Curso Inferencia

Estad stica Miguel Angel Chong R. miguel@sigma.iimas.unam.mx

30 de agosto del 2011

Miguel Chong

Series de tiempo

El modelo matem atico que explica el comportamiento de los resultados de los experimentos aleatorios est a compuesto por tres elementos El espacio de estados o espacio muestral E El espacio de sucesos ( - algebra) y una funci on de probabilidad P que toma valores en el [0, 1], esta funci on asigna probabilidades a los sucesos. Los elementos que integran el espacio muestral E son eventos y aqu se nos diculta hacer operaciones con estos elementos. Para resolver este problema se recurre a la asignaci on de n umeros a los elementos de E . Para llevar a cabo las transformaciones de sucesos en n umeros reales se introduce el concepto de variable aleatoria.

Miguel Chong

Series de tiempo

Denici on Una variable aleatoria (v.a.) X es una funci on que manda elementos de E a R (o un subconjunto de R), denotado por X :E R,

y al conjunto de los valores reales que puede tomar X le llamamos rango o recorrido. Denici on La funci on de distribuci on de variable aleatoria X la deniremos como la probabilidad del evento {X ( ) (, x ]} para x R, o escrito en s mbolos FX (x ) = P (X ( ) (, x ]) o de una manera m as compacta FX (x ) = P (X x ). 1

Notemos que 0 FX (x ) 1 por ser la probabilidad de un evento.

Miguel Chong Series de tiempo

Propiedades de la funci on de distribuci on FX () FX () = 0 y FX () = 1 P (a < X b) = FX (b) FX (a) Es mon otona no decreciente P (a < X b) = FX (b) FX (a) 0 La funci on de distribuci on es continua por la derecha lim |FX (x + ) FX (x ) | = 0.
0

Miguel Chong

Series de tiempo

Variable aleatoria discreta Una variable aleatoria es discreta cuando su rango es un conjunto nito o numerable de puntos. Cada punto tiene una masa de probabilidad de ocurrir

P (X = xi )

= pi .

Adem as si sumamos sobre todo el rango de la variable aleatoria los pesos deben ser igual a uno, es decir, P (X = xi ) = pi = 1. Entonces para una v.a. discretas la funci on de distribuci on FX () queda denida como: P (X u ) P (X = xi ) , u R.
xi u

FX (u )

= =

Observaci on Cuando tenemos una variable aleatoria discreta en general P (X u ) = P (X < u ).

Miguel Chong Series de tiempo

Variables aleatorias continuas Una variable aleatoria X es continua si su funci on de distribuci on x est a denida como, FX (x ) = fX (u ) du , donde fX () se le conoce como la funci on de densidad y cumple con ser una funci on continua f (x ) 0 FX () =
f (x )dx

= 1.

Miguel Chong

Series de tiempo

Observaciones Como fX () es continua entonces FX () ser a tambi en continua. A partir de FX () podemos obtener fX () usando el Teorema d Fundamental del C alculo, puesto que FX (x ) = fX (x ). dx El conjunto de puntos donde fX () > 0 ser a el rango de la variable aleatoria. Notemos que P (X = x ) = x fX (u ) du = 0 y por lo tanto en este caso P (X u ) = P (X < u ).
x

Miguel Chong

Series de tiempo

Algunas funciones de distribuci on discretas

Nombre Bernoulli Binomial Geom etrica Binomial Negativa Poisson

Par ametro p (0, 1) n N, p (0, 1) p (0, 1) p (0, 1) (0, )

x

P (X = x ) p (1 p )
n x x 1x n x

Rango x {0, 1} x {0, 1, . . . , n} x {1, 2, . . .} x k x {0, 1, 2, . . .}

E (X ) p np
1 p k p

Var (X ) p (1 p ) np (1 p )
1p p2 k (1p ) p2

p (1 p )

p (1 p )x 1
x 1 k 1

p k (1 p )x k
e x x!

Miguel Chong

Series de tiempo

Algunas funciones de distribuci on continuas

Nombre Uniforme Beta Exponencial Gamma Normal

Par ametro a < b , a, b R , (0, ) = R+ R

+ ()

fX (x )
1 b a (+ ) 1 x ()( )

Rango x (a , b ) x (0, 1) x (0, ) x (0, ) x R

E (X )
b +a 2 + 1

Var (X )
(b a)2 2 (+ )2 (+ +1) 1 2 2

(1 x ) 1

, R+ R, 2 R+ 1

x 1 e x
(x )2 2 2

2 2

exp

Miguel Chong

Series de tiempo

Notaci on Diremos que la v.a. X sigue cierta una distribuci on FX (x ), de las siguientes formas X fX (x ) X FX (x ) X nombre de la v.a. y sus par ametros

Miguel Chong

Series de tiempo

Variables aleatorias bidimensionales Si el resultado del experimento aleatorio que hacemos da como resultado dos observaciones conjuntas entonces tenemos una variable aleatoria bidimensional (X , Y ). Este vector puede ser cualquier punto del plano R R. Cada entrada del vector es una variables aleatorias unidimensionales con su respectivo campo de variaci on o rango que nos determinan el rango del vector conjunto. El vector aleatorio (X , Y ) tendr a un campo de variaci on y una funci on distribuci on de probabilidad, que denotaremos FX Y (, ) o distribuci on conjunta, donde

FX Y (x , y ) = P ({X x } {Y y }) = P (X x , Y y ) .

Miguel Chong

Series de tiempo

A partir de las variables aleatorias bidimensionales podemos obtener las de distribuciones marginales y condicionales. La forma de obtener las distribuciones marginales es la siguiente

FX (x ) = FX Y (x , ) De manera an aloga tenemos que

FY (y ) = FX Y (, y )

Miguel Chong

Series de tiempo