Beruflich Dokumente
Kultur Dokumente
5. dado que y
que
Solucin 1.
El ejercicio del numeral 1 indica que lo cual simplemente es la forma prctica de
calcular la varianza, y su demostracin es la siguiente:
Solucin 2.
esto es muy parecido al ejercicio 1, se trata de llegar a la forma
prctica de clculo de la covarianza entre dos variables aleatorias a partir de su definicin terica.
Solucin 3.
El ejercicio del numeral 3 indica simplemente que el estimador de la media de una variable aleatoria ser un estimador
insesgado del verdadero promedio, es decir, , cuya demostracin es:
Solucin 4.
Cuando es conocido se puede demostar que el estimador de la varianza es tambin un estimador
insesgado,
Solucin 5.
Este se trata de demostar que la quasi-varianza muestral es un estimador insesgado de la varianza.
Esto es con la correspondiente correccin por grados de libertad en el denominador ( ) se logra
estimar la varianza muestral de manera insesgada.
Sea la matriz de varianzas y covarianzas , con elementos como su elemento, a esta matriz se le
suele llamar, por simplicidad, matriz de covarianzas de Esta matriz a veces es denotada como o .
Claramente de manera que es simtrica. Considerando esto demuestre que
Si y son vectores aleatorios, entonces la matriz de covarianzas entre los componentes de y est dada
por , compruebe que esto es cierto.
Aprovechando que se ha discutido y ejemplificado mucho con las covarianzas podemos introducir ahora la correlacin, que
como es sabido es una medida de relacin lineal que no est afectada por las unidades de medida en que estn expresas
las variables, por ejemplo, y , para stas el coeficiente de correlacin ser y est definido por
Cuando . La matriz de correlaciones que tiene a como su simo elemento, puede ser
expresada en trminos de la correspondiente matriz de covarianzas y de la matriz
diagonal especficamente,
Donde y adems debe ser definida no negativa porque lo es. En particular, si es la sima
columna de una matriz identidad se puede demostar que est acotado en el intervalo . Vase a
continuacin,
porque y
esto es porque
Referencias
Schott, James (2005). Matrix Analysis for Statistics. Wiley. 456 p,Second Edition, New Jersey.