Tema3 PDF
Tema3 PDF
Tema3 PDF
Tema 3
Esperanzas
Objetivos
2. Media y varianza.
Bibliografı́a
1
Estadı́stica. 3. Esperanzas Carlos Velasco. MEI UC3M. 2007/08
Notación Z
E (X) = EX = xdF (x) = µ = µX .
Interpretación. Existencia.
Ejemplos.
Si Y = IA (X) = 1 si X ∈ A; = 0 si X 6∈ A, entonces
Z Z
E (IA (X)) = IA (x) dFX (x) = dFX (x) = Pr (X ∈ A) .
A
2
Estadı́stica. 3. Esperanzas Carlos Velasco. MEI UC3M. 2007/08
PROPIEDADES
Ejemplo: Binomial.
3
Estadı́stica. 3. Esperanzas Carlos Velasco. MEI UC3M. 2007/08
p
La desviación estándar se define como sd (X) = V (X) = σ = σ X .
1. V (X) = E (X 2 ) − µ2 .
Ejemplos: Binomial.
y la varianza muestral es
n
1 X 2
Sn2 = Xi − X̄ .
n − 1 i=1
4
Estadı́stica. 3. Esperanzas Carlos Velasco. MEI UC3M. 2007/08
Cov (X, Y )
ρ = ρX,Y = ρ (X, Y ) = .
σX σY
Propiedades:
Si Y = aX + b, a y b constantes, entonces
ρ (X, Y ) = 1 si a > 0
ρ (X, Y ) = −1 si a < 0.
5
Estadı́stica. 3. Esperanzas Carlos Velasco. MEI UC3M. 2007/08
donde las probabilidades de cada combinación de valores viene dada por la siguiente
tabla,
Y \X 1 2 3
1 0, 4 0, 2 0, 05 0, 65
2 0, 2 0, 1 0 0, 3
3 0, 05 0 0 0, 05
0, 65 0, 3 0, 05 1
6
Estadı́stica. 3. Esperanzas Carlos Velasco. MEI UC3M. 2007/08
Esperanza condicional:
Z ( P
yfY |X=x (y) si Y es discreta
E (Y |X = x) = ydFY |X=x (y) = R y
y
yfY |X=x (y) dy si Y es continua
En general:
Z ( P
r (y) fY |X=x (y) si Y es discreta
E (r (Y ) |X = x) = r (y) dFY |X=x (y) = R y
y
r (y) fY |X=x (y) dy si Y es continua
V (Y |X = x) = σ 2 (x)
= E (Y − E (Y |X = x) |X = x)2
Z
= (y − E (Y |X = x))2 dFY |X=x (y)
= E Y 2 |X = x − E (Y |X = x)2 .
Y Pr {Y = yi |X = x1 } Pr {Y = yi |X = x2 } · · · Pr {Y = yi |X = xs }
y1 f11 = p11 /px1 f12 = p12 /px2 ··· f1s = p1s /pxs
y2 f21 = p21 /px1 f22 = p22 /px2 f2s = p2s /pxs
.. .. .. ..
. . . .
ym fm1 = pm1 /px1 fm2 = pm2 /px2 ··· fms = pms /pxs
1 1 ··· 1
7
Estadı́stica. 3. Esperanzas Carlos Velasco. MEI UC3M. 2007/08
Ejemplo:
Y Pr {Y = yi |X = 1} Pr {Y = yi |X = 2} Pr {Y = yi |X = 3}
1 f11 = 0, 4/0, 65 = 0,615 f12 = 0, 2/0, 3 = 0, 667 f13 = 0, 05/0, 05 = 1
2 f21 = 0, 2/0, 65 = 0,308 f22 = 0, 1/0, 3 = 0, 333 f23 = 0
3 f31 = 0, 05/0, 65 = 0,077 f32 = 0 f33 = 0
1 1 1
Por tanto
E [Y |X = 1] = 1 · 0,615 + 2 · 0,308 + 3 · 0,077 = 1,462
E [Y |X = 2] = 1 · 0,667 + 2 · 0,333 + 3 · 0 = 1,333
E [Y |X = 3] = 1 · 1 + 2 · 0 + 3 · 0 = 1
y la función de regresión es
E Y 2 |X = 2 = 12 · 0,667 + 22 · 0,333 + 32 · 0 = 2
E Y 2 |X = 3 = 12 · 1 + 22 · 0 + 32 · 0 = 1
y entonces
V [Y |X = 1] = 2,54 − 1,4622 = 0,4026
V [Y |X = 2] = 2 − 1,3332 = 0,2231
V [Y |X = 3] = 1 − 12 = 0
8
Estadı́stica. 3. Esperanzas Carlos Velasco. MEI UC3M. 2007/08
E [Y ] = E [E [Y |X]]
porque
=E[Y |X=xi ]
}| #{ z"
s
X m
X
E [E [Y |X]] = yj fji pxi
i=1 j=1
=pyj
z" }| #{
m s
X X pji
= yj fji pxi fji =
j=1 i=1
pxi
= E [Y ]
E [Y m (X) |X = xi ] = m (xi ) E [Y |X = xi ]
E [Y |X] = E [Y ] .
9
Estadı́stica. 3. Esperanzas Carlos Velasco. MEI UC3M. 2007/08
6. Si E [Y |X] = E [Y ] entonces
Cov (Y, X) = 0.
Prueba:
El recı́proco de estas dos últimas propiedades no tiene porqué ser verdad en general.
7. Predicción:
La función de regresión es la que, de entre todas las posibles (funciones de X),
minimiza la varianza del error de predicción,
8. Descomposición de la Varianza:
V (Y ) = E [V (Y |X)] + V [E (Y |X)] .
10
Estadı́stica. 3. Esperanzas Carlos Velasco. MEI UC3M. 2007/08
I Ejemplo:
E (E [Y |X]) = E [Y |X = 1] ∗ Pr [X = 1] + E [Y |X = 2] ∗ Pr [X = 2] + E [Y |X = 3] ∗ Pr [X = 3]
= 1,462 ∗ 0, 65 + 1,333 ∗ 0, 3 + 1 ∗ 0, 05
= 1. 400 = E (Y )
y de igual forma
E E [Y |X]2
= E [Y |X = 1] ∗ Pr [X = 1] + E [Y |X = 2] ∗ Pr [X = 2] + E [Y |X = 3] ∗ Pr [X = 3]
= 1,4622 ∗ 0,65 + 1,3332 ∗ 0,3 + 12 ∗ 0,05
= 1. 972 4
y por tanto
= 1. 972 4 − 1. 4002
= 0,012 4.
E (V [Y |X]) = V [Y |X = 1] ∗ Pr [X = 1] + V [Y |X = 1] ∗ Pr [X = 3] + V [Y |X = 1] ∗ Pr [X = 3]
= 0,4026 ∗ 0, 65 + 0,2231 ∗ 0, 3 + 0 ∗ 0, 05
= 0,328 6
por lo que
V (Y ) = 0,012 4 + 0,328 6 = 0,341 .
11