto en el caso de distribuciones normales, en general es muy difcil obtener distribuciones exactas.
Sin embargo, es posible obtener una distribucin aproximada si n es suficientemente grande. Esta es
denominada distribucin asinttica y puede considerarse como las distribucin lmite cuando n tiende a
infinito. A continuacin presentamos los conceptos y resultados fundamentales.

4.17.1 Convergencia en Probabilidad (Consistencia) y la Ley de Grandes Nmeros

LA DESIGUALDAD DE CHEBYSHEV:

Teorema: Sea X una variable aleatoria (continua o discreta) con funcin de densidad ) (x f ,
= ) (X E y < =
2
) ( X Var . Para cualquier valor de 0 > k ,
Divisin de economa


4
( )
2
1
1
k
k X P < ( )
2
1
k
k X P

Por ejemplo, para 3 = k este teorema establece que la probabilidad de que una variable aleatoria
cualquiera difiera de su media en 3 desviaciones estndar no puede ser mayor que 1/9.

Prueba:

+ + =
= =

k
k k
k
dx x f x dx x f x dx x f x
dx x f x X Var
) ( ) ( ) ( ) ( ) ( ) (
) ( ) ( ) (
2 2
0
2
2 2
4 4 4 3 4 4 4 2 1

Dado que el primer trmino es positivo tenemos la siguiente desigualdad:

+

+ =

k
k
dx x f X dx x f X X Var ) ( ) ( ) ( ) ( ) (
2 2 2

Se puede demostrar que para todo valor de X en los intervalos extremos o colas de la distribucin la
siguiente desigualdad es vlida:
2 2 2
) ( k X
Por tanto, la siguiente desigualdad sigue siendo vlida
Divisin de economa


5
( ) ( )
2 2 2
2 2
2 2
2
2 2 2
2 2 2 2 2
1
) ( ) (
) ( ) ( ) (
k
k x P k x P
k
k
k
dx x f dx x f k
dx x f k dx x f k X Var
k
k
k
k

+
+ =

LEY DE GRANDES NUMEROS

Bajo condiciones de muestreo aleatorio y dada una varianza finita, para cualquier nmero positivo
(arbitrariamente pequeo),
( )
lim 1
n
n
P X
=
( )
lim 0
n
n
P X
> =

Tambin se puede decir que la secuencia
1 2
, , ,
n
X X X L converge en probabilidad a
lim
n
p X = . Igualmente, se dice que
n
X es un estimador consistente de .

Segn la Ley de Grandes Nmeros, bajo condiciones generales,
n
X estar muy cerca de si la
muestra es suficientemente grande.

Divisin de economa


6
Una condicin suficiente para obtener el resultado anterior es que lim ( ) 0
n
n
Var X
= tal como se
demuestra a continuacin:

Partiendo de la desigualdad de Chebyshev (sin tomar el lmite):
( )
2
1
k
k X P >
( )
2
1
( )
n n
P X k Var X
k
>
Para cualquier nmero positivo ,
( )
n
k
Var X
= tambin es un nmero positivo.

2
2
( )
( )
( )
( )
n
n n
n
n
n
Var X
P X Var X
Var X
Var X
P X

>

>

Dado que lim ( ) 0
n
n
Var X
= , se puede concluir que:

lim 0
n
n
P X

> =

Divisin de economa


7
4.17.2 El Teorema del Lmite Central (Lindeberg-Levy)

Teorema: Si las variables aleatorias
n
X X X L , ,
2 1
forman una muestra aleatoria de una distribucin
dada con media y varianza
2
( < <
2
0 ) entonces para cualquier valor x:
) (
) (
lim
2
1
x F x
X
n P
n
n
=

Donde ) ( F denota la funcin de distribucin acumulada de la distribucin normal estndar.

El teorema anterior tiene el siguiente significado: Si una muestra grande es tomada de cualquier
distribucin con media y varianza
2
, entonces la distribucin de la variable aleatoria
) (
2
1

n
X
n ser aproximadamente normal.
El teorema anterior implica que
2
( ) (0, )
d
n
n X N

Esto es, la transformacin (variable aleatoria) ( )
n
n X converge en distribucin a una
distribucin normal con media 0 y varianza
2
. Alternativamente, la distribucin de ( )
n
n X
converge a una normal con media 0 y varianza
2
a medida que n .

Divisin de economa

ESTADISTICA 2, Prof. Rodolfo Cermeo Programa de Licenciatura en Economa

1
1. Mtodos de Estimacin Puntual

1.1 El Mtodo de Mxima Verosimilitud

1.1.1 Definiciones Preliminares

Parmetros ( ): Son los valores que definen o caracterizan una distribucin de probabilidad.
En el caso de la distribucin exponencial:
1
( / )
x
f x e

= , =
Para la distribucin normal
2
( , ) N ,
2 '
[ , ] =

Espacio de parmetros (): Es el conjunto de todos los valores posibles de .

En el caso de la distribucin exponencial es la lnea con valores reales positivos:
{ }
/ 0 = >

En el caso de la distribucin normal es el plano real o espacio bidimensional:
{ }
2 2
, / , 0 = < < >
Estimacin: Procedimiento de asignacin de valores (estimados) a los parmetros desconocidos. Se
pueden obtener estimadores puntuales y estimados de intervalo.

Estimador: Regla mediante la cual se obtiene valores estimados de los parmetros utilizando la
informacin muestral.
Divisin de economa


2
1.1.2 Funcin de Verosimilitud y Estimador de Mxima Verosimilitud

Definicin: Sea
1 2
, , ,
n
X X X una muestra aleatoria tomada de una distribucin con funcin de
densidad ( / ), f x . Para cualquier vector observado
1 2
[ , , , ]
n
x x x

= x , la funcin de
verosimilitud, denotada por ( / ) l x es la funcin de densidad conjunta expresada en funcin de ,
dado el vector x:
1 2
( / ) ( / , , , ) ( / )
n
l f x x x f = = x x (1.1)
Definicin: Para cada vector posible x, sea ( ) x , el valor de tal que el valor de la funcin
de verosimilitud ( / ) l x es mximo. Entonces el Estimador de Mxima Verosimilitud (MLE) del
parmetro o vector de parmetros se define como:
( ) = x (1.2)
Ejemplo 1.1
Sea
1 2
, , ,
n
X X X una muestra aleatoria de una distribucin de Bernoulli con parmetro
desconocido (0 1) . El MLE de puede determinarse analticamente, tal como sigue:
Para cualquier valor observado
1 2
, , ,
n
x x x donde cada
i
x es cero o uno la distribucin de Bernoulli
fue definida como

(1 )
( / ) (1 ) , 0,1
x x
f x x

= = (1.3)
Por tanto la funcin de verosimilitud se puede expresar como la densidad conjunta:

1 1
(1 )
(1 )
1 1
( / ) ( / ) (1 ) (1 )
n n
i i
i i i i
n n x x
x x
i
i i
l f x
= =

= =

= = =

x (1.4)
Divisin de economa


3
Por definicin el estimador MLE de es el valor de que maximiza ( / ) l x . Tomando logaritmos se
obtiene la denominada funcin de verosimilitud logartmica:
1 1
(1 )
1 1
( ) log ( / ) log (1 ) ( )*log [ (1 )]*log(1 )
n n
i i
i i
n n x x
i i
i i
L l x x
= =

= =

= = = +

x (1.5)
La Condicin de Primer Orden (CPO) para obtener un mximo es:

1 1
( ) 1 1
(1 ) 0
1
n n
i i
i i
L
x x

= =

= =

1 1
1 1
1 1

1 1
n n
i i
i i
n n
i i
i i
n x x
n
x
n
x x

= =
= =
= = = = =

La Condicin de Segundo Orden (CSO) para un mximo es :

2
1 1
2 2 2
( )
( )
0
(1 )
n n
i i
i i
x n x
L

+
= =
+
= <

Entonces, el MLE de es la media muestral que en este caso es igual a la proporcin de xitos.
Divisin de economa


4
Ejemplo 1.2
Sea
1 2
, , ,
n
X X X una muestra aleatoria de una distribucin normal con media y varianza
2
, los
cuales son parmetros desconocidos. Determinar el MLE para y
2
.

Funcin de verosimilitud:
( )
2 1
( )
2
2 1
2
1
2
2
2 1
( )
2
2
1
( )
2 2
1 1
1 1 2 2
2 2
2 2
2 2
1 1
( , / ) ( / , )
(2 ) (2 )
( / , ) (2 )
n
x
i
i i
n
x
i
i
n
n n
x
i
i i
n n
l f x e e
l e

=

=

= =

= = =

=

x
x
(1.6)

Funcin logartmica de verosimilitud:

2 2 2
2
1
1
( , ) log(2 ) log ( )
2 2 2
n
i
i
n n
L x
=
=
(1.7)

Las C.P.O. sern en este caso:
2
2
1
2
1
1
( )
1
2
(1) ( ) 0
n
i n
i
i
i
x
L
x

=
=

= =

Divisin de economa


5
( )
( )
2 2
2 2 2 2 2 2
2
1 1
1 1 1 1 1 1
(2) ( ) ( ) 1 0
2 2 2 2
n n
i i
i i
L n n
x x

= =

= =

De (1): 0
L

De (2):
2
0
L

2
2
1
( )
n
i
i
x
n
y sustituyendo se obtiene:
2
2 2
1
( )

n
i
i
x x
n

=
= =

Entonces, el MLE de
2
[ , ] = es igual a la media y varianza muestrales respectivamente.

La CSO para un mximo es que la matriz Hessiana evaluada en
2 2
, = = sea negativa definida.
Es posible obtener el siguiente resultado:

2 2
2 2
2
2
2 2
2 2
2 2 2
,
0
0
( )
L L
n
n
L L
n

= =

La cual es una matriz negativa definida por lo que la solucin anterior corresponda a un mximo
1
2
1 1 1
( )
0 ( ) 0 0
n
i n n n
i i
i i
i i i
x
x
x x n x
n
=
= = =
= = = = = =

Divisin de economa


6
1.1.3 Propiedad de invarianza del estimador MLE

Sea
1 2
, , ,
n
X X X una muestra aleatoria de una distribucin ( / ) f x , donde es desconocido. Sea
el estimador MLE de . Si ( ) g es una transformacin uno-a-uno de , entonces el estimador

MLE de ( ) g es
( ) g .

Ejemplo 1.3
Considere la muestra aleatoria
1 2
, , ,
n
X X X obtenida de la distribucin exponencial. El estimador
MLE de puede determinarse utilizando la propiedad de invarianza. En este caso:

1
1
( )
i
x
f x e

= (1.8)
Se puede considerar 1/ = , determinar el estimador MLE de y utilizar la propiedad de
invarianza para determinar el estimador MLE de simplemente como

1/ = .

La funcin anterior ser entonces ( )
i
x
f x e

= a partir de la cual se puede obtener la siguiente
funcin de verosimilitud:

1
1
( / )
n
i
i i
n x
x n
i
l e e
= =
x (1.9)

Divisin de economa


7
La funcin de verosimilitud logartmica ser:

1
( ) log
n
i
i
L n x
=
=

(1.10)

Maximizando la funcin anterior con respecto a :

1
( )
0
1

n
i
i
L n
x
x
= =
= =

Por la transformacin anterior:
1
( ) g
= =

1 1

( )
1
g x
x

= = = =

Divisin de economa


8
1.1.4 Independencia de la media y varianza muestrales en el caso de la distribucin normal
Si
1 2
, , ,
n
X X X es una muestra aleatoria de una distribucin normal con media y varianza
2
, la
media muestral
1
1
n
i
i
X X
n
=
=

y la varianza muestral
2
1
1
( )
n
i
i
X X
n
=

son variables aleatorias con las

siguientes propiedades:

(i)
2
~ ( , / ) X N n
(ii)
2 2 2
( 1)
1
1
( ) / ~
n
i n
i
X X
n

=

(iii)
2
1
1
( , ( ) ) 0
n
i
i
Cov X X X
n
=
=

La propiedad (i) puede demostrarse utilizando la propiedad de una combinacin lineal de distribuciones
normales. En particular:
1 1
1 1 1
( ) ( ) ( )
n n
i i
i i
E X E X E X n
n n n

= =
= = = =

La intuicin sobre el resultado (ii) es que dado que
2
~ ( , )
i
X N , la transformacin
~( 0,1)
i
X
N
. Por tanto
2 2 2
( )
1
( ) / ~
n
i n
i
X
=

. Para obtener el resultado (ii) se debe sustituir

la media poblacional por la media muestral, lo cual tendr el efecto de reducir los grados de libertad de
n a ( 1) n .
Divisin de economa


1
1.2 Mtodo de Momentos

1.2.1 Momentos poblacional y muestral alrededor del origen
El momento poblacional r alrededor del origen de la variable aleatoria X es definido como la
esperanza de
r
X . Formalmente:
[ ]
r
r
E X = (1.11)

El correspondiente momento muestral es definido como:

1
1
n
r
r i
i
m X
n
=
=

(1.12)
Ntese que los momentos poblacionales estn en funcin de parmetros poblacionales ( ) mientras
que los momentos muestrales estn en funcin de las observaciones muestrales
i
X .

El estimador del mtodo de momentos se obtiene igualando los momentos poblacionales a los
momentos muestrales tal como se establece en la siguiente definicin.

1.2.2 Estimador del Mtodo de Momentos
Definicin: Sea
1 2
, , ,
n
X X X una muestra aleatoria de una determinada distribucin ( / ) f x donde
[ ]
1 2
, , ,
k
= . El estimador del mtodo de momentos de los parmetros , 1, ,

i
i k = es el
valor de que resuelve el sistema de ecuaciones:

( ) ( ), 1,2, ,
r r
m X r K = = (1.13)
Donde K es el nmero de parmetros o la dimensin del vector .
Divisin de economa


2
Ejemplo 1.4
La muestra aleatoria
1 2
, , ,
n
X X X ha sido seleccionada de una distribucin uniforme en el intervalo
[0, ] donde el valor de es desconocido. Determinar el estimador mtodo de momentos del
parmetro .

En el caso de la distribucin uniforme el primer momento alrededor del origen esta dado por:
1
[ ]
2
E X

= = (media poblacional) (1.14)

El correspondiente momento muestral es igual a:

1
1
1
n
i
i
m X X
n
=
= =
(1.15)

Igualando momentos se obtiene:

1 1
=2
2
MM
m X X
= = = =

Se puede concluir entonces que el estimador del mtodo de momentos del limite superior de la
distribucin uniforme en el intervalo [0, ] es el doble de la media muestral.

Divisin de economa


3
Ejemplo 1.5
Sea
1 2
, , ,
n
X X X una muestra aleatoria de una distribucin gamma con parmetros y .
Determinar el estimador del mtodo de momentos de los parmetros poblacionales.

Sabemos que el primer y segundo momentos poblacionales alrededor del origen son:

1
[ ] E x = = = (1.16)

2 2 2 2 2 2
2
[ ] E x = + = + = (1.17)

Igualando a los correspondientes momentos muestrales tendremos las siguientes dos ecuaciones:

1 1
1
1
n
i
i
m X X
n

=
= = = =

(1.18)

2 2 2 2
2 2
1
1
n
i
i
m X
n

=
= + = =

(1.19)

De (1.18) se puede obtener:
1
m
= . Sustituyendo este resultado en (1.19) obtenemos:

2 2
2 2
2 2 2
1 1 1 1
2 2
2 2
1
1

n
i
i
m m m m
X m m
n

=

+ = = + =

Divisin de economa


4

2
2
1 2
2
1
1 1
1 1
m
m m
m

+ = + =

2
2 2 1
2 2
1 1
1 1
1
m m m
m m

= =

Por tanto el estimador del mtodo de momentos del parmetro es igual a:

( )
( )
2
2 2
1
2
2
2 2 2
2 1
1 1
1
n n
i i
i i
X
m nX
m m
X X X nX
n
= =
= = =

Dado que
( )
2
2 2
1 1
n n
i i
i i
X X X nX
= =
=

podemos finalmente obtener la elegante expresin:

2
2
1
( )
MM n
i
i
nX
X X

=
= =
(1.20)

Divisin de economa


5
Utilizando (1.18):
2
1 1
2 2
2
1
( )
( )
n
i
i
n
i
i
X X X
m X
nX nX
X X
=
=
= = =

Por tanto,

2
1
( )
n
i
i
MM
X X
nX

=

= =
(1.21)

Es importante remarcar que al igual que el mtodo de mxima verosimilitud el mtodo de momentos
requiere conocer o suponer la distribucin poblacional.
Divisin de economa


6
1.3 El Mtodo de Mnimos Cuadrados

En general el mtodo de mnimos cuadrados puede ser definido para cualquier momento r -simo y
minimiza la distancia al cuadrado entre las observaciones muestrales y el correspondiente momento
poblacional:
2
( )
r
i r
X .

Este mtodo es muy popular para la estimacin de los parmetros asociados al primer momento y sin
lugar a dudas es el mtodo mas utilizado en econometra y en otras ciencias en la estimacin de los
denominados modelos lineales de regresin.

1.3.1 Estimador de Mnimos Cuadrados Ordinarios

Definicin: Sea
1 2
, , ,
n
X X X una muestra aleatoria de una poblacin con media y varianza finitas
obtenida de una distribucin desconocida. Sea [ ] E X = el primer momento poblacional de la variable
aleatoria X alrededor del origen y sea S la suma de cuadrados de las diferencias entre
i
X y el
momento [ ] E X =
2
1
( )
n
i
i
S X
=
=
(1.22)
El estimador de mnimos cuadrados (LS ) del parmetro , denotado por
LS
es el valor (o la funcin
de X ) que minimiza S .

Divisin de economa


7
Ejemplo 1.6
Sea
1 2
, , ,
n
X X X una muestra aleatoria obtenida de una poblacin con media y varianza
2
<
.
Obtener el estimador LS del parmetro .
El estimador LS de se obtiene resolviendo el problema:
2
1
( )
n
i
i
MinS x

=
=

La condicin de primer orden ser en este caso:

1 1
1
: 2( )( 1) 0
n n
i i LS
i i
S
CPO x x
n

= =
= = = =

La condicin de segundo orden ser:

2
2
: 2 0
S
CSO n
= >

Lo cual indica que en realidad la solucin anterior corresponde a un mnimo.

Divisin de economa


8
Ejemplo 1.7
Consideremos ahora el siguiente modelo lineal:
; 1,2, ,
i i i
y x u i N = + = (1.23)
Donde
i
x es un conjunto dado de valores y
i
u es una perturbacin aleatoria de una distribucin con
media cero y varianza
2
. Obtener el estimador LS del parmetro .

Dado que u es una variable aleatoria, y puede considerarse como una combinacin lineal de u . Por
tanto,
i
y tambin es una variable aleatoria y tiene media [ ]
i i
E y x = y varianza
2
[ ]
i
Var y = .

El parmetro de inters pertenece a la media y puede estimarse utilizando el principio de mnimos
cuadrados, tal como sigue:

2
1
( )
n
i i
i
MinS y x

=
=

Evaluando la condicin de primer orden:
1
2 1
1
: 2( )( ) 0
N
i i n
i
i i i LS
n
i
i
i
y x
S
CPO y x x
x

=
=
=
= = = =

En el contexto del modelo (1.23) el estimador LS es el que minimiza la suma de errores al cuadrado o
la suma de residuales al cuadrado:
2
1
n
i
i
u
=
, la cual por definicin es igual a

2
1
( )
n
i i
i
y x
=

.
Divisin de economa


1
2. Propiedades de Estimadores.

2.1 Propiedades de estimadores en muestras finitas.

2.1.1 Insesgamiento y Precisin.

Definicin: Un estimador es insesgado si su esperanza matemtica o valor esperado es igual al
verdadero valor del parmetro. Formalmente, un estimador es insesgado si
[ ] =
E (2.1)

Si [ ]
E , entonces el estimador es sesgado y el sesgo es igual a:

[ ] ( ) =

E (2.2)

La precisin de un estimador se mide por su varianza. Un estimador es considerado ms preciso que
otro si su varianza es menor.

Ejemplo 2.1
Supongamos que el gasto personal tiene una distribucin normal con media desconocida y varianza
conocida
2 2
5000 = . Determinar si la media muestral es un estimador insesgado de y evaluar la
varianza de este estimador.
El estimador de la media muestral es:
1
1
n
i
i
X X
n
=
= =

Anteriormente se ha demostrado que en el caso de la distribucin normal:
2
~ ( , ) X N n
Divisin de economa


2
Especficamente:
[ ] [ ] [ ]
1 1
1 1 1

n n
i i
i i
E E X E X E X n E
n n n

= =

= = = = =

Por lo tanto, la media muestral es un estimador insesgado.

La varianza de de la media muestral se obtuvo de la siguiente manera:
2
2 2
2 2 2 2
1 1 1 1
1 1 1 1 1
( ) ( )
n n n n
i i i
i i i i
Var X Var X Var X Var x n
n n n n n n

= = = =

= = = = = =

Entonces, dada la informacin anterior, el estimador X = tendr una distribucin normal con media
y varianza
2
n
, donde
2 2
5000 = .
Ntese que mientras mayor sea el valor de n el estimador ser mas preciso.

2.1.2 Error Cuadrtico Medio.

Definicin: El error cuadrtico medio se define como la esperanza del cuadrado del sesgo:
[ ]
2
( = E MSE (2.3)

En trminos muestrales el error cuadrtico medio es el promedio del cuadrado de la distancia entre el
valor estimado

y el valor poblacional del parmetro

Divisin de economa


3
El error cuadrtico medio incluye el sesgo y la precisin de un estimador, tal como se demuestra a
continuacin.

[ ]
[ ] [ ] { }
[ ] [ ] [ ][ ]
[ ]

0 )
( )
(
)
* )
(
)
( )
cero
)
( )
2 )
( )
( )
( )
(
2 2
2
2
=
=

=
+ + =
+ =
+ =

E E
E E E
E E E
E E E E E E
E E E
E E E MSE

[ ] [ ]
[ ]
2
2 2
)
( )
( )
(
)
( )
(

sesgo Var MSE
E E E MSE
+ =
+ =

(2.4)

Un estimador (A) con menor error cuadrtico medio puede ser preferido a otro estimador (B) con mayor
MSE, an cuando A sea sesgado.

Divisin de economa


4
2.1.3 Eficiencia
Definicin: Si dos estimadores
1

y
2

son estimadores insesgados de

, el estimador
1

ser eficiente
relativo a
2

o mejor estimador insesgado que
2

s
)
( )
(
1 2
Var Var > (2.5)

Una condicin suficiente para que un estimador insesgado sea eficiente es:
[ ]
2 2
) (
1
)

=
L E
Var (2.6)
Donde
[ ]
2 2
) (
1

L E
se conoce como el lmite inferior de Cramer-Rao y L

es la funcin
logartmica de verosimilitud.

Nota: El lmite inferior de Cramer-Rao es establecido en la denominada desigualdad de Cramer-Rao:

[ ]
2 2
) (
1
)

L E
Var

Donde

es cualquier estimador insesgado de . Esta desigualdad implica que ningn estimador
insesgado puede tener menor varianza que la establecida por el lmite inferior de Cramer-Rao.

Divisin de economa


5
Ejemplo 2.2
Determinar si el estimador MLE

del parmetro p

de una distribucin de Bernoulli es eficiente.

Como se ha demostrado antes, el estimador MLE de p es la media muestral (proporcin de xitos):
1
n
i
i
x
p
n
=
=

Este estimador es insesgado puesto que:
[ ]
1 1
n n
i i
i i
x Ex np
E p E p
n n n
= =

= = = =

La funcin de verosimilitud logartmica es:
1 1
( ) ln( ) (1 )ln(1 )
n n
i i
i i
L p x p x p
= =
= +

La primera y segunda derivada parcial con respecto a p son respectivamente:

1 1
1 1
(1 )
(1 )
n n
i i
i i
L
x x
p p p
= =
=

2
2 2 2
1 1
1 1
(1 )
(1 )
n n
i i
i i
L
x x
p p p
= =
=

Tomando el valor esperado de la ltima expresin se puede obtener:
Divisin de economa


6
2
2 2 2 2 2
1 1
1 1 1
(1 ) ( )
(1 ) (1 )
n n
i i
i i
L np
E Ex E x n np
p p p p p
= =

= =

2 2
(1 )
(1 ) (1 ) (1 )
np n p n n n
p p p p p p
= = =

Por tanto, el lmite inferior de Cramer-Rao ser igual a:

2 2
1 (1 )
( )
p p
n
E L

=

Por su parte la varianza de p
se puede obtener como:

( ) [ ]
2 2
1 1
2 2
1 1
( ) (1 )
(1 ) 1
( )
( )
n n
i
i
i i
x
Var p Var Var x np p
n n n
p p
Var p
n E L
= =

= = =

= =

Por lo que podemos concluir que p
un estimador eficiente.
Divisin de economa


7
2.1.4 Conceptos anlogos para el caso de varios parmetros.
Consideremos una variable aleatoria Y

con densidad conjunta ( / ) f Y , donde
=
K
2
1
es un
vector de dimensin 1 K

de parmetros desconocidos.

El vector

es un estimador insesgado de

si [ ] =
E

Si [ ]
E , entonces

es sesgado y [ ] =

E

es el vector de sesgos.

La matriz de error cuadrtico medio est dada por:

[ ]
[ ][ ] [ ][ ]

+ =
=
)
( )
(
)
( )
( )
)(
( )
(
Cov MSE
E E E E E
E MSE

Una medida comn del MSEde un estimador es:
{ } { }

= =
+ = =
K
i
i i
K
i
i
Var MSE MSE tr
1
2
1
)
( )
( )
(
Divisin de economa


8
Sea ) ( L

la funcin logartmica de verosimilitud.

El negativo de la esperanza de la matriz Hesiana es:

=
2
2
2
2
1
2
2
2
2
2
2
1 2
2
1
2
2 1
2
2
1
2
2
) (
K
K K
K
K
L L L
L L L
L L L
E
L
E I

denominada Matriz de Informacin y su inversa [ ]
1
) (

I

es la matriz lmites inferior de Cramer-Rao
(CRLB).

La desigualdad de Cramer-Rao establece que si

es un estimador insesgado de

entonces
[ ]
1
) ( )
(

I Cov

es una matriz positiva semidefinida.

Una condicin suficiente para que un estimador sea eficiente es que [ ]
1
) ( )
(

= I Cov .

Divisin de economa

1
2.2 Propiedades Asintticas de Estimadores.

2.2.1 Consistencia.
Definicin: El estimador
n
es un estimador consistente de si para cualquier nmero positivo

(arbitrariamente pequeo),

( ) 1
lim =

n
n
P ( ) 0
lim = >

n
n
P (2.7)
Tambin se dice que: la secuencia
n

, ,
2 1
converge en probabilidad a =
n
p
lim .
Una condicin suficiente para que un estimador insesgado
n
sea consistente es 0 )
( lim =

n
n
Var
Como se hizo en el caso de la media muestral, la proposicin anterior puede probarse utilizando el
teorema de Chebyshev:
( )
2
1
k
k X P > ( )
2
1
)
k
Var k P
n n
>
Para cualquier nmero positivo ,
)
(
n
Var
k
= tambin es un nmero positivo.

2 2

( ) ( )

( )
( )
n n
n n n
n
Var Var
P Var P
Var

> >

Si 0 )
( lim =

n
n
Var , entonces [ ] 0
= >
n
P
n
es un estimador consistente de ..
Divisin de economa

2
TEOREMA DE SLUTSKY:
Si =
n
p
lim y )
(
n
g es una funcin continua de
n
, entonces
) ( )
lim ( )
( lim g p g g p
n n
= =

El teorema de Slutsky establece que la probabilidad lmite de una funcin continua de un estimador
consistente es la funcin evaluada en la probabilidad lmite.

Ejemplo 2.3
Demostrar que
2
1
2
)
= es un estimador consistente de donde

2
es el estimador MLE el
cual es un estimador consistente de
2
.
= = = =
2
1
2
2
1
2
2
1
2
) ( )
lim ( )
lim(
lim p p p

Como implicancia del teorema anterior se puede establecer las siguientes reglas para el operador
lim p :

Si lim
n
p x c = y lim
n
p y d = entonces::
(a) lim( )
n n
p x y c d + = +
(b) lim( )
n n
p x y cd =
(c) lim( )
n n
p x y c d = siempre que 0 d
(d) lim
n
p x c = siempre que
[ ]
0 1
n
P x = .
Divisin de economa

3
Ejemplo 2.4
n
X X X , ,
2 1
es una muestra aleatoria de una distribucin con media y varianza <
2
.
Demostrar que X es un estimador consistente de .

Tal como se ha visto anteriormente:

1 1
( )
( )
n n
i i
i i
X E X n
E X E
n n n

= =

= = = =

(a)

Por otra parte:

2 2
2 2
1 1
1
( ) ( )
n n
i
i
i i
X n
Var X Var Var X
n n n n

= =

= = = =

Por lo que 0 lim ) ( lim
2
= =

n
X Var
n n
(b)

Dados los resultados (a) y (b) podemos concluir que X es un estimador consistente de , lo cual es
denotado como:
lim
n
p X =
Es importante remarcar que este resultado indica que la media muestral X es un estimador
consistente de la media poblacional o que la media muestral converge a la media poblacional a
medida que el tamao de la muestra tiende a infinito. Este resultado es conocido como ley de grandes
nmeros (LGN).
Divisin de economa

4
Ejemplo 2.5
1 2
, ,
n
X X X es una muestra aleatoria donde ( )
i
E X = ,
2
2
( )
i
E X = y
4
4
( )
i
E X = son finitos.
Demostrar que el estimador de la varianza (
2
):
2 2
1
1
( )
1
n
i
i
S X X
n
=
=

es consistente.
Una formulacin equivalente del estimador anterior es:
2 2 2
1
1
1
n
i
i
S X nX
n
=

=

Multiplicando y dividiendo por n el primer y segundo trmino respectivamente se puede obtener:

2 2 2
1
1
1
n
i
i
n
S X X
n n
=

=

Se ha demostrado que lim p X = . De forma anloga se puede demostrar que el segundo momento
muestral alrededor del origen
2
1
1
n
i
i
X
n
=
converge en probabilidad al segundo momento poblacional

2
2
( )
i
E X = . Esto es
2
2
1
1
lim
n
i
i
p X
n

=
=
. (LGN). Por otra parte, utilizando el teorema de Slutsky:

2 2 2
lim ( lim lim ) ( lim ) p X p X p X p X = = =

Utilizando los resultados anteriores la probabilidad lmite del segundo trmino de
2
S ser igual a:

2 2 2 2 2 2
2
1
1
lim ( ) ( ) [ ( )]
n
i
i
p X X E X E X
n

=

= = =

Finalmente, dado que lim[ /( 1)] 1
n
n n
= podemos concluir que

2 2
lim p S =
Divisin de economa

5
2.2.2 Convergencia de Distribucin.
Definicin: Sea
n
un estimador consistente de . Si la distribucin de la secuencia de variables
aleatorias
( )
n
n converge a la distribucin lmite
2
(0, ) N a medida que n entonces
( )
n
n converge en distribucin o su distribucin asinttica es
2
(0, ) N , denotado por

2
( ) (0, )
asy
n
n N
2
( ) (0, )
d
n
n N (2.8)

Como se ha visto anteriormente, en el caso de la media muestral el Teorema del Limite Central
(Lindeberg y Levy) establece que para cualquier nmero x:
) (
) (
lim
2
1
x F x
X
n P
n
n
=

Donde ( ) F x , la funcin de distribucin acumulada normal estndar, es la distribucin lmite.

Regresando al resultado (2.8) es convencional afirmar (aunque literalmente no es cierto) que el
estimador
tiene la siguiente distribucin asinttica:

2
,
asy
n
N
n

(2.9)

Para el caso multivariado la definicin anterior se puede formular como:
Si el vector
n
es un estimador consistente de y )
(
n
n converge en distribucin a ) ( 0, N ,
entonces
( ) ( , )
d
n
n N 0 . Consecuentemente se dice que ) , (
n N
d
n
.
Divisin de economa

6
2.2.3 Eficiencia Asinttica.
Definicin: Sean
n
y
n
~
dos estimadores alternativos del parmetro tal que
) , 0 ( )
(
2
1
N n
d
y ) , 0 ( )
~
(
2
2
N n
d
. Si
2
1
2
2
, entonces
es eficiente
asintticamente en relacin a
~
.

En el caso de varios parmetros, si es un vector de parmetros,
y
~
son estimadores consistentes
tal que ) ( )
( 0, N n
d
y ) ( )
~
( 0, N n
d
, entonces
es eficiente
asintticamente si es una matriz positiva semidefinida.

Un estimador consistente
tal que ) ( )
( 0, N n
d
es eficiente asintticamente si

1
) (
1
lim

= I
n
n
. Donde ) ( I es la matriz de informacin.

A continuacin se establece sin prueba uno de los resultados ms importantes para inferencia
utilizando el estimador de mxima verosimilitud (MLE ):

Teorema: Bajo condiciones bastante generales, el estimador MLE es consistente, normal
asintticamente, insesgado asintticamente y eficiente asintticamente .
Si
es el estimador MLE de , entonces

1
) (
1
lim )
( 0, I
n
N n
n
d
.
Divisin de economa

7
Ejemplo 2.6
Demostrar si el estimador
=
=
n
i
i
X
n
1
2 2
) (
1
, donde es un parmetro conocido, es eficiente

asintticamente .

Por todo lo visto anteriormente podemos suponer que ) , 0 ( )
(
2 2
V N n
d
. Entonces
debemos demostrar que, en el lmite, el valor esperado y la varianza de la transformacin
)
(
2 2
n son 0 y V respectivamente y que adems
1
) (
1
lim

= I
n
V
n
.
Dado que n y
2
son constantes la condicin
2 2
]
[ lim =

E
n
ser suficiente para demostrar que
la esperanza de la transformacin )
(
2 2
n es cero en el lmite.

Por defincin
=

n
i
i
X
1
2
2
) (
1
tendr una distribucin Chi-cuadrado con parmetro n o con n grados

de libertad, puesto que es la suma de los cuadrados de n normales estndar.

Entonces n X E
n
i
i
=
=
] ) (
1
[
1
2
2

.
Multiplicando y dividiendo el primer trmino por n obtenemos:
Divisin de economa

8
n
n
E n n X
n
E
n
i
i
= =
=
]
[ ] ) / ) (( [
2
2
1
2
2

Por lo que podemos concluir que
2 2
]
[ = E .

La varianza de la transformacin )
(
2 2
n ser igual a )
( ]
[
2 2
nVar n Var =

Por defincin, n n X
n
Var
n
i
i
2 ] ) / ) (( [
1
2
2
=
, dado que se trata de una distribucin Chi-cuadrado.

4 4
2
2 2
2 2
2
2
2
2 2
)
( 2 )
(
) (
2 ]
n n
n
Var n Var
n
n
n
Var = = = =
Por tanto,
4 4 2 2
2 )
2
( )
( ]
[ = = =
n
n nVar n Var
Finalmente debemos demostrar que
1
4
) (
1
lim 2

= = I
n
V
n
.
En nuestro caso, la matriz de informacin ser igual a
2
2
) (
=
L
E I donde L es la funcin de
verosimilitud logaritmica. Especficamente se puede obtener
4
2 / ) ( n I = por lo que
4 1
2 ] / ) ( [ lim =

n I
n
. Concluimos por tanto que
2
es eficiente asintticamente .
Divisin de economa

1
3. Estimacin de Intervalos

3.1 Intervalo de Confianza

Definicin: Sea
n
X X X , , ,
2 1
una muestra aleatoria de una poblacin con densidad de probabilidad
) ; ( x f . Sean
L
y
U
dos estadsticos (funciones de la muestra aleatoria) tal que

U L

y
( ) ) 1 (

< <
U L
P (3.1)

Donde ) 1 ( no depende de y 1 0 < < . El intervalo aleatorio ( )
U L

,
es denominado Intervalo
de Confianza de ) 1 ( 100 por ciento del parmetro .

La fraccin ) 1 ( es denominada Coeficiente de Confianza o Grado de Confianza y los extremos
L

y
U
son denominados Lmites de Confianza Inferior y Superior respectivamente.

3.2 Intervalos de Confianza de un solo lado

Si
L
es un estadstico tal que

) 1 ( )
( <
L
P (3.2)

tenemos un intervalo de confianza de un solo lado del parmetro y
L
es su lmite de confianza
inferior.

Divisin de economa

2
Anlogamente, si
U
es un estadstico tal que

) 1 ( )
( >
U
P (3.3)

tenemos un intervalo de confianza de un solo lado del parmetro y
U
es su lmite de confianza
superior.

3.3 El mtodo pivotal

Definicin (Valor o Cantidad Pivotal): Sea
n
X X X , , ,
2 1
una muestra aleatoria de una poblacin con
densidad de probabilidad ) ; ( x f . Sea ) ; , , , (
2 1

n
X X X V V = una funcin o transformacin que
depende de la muestra aleatoria y el (los) parmetro (s) poblacional (es). Si la distribucin de V no
depende de entonces se dice que V es un valor o cantidad pivotal.

Ejemplo 3.1
Sea
n
X X X , , ,
2 1
una muestra aleatoria de una poblacin con densidad Normal: ) 9 , ( N .

(i) La transformacin ) / 9 , 0 ( ~ ) ( n N X
Por tanto ) ( = X V es una cantidad pivotal ya que su distribucin no depende de .
(ii) La transformacin
) / 3 (
) (
3
) (
n
X X n
V

= es una cantidad pivotal puesto que tiene una

distribucin normal estndar, la cual no depende de .
(iii) / X V = no es una cantidad pivotal puesto que ) / 9 , 1 ( ~ ) / (
2
n N X , la cual depende de .
Divisin de economa

3
Definicin (Mtodo Pivotal): Si V es una cantidad pivotal y tiene una determinada funcin de densidad
de probabilidad , entonces para cualquier valor de 1 0 < < es posible obtener los valores
2 / ,
L
y
2 / ,
U
tal que

( ) ) 1 (
2 / , 2 / ,

= < <
U L
V P (3.4)

Si para cada posible muestra aleatoria
n
x x x , , ,
2 1
el intervalo
2 / , 2 1 2 / ,
) ; , , , (

U n L
x x x v < <
implica que ) , , , (
) , , , (
2 1 2 1 n U n L
x x x x x x < < , donde
L
y
U
son funciones que no

dependen de entonces )
(
L L
es un intervalo de confianza de ) 1 ( 100 por ciento de .

Es importante notar que la caracterstica esencial del mtodo pivotal es que la desigualdad
2 / , 2 1 2 / ,
) ; , , , (

U n L
x x x v < < puede ser invertida o "pivoteada" como:
) , , , (
) , , , (
2 1 2 1 n U n L
x x x x x x < < .

Ejemplo 3.2
Sea
n
X X X , , ,
2 1
una muestra aleatoria de una poblacin que tiene la distribuci Normal: ) 1 , ( N .
Determinar un intervalo de confianza para .

La transformacin ( ) 1/ ~ (0,1) V X n N Z = es una cantidad pivotal.

Divisin de economa

4
Entonces para un determinado valor ) 1 ( es posible encontrar
2 / , L
z y
2 / , U
z tal que
) 1 ( ) (
2 / , 2 / ,

= < <
U L
z V z P ) 1 ( )
/ 1
) (
(
2 / , 2 / ,

= <
<
U L
z
n
X
z P
Multiplicando por n / 1 :
) / 1 ) ( / 1 (
2 / , 2 / ,
n z X n z
U L
< <

Restando X :
) / 1 / 1 (
2 / , 2 / ,
X n z X n z
U L
< <

Multiplicando por 1 :
) / 1 / 1 (
2 / , 2 / ,
n z X n z X
L U
< <

) 1 ( ) / 1 / 1 (
2 / , 2 / ,

= < < n z X n z X P
L U

Entonces, ) / 1 , / 1 (
2 / , 2 / ,
n z X n z X
L U
es un intervalo de confianza de ) 1 ( 100 por
ciento para el parmetro .

Ntese que dada la simetria de la distribucin normal stndar
2 / , 2 / , U L
z z = . Igualmente, para
cualquier valor de , la distancia
2 / , 2 / , L U
z z ser mnima.

Divisin de economa

5
3.4 Intervalos de Confianza para muestras Normales finitas

3.4.1 Intervalo de Confianza para la media

Caso (1): Varianza conocida
El ejemplo 3.2 ilustra el caso donde la varianza ) (
2
es conocida ( 1
2
= en dicho ejemplo). En este
caso el intervalo de confianza para la media es igual a:

) / / (
2
2 / ,
2
2 / ,
n z X n z X
L U

< < (3.5)

Sea Z la distribucin (acumulativa) normal estndar. Para un determinado valor de los valores
2 / , L
z y
2 / , U
z deben satisfacer respectivamente 2 / ) (
2 / ,

=
L
z Z y 2 / 1 ) (
2 / ,

=
U
z Z . Estos
valores pueden obtenerse de las Tablas de esta distribucin que aparecen en cualquier libro de texto de
estadstica o utilizando algn software estadstico/economtrico.

Para 05 . 0 = se puede obtener 96 . 1
2 / ,
=
L
z y 96 . 1
2 / ,
=
U
z . Entonces, un intervalo de
confianza de 95 por ciento ser igual a:

) / 96 . 1 / 96 . 1 (
2 2
n X n X + < < (3.6)

De forma similar, un intervalo de confianza de 90 por ciento para la media ser igual a:

) / 64 . 1 / 64 . 1 (
2 2
n X n X + < < (3.7)
Divisin de economa

6
Caso (2): Varianza desconocida
Si la varianza es desconocida, los intervalos anteriores no pueden definirse. En este caso es necesario
"eliminar" el parmetro desconocido
2
.

Sabemos que la transformacin
2
( )/ / ~ (0,1) X n N Z .
Igualmente,
2
) 1 (
1
2
2
~ ) (
1

n
n
i
i
X X
. Utilizando este ltimo resultado se puede concluir que

2
) 1 (
2
2
~
) 1 (
n
S
n
, donde ) 1 /( ) (
1
2 2
=
=
n X X S
n
i
i
es la varianza muestral.
Por otra parte, la razn entre una variable aleatoria normal estndar y la raz cuadrada de una variable
aleatoria Chi-cuadrado tendr la denominada distribucin t. Especficamente,

( 1)
2
( 1)
~
/( 1)
n
n
Z
t
n

Entonces la razn:

) 1 (
2
2
2
~
/
) (
) 1 /(
) 1 (
/ / ) (
=
n
t
n S
X
n S
n
n X
V

Como puede verse, esta transformacin no depende de
2
y tiene una distribucin de probabilidad que
es independiente de los parmetros poblacionales por lo que puede utilizarse como valor pivotal para
construir intervalos de confianza.

Divisin de economa

7
En este caso, para un grado de confianza ) 1 ( ser posible determinar el siguiente intervalo de
confianza de ) 1 )( 100 ( por ciento para la media:

) / ( ) / ( (
2 / , ), 1 ( 2 / , ), 1 (
n S t X n S t X
L n U n

< < (3.8)
Donde los valores t deben obtenerse de la distribucin t con parmetro ) 1 ( n o con ) 1 ( n grados
de libertad. Anlogamente al caso anterior, sea
) 1 ( n
T la distribucin (acumulativa) t -estudiante con
) 1 ( n grados de libertad. Para un determinado valor de los valores
2 / , ), 1 ( L n
t

y
2 / , ), 1 ( U n
t

deben satisfacer respectivamente 2 / ) (
2 / , ), 1 ( ) 1 (

=
L n n
t T y 2 / 1 ) (
2 / , ), 1 ( ) 1 (

=
U n n
t T .

Supongamos que 24 ) 1 ( = n . Para 05 . 0 = se puede encontrar que 064 . 2
2 / , , 24
=
L
t y
064 . 2
2 / , , 24
=
U
t . Entonces, un intervalo de confianza de 95 por ciento para la media ser igual a:

) / ( 064 . 2 ) / ( 064 . 2 ( n S X n S X + < < (3.9)

De forma similar, para 40 ) 1 ( = n y 10 . 0 = se obtiene los valores 684 . 1
2 / , , 40
=
L
t y
684 . 1
2 / , , 40
=
U
t . Entonces, un intervalo de confianza de 90 por ciento para la media, cuando la
varianza es desconocida estar dado por:

) / ( 064 . 2 ) / ( 064 . 2 ( n S X n S X + < < (3.10)

Divisin de economa

8
3.4.2 Intervalo de Confianza para la varianza

Caso (1): Media conocida
Si la media es conocida, la transformacin
2
1
2
/ ) (
=
=
n
i
i
X V , la cual tiene una distribucin Chi-
cuadrado
2
) (n
es un valor pivotal. Entonces para un determinado valor de 1 0 < < podemos obtener
un intervalo de confianza para la varianza a partir de la relacin:
) 1 ( )
) (
(
2
2 / , ), (
2
1
2
2
2 / , ), (

= <
<
=
U n
n
i
i
L n
X
P (3.11)
Invirtiendo la expresin entre parntesis:

2
2 / , ), (
1
2
2
2
2 / , ), (
1
) (
1

U n
n
i
i
L n
X
>
>
=
(3.12)
Multiplicando por la suma cuadrados de las desviaciones respecto a la media y ordenando las
desigualdades podemos obtener el intervalo de confianza de ) 1 ( 100 por ciento para la varianza:

2
2 / , ), (
1
2
2
2
2 / , ), (
1
2
) ( ) (

L n
n
i
i
U n
n
i
i
X X

= =

< <
(3.13)
Divisin de economa

9
En este caso utilizamos la distribucin Chi-cuadrado para obtener los lmites
2
2 / , ), (
L n
y
2
2 / , ), (
U n
.
Para 30 = n un intervalo de confianza de 90 por ciento ) 1 . 0 ( = los valores anteriores sern 5 . 18 y
8 . 43 respectivamente.

Caso (2): Media desconocida

Si la media es desconocida se puede utilizar como cantidad pivotal a:

2
) 1 (
2
2
~
) 1 (
=
n
S
n
V

En este caso es posible obtener el siguiente intervalo de confianza de ) 1 ( 100 por ciento para la
varianza:

2
2 / , ), 1 (
2
2
2
2 / , ), 1 (
2
) 1 ( ) 1 (

L n U n
S n S n

< <
(3.14)

Divisin de economa

1
3.4.3 Regin de confianza para la media y varianza

La construccin de regiones de confianza de rea mnima (anlogo a intervalos de distancia mnima) es
un problema complicado. Para entender mejor este problema se formula a continuacin las siguientes
tres posibilidades para determinar una regin de confianza:

(i)La forma ms sencilla para definir una regin de confianza sera simplemente considerar la
interseccin de los intervalos de confianza para la media y varianza determinados anteriormente. Por
ejemplo, podramos utilizar las relaciones 3.6 y 3.8 anteriores:

( 1), , / 2 ( 1), , / 2
( / ) ( / ) (1 )
n U n L
P X t S n X t S n

< < =

(3.15)

2 2
2
2 2
( 1), , / 2 ( 1), , / 2
( 1) ( 1)
(1 )
n U n L
n S n S
P

< < =

(3.16)
Si bien cada uno de los intervalos anteriores tiene un coeficiente de confianza igual a (1 ) , no
sabemos el coeficiente de confianza para la regin de confianza conjunta. Para ello, ser necesario
construir la regin de confianza partir de la probabilidad conjunta de dos cantidades pivotales que sean
independientes entre si, tal como se hace a continuacin.

(ii)Sabemos que la media muestral ( ) X y la varianza muestral
2
( ) S son independientes. Por otro lado,
sabemos que
1
2
/
X
V
n
= y
2
2
2
( 1) n S
V
= califican como valores pivotales. Entonces, sus lmites

Divisin de economa

2
inferior y superior correspondientes pueden ser evaluados utilizando las distribuciones normal estndar
y chi-cuadrado respectivamente, tal como sigue:
, / 2 , / 2
2
( )
( ) (1 )
/
L U
X
P z z
n

< < = (3.17)

2
2 2
( 1), , / 2 ( 1), , / 2
2
( 1)
( ) (1 )
n L n U
n S
P

< < = (3.18)

Dado que
1
V y
2
V son independientes, la probabilidad conjunta de los intervalos anteriores ser:
2
2 2
, / 2 , / 2 ( 1), , / 2 ( 1), , / 2
2
2
( ) ( 1)
; (1 )(1 )
/
L U n L n U
X n S
P z z
n

< < < < =

(3.19)
Entonces una regin de confianza de [1 (1 )(1 )]100 por ciento ser definida por las cuatro
desigualdades definidas en 3.19.
A partir de las ltimas dos desigualdades se pueden determinar los lmites inferior y superior para
2
,
los cuales son constantes:
2
( 1), , / 2
( 1)
n U
n S
y
2
( 1), , / 2
( 1)
n L
n S

El resto de la regin de confianza anterior quedar delimitada por la funcin parablica
2
2 2
/ 2
( )
z
X
n
= . Ntese que
2 2
2
/ 2
( )
n
X
z
= .
(iii)Es importante notar que la regin de confianza anterior no es de rea mnima para valores dados de
, . Esta regin tendr forma aproximadamente elptica. Para fines prcticos podramos suponer que
sta no difiere notablemente de (ii) si la muestra es grande.
Divisin de economa

3
Grficamente la regin de confianza obtenida en (ii) ser:
X bar
Mu (u)
S
i
g
m
a

C
u
a
d
r
a
d
o

(
s
2
)
REGION DE CONFIANZA PARA LA MEDIA Y VARIANZA
data1
(n-1)S2/X2(L)
(n-1)S2/X2(U)
(u-Xbar)2=(z2/n)*s2
Divisin de economa

4
3.4.4 Intervalo de confianza para la diferencia de medias

Sea , 1, ,
i
X i n = una muestra aleatoria de una distribucin
2
1
( , ) N y , 1, ,
j
X j m = otra
muestra aleatoria de una distribucin
2
2
( , ) N . Supongamos que las dos muestras son
independientes entre si. Sean
1
X y
2
X las correspondientes medias muestrales. Un intervalo de
confianza para la diferencia de medias
2 1
( ) puede determinarse de la siguiente manera.

Por los supuestos anteriores
2 1
( ) X X tendr una distribucin normal con media
2 1
y varianza
2 2
( / ) ( / ) m n + . Entonces
2 2
2 1 2 1
[( ) ( )]/ ( / ) ( / ) ~ (0,1) Z X X m n N + .

Por otro lado,
2 2 2
1 ( 1)
1
( ) / ~
n
i n
i
X X

=

y
2 2 2
2 ( 1)
1
( ) / ~
m
j m
j
X X

=

. Por tanto:
2 2 2 2 2
1 2 ( 2)
1 1
[ ( ) / ( ) / ]~
n m
i j n m
i j
W X X X X
+
= =
+

.

Por definicin, la razn
( 2)
~
/( 2)
n m
Z
t
W n m
+
+
. Con un poco de manipulacin esta razn puede
expresarse como:
Divisin de economa

5
2 1 2 1
2
( ) ( )
1 1
T
X X
V
S
n m

=

+

, donde
2 2
1 2
1 1 2
( ) ( )
2
n m
i j
i j
T
X X X X
S
m n
= =
+
=
+

es denominada varianza
muestral total.

El intervalo de confianza puede entonces construirse a partir de la relacin:

1 2 1 2
( 2), , / 2 ( 2), , / 2
2
( ) ( )
( ) (1 )
1 1
n n L n n U
T
X X
P t t
S
n m

+ +

< < =

+

(3.20)

De donde podemos obtener el siguiente intervalo de confianza de (1 )100 por ciento para la
diferencia de medias:

2 2
2 1 ( 2), , / 2 2 1 2 1 ( 2), , / 2
1 1 1 1
( ) ( ) ( )
n n U T n n L T
X X t S X X t S
m n m n

+ +

+ < < +

(3.21)

Divisin de economa

6

3.5 Intervalos de Confianza para muestras grandes

Como se estableci en la seccin de propiedades asintticas de estimadores si las muestras son
grandes los estimadores vistos anteriormente tendrn aproximadamente distribuciones normales.

Entonces la transformacin:

~ (0,1) Z N

puede ser utilizada como cantidad pivotal para construir intervalos para un determinado nivel de
confianza:

/ 2 / 2
( ) (1 ) P z z

< < = (3.21)

A partir de la relacin anterior se puede obtener el siguiente intervalo de confianza de (1 )100 por
ciento para :

/ 2 / 2

z z

< < + (3.22)

Divisin de economa


1
4. Pruebas de Hiptesis

4.1 Elementos de una prueba estadstica.

Segn la metodologa clsica, una prueba de hiptesis contiene los siguientes elementos:

(1) Hiptesis a evaluar: Nula (
0
H ) y Alternativa (
1
H )

(2) Estadstica de Prueba (funcin de la muestra) y su distribucin

(3) Zonas de rechazo y de aceptacin de
0
H

4.2 Errores tipo I y II

Las estadsticas de prueba son variables aleatorias puesto que se basan en muestras aleatorias. Por
esta razn una misma estadstica de prueba puede producir diferentes resultados dependiendo de la
muestra analizada.

Se puede, por tanto, incurrir en dos tipos de errores, tal como se define a continuacin

Definicin (Error tipo I): Se incurre en error de tipo I si
0
H es rechazada cuando
0
H es
verdadera. La probabilidad de cometer un error de tipo I usualmente es denotada por .

Definicin (Error tipo II): Se incurre en error de tipo II si
0
H es aceptada cuando
1
H es verdadera.
La probabilidad de cometer un error de tipo II usualmente se denota por .
Divisin de economa


2
4.3 Nivel y Poder de una prueba

El Nivel (Tamao) y Poder (Potencia) de una prueba estadstica se definen en trminos de la
probabilidad de incurrir en errores tipo I y II, tal como sigue:

Definicin (Nivel de una prueba): El nivel (o tamao) de una prueba es la probabilidad de tener un
error de tipo I: . Tambin se denomina Nivel de significancia de una prueba.

Pr(error tipo I) Nivel de la prueba = =

Definicin (Potencia de una prueba): El poder (o potencia) de una prueba es la probabilidad de
(correctamente) rechazar a
0
H cuando sta es falsa (o
1
H es verdadera). El poder de una
prueba es:

1 1 Pr(error de tipo II) Poder de la prueba = =

El nivel de una prueba es controlado por el analista. En teora el error tipo I podra eliminarse si se
reduce la zona de rechazo a un conjunto muy pequeo (o se aumenta la zona de aceptacin a un
conjunto extremadamente grande), lo cual hara improbable el rechazo de la hiptesis nula. Sin
embargo, es importante tener en cuenta que al reducirse el error tipo I necesariamente aumentar el
error de tipo II y por tanto reducira el poder de la prueba.

Divisin de economa


3
El nivel y poder de una prueba pueden evaluarse de manera experimental. La probabilidad del error tipo
I puede evaluarse simplemente como la proporcin de rechazos de
0
H cuando esta hiptesis es cierta.
Igualmente, la probabilidad del error tipo II puede medirse como la proporcin de veces en que
0
H es
aceptada cuando de hecho es falsa.

La probabilidad anterior ( ) y por tanto el poder de una prueba dependern de cual sea el valor
especifico del parmetro bajo la hiptesis alternativa. El poder de una prueba ser mayor (menor)
mientras mayor (menor) sea la distancia entre
0
H y
1
H .

4.4 Pruebas mas poderosas, insesgadas y consistentes

Definicin: Una prueba es denominada la mas poderosa (most powerful) si tiene mayor potencia o
poder que cualquier otra prueba con el mismo nivel de significancia.

Definicin: Una prueba es insesgada si su poder ) 1 ( para todos los posibles valores del
parmetro evaluado.

Definicin: Una prueba es consistente si su poder tiende a 1 cuando el tamao de la muestra tiende a
infinito. En general, una prueba es consistente cuando se basa en un estimador consistente del
parmetro evaluado.

Divisin de economa


4
4.5 Pruebas de hiptesis sobre la media bajo el supuesto de normalidad (varianza conocida)

Sea
n
x x x , , ,
2 1
una muestra aleatoria tomada de una poblacin con una distribucin normal con
media y varianza
2
la cual es conocida y sea
(media muestral) un estimador de insesgado de .

(a) Evaluacin de la hiptesis nula
0 0
: = H versus la hiptesis alternativa
0 1
: > H .

Como se ha demostrado en captulos anteriores, la media muestral (
) tendr en este caso una

distribucin normal con media y varianza n /
2
. Por tanto, la transformacin
) 1 , 0 ( ~
)
2 / 1
N
n
Z

= y puede utilizarse como una Estadstica de Prueba.
Bajo el supuesto de que
0 0
: = H es cierta tendremos que: ) 1 , 0 ( ~
)
0
2 / 1
N
n
Z

= .

Para evaluar o probar la hiptesis nula definimos una probabilidad de error de tipo I deseada () lo cual
definir las zonas de rechazo y aceptacin.

Convencionalmente se utiliza 1, 5 y 10 por ciento.

La zona de rechazo ser entonces el conjunto { }
Z Z Z ZR > =
, donde
Z es un valor tal que
= > ) Pr( Z Z . El valor
Z es denominado valor crtico. Esto se ilustra en la siguiente grfica:

Divisin de economa


5

Si
Z Z
se aceptar
0
H . Por el contrario, si
Z Z >

0
H ser rechazada

(b) Evaluacin de
0 0
: = H versus
0 1
: < H
En este caso, la zona de rechazo se define como { }
Z Z Z ZR < =
. Grficamente:

) Z f(
Z
0
Z

ACEPTACIN DE ZONA

RECHAZO DE ZONA

) ( COLA SOLA UNA DE PRUEBA +
) ( COLA SOLA UNA DE HIPTESIS DE PRUEBA

RECHAZO DE ZONA

ACEPTACIN DE ZONA

) Z f(
Z
0
Z

Divisin de economa


6
(c) Evaluacin de
0 0
: = H versus
0 1
: H
En este caso la zona de rechazo se define como:
{ }
2

/ ZR Z Z Z
= > . Grficamente:

RECHAZO DE ZONA

ACEPTACIN DE ZONA

) Z f(
Z
0
Z

RECHAZO DE ZONA

2
Z
2

Divisin de economa


7
4.6 Pruebas de hiptesis sobre la media bajo el supuesto de normalidad (media y varianza
desconocidos)

Sea
n
x x x , , ,
2 1
una muestra aleatoria de una distribucin normal con = ) (
i
x E y varianza
2
) ( =
i
x Var , ambos desconocidos.

Como sabemos, dado que la muestra proviene de una distribucin normal, la media muestral tendr
tambin una distribucin normal ) , ( ~
2
n
N x

. Por tanto
) ( x
n tiene una distribucin normal
estndar.

Por otro lado, tambin sabemos que
=

n
i
i
x x
1
2
2
) (
1
tiene una distribucin

2
) 1 ( n
y que por tanto
2 2
( 1)
2
( 1)
~
n
n
S
, donde
=
n
i
i
n
x x
S
1
2
2
1
) (
es un estimador insesgado de la varianza.

Sabemos que en general si ) 1 , 0 ( ~N Z y
2
) 1 (
~
n
W entonces la razn ~
) 1 (
=
n W
Z
t distribucin
) 1 ( n
t y puede utilizarse como Estadstica de Prueba.

Divisin de economa


8
En este caso, la razn anterior ser:

2
2
( )
~
1
( 1)
( 1)
x
n
t
n S
n
distribucin
) 1 ( n
t
Ntese que el parmetro desconocido
2
es eliminado.
Simplificando se obtiene la Estadstica de Prueba: ~
) (
n
S
x
t

= distribucin
) 1 ( n
t
Una vez determinada la estadstica de prueba y su distribucin, la evaluacin de hiptesis procede de la
misma forma que en el caso anterior:

(a)
0 1 0 0
: versus : > = H H
Estadstica de Prueba:
n
S
x
t
) (
0

= y { }
t t t ZR > = /
(b)
0 1 0 0
: versus : < = H H
{ }
t t t ZR < =

(c)
0 1 0 0
: versus : = H H
> =
2
/

t t t ZR
Divisin de economa


9
4.7 Pruebas asintticas generales
Sea ) ( log l L = donde ) ( l es la funcin de verosimilitud. Consideremos la hiptesis nula
0 0
: = H versus la alternativa
0 1
: H . Sean ) (
0
r
l la funcin de verosimilitud evaluada en
0

(restricta) y )
l la funcin de verosimilitud irrestricta. Sea

)
(
) (
0
l
l
r
= el ratio o la razn de
verosimilitudes.

Las hiptesis anteriores pueden contrastarse con las siguientes pruebas:

(a) Prueba de Ratio o Razn de Verosimilitud (LR):
[ ] [ ]
2
) 1 ( 0 0
~ ) ( )
( 2 )
( ) ( 2 log 2

L L L L LR
r
= = = (asintticamente)

(b) Prueba de Wald (W):

2
) 1 (
2
2
2
0
~
) (
)
=
=
L
W (asintticamente)

(c) Prueba del multiplicador de Lagrange (LM ):
[ ] [ ]
2
) 1 (
1
0
2
0
~ ) ( ) (

= I S LM (asintticamente)
Donde
( )
( )
L
S

y
2
2
( )
( )
L
I E

Divisin de economa


10
Debe remarcarse lo siguiente:
(1) En muestras pequeas las pruebas anteriores no se distribuyen
2

(2) Se ha demostrado que en modelos de regresin lineales con muestras pequeas LM LR W y
que por tanto pueden producir resultados conflictivos.
(3) Para pruebas de hiptesis lineales estas pruebas son equivalentes a la prueba F clsica.
(4) En el caso de restricciones no lineales, la prueba de Wald produce resultados diferentes
dependiendo de cmo se especifique la relacin. Por ejemplo la restriccin 0 1= puede
formularse tambin como 0 / 1 = .

En la siguiente grfica se puede ilustrar el principio bsico de cada una de las pruebas. La funcin de
verosimilitud logartmica ) ( L tiene un solo mximo en
(estimador de mxima verosimilitud --

irrestricto) y produce el valor mximo )
(
u
L . La funcin 0 ) ( = g es una restriccin la cual se satisface
en
0
. Si se impone esta restriccin, el estimador de mxima verosimilitud restrictoser justamente
0
y produce el valor mximo restricto ) (
0
R
L . Todas las pruebas anteriores pretenden verificar si
0
= lo cual implica verificar si la restriccin 0 ) ( = g es vlida o no. Cada prueba lo hace de una
forma particular:
(a) Prueba LR: si la distancia entre )
(
u
L y ) (
0
R
L no es significativamente diferente de cero
entonces se acepta
0
H y la restriccin es vlida.
(b) Prueba de Wald: si el valor de la funcin )
( g no es significativamente diferente de cero se acepta

0
H y la restriccin es vlida
(c) Prueba LM: si el valor de la pendiente de la funcin logartmica de verosimilitud evaluado en
0
no
es diferente de cero (ntese que en el valor cero se obtiene el mximo) entonces se acepta
0
H .
Divisin de economa


11

) ( log l
LM
) ( L
W
0 ) ( = g
)
( g
)
(
V
L
)
(
R
L
Divisin de economa


1
5. Introduccin a los Modelos de Regresin Lineal

5.1 Ejemplos de Modelos Lineales

Las relaciones lineales son frecuentemente utilizadas en economa. Algunos ejemplos son:

(i) Funcin de Consumo Keynesiana

C a bY = + (5.1)

Donde C el consumo agregado de una economa, Y es el ingreso total disponible.
Los parmetros , son conocidos como consumo autnomo y propensin marginal a consumir
respectivamente. Este ltimo parmetro se interpreta como el consumo adicional por cada peso de
ingreso disponible adicional y solamente puede tomar valores entre cero y uno (0 1 < < ).

(ii) Funcin de Produccin Cobb-Douglas

Y AK L

= (5.2)

Donde Y es la cantidad de producto que puede ser obtenida utilizando determinadas cantidades de los
factores de produccin capital ( ) K y trabajo ( ) L .
El trmino A es el nivel de eficiencia o nivel tecnolgico. Los parmetros , son parmetros
tecnolgicos y generalmente se interpretan como elasticidades del capital y trabajo respectivamente.

Divisin de economa


2
Aunque la funcin Cobb-Douglas es no lineal, puede linealizarse fcilmente tomando logaritmos:

ln ln ln ln Y A K L = + + (5.3)

Dependiendo del contexto, A puede considerarse simplemente como una constante o como un proceso
que crece en el tiempo. En este ltimo caso generalmente se postula que

t
A e
+
= (5.4)

Donde t es la secuencia de nmeros naturales { 1,2, , } t n = la cual representa una tendencia de
tiempo. El parmetro es la tasa a la que crece A en cada periodo de tiempo (tasa de progreso
tecnolgico).

Sustituyendo (5.4) en (5.3) se puede obtener la relacin lineal en logaritmos:

ln ln ln Y t K L = + + + (5.5)

Ntese que en este caso el modelo lineal incluye adems del intercepto ( ) una tendencia de tiempo
( ) t . Es muy frecuente investigar empricamente si la funcin de produccin exhibe rendimientos
constantes a escala, en cuyo caso 1 + = .

Divisin de economa


3
(iii)Modelo simple de Paridad del Poder Adquisitivo

P EP
= (5.6)

Donde P es el nivel de precios del pas domestico (Mxico), P
es el nivel de precios internacional y

E es el tipo de cambio nominal en moneda domestica por unidad de moneda extranjera.

Tomando logaritmos, la relacin anterior puede ser linealizada como:

1 2
ln ln ln P E P

= + (5.7)

En este caso la teora implica que
1
1 = y
2
1 = .

(iv)Modelo de Demanda de Dinero

1 2 3
ln ln ln M Y P R = + + (5.8)

Donde , , , M Y P R son respectivamente la cantidad de dinero, el nivel de ingreso real, el nivel de
precios y la tasa de inters.

Bajo ciertos supuestos razonables se espera que
1
1 = ,
2
1 = y
3
0 <

Divisin de economa


4
5.2 Modelos de Regresin Lineales

Los modelos anteriores son simplemente relaciones matemticas (exactas) por lo que es prcticamente
imposible que se cumplan en la realidad debido a diversas perturbaciones causadas por mltiples
factores, cuyo listado sera prcticamente imposible y que, por otra parte, nos hara perder de vista las
variables econmicas fundamentales.

En este contexto no es difcil pensar que el cmulo de posibles perturbaciones podra tender a auto
cancelarse por lo que su resultado neto podra ser cero en promedio. Entonces estas perturbaciones no
necesitan enumerarse explcitamente sino que ms bien podran modelarse como una variable aleatoria
con media cero.

Precisamente, si a los modelos matemticos anteriores les aadimos una variable aleatoria a la cual
denominamos perturbacin aleatoria, error aleatorio o trmino de error obtenemos los denominados
modelos de regresin lineal. Los modelos econmico-matemticos sern ahora modelos
"economtricos".

Como su nombre lo indica, los modelos economtricos son utilizados para obtener "mediciones
econmicas". Especficamente, para poder estimar los parmetros desconocidos de funciones
econmicas en base a un conjunto de observaciones muestrales de las variables relevantes.

Igualmente, los modelos economtricos se utilizan para evaluar diversas hiptesis que surgen de la
teora econmica. Por ejemplo, si una funcin de produccin exhibe o no rendimientos a escala
constantes o si la elasticidad ingreso de la demanda de dinero es igual a la unidad, etc.

A continuacin se hace una descripcin de los fundamentos estadsticos de estos modelos.
Divisin de economa


5
Sea Y la variable dependiente o la variable a explicar y sea X la variable independiente o variable
explicativa y sea U una variable aleatoria que tiene una distribucin normal con media cero y varianza
constante. Podemos entonces formular el siguiente modelo simple de regresin:

i i i
U X Y + + = , n i , , 1 = (5.9)

Es importante hacer explcitos los supuestos fundamentales del modelo. Respecto a la perturbacin
aleatoria se supone que:

(i)Media cero: 0 ] [ =
i
U E y

(ii)Varianza constante:
2
] [ =
i
U Var (supuesto de homocedasticidad)

(iii)Cero co-varianzas: 0 ] [ ) , ( = =
j i j i
U U E U U Cov (supuesto de no-autocorrelacin)

Comnmente se dice que la perturbacin aleatoria tiene media cero y es independiente e idnticamente
distribuida. Es importante anotar que un aspecto importante de la econometra es evaluar los supuestos
(ii) y (iii) mediante pruebas de hiptesis especficamente diseadas y, en su caso, hacer los ajustes
necesarios. En captulo, simplemente nos limitaremos a suponer que dichos supuestos son vlidos.

Por otra parte, en la versin simple de este modelo se asume que:

(iv)La variable X es fija en el sentido de que los valores
n
X X X , , ,
2 1
estn dados o son
conocidos de antemano. Esto es, se asume que X no es una variable aleatoria.
Divisin de economa


6
No es difcil extender el modelo anterior al caso de K variables explicativas:

i iK K i i i
U X X X Y + + + + + =
2 2 1 1
, n i , , 1 = (5.10)

En notacin matricial este modelo anterior puede expresarse como:

U X Y + = (5.11)

Donde
=
n
nx
Y
Y
Y
2
1
1
Y ,
=
Kn n
K
K
K nx
X X
X X
X X
1
2 12
1 11
~
1
1
1
X ,
=
+
K
x K
1
1 ) 1
~
(
y
=
n
nx
U
U
U
2
1
1
U

Los subndices indican las dimensiones de las matrices o vectores correspondientes. Se debe tener en
cuenta que n es el nmero de observaciones y 1
~
+ = K K es el nmero de parmetros.

En este caso los supuestos del modelo se pueden resumir estableciendo que 0 U = ] [ E y
I U
2
] [ = Var , donde 0 es un vector de ceros de dimensin ) 1 (nx e I es la matriz identidad de
dimensin ) (nxn . Ntese que la expresin para la varianza implica que cada uno de los elementos del
vector U tiene una varianza igual a
2
y que cada para de elementos en dicho vector tiene co-varianza
cero. Es usual decir que la matriz de co-varianza es escalar-identidad.

Divisin de economa


7
En el caso multivariado es necesario asumir adicionalmente que X es fija y tiene rango completo:

K K rango
~
1 ) ( = + = X (5.12)

Si este no fuese el caso, por lo menos alguna columna (variable) de la matriz X ser igual a una
combinacin lineal de otra(s) columna(s).

Supongamos que la segunda columna es simplemente igual a un medio de la ltima columna. En este
caso, una de estas columnas sera redundante puesto que en realidad se trata de la misma informacin
incorporada en escalas diferentes.

Tcnicamente, si (5.12) no se cumple, estaramos ante un problema de "perfecta multi-colinealidad" y no
ser posible estimar los parmetros del modelo.

Divisin de economa


8
5.3 Mtodos de Estimacin

Para simplificar, consideremos el modelo (5.8) y supongamos adems que 0 = . En este caso:

i i i
U X Y + = , n i , , 1 = (5.13)

Dado que
i
U es una variable aleatoria con media 0 y varianza
2
,
i
Y tambin ser una variable
aleatoria. De hecho, bajo los supuestos anteriores se puede demostrar que

i i
X Y E = ] [ y
2
] [ =
i
Y Var (5.14)

Por otra parte si se supone que
i
U sigue una distribucin normal, ) , 0 ( ~
2
N U
i
, entonces
i
Y
tendr tambin una distribucin normal, ) , ( ~
2

i i
X N Y , puesto que es una combinacin lineal de la
variable normal
i
U . Entonces .

5.3.1 El Mtodo de Mnimos Cuadrados

Este mtodo es uno de los ms populares en econometra. En general, se puede definir de la siguiente
manera. Sea
n
Y Y Y , , ,
2 1
una muestra aleatoria. Sea ] [
r
r
Y E = el momento r alrededor del
origen de la variable aleatoria Y . Sea
2
) (
r
r
i
Y el cuadrado de la distancia entre las observaciones
muestrales y el momento r alrededor del origen.

Divisin de economa


9
El estimador de mnimos cuadrados es el valor de
r
que minimiza:

=
=
n
i
r
r
i
Y S
1
2
) ( (5.15)

En el caso de modelos lineales los parmetros a estimar corresponden al primer momento ) 1 ( = r .
Especficamente en nuestro caso
i i
X Y E = = ] [
1
1
. Entonces para el modelo (5.13) el estimador de
mnimos cuadrados del parmetro puede obtenerse resolviendo el problema:

=
=
n
i
i i
X Y S Min
1
2
) (
(5.16)

La condicin de primer orden es:

=
= =
n
i
i i i
X X Y
S
1
0 ) )( ( 2
(5.17)
De donde se obtiene el estimador de mnimos cuadrados del parmetro en el modelo (5.13):

LS
n
i
i
n
i
i i
X
X Y

1
2
1
= =
=
=
(5.18)
Divisin de economa


10
La condicin de segundo orden ser simplemente
2
2
2
i
X
S
=
lo cual asegura que (5.18) efectivamente

corresponda a un mnimo.

Para el modelo (5.9) se puede demostrar que el estimador de mnimos cuadrados de los parmetros
y se puede obtener resolviendo el problema:

=
=
n
i
i i
X Y S Min
1
2
,
) (

(5.19)

En este caso se puede obtener:

X Y
LS LS

= (5.20)

=
=

=
n
i
i
n
i
i i
LS
X X
X X Y Y
1
2
1
) (
) )( (
(5.21)

Donde
=
n
i
i
Y n Y
1
1
y
=
n
i
i
X n X
1
1
son las medias muestrales correspondientes
Divisin de economa


11

Todos los casos anteriores estn incluidos (o anidados) en la formulacin matricial del problema
correspondiente al modelo (5.11).

En este caso, el estimador del vector completo de parmetros se puede obtener resolviendo el
siguiente problema de minimizacin:

( ) ( ) Min S

= =
U U Y X Y X (5.22)

Utilizando algebra matricial se puede obtener el estimador de mnimos cuadrados del vector de
parmetros :

1
( ) ( )
LS

= X X X Y (5.23)

Donde y ) 1 ( denotan la transpuesta e inversa respectivamente.

Ntese que si la condicin 1 ) ( + = K rango X no se cumple, no ser posible invertir
X X.

Divisin de economa


1
5.3.2 Estimador de Mxima Verosimilitud

En lo que sigue describimos el estimador MLE para el modelo simple (5.13). Tal como se ha visto
anteriormente, si la perturbacin aleatoria tiene una distribucin normal:
2
~ (0, )
i
U N entonces la
variable aleatoria Y tambin tendr una distribucin normal: ) , ( ~
2

i i
X N Y .

Por tanto, la funcin de densidad para la observacin i ser en este caso:

2
2
1
1 1
( )( )
2
2 2 2
(2 ) ( )
i i
Y X
i
l e

= (5.23)

Debe notarse que la densidad anterior corresponde indistintamente a la variables aleatorias
i
U
i
Y .

La funcin de verosimilitud (densidad conjunta) para las n observaciones de la muestra disponible ser
el producto de las densidades individuales:

= =
=

=
n
i
i i
i i
X Y
n n
X Y n
i
e e l
1
2
2
2
2
) (
2
1
2
2
2
) )(
2
1
(
2
1
2
2
1
1
) ( ) 2 ( ) ( ) 2 (

(5.24)

Divisin de economa


2
La funcin de verosimilitud logartmica ser entonces:

=
= =
n
i
i i
X Y
n n
l L
1
2
2
2
) (
2
1
) ln(
2
) 2 ln(
2
ln
(5.25)

Como sabemos, el estimador de mxima verosimilitud es el que maximiza la funcin anterior. Para el
caso del parmetro no es difcil demostrar que maximizar L ser equivalente a minimizar
2
1
) (
=

n
i
i i
X Y lo cual produce justamente el estimador de mnimos cuadrados
LS
. Entonces,
podemos concluir que

MLE LS
.

Ntese que en este caso es posible obtener directamente el estimador de mxima verosimilitud para la
varianza. De la condicin de primer orden
2
( ) 0 L = se puede obtener
2 1 2
1
( )
n
MLE i MLE i
i
n Y X
=
=
.

Es posible demostrar que el estimador de la varianza ser sesgado. En el caso del estimador de
mnimos cuadrados, se busca a posteriori un estimador insesgado para la varianza.

Cabe enfatizar que los resultados anteriores sern similares en el caso en que el modelo lineal incluya
un intercepto (modelo 5.9) o en el caso general multivariado (modelo 5.10).

Divisin de economa


3
5.3.3 Estimador del Mtodo de Momentos

Sabemos que el mtodo de momentos permite obtener el valor de los parmetros igualando los
momentos poblacionales a los correspondientes momentos muestrales.
En nuestro caso tenemos que 0 ] [ =
i
U E y que
i
X es un valor dado. Por tanto podemos obtener el
momento poblacional:
0 ] [ =
i i
U X E (5.26)
Considerando que ) (
i i i
X Y U = , el correspondiente momento muestral ser:

=

n
i
i i i
X Y X
n
1
) (
1
(5.27)
Igualando momentos tenemos:

1
1
( ) [ ] 0
n
i i i i i
i
X Y X E X U
n

=
= =
(5.28)

De donde se puede obtener el estimador del mtodo de momentos:

MM
n
i
i
n
i
i i
X
Y X

1
2
1
= =
=
=
(5.29)

Entonces, podemos concluir que
MM MLE LS

= = .
Divisin de economa


4
5.4 Propiedades estadsticas del Estimador de Mnimos Cuadrados

Consideremos nuevamente el modelo (5.13) y el correspondiente estimador de mnimos cuadrados
expresado en (5.17). Dado que
i i i
U X Y + = el estimador de mnimos cuadrados puede expresarse
como:

=
=
=
= =
=
=
+ =
+
=
+
=
n
i
i
n
i
i i
n
i
i
n
i
i i
n
i
i
n
i
i
n
i
i i i
LS
X
U X
X
U X X
X
U X X
1
2
1
1
2
1 1
2
1
2
1
) (

(5.30)
Haciendo
=
=
n
i
i i i
X X w
1
2
/ el resultado anterior puede escribirse como:

=
+ =
n
i
i i LS
U w
1
(5.31)
Dado que 0 ] [ =
i
U E y
2
] [ ] [
2
= =
i i
U E U Var se puede obtener:

= ]
[
LS
E (El estimador es insesgado) (5.32)

=
=
n
i
i
LS
X
Var
1
2
2
1
]
[ (5.33)
Divisin de economa


5
Igualmente, bajo el supuesto de que U tiene una distribucin Normal, el estimador
LS
es de hecho
una combinacin lineal de variables normales (vase la ecuacin 5.30) y por tanto tambin tendr una
distribucin normal:

=
n
i
i LS
X N
1
2 2
, ~
(5.34)

Dado que en general
2
es desconocida en la prctica se utiliza el estimador insesgado de la varianza:

=
n
i
i LS i
X Y
n
1
2 2
)
(
1
1
(5.35)

Por analoga podemos establecer para el caso general que:

) ) ( , ( ~
1 2
X X
T
LS
N (5.36)

En este caso, el vector
LS
(estimador de mnimos cuadrados de dimensin ) 1

~
( x K tendr una
distribucin multivariada normal con un vector de medias igual a y una matriz de (co) varianza
1 2
) (

X X
T
, la cual tiene dimensin )
~ ~
( K x K .

Divisin de economa


6
Es importante reconocer que

1
LS
K
E

= =

(5.37)

Igualmente,

1
2 1
1 1 1
1

( ) ( , ) ( , )

( , ) ( ) ( ,

( ) ( )( ) ( )

( , ) ( , ) ( )
K
T
K
LS LS LS
K K K
Var Cov Cov
Cov Var Cov
Cov E
Cov Cov Var

= = =

X X

(5.38)

Ntese que cada uno de los elementos de la diagonal de la matriz de co-varianza del estimador de
mnimos cuadrados corresponde a las varianzas de los elementos en el vector
LS
. Los elementos
fuera de la diagonal son las co-varianzas.
Divisin de economa


1
5.5 Pruebas de hiptesis: caso simple

Dado que el estimador tiene una distribucin normal es posible construir estadsticos de prueba para
evaluar hiptesis especficas sobre los parmetros poblacionales que, de hecho, son desconocidos. En
el caso ms simple posible podemos formular hiptesis sobre el valor de un parmetro individual.

Consideremos nuevamente el modelo simple y formulemos la hiptesis nula:

0 0
: = H (5.38)

Donde
0
es un valor predeterminado. Es rutinario considerar que 0
0
= en cuyo caso simplemente
nuestra hiptesis ser que "la variable X no tiene influencia sobre (o no afecta a) la variable Y ". La
hiptesis alternativa generalmente se formula como

0 1
: H (5.39)

En este caso se trata de una prueba de "doble lado" o de "dos colas" e implica que la variable X si
tiene influencia (que puede ser positiva o negativa) sobre Y . Como se ha visto en el capitulo anterior, si
0 1
: > H
0 1
: < H tendremos el caso de pruebas de un solo lado o de una sola cola.

El procedimiento para construir la Estadstica de Prueba es el siguiente. Partimos del hecho que el
estimador de mnimos cuadrados tiene una distribucin Normal:
) / , ( ~
1
2 2
=
n
i
i LS
X N (5.40)
Divisin de economa


2

Estandarizando (restando la media y dividiendo entre la desviacin estndar) se obtiene:

) 1 , 0 ( ~
/
)
(
1
2 2
N
X
n
i
i
LS

(5.41)

(Ntese que la transformacin (5.41) podra utilizarse como "valor pivotal" para hacer estimacin de
intervalo)

Dado que la hiptesis nula establece que
0
= entonces si esta hiptesis es cierta la transformacin
anterior ser:

) 1 , 0 ( ~
/
)
(
1
2 2
0
N
X
n
i
i
LS

(5.42)
Bajo el supuesto que
2
es conocido podemos hacer la prueba de hiptesis utilizando la distribucin
normal estndar. Para esto ser necesario elegir un nivel de significancia () y de terminar la zona de
aceptacin apropiadamente. Si el valor calculado de la transformacin anterior cae fuera de la zona de
aceptacin se rechazar la hiptesis nula, etc.

Divisin de economa


3
Puesto que
2
es generalmente desconocido podemos utilizar la conocida proposicin que establece
que la razn de una variable normal estndar a la raz cuadrada de otra variable que se distribuye Chi-
cuadrado con p grados de libertad dividida entre p, tendr una distribucin t estandarizada o
t estudiante.

Entonces podemos utilizar para el denominador el conocido resultado:

2
) 1 (
1
2
2
~ )
(
1

n
n
i
i LS i
X Y
(5.43)

Multiplicando y dividiendo por ) 1 ( n se puede obtener:

2
) 1 (
2
2
~
) 1 (
n
S
n
(5.44)
Donde
=
n
i
i LS i
X Y
n
S
1
2 2
)
(
) 1 (
1
es un estimador insesgado de la varianza.

Entonces la siguiente razn seguir una distribucin t :

Divisin de economa


4
=
) 1 (
) 1 (
)
(
2
2
1
2 2
0
n
S
n
X
n
i
i
LS

~
) 1 ( n
t (5.45)
Con un poquito de manipulacin se puede obtener el siguiente Estadstico de Prueba:

) 1 (
2
0
~
)
n
LS
t
S

(5.46)
Este estadstico de prueba es conocido como razn t o ratio t . Ntese que los trminos
2
y
) 1 ( n se cancelan en (5.45). La evaluacin de la hiptesis nula procede de manera usual, utilizando
como referencia a la distribucin t estudiante.

Para el caso del modelo general esta prueba tomar la forma:

)
~
(
0
~ )
( / )
(
K n
i i
t Var

Donde omitimos el subndice LS por razones prcticas. Ntese que ahora tenemos K n
~
grados de
libertad.

5.6 Pruebas de hiptesis: caso general

Existen muchos casos donde las hiptesis involucran varios parmetros. Por ejemplo, con respecto a la
funcin de produccin en (5.4) se puede evaluar explcitamente la hiptesis de rendimientos a escala
constantes la cual puede formularse como:
Divisin de economa


5

1 :
0
= + H (5.47)

Igualmente en el caso de la funcin de demanda de dinero dada por (5.7) podramos estar interesados
en probar la hiptesis conjunta:

1 y 1 :
2 1 0
= = H (5.48)

En el modelo general (5.9) podramos evaluar una hiptesis de la forma:

0 :
2 1 0
= = = =
K
H K (5.49)

En este ltimo caso tratamos de determinar si todas las variables incluidas en el modelo son en conjunto
significativas o no (en la realidad la hiptesis nula establece que la teora detrs del modelo de regresin
no es vlida). Ntese que en este caso se trata de una hiptesis conjunta compuesta por K hiptesis
individuales.

Todos los casos anteriores, incluido el caso de una prueba para un solo parmetro, pueden ser
incorporados en la siguiente formulacin general.

r R = (5.50)

Donde
1 ) 1
~
( x K+
,
K mx
~ R es una matriz "selectora" que contendr ceros o unos tal que se obtenga todas
las hiptesis deseadas y
1 mx
r es un vector conformable de constantes. Es importante remarcar que el
Divisin de economa


6
nmero de renglones de la matriz R ser igual a nmero de hiptesis individuales a probar
simultneamente. Un requerimiento tcnico importante es que K m
~
.

La hiptesis (5.47) puede plantearse como (ver modelo 5.4):

[ ] [ ] r R = =
= 1 1 1 0 0
(5.51)

Para la hiptesis (5.48) tendremos:

r R =
=
1
1
0 1 0
0 0 1
3
2
1
(5.52)

La formulacin general de la hiptesis (5.49) ser:

Divisin de economa


7
r R =
=
0
0
0
1 0 0 0
0
0 1 0 0
0 0 1 0
2
1
M M
L
O M M M
L
L
K
(5.53)

El estadstico de prueba se obtiene de la siguiente manera:

Sabemos que:

) ) ( , ( ~
1 2
X X
T
LS
N (5.54)

Por tanto la transformacin
LS
R
tendr tambin una distribucin normal:

) ) ( , ( ~
1 2 T T
LS
N R X X R R R

(5.55)

Dado que la transformacin anterior tiene una distribucin multivariada normal, la forma cuadrtica

2
) (
1 1 2
~ )
( ] ) ( [ )
(
m LS
T T T
LS
R R R X X R R R

(5.56)

Si
2
es conocido entonces la expresin anterior es de hecho un Estadstico de Prueba y la prueba de
hiptesis procede de manera usual utilizando la distribucin Chi-cuadrado con m grados de libertad.
Divisin de economa


8

Se de be remarcar que m es el nmero de hiptesis individuales que es igual al nmero de renglones o
filas de la mariz R.

Si
2
no es conocido podemos utilizar una razn de distribuciones Chi-cuadrado (divididas por sus
grados de libertad correspondientes) la cual tendr una distribucin F . Para el denominador podemos
utilizar el siguiente resultado:

2
)
~
(
2
~

1
K n
T
U U (5.57)

Donde
=
= =
n
i
K K i LS
T
LS
T
X X Y
1
2
1 1
2
)

( )
( )
(
1

L X Y X Y U U es la suma de
los cuadrados de los residuales calculados. A estas alturas debe ser claro que esta suma dividida por
)
~
( K n es el estimador insesgado de la varianza ) (
2
S . Entonces,

2
)
~
(
2
2
~
)
~
(
K n
S
K n
(5.58)

Podemos ahora construir el estadstico de prueba, bajo la hiptesis nula r R = como la razn:

)
~
, (
2 2
1 1 2
~
)
~
/( ] / )
~
[(
) /( )]
( ] ) ( [ )
[(
K n n
LS
T T T
LS
F
K n S K n
n
r R R X X R r R
(5.59)
Divisin de economa


9

Con un poquito de manipulacin la expresin anterior se puede simplificar a:

)
~
, (
1 1 2
~ / )]
( ] ) ( [ )
[(
K n n LS
T T T
LS
F n S

r R R X X R r R (5.60)

Ntese que los trminos
2
y )
~
( K n se cancelan. La prueba de hiptesis procede utilizando la
distribucin F .

Es importante remarcar que la prueba F formulada en (5.60) es general y sirve para contrastar
hiptesis lineales individuales o conjuntas de cualquier tipo.

A continuacin demostramos que la prueba de la hiptesis individual
0 0
: =
i
H ser un caso
particular de la formulacin anterior. En tal caso tendremos que [ ] 0 0 1 0 0 L L = R
0
= r es simplemente un escalar. En este caso la operacin
LS
R
simplemente selecciona al
coeficiente estimado
i
. Por otra parte, en el termino central la pre- y pos multiplicacin de la matriz de

co-varianza por la matriz R seleccionar nicamente a la varianza del coeficiente
i
, es decir
)
(
i
Var que es obviamente un escalar. La estadstica de prueba se simplifica entonces a

)
~
, 1 ( 0
1
0
~ 1 / )}
( )]
( )[
{(
K n i i i
F Var

(5.61)

Dado que todos los elementos son escalares el resultado anterior se simplifica a:
Divisin de economa


10

)
~
, 1 (
2
0
~
)
(
)
(
K n
i
i
F
Var

(5.62)

Para el caso de un grado de libertad en el numerador
)
~
( )
~
, 1 ( K n K n
t F

. Por tanto,

)
~
(
0
~
)
(
)
(
K n
i
i
t
Var

(5.63)

Por otra parte, es posible demostrar que en el caso de la hiptesis (5.49) representada formalmente por
(5.53) la prueba F se reduce a la siguiente expresin:

)
~
, (
~
)
~
/(
/ ) (
K n K
u
u r
F
K n RSS
K RSS RSS
(5.64)

Donde
u
RSS es la suma de los cuadrados de residuales obtenidos del modelo irrestricto, el cual incluye
una constante y K variables explicativas. Especficamente:

=
= = =
n
i
K K i LS
T
LS
T
u
X X Y RSS
1
2
1 1
2
)

( )
( )
(
1

L X Y X Y U U (5.65)

Divisin de economa


11
Por otra parte,
r
RSS es la suma de los cuadrados de residuales del modelo restricto (es decir estimado
bajo el supuesto de que la hiptesis nula es cierta o bajo la restriccin dada por
0
H ). Dado que en este
caso la hiptesis nula establece que todas las s ' son iguales a cero. La regresin restricta
simplemente ser:

i i
U Y + = (5.65)

No es difcil demostrar que en este modelo super-simple de regresin el estimador de mnimos
cuadrados del parmetro ser simplemente igual a la media de la variable Y . Esto es:
Y Y
n
n
i
i LS
= =

=1
1
(5.66)
Por tanto,

=
=
n
i
i r
Y Y RSS
1
2
) (
La prueba de hiptesis procede utilizando umbrales apropiados de la distribucin F . En muchas
instancias se considera que esta es La prueba F lo cual no es correcto (no es lo mismo que decir
The Ohio State University), es simplemente una prueba F para evaluar si los regresores del modelo
(excepto el intercepto), es decir las variables explicativas del modelo son conjuntamente significativas o
no. Si se rechaza la hiptesis nula entonces si son significativas, si tienen influencia.

5.7 Bondad de Ajuste

Divisin de economa


12
Como ltimo punto resumimos una de las medidas ms populares sobre el ajuste de la regresin.
Partiendo del hecho de que la variable Y observada se puede descomponer en una parte predicha por
la regresin

X Y = y otra parte residual Y Y U

= :

U Y Y

+ = (5.67)

Podemos establecer sin prueba la siguiente relacin:

RSS ESS TSS + = (5.68)
Donde
=
=
n
i
i
Y Y TSS
1
2
) ( se interpreta como la variacin total de la variable dependiente (la que se
busca explicar); mientras que
=
=
n
i
i
Y Y ESS
1
2
)
( es la variacin explicada por el modelo de regresin

y
2
1
1 1
)

(
K Ki
n
i
i i
X X Y RSS =

=
L es la variacin no explicada o la suma de cuadrados de
los residuales calculados.

Dividiendo entre TSS se puede obtener:

TSS
RSS
TSS
ESS
+ = 1 (5.69)
De donde se puede obtener:
Divisin de economa


13

2
1 R
TSS
RSS
TSS
ESS
= = (5.70)
Esta medida de la bondad de ajuste se conoce como Coeficiente de Determinacin o R cuadrado e
indica la fraccin de la variacin total que es explicada por las variables incluidas en el modelo.
Tcnicamente este coeficiente es igual al cuadrado del coeficiente de correlacin entre Y (observado) y
Y
& &
(estimado).

Dado que el coeficiente anterior no penaliza la inclusin de variables explicativas adicionales en el
modelo podra aumentar o ser aumentado arbitrariamente incluyendo mas regresores, por lo que se ha
propuesto ajustar dicho coeficiente tal que se penalice la inclusin de regresores adicionales. Esto ha
dado lugar a la medida conocida como "
2
R ajustado" o " R barra cuadrado" y se formula como

) 1 /(
)
~
/(
1
2
=
n TSS
K n RSS
R (5.71)
Ciertamente, en esta formulacin al aumentar el nmero de regresores )
~
( K n disminuir por lo que
esta medida de ajuste aumentar solo si RSS se reduce significativamente.

Para modelos lineales que incluyen intercepto ambas medidas estarn entre cero y uno.

Por ltimo, si bien es deseable obtener un
2
R alto, valores bajos de ste no descalifican el modelo de
regresin, ni mucho menos a la teora que est detrs puesto que se trata simplemente de una
estimacin del modelo en base a una muestra especfica. En la prctica se presta ms atencin a la
prueba de hiptesis individuales y conjuntas que a las medidas de bondad de ajuste.
Divisin de economa


1
6. Elementos bsicos de Algebra Matricial

6.1 Matrices y Vectores

Una matriz es un arreglo rectangular organizado en renglones y columnas, tal como:

11 12 1
21 22 2
1 2
n
n
m m mn
a a a
a a a
a a a

=

A
(6.1)

Se dice que la matriz A es de orden o de dimensin m por n: ( ) m n .

Si 1 m = , se tiene el vector rengln o (vector fila) de dimensin n o vector rengln (1 ) n :

[ ]
1 2 n
a a a = a (6.2)

Si 1 n = se tiene el vector columna de dimensin m o vector columna ( 1) m :

Divisin de economa


2

1
2
m
a
a
a

=

a
(6.3)
Si m n = entonces A ser una matriz cuadrada.

La transpuesta de una matriz o vector es la matriz o vector que resulta de intercambiar las filas y las
columnas.

Considere la siguiente matriz (2 3) x :

11 12 13
21 22 23
a a a
a a a

=

A (6.4)

La transpuesta de A, generalmente denotada por A' se define como:

11 21
12 22
13 23
a a
a a
a a

=

A' (6.5)

Si = A' A entonces la matriz A es una matriz simtrica.

Divisin de economa


3
La matriz identidad, comnmente denotada por
n
I , donde n indica que la dimensin es ( ) n n es una
matriz simtrica que contiene 1 sobre la diagonal y 0 fuera de la diagonal. Esto es:

1 0 0
0 1 0
0 0 1
n

=

I
(6.6)

La matriz diagonal es una matriz simtrica con elemento
i
a en la posicin i de la diagonal y ceros en
cualquier otro lugar,

1
2
0 0
0 0
0 0
n
a
a
a

=

D

Una matriz diagonal, tambin se denota como:

1 2
( , , , )
n
diag a a a = D

Divisin de economa


4
La matriz identidad es un caso especial de una matriz diagonal y puede denotarse como:

(1,1, ,1) diag = I

Dos matrices A y B son iguales si (i) tienen la misma dimensin y (ii) cada uno de sus elementos son
iguales, es decir
ij ij
a b = para todo i y j .

La igualdad de matrices es transitiva, es decir, si , y A B C son matrices de la misma dimensin y si
A = B y B = C entonces A = C.

Divisin de economa


5
6.2 Suma y resta de matrices

Si A y B son matrices de la misma dimensin (son conformables para suma o resta) entonces
C= AB implica que
ij ij ij
c a b = para todo i y j . Esto es, si :

11 12 1
21 22 2
1 2
n
n
m m mn
a a a
a a a
a a a

=

A
y
11 12 1
21 22 2
1 2
n
n
m m mn
b b b
b b b
b b b

=

B
, entonces

11 11 12 12 1 1
21 21 22 22 2 2
1 1 2 2
n n
n n
m m m m mn mn
a b a b a b
a b a b a b
a b a b a b

= =

A B C

La operacin de suma y resta de matrices tiene las propiedades:

(i) AB = B A (conmutativa)

(ii) (AB) C= A(B C) (asociativa)

(iii) (AB)' = A' + B' (distributiva)
Divisin de economa


6
6.3 Multiplicacin de matrices

Si A y B son matrices de orden ( ) m p y ( ) p n respectivamente (A y B son conformables para
multiplicacin), entonces el producto AB es la matriz C de orden ( ) m n , con elemento ( , ) i j :

1
p
ij ik kj
k
c a b
=
=

Es decir, el elemento ( , ) i j de la matriz C= AB es igual a la suma de los productos de cada elemento
del rengln i de la matriz A por el correspondiente elemento de la columna j de la matriz B.

Para la multiplicacin de matrices se puede establecer las siguientes propiedades:

(i) Si k es un escalar (matriz de orden (1 1) ) y A es una matriz ( ) m n , entonces k k = = A A C,
donde C es de dimensin ( ) m n y tiene como elemento tpico
ij ij ij
c ka a k = = .

(ii) En general AB BA aun cuando ambos productos existan. Esto es, la propiedad conmutativa
no aplica al producto de matrices

(iii) A(BC) = (AB)C (propiedad asociativa)

(iv) A(B+C) = AB+ AC. Igualmente, (A+ B)C = AC+ BC (propiedad distributiva)

(v) (AB)' = B'A' . Igualmente, (ABC)' = C'B'A'
Divisin de economa


7
El producto de un vector rengln por un vector columna de la misma dimensin, denominado producto
interior (inner product), es un escalar igual a la suma de los productos de cada elemento del rengln
por el correspondiente elemento de la columna.

Si el producto interior de dos vectores es igual a cero, se dice que los vectores son ortogonales.

Una matriz de ceros (todos sus elementos son iguales a cero) es denominada matriz nula.

En general, el resultado AB = 0 no implica necesariamente que A B sean matrices nulas.

En el siguiente caso A y B no son matrices nulas y sin embargo AB = 0.

1 2 2 4 0 0
3 6 1 2 0 0

= = =

AB 0

En general, el producto de dos matrices simtricas no produce una matriz simtrica.

Por ejemplo, si A' = A y B' = B entonces (AB)' = B'A' = BA AB.

Si A es una matriz simtrica de dimensin ( ) n n y B es una matriz cualquiera de dimensin ( ) n m
entonces el producto B'AB si es una matriz simtrica puesto que:

(B'AB)' = B'A'(B')' = B'AB

Divisin de economa


8
Un caso especial del resultado anterior se da cuando A = I .

En este caso (B'B)' = B'B es una matriz simtrica.

En econometra, es frecuente considerar el producto (X'X) donde X es una matriz de dimensin
( ) T K donde T es el nmero de observaciones y K es el nmero de regresores.

Divisin de economa


9
6.4 Traza de una matriz cuadrada

La traza de una matriz cuadrada A se define como la suma de los elementos sobre su diagonal
principal. Esto es,

1 1
( )
n n
ij
i j
tr a
= =
=
A , para todo i j =

Equivalentemente,
11 22
( )
nn
tr a a a = + + + A .

Las siguientes propiedades de la traza pueden ser tiles:

(i) Para toda matriz cuadrada A, ( ) ( ) tr tr = A A'

(ii) Para cualquier constante k , ( ) tr k k = y viceversa ( ) k tr k =

(iii) Si A es una matriz cuadrada y k es una constante, ( ) ( ) tr k k tr = A A

(iv) ( ) tr n = I donde I es la matriz identidad de dimensin ( ) n n

(v) Si A y B son matrices cuadradas, conformables para suma o resta, tr tr tr = (A B) (A) (B)

(vi) Si los productos AB y BA existen, entonces tr tr = (AB) (BA)

Divisin de economa


10
(vii) Si los productos ABC, BCA y CAB existen, entonces tr tr tr = = (ABC) (BCA) (CAB)

En el caso especial donde CA = I, tenemos que tr tr tr = = (ABC) (CAB) (B)

(viii) Para toda matriz cuadrada A,
2
1 1
n n
ij
i j
tr tr a
= =
= =
(AA') (A'A)

Divisin de economa


11
6.5 Determinante de una matriz cuadrada

El determinante de una matriz cuadrada A, denotado por det( ) A o A , es un escalar nico asociado
con la matriz y es obtenido como la suma algebraica de todos los productos de los elementos de la
matriz seleccionados tal que solo un elemento pertenece a una fila y solo un elemento pertenece a una
columna , etc.

En la prctica, para la matriz (2 2) :
11 12
21 22
a a
a a

=

A

11 12
11 22 12 21
21 22
det( )
a a
a a a a
a a
= = A

Para la matriz (3 3) :
11 12 13
21 22 23
31 32 33
a a a
a a a
a a a

=

A

11 12 13
22 23 21 23 21 22
21 22 23 11 12 13
32 33 31 33 31 32
31 32 33
det( )
a a a
a a a a a a
a a a a a a
a a a a a a
a a a
= = + A

Divisin de economa


12
Algunas propiedades tiles de determinantes son:

(i) det( ) det( ') A A =

(ii) El intercambio de cualquier par de renglones o filas solo cambia el signo del determinante

(iii) La multiplicacin de cualquier fila o columna por un escalar k multiplica el valor del
determinante por k

(iv) la suma a cualquier rengln o columna de un mltiplo de otro rengln o columna no cambia el
valor del determinante

Divisin de economa


13
6.6 Rango de una matriz

Una matriz tiene rango r si y solo si tiene un determinante de orden r diferente de cero y sus
determinantes de orden mayor que r son iguales a cero.

Considere la matriz
1 2 4
3 5 10
2 3 6

=

A

Se puede verificar que 2 rango = (A) , puesto que 0 = A pero
1 2
1 0
3 5
=

Una matriz tiene rango 0 si y solo si todos sus elementos son cero.

Sean
1 2
, ,
n
a a a los vectores columna de la matriz A. Se dice que estos vectores son linealmente
dependientes si y solo si existe un conjunto de escalares
{ }
1 2
, , ,
n
c c c donde por lo menos uno es
diferente de cero tal que

1 1 2 2
0
n n
c c c + + + = a a a

Si un conjunto de vectores no son linealmente dependientes entonces son linealmente independientes.

Divisin de economa


14
Cualquier subconjunto de un conjunto de vectores linealmente independientes son tambin linealmente
independientes.

Si un conjunto contiene mas de m vectores de dimensin ( 1) m entonces estos vectores son
linealmente dependientes.

El rango de una matriz tambin se define como su mximo nmero de columnas que son linealmente
independientes.

Cuando una matriz cuadrada no tiene rango completo su determinante es igual a cero y se denomina
matriz singular.

Cuando una matriz cuadrada tiene rango completo su determinante es diferente de cero y se denomina
matriz no-singular.

A continuacin se enumeran algunas propiedades del rango de una matriz:

(i) ( ) rango n = I , donde I es la matriz identidad ( ) n n

(ii) ( ) rango k rango = A (A), donde k es una constante diferente de cero

(iii) ( ) rango rango = A' (A)

(iv) Si A es una matriz ( ) m n , entonces
{ }
min , rango m n (A)
Divisin de economa


15

(v) Si A y B son matrices entonces
{ }
min , rango rango rango = (AB) (A) (B)

(vi) Si A es una matriz ( ) n n , entonces ( ) rango n = A si y solo si A es no-singular

(vii) Si A es una matriz ( ) n n , entonces ( ) rango n < A si y solo si A es singular

(viii) Si a y b son vectores de dimensin ( 1) n , entonces ( ) 1 rango = ab'

(ix) El rango de una matriz no cambia en los siguientes casos:
(a) multiplicacin de un rengln por cualquier escalar diferente de cero
(b) suma de un mltiplo de un rengln a otro rengln
(c) intercambio de dos renglones
Divisin de economa


16
6.7 Races y Vectores Caractersticos de una matriz cuadrada

Considere el sistema de n ecuaciones homogneas:

( ) = A I x 0

Este sistema tiene la solucin trivial x = 0 a menos que ( ) A I sea singular en cuyo caso su
determinante ser igual a cero. Esto es,

11 12 1
21 22 2
1 2
det( ) 0
n
n
n n nn
a a a
a a a
a a a
= =
A I

La ecuacin anterior es denominada ecuacin caracterstica de A que es una matriz cuadrada ( ) n n .
Dado que esta ecuacin es un polinomio de grado n en se pueden obtener n races .

Estas son denominadas races caractersticas de A, denotadas por
i
.

Estas soluciones tambin se conocen como valores propios, eigenvalores o races latentes.

Divisin de economa


17
Para cada una de las races caractersticas se puede encontrar una solucin del sistema:

( ) = A I x 0

Esta solucin ser de la forma
i i
k x donde
i
k es una constante arbitraria y
i
x es un vector no-cero

Estos vectores se denominan vectores caractersticos, vectores propios o vectores latentes.

Para obtener soluciones nicas, se debe imponer la condicin de normalizacin:

' 1
i i
= x x

Como ejemplo, considere la matriz
5 3
4 2

A

En este caso la ecuacin caracterstica es:

5 3
0
4 2

=

Entonces,

2
(5 )( 2 ) ( 3)(4) 3 2 0 = + =

Divisin de economa


18
De donde se puede obtener las races caractersticas
1
1 = y
2
2 = .

Considerando la primera raz, el sistema de ecuaciones homogneas ser:

1
2
5 1 3
4 2 1
x
x

=

0

y se reduce a la ecuacin simple

1 2
4 3 0 x x =

Que tiene como solucin:

1
1
2
1
4/3
x
k
x

=

Donde
1
k es un nmero arbitrario. Aplicando la condicin de normalizacin
1 1
' 1 = x x se puede obtener
una solucin nica. Para esto debemos resolver simultneamente el sistema de 2 ecuaciones:

1 2
2 2
1 2
4 3 0
1
x x
x x
=
+ =

Divisin de economa


19
De donde se puede obtener:

1
2
3/5
4/5
x
x

=

De la misma forma considerando la otra raz
2
2 =

1
2
5 2 3
4 2 2
x
x

=

0

Puede reducirse a:

1 2
0 x x =

Lo cual, junto con la condicin de normalizacin produce la solucin

1
2
1/ 2
1/ 2
x
x

=

Estadística 1 y 2 - Cermeño

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Estadística 1 y 2 - Cermeño

Hochgeladen von

Copyright:

Verfügbare Formate

Centro de Investigacin y Docencia Econmicas, A.C.

. Ntese que este resultado es un caso especfico de la denominada Regla

+ < < < <

+ < < < <

. Si una variable aleatoria discreta toma un nmero finito de

. En el caso de variables aleatorias continuas

. Dado que por construccin ( ) 1 P X a = se puede concluir que, en

< < < < +

es el valor esperado condicional de ( , ) X Y dado X , denotado como

tiene una distribucin binomial con funcin de

. Sustituyendo este resultado en (*) se puede obtener:

= , para ) / 1 ( < t (4.25)

= y 2 = . En este caso la funcin de densidad es:

= = < < (4.35)

= tambin es un nmero positivo.

= , se puede concluir que:

el estimador MLE de . Si ( ) g es una transformacin uno-a-uno de , entonces el estimador

son variables aleatorias con las

. Para obtener el resultado (ii) se debe sustituir

= . El estimador del mtodo de momentos de los parmetros , 1, ,

= . Sustituyendo este resultado en (1.19) obtenemos:

, la cual por definicin es igual a

E , entonces el estimador es sesgado y el sesgo es igual a:

se puede obtener como:

es un estimador consistente de si para cualquier nmero positivo

= tambin es un nmero positivo.

= es un estimador consistente de donde

converge en probabilidad al segundo momento poblacional

. (LGN). Por otra parte, utilizando el teorema de Slutsky:

= podemos concluir que

tiene la siguiente distribucin asinttica:

es el estimador MLE de , entonces

, donde es un parmetro conocido, es eficiente

tendr una distribucin Chi-cuadrado con parmetro n o con n grados

, dado que se trata de una distribucin Chi-cuadrado.

dos estadsticos (funciones de la muestra aleatoria) tal que

son denominados Lmites de Confianza Inferior y Superior respectivamente.

es un estadstico tal que

es un estadstico tal que

= es una cantidad pivotal puesto que tiene una

son funciones que no

. Utilizando este ltimo resultado se puede concluir que

= califican como valores pivotales. Entonces, sus lmites

< < = (3.17)

< < = (3.18)

< < = (3.21)

(media muestral) un estimador de insesgado de .

) tendr en este caso una

Z es un valor tal que

= > ) Pr( Z Z . El valor

Z es denominado valor crtico. Esto se ilustra en la siguiente grfica:

) ( COLA SOLA UNA DE PRUEBA +

) ( COLA SOLA UNA DE HIPTESIS DE PRUEBA

Centro de Investigacin y Docencia Econmicas, A.C.

Centro de Investigacin y Docencia Econmicas, A.C.

tiene una distribucin

l la funcin de verosimilitud irrestricta. Sea

(estimador de mxima verosimilitud --

( g no es significativamente diferente de cero se acepta

es el nivel de precios internacional y

lo cual asegura que (5.18) efectivamente

(estimador de mnimos cuadrados de dimensin ) 1

tendr tambin una distribucin normal:

. Por otra parte, en el termino central la pre- y pos multiplicacin de la matriz de