Estadística y Notación

RESUMEN DE ALGUNOS CONCEPTOS ESTADSTICOS ELEMENTALES
Y NOTACIN EMPLEADA EN EL CURSO
rojo 1 2 3 4 5 6
Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma
valores entre 1 y 6 con igual probabilidad. Definiremos la variable aleatoria x como la suma
de los valores que toman los dos dados.
2
Ejemplo de distribucin de probabilidades: x es la suma de dos dados
r 1 2 3 4 5 6
v
1
2
3
4
5
6 10
Por ejemplo, en el dado rojo puede aparecer 4 y en el verde un 6
r 1 2 3 4 5 6
v
1
2
3
4
5 7
6
Igualmente, si el dado rojo es 2 y el verde 5, la suma es 7
4
r 1 2 3 4 5 6
v
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Esta tabla muestra todos los posibles resultados, que van de 2 a 12.
r 1 2 3 4 5 6
x f
v 2
3
1 2 3 4 5 6 7 4
5 4
2 3 4 5 6 7 8 6
3 4 5 6 7 8 9 7
8
4 5 6 7 8 9 10 9
5 6 7 8 9 10 11 10
11
6 7 8 9 10 11 12 12
La frecuencia f es el nmero de veces que se repite un resultado

Por ejemplo, hay cuatro resultados que hacen x igual a 5
6
r 1 2 3 4 5 6
x f p
v 2 1
3 2
1 2 3 4 5 6 7 4 3
5 4
2 3 4 5 6 7 8 6 5
3 4 5 6 7 8 9 7 6
8 5
4 5 6 7 8 9 10 9 4
5 6 7 8 9 10 11 10 3
11 2
6 7 8 9 10 11 12 12 1
Finalmente, derivamos la probabilidad de obtener cada valor de x.
r 1 2 3 4 5 6
x f p
v 2 1
3 2
1 2 3 4 5 6 7 4 3
5 4
2 3 4 5 6 7 8 6 5
3 4 5 6 7 8 9 7 6
8 5
4 5 6 7 8 9 10 9 4
5 6 7 8 9 10 11 10 3
11 2
6 7 8 9 10 11 12 12 1
Hay 1/6 de probabilidad de obtener cada nmero del dado rojo y lo mismo para el dado
verde. Por lo tanto, cada valor en la tabla ocurre con probabilidad 1/36.
8
r 1 2 3 4 5 6
x f p
v 2 1 1/36
3 2 2/36
1 2 3 4 5 6 7 4 3 3/36
5 4 4/36
2 3 4 5 6 7 8 6 5 5/36
3 4 5 6 7 8 9 7 6 6/36
8 5 5/36
4 5 6 7 8 9 10 9 4 4/36
5 6 7 8 9 10 11 10 3 3/36
11 2 2/36
6 7 8 9 10 11 12 12 1 1/36
Por lo tanto, para obtener las probabilidades asociadas a cada valor de x, se dividen las
frecuencias por 36.
9
probabilidad
1/ 2
__ 3
__ 4
__ 5
__ 6
__ 5
__ 4
__ 3
__ 2 1
__
/
36 36 36 36 36 36 36 36 36 36 36
2 3 4 5 6 7 8 9 10 11 12 x
La distribucin se muestra grficamente.
10
VALOR ESPERADO DE UNA VARIABLE ALEATORIA DISCRETA
La definicin de E(x), el valor esperado de x:
Notacin alternativa para E(x):

E(x) = x
El valor esperado de una variable aleatoria, conocido tambin como la media poblacional,
es la suma ponderada de los valores que toma la variable aleatoria, donde los pesos son
las probabilidades ligadas a esos valores. 11
Valor esperado de una variable aleatoria
xi pi xi pi xi pi
x1 p1 x1 p1 2 1/36
x2 p2 x2 p2 3 2/36
x3 p3 x3 p3 4 3/36
x4 p4 x4 p4 5 4/36
x5 p5 x5 p5 6 5/36
x6 p6 x6 p6 7 6/36
x7 p7 x7 p7 8 5/36
x8 p8 x8 p8 9 4/36
x9 p9 x9 p9 10 3/36
x10 p10 x10 p10 11 2/36
x11 p11 x11 p11 12 1/36
! xi pi = E(x)
En el caso de la variable x, definida como la suma de los dados verde y rojo, se adjunta a
cada posible valor su probabilidad.
12
Valor esperado de una variable aleatoria
xi pi xi pi xi pi xi pi
x1 p1 x1 p1 2 1/36 2/36
x2 p2 x2 p2 3 2/36 6/36
x3 p3 x3 p3 4 3/36 12/36
x4 p4 x4 p4 5 4/36 20/36
x5 p5 x5 p5 6 5/36 30/36
x6 p6 x6 p6 7 6/36 42/36
x7 p7 x7 p7 8 5/36 40/36
x8 p8 x8 p8 9 4/36 36/36
x9 p9 x9 p9 10 3/36 30/36
x10 p10 x10 p10 11 2/36 22/36
x11 p11 x11 p11 12 1/36 12/36
! xi pi = E(x) 252/36 = 7
Por lo tanto, el valor esperado es 7. Este resultado era esperable si tenemos en cuenta que
la distribucin es simtrica en 7, como se vio en la transparencia del histograma
13
Valor esperado de una funcin de una variable aleatoria
La definicin de E[g(x)], no es ms que :
Ejemplo:
14
Valor esperado de una funcin de una variable aleatoria
xi pi g(xi) g(xi ) pi xi pi xi2 xi2 pi

x1 p1 g(x1) g(x1) p1 2 1/36 4 0.11
x2 p2 g(x2) g(x2) p2 3 2/36 9 0.50
x3 p3 g(x3) g(x3) p3 4 3/36 16 1.33
... ... 5 4/36 25 2.78
... ... 6 5/36 36 5.00
... ... 7 6/36 49 8.17
... ... 8 5/36 64 8.89
... ... 9 4/36 81 9.00
... ... 10 3/36 100 8.83
... ... 11 2/36 121 6.72
xn pn g(xn) g(xn) pn 12 1/36 144 4.00
" " " ! g(xi) pi 54.83
En nuestro ejemplo valor esperado de x2 es 54.83. Observar que no es igual a 7 elevado al

cuadrado.
15
Es decir, E(x2) no es lo mismo que E(x) elevado al cuadrado
Las reglas del valor esperado
1. E(x+y) = E(x) + E(y)

2. E(ax) = aE(x)
3. E(a) = a
Donde, x e y son variables aleatorias y a es una constante.
16
Independencia de dos variables aleatorias
Dos variables aleatorias x e y se dicen independientes si
E[f(x)g(y)] = E[f(x)] E[g(y)]

para cualquier f(x) , g(y)
Caso particular: si x e y son independientes,

E(xy) = E(x) E(y)
17
LA VARIANZA POBLACIONAL DE UNA VARIABLE ALEATORIA DISCRETA
La varianza poblacional de x :
La varianza mide la dispersin de la distribucin con respecto a la media de la poblacin.
18
La varianza poblacional de una variable aleatoria discreta
xi pi xi- (xi-)2 (xi-)2 pi
2 1/36 -5 25 0.69
3 2/36 -4 16 0.89
4 3/36 -3 9 0.75
5 4/36 -2 4 0.44
6 5/36 -1 1 0.14
7 6/36 0 0 0.00
8 5/36 1 1 0.14
9 4/36 2 4 0.44
10 3/36 3 9 0.75
11 2/36 4 16 0.89
12 1/36 5 25 0.69
5.83
En nuestro ejemplo de los dados.

19
Varianza poblacional de x : notacin
pop.var(x)
20
Desviacin tpica de x"
21
2. VARIABLES ALEATORIAS CONTINUAS
probabilidad
1/ 2
__ 3
__ 4
__ 5
__ 6
__ 5
__ 4
__ 3
__ 2 1
__
/
36 36 36 36 36 36 36 36 36 36 36
2 3 4 5 6 7 8 9 10 11 12 x
Una variable aleatoria discreta slo toma un conjunto finito de valores, con probabilidad
positiva, como la suma del valor de dos dados.
22
Variables aleatorias continuas
densidad de
probabilidad
0.05
55 60 65 70 75 x
Sin embargo, la mayora de las variables aleatorias en econometra son contInuas, como
puede ser, por ejemplo, la temperatura en un cuarto, que puede tomar valores entre 55 y 75
grados Farenheit. 23
densidad de
probabilidad
0.05
55 60 65 70 75 x
Observar que la probabilidad de que una variable continua tome un valor determinado es
infinitamente pequea (cero, en realidad). Por este motivo, la probabilidad de variables
continuas se calcula para intervalos de valores de x. El rea que corresponde a ese 24
intervalo es la probabilidad del mismo.
densidad de
probabilidad
0.05
0.05
55 56 60 65 70 75 x
Por ejemplo, la probabilidad de que la temperatura este entre 55 y 56 F es 0.05. Estamos

considerando que todas las temperaturas son igual de probables, por lo que el rea
de todo el rectngulo es 1. Es decir, como la base es de 20 grados, la probabilidad de
cada grado es 0.05 (0.05*20=1) 25
densidad de
probabilidad
0.05
55 5758 60 65 70 75 x
La probabilidad por unidad es el rea del rectngulo definida por dicha unidad, es decir
0.05.
26
f(x) = 0.05 para 55 x 75

densidad de f(x) = 0 para x < 55 o x > 75
probabilidad
0.05
55 5758 60 65 70 75 x
La probabilidad por intervalo unitario se llama densidad y es igual a la altura del intervalo
unidad (dado que el rea es base por altura)
27
Matemticamente, la densidad se escribe como una funcin de la variable f(x).
f(x) = 0.05 si 55 x 75
f(x) = 0 si x < 55 y x > 75
f(x)
0.05
55 5758 60 65 70 75 x
El eje vertical se conoce como la densidad de probabilidad y la funcin de densidad, f(x), es

la lnea gruesa negra.
28
densidad f(x) = 0.05 para 55 < x < 75

f(x) = 0 para x < 55 o x > 75
f(x)
5
0.05
0.05 0.25
55 60 65 70 75 x
Supongamos que queremos calcular la probabilidad en el intervalo 65 y 70. Debemos

calcular el rea debajo de la densidad entre 65 y 70. 29
Cul es la expresin de la esperanza y la varianza de una

variable continua?
Investgalo.
30
LOS COMPONENTES FIJOS Y ALEATORIOS DE UNA VARIABLE ALEATORIA
Media poblacional de x: E(x) =x
Lo que nos interesa ver aqu es cmo podemos escribir una variable aleatoria formada por
dos componentes: una parte, la media, que sera el componente fijo y otra parte, que es
lo que puede llamarse perturbacin, que es el componente aleatorio puro. 31
Los componentes fijos y aleatorios de una variable aleatoria
Para la observacin i, el componente

aleatorio est dado por ui = xi - x
El valor observado de la variable x para el individuo i, por ejemplo, su salario, ser en

general distinto al valor medio x. La diferencia no es la misma para todos los individuos,
es decir, ser aleatoria ui = xi - x. 32

Por tanto x podemos escribirla

como la suma de dos componentes: xi = x + ui
33

Por tanto x, la podemos escribir

como la suma de dos componentes : xi = x + ui
Observar que el valor esperado de

ui es cero:
E(ui) = E(xi - x) = E(xi) + E(-x) =x - x = 0
34
3. ESTIMADORES
Estimadores y estimaciones:
Un estimador es una frmula matemtica.
Una estimacin es un nmero que se obtiene de aplicar

el estimador a los datos de una muestra concreta.
Salvo en casos artificialmente simples, como el de los dados, no conoceremos la

distribucin de probabilidad o la funcin de densidad de la variable objeto de estudio. En
consecuencia, tampoco conoceremos la media o la varianza poblacionales. Se trata,
entonces, de obtener estimaciones a partir de una muestra de n observaciones. 35
Estimadores
Caracterstica Poblacional Estimador
Media: x
Varianza :
36
Estimadores
Los estimadores son variables aleatorias: veamos la media

muestral como ejemplo:
37
Estimadores
La media muestral puede descomponerse en una parte fija

y otra estocstica
38
Estimadores
De forma que no es ms que la media de n valores fijos y n valores aleatorios.
39
Estimadores
Donde ! es la media de los trminos aleatorios de la muestra.

40
Estimadores
Densidad de x Densidad de x
x x x x
Estos grficos describen la densidad de x y x. Como se observ, ambos tienen el mismo

componente fijo, pero la distribucin de la media muestral est ms concentrada.
41
Estimadores
Densidad de x Densidad de x
x x x x
La diferencia est en el componente aleatorio de ambas variables. El componente aleatorio

de la media muestral es menor que el de la variable original dado que es la media de los
componentes aleatorios de todas las variables, y estos tienden a cancelarse. 42
INSESGADEZ Y EFICIENCIA
Insesgadez de x:
Supongamos que queremos estimar la media poblacional x de una variable aleatoria x

dado un conjunto de n observaciones. Un estimador a utilizar es la media muestral.
Demostraremos que es insesgado. 43
Insesgadez y Eficiencia
Insesgadez de x:
Es decir, el valor esperado de la media muestral es igual al parmetro poblacional que

estamos buscando x
44
Insesgadez de x :
Estimador General Z = !1x1 + !2x2
Sin embargo, la media muestral no es el nico estimador insesgado de la media

poblacional. Supongamos que tenemos nicamente dos observaciones y nos construimos
un estimador general, Z 45
Insesgadez de x:
El estimador general Z lo definimos como la suma ponderada de las dos observaciones que
tenemos, donde los pesos son!1 y !2. Por ejemplo, en el caso de la media muestral los dos
pesos son iguales a 1/n = 1/2 porque slo tenemos dos observaciones. 46
Insesgadez de x:
Cmo deben ser esos ponderadores para que el valor esperado del estimador sea igual a
la media poblacional?
47
Insesgadez de x:
48
Insesgadez de x:
49
Insesgadez de x:
Dado que las variables aleatorias son iid., su valor esperado es x.
50
Insesgadez de x:
Por lo tanto, cualquier estimador Z ser un estimador insesgado de si la suma de los

pesos de las observaciones es 1. Observar que existen infinitas combinaciones de los
ponderadores que hacen que su suma sea igual a 1. 51
densidad
estimator B
estimador A
Cmo elegimos entre estimadores? Cuanto ms preciso sea un estimador, es decir,

cuanto menos incertidumbre nos transmita sobre el valor del parmetro, mejor ser. La
propiedad de eficiencia se refiere justamente a la precisin. 52
densidad
estimator B
estimador A
De la densidad se observa que si bien los dos estimadores A y B son insesgados, el

estimador B es ms preciso, tiene menor varianza.
53
Analicemos la varianza poblacional del estimador general buscando definir los pesos que
minimicen dicha varianza
54
Es decir, si tenemos dos observaciones, cada observacin la debemos ponderar por un

medio para obtener el estimador insesgado de menor varianza. Pero ponderar por un medio
es justamente definir el estimador Z como la media muestral. 55
CONFLICTO ENTRE VARIANZA MNIMA E INSESGADEZ
densidad
estimador B
estimador A
"
Supongamos que tenemos dos estimadores alternativos para estimar ", uno que es
insesgado y el otro que es sesgado pero con varianza menor que el primero: cul de los
dos elegimos? 56
Conflicto entre varianza mnima e insesgadez
prdida
error (negativa) error (positiva)
Una forma para decidir entre uno y otro es definirse una funcin de prdida y decidir en
funcin de la prdida mayor o menor: es decir, nos quedaremos con aqul que tenga menor
prdida. 57
densidad
"
Una funcin muy utilizada es la que se conoce como el error cuadrtico medio (mean
squared error MSE), que se define como el valor esperado del cuadrado de las desviaciones
del estimador y el parmetro poblacional. 58
densidad
sesgo
" Z
El error cuadrtico medio puede escribirse como la suma del sesgo al cuadrado ms la
varianza: es decir, combina el conflicto entre varianza y sesgo en un solo indicador.
Supongamos que el sesgo del estimador Bcon respecto a Z es el que aparece en el grfico.
59
densidad
sesgo
" Z
Se puede demostrar que el MSE es igual a la suma de la varianza poblacional

ms el sesgo al cuadrado.
60
densidad
estimador B
estimador A
"
Cmo elegiremos entre ambos estimadores? Buscando aquel que tenga menor MSE.
61
EFECTO DE UN AUMENTO DEL TAMAO MUESTRAL

densidad de x
n #x
0.08 1 50
0.06
0.04
0.02 n=1
50 100 150 200
La media muestral es un estimador de la media poblacional qu pasa cuando la muestra

crece?
62
Efecto de un aumento del tamao muestral
densidad de x
n #x
0.08 1 50
0.06
0.04
0.02 n=1
50 100 150 200
Supongamos que x tiene media poblacional 100 y desviacin tpica 50. Supongamos,
adems, que no conocemos esta media y que queremos estimarla
63

densidad de x
n #x
0.08 1 50
0.06
0.04
0.02 n=1
50 100 150 200
De las propiedades de la media muestral, sabemos que su media coincide con la media
poblacional, que es insesgada y que su desviacin tpica ser igual a la desviacin tpica
poblacional dividida por la raz cuadrada del nmero de observaciones
densidad de x
n #x
0.08 1 50
0.06
0.04
0.02 n=1
50 100 150 200
Por tanto, cuanto mayor sea n, menor ser la varianza de la media muestral.
65

densidad de x
n #x
0.08 n = 100 1 50
4 25
25 10
0.06 100 5
0.04
0.02
50 100 150 200
66
densidad de x
n = 5000 n #x
0.8 1 50
4 25
25 10
0.6 100 5
1000 1.6
5000 0.7
0.4
0.2
50 100 150 200
En el lmite, la desviacin tpica de la media muestral tiende a cero, por lo que la media
muestral tender, en el lmite, a la media poblacional: consistencia.
67
Muestra Finita: x es un estimador insesgado de
La insesgadez es un concepto de muestras finitas. El valor esperado de la media muestral

es igual a su valor poblacional. Pero ojo! el valor real que toma la media muestral puede no
coindicir con la media poblacional. 68
Muestra Finita: x es un estimador insesgado de
Muestra grande: la distribucin de x

colapsa en
plim x =
La consistencia es un concepto de muestras grandes. Un estimador consistente es ms

preciso a medida que el tamao de la muestra aumenta.
69
EJEMPLO DE UN ESTIMADOR SESGADO PERO CONSISTENTE
densidad de Z
n = 20
"$ Z
Es posible que un estimador sea sesgado en muestras pequeas pero consistente.
70
7
Ejemplo de un estimador sesgado pero consistente
densidad de Z
n = 20
"$ Z
Sea Z un estimador de la caracterstica poblacional ". Mirando a la densidad de Z, se

observa que sobreestima el valor del parmetro, es decir, tiene un sesgo positivo
71
n = 100
n = 20
"$ Z
Para que el estimador sea consistente, deben pasar dos cosas cuando la muestra aumenta.
El sesgo debe disminuir.
72
7
n = 1000
n = 100
n = 20
"$ Z
y la densidad debe colapsar en el parmetro.
73
n = 100000
n = 1000
n = 100
"$ Z
74
7
RELACIONES ENTRE VARIABLES
Cmo podemos inferir si existe una relacin entre dos

variables econmicas a partir de los estadsticos covarianza y
correlacin?
75
COVARIANZA POBLACIONAL
La covarianza poblacional: #XY =E((X-X) (Y-Y))
La covarianza poblacional de dos variables aleatorias es el valor esperado

del producto de sus desviaciones con respecto a la media
76
Covarianza Poblacional
Si X sonY indeptes, #XY = 0
77
COVARIANZA MUESTRAL
Dada una muestra de n observaciones de dos variables, X, Y, la covarianza muestral no es

ms que la media del producto de sus desviaciones con respecto a la media muestral.
78
La covarianza muestral es un estimador sesgado de la covarianza
poblacional
79
Reglas de la covarianza
1. Si Y = V + W,
Cov(X, Y) = Cov(X, V) + Cov(X, W)
2. Si Y = aZ, donde a es constante,

Cov(X, Y) = Cov(X, aZ) = aCov(X, Z)
Ejemplo: Cov(X, 3Z) = 3Cov(X, Z)
3. Si Y = a, donde a es constante,
Cov(X, Y) = Cov(X, a) = 0
Ejemplo: Cov(X, 10) = 0
80
EXPRESIONES ALTERNATIVAS DE LA COVARIANZA
POBLACIONAL
D
#XY =E((X-X) (Y-Y))=E(XY)- X Y
MUESTRAL
81
RELACIN ENTRE LA VARIANZA Y LA COVARIANZA
La varianza de una variable aleatoria no es ms que la

covarianza de dicha variable respecto a s misma
82
Por tanto, las reglas de la varianza se pueden deducir a partir
de las reglas de la covarianza
83
Regla 1:
Si Y = V + W, Var(Y) = Var(V) + Var(W) + 2Cov(V, W)
Prueba:
Var(Y) = Cov(Y, Y) = Cov(Y, [V + W])
= Cov(Y, V) + Cov(Y, W)
= Cov([V + W], V) + Cov([V + W], W)
= Cov(V, V) + Cov(W, V)
+ Cov(V, W) + Cov(W, W)
= Var(V) + Var(W) + 2Cov(V, W)
84
Regla 2:
Si Y = bZ, donde b es constante, Var(Y) = b2Var(Z)
Prueba:
Var(Y) = Cov(Y, Y) = Cov(Y, bZ)
= bCov(Y, Z)
= bCov(bZ, Z)
= b2Cov(Z, Z)
= b2Var(Z)
85
Regla 3:
Si Y = b, donde b es constante, Var(Y) = 0
Prueba:
Var(Y) = Cov(Y, Y)
= Cov(b, b)
=0
86
Regla 4:
Si Y = V + b, donde b es constante, Var(Y) = Var(V)
Prueba:
Var(Y) = Var(V + b)
= Var(V) + Var(b) + 2Cov(V, b)
= Var(V)
0 V
0 V+b
Sumar una constante slo tiene un efecto de traslacin: la varianza no cambiar y la media
se ver desplazada por la constante de la traslacin.
87
COEFICIENTE DE CORRELACIN
Coef. Correlacin Poblacional
Coef. Correlacin Muestral
88
Coeficiente de Correlacin
Por qu el coeficiente de correlacin es mucho mejor que la covarianza como mediada de

la asociacin entre dos variables? Por que la covarianza depende de las unidades en las
que las variables estn medidas, mientras que el coeficiente de correlacin no.
89

Estadística y Notación

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 y Notación

Hochgeladen von

Copyright:

Verfügbare Formate

RESUMEN DE ALGUNOS CONCEPTOS ESTADSTICOS ELEMENTALES

Y NOTACIN EMPLEADA EN EL CURSO

Por ejemplo, en el dado rojo puede aparecer 4 y en el verde un 6

Ejemplo de distribucin de probabilidades: x es la suma de dos dados

Igualmente, si el dado rojo es 2 y el verde 5, la suma es 7

Ejemplo de distribucin de probabilidades: x es la suma de dos dados

La frecuencia f es el nmero de veces que se repite un resultado

Finalmente, derivamos la probabilidad de obtener cada valor de x.

Ejemplo de distribucin de probabilidades: x es la suma de dos dados

Ejemplo de distribucin de probabilidades: x es la suma de dos dados

La distribucin se muestra grficamente.

La definicin de E(x), el valor esperado de x:

Notacin alternativa para E(x):

Valor esperado de una variable aleatoria

Valor esperado de una funcin de una variable aleatoria

La definicin de E[g(x)], no es ms que :

xi pi g(xi) g(xi ) pi xi pi xi2 xi2 pi

En nuestro ejemplo valor esperado de x2 es 54.83. Observar que no es igual a 7 elevado al

Las reglas del valor esperado

1. E(x+y) = E(x) + E(y)

Donde, x e y son variables aleatorias y a es una constante.

Dos variables aleatorias x e y se dicen independientes si

E[f(x)g(y)] = E[f(x)] E[g(y)]

Caso particular: si x e y son independientes,

LA VARIANZA POBLACIONAL DE UNA VARIABLE ALEATORIA DISCRETA

La varianza mide la dispersin de la distribucin con respecto a la media de la poblacin.

xi pi xi- (xi-)2 (xi-)2 pi

En nuestro ejemplo de los dados.

La varianza poblacional de una variable aleatoria discreta

Varianza poblacional de x : notacin

Desviacin tpica de x"

2. VARIABLES ALEATORIAS CONTINUAS

Variables aleatorias continuas

Por ejemplo, la probabilidad de que la temperatura este entre 55 y 56 F es 0.05. Estamos

Variables aleatorias continuas

f(x) = 0.05 para 55 x 75

Variables aleatorias continuas

El eje vertical se conoce como la densidad de probabilidad y la funcin de densidad, f(x), es

densidad f(x) = 0.05 para 55 < x < 75

Supongamos que queremos calcular la probabilidad en el intervalo 65 y 70. Debemos

Cul es la expresin de la esperanza y la varianza de una

Media poblacional de x: E(x) =x

Los componentes fijos y aleatorios de una variable aleatoria

Media poblacional de x: E(x) =x

Para la observacin i, el componente

El valor observado de la variable x para el individuo i, por ejemplo, su salario, ser en

Media poblacional de x: E(x) =x

Para la observacin i, el componente

Por tanto x podemos escribirla

Los componentes fijos y aleatorios de una variable aleatoria

Media poblacional de x: E(x) =x

Para la observacin i, el componente

Por tanto x, la podemos escribir

Observar que el valor esperado de

E(ui) = E(xi - x) = E(xi) + E(-x) =x - x = 0

Un estimador es una frmula matemtica.

Una estimacin es un nmero que se obtiene de aplicar

Salvo en casos artificialmente simples, como el de los dados, no conoceremos la

Caracterstica Poblacional Estimador

Los estimadores son variables aleatorias: veamos la media

La media muestral puede descomponerse en una parte fija

De forma que no es ms que la media de n valores fijos y n valores aleatorios.

Donde ! es la media de los trminos aleatorios de la muestra.

Estos grficos describen la densidad de x y x. Como se observ, ambos tienen el mismo