INDICES

n SOM pit * qio I Lp(D)= ----------------SOM pio * qio

wi= pio * qio 96 97 98 Px 2 3 3 Qx 8 7 10 12 Py 3 4 5 7 Qy 5 6 6 7 Pz 1 2 2 4 Qz 3 3 5 8

3*8+4*5+2*3 Lp (97/96 ) =----------2*8+3*5+1*3

3*8+5*5+2*3 Lp ( 98/96 ) = --------2*8+3*5+1*3 n SOM pit * qit I Lp(D)= -------------SOM pio * qit

wi= pio * qit

3*7+4*6+2*3 Pp (97/96 ) = ----------2*7+3*6+1*3

3*10+5*6+2*5 Lp ( 98/96 ) = --------2*10+3*6+1*5

F ( 97/ 96 ) = = v(1,47*1,45)=1,459 F ( 98/ 96 ) = = v(1,61*1,62)=1,614 SOM(n,i) pit( qio*qit ) E = --------------------SOM pio ( qio+qit ) SOM ( 97/96 ) = 3(8+7) + 4(5+6) + 2(3+3) -----------------------2(8+7) + 3(5+6) + 1(3+3)

1 - Las magnitudes econmicas sufren variaciones a lo largo del tiempo y/o del espacio, que interesa medir 2 - Las magnitudes econmicas son en general, complejas. Una metodologa adecuada para su estudio es medir variaciones de una situacin a otra NMERO NDICE es una media de la variacin relativa de una magnitud La medida de una variacin relativa supone fijar una situacin de referencia denominado de perodo base NMEROS NDICES TEMPORALES Miden la variacin relativa de una magnitud entre dos periodos de tiempo I_I= x1t/xi0 P_0^t= pit/pi0 En el periodo base al ndice se le asigna el valor 1 (o el valor 100 en porcentaje) Propiedades de los nmeros ndices - EXISTENCIA. Todo n ndice debe tener un valor finito distinto de - IDENTIDAD. Si se hace coincidir base y el perodo actual debe ser unidad. - INVERSIN. - CIRCULAR. existir y cero. el perodo igual a la

--------------------------------------------------------------------------------------ndice complejo ponderado Cada magnitud interviene en el ndice con Una determinada ponderacin que refleja su importancia. Nota : Artculos : x_1 ; x_2 ; . ; x_n --(xi) Precios en el periodo base : p_(10;) p_20; ;p_n0 --(pi0) Precios en el periodo actual :p_1t ; p_2t ; ;p_nt -- (pit) Ponderaciones: w_1; w_2; ; w_n...(wi) LASPEYRES Pondera por la cantidad del ao base Artculos : x_1; x_2 ; ;x_n Ponderaciones: q_10 ; q_20 ; ; q_n0 --- (qio) L_p= (?_1^NIiWi)/(?_(i )^NWi)=(?_1^N?pit/pio pio qio?)/(?_1^N?pio qio?) p= (?_1^N?pit qio?)/(?_1^N?pio qio?) PAASCHE Pondera por la cantidad del ao actual Artculos : : x_1; x_2 ; ;x_n Ponderaciones: q_1t ; q_2t ; ; q_nt --- (qit) EDGEWORTH Pondera por la media de las cantidades del ao base y del ao actual L_p= (?_1^N?pit 1/2?( qio+qit ))/(?_(i )^Npio 1/2( qio+qit ))=(?_(i=1)^N?pit( qio+ qit )?)/(?_1^N?pio ( qio+qit )?) FISHER Se obtiene a partir de los ndices de LASPEYRES y PAASCHE F_p=v(Lp+Pp) L_

FUNCION DE DISTRIBUICIN Propiedades Toma valores entre 0 y 1 F(X) = P ( = X ) E [ 0;1 ] ? x --La probabilidad de que la variable se site entre dos valores cualesquiera es la diferencia entre la probabilidad acumu lada en el mayor menos la acumulada en el menor P (x = = x + h) = F (x +h) - F (x) 3 Es montona no decreciente F (x +h) = F (x) ? h > 0 - Es siempre continua por la derecha, Y slo por la izquierda en los valores en los que la probabilidad no sea nula --------------------------------------------------------------------------------------------------

Variables discretas 1 - Una distribucin de probabilidad se dice discreta si es la probabilidad es cero en todos los puntos, excepto en en alguno de ellos 2 - La funcin de cuanta es el modelo matemtico que asocia a cada punto en los que est definida la variable su probabilidad P ( = Xi ) = pi E [ 0;1 ] ?_(i=1)^n?pi=1? 3 - La funcin de distribucin de la variable en un punto obtendr se sumando todas las probabilidades de todos los valores anterioreshasta mismo. F(Xh)=?_(i=1)^h?P(=xi)=?_(i=1)^hpi ? Variables continuas 1 - Una distribucin de probabilidad se dice continua si la funcin de distribucin asociada es continua 2 - La principal implicacin es que no existe la probabilidad en el punto, puesto que no existe el punto P (=x) = 0 ?x Hablaremos de densidad media de probabilidad, y de funcin de densidad (P(x< =x+h)/h+(F(x+h) ?-F(x)?^ )/h ?lim?-(h?0)??(P(x<=x+h))/h?=?lim?-(h?0)??(F(x+h)-F(x) )/h=? F^(( @)) (x)=f(x) Propiedades de la funcin de densidad 1 - f(x)dx recibe el nombre de probabilidad Elemental 2 - Es siempre positiva f (x) = o= 0 ?x ER 3 - La agregacin de las probabilidades de todos los sucesos en el campo de definicin de la variable es 1 ?_(+8)^(-8)?f(x)dx=1? 4 - Relacin con F(x) ?_(+8)^(-8)?f(x)dx=F(X)?

La integral de Stieltjes facilita la integracin de los dos modelos en uno nico

F(x)=P(=x)=?_(-8)^X?dF(x)= ? {(= ?_(-8)^X?F(x)dx= ?_(-8)^xf(x)dx? @caso continuo@@=F x)(escalonada )= ?_(?xi=x)(P(=xi)@)) C aso discreto Los momentos

Como en el caso de la estadstica descriptiva, los momentos son operadores que nos facilitan la ex presin de magnitudes potenciadas respecto a un punto 2 Tienen especial relevancia los puntos origen y media de la distribucin de la variable aleatoria entonces : Con relacin al origen : a_r=?x^r dF(x) = {(?x^(rf(x)dx caso continuo)@?x_i^r p_(i ..) caso discreto) Con relacin a la media _r= ?(x-a_1)^1dF(x) = {(?(x-a_1 ) ^(r f(x)dx ..caso cont.)@?(xi-a_1 ) ^r pi ..caso disc.) -------------------DETERMINACIN DE LA PROBABILIDAD Aleatoriedad 1 - Un fenmenos es incierto cuando no sabemos en qu se va 2 - Un fenmeno es aleatorio cuando ? Es incierto ? Pero conocemos en qu puede concretarse ? No sabemos qu equipo ganar el partido, pero sabemos que lo ganar uno u otro, o que empatarn Sucesos 1-Cuando se realiza un experimento aleatorio diversos resultados son posibles. El conjunto de todos los res ultados posibles se llama espacio muestral (E); 2-Se llama suceso a un subconjunto de dichos resultados

3-Se llama suceso contrario (complementario) de un su ceso A, A , al formado por los elementos que no estn en A 4-Se llama suceso unin de A y B, AUB, al formado por los resultadosexperimentales que estn en A o en B (incluyendo los que estn en ambos) 5_Se llama suceso interseccin de A y B, AnB, al formado por los elementos que estn en A y en B Suceso Imposible: aqul que no contiene ningn elemento del espacio muestral. Se identifica como (ejemplo: obtener un siete al tirar un dado normal) Unin: Si A y B son dos sucesos cualesquiera, la unin de A y B se define como un tercer suceso que contiene todos los resultados que pertenecen slo a A o slo a B o a ambos. Se denota como AUB. Propiedades: AUB=BUA AUA=A AU =A AUE=E

Interseccin: Si A y B son dos sucesos cualesquiera, la interseccin de A y B se define como el suceso que contiene todos los resultados comunes a A y B, es decir, todos losresultados que pertenecen slo a ambos. Se denota como AnB. Propiedades: AnB=BnA AnA=A A n = AnO=A

Suceso Complementario: suceso que contiene todos los resultados del espacio muestral E que no pertenecen a A Se denota como A . Propiedades: A ? A= O Consecuencias 1 - Sucesos Incompatibles: Se dice que dos sucesos A y B son incompatibles o mutuamente excluyentes si no tienen resultados en comn. Por tanto se verifica A n B= 2 - Unin, interseccin y complementario An A= E= =E

(A ? B) = A nB (A n B) = A ? B 3 - Distributivas A ?(B n C) =(A?B) nA?C

A n(B ? C) =(AnB) ?AnC 4 - Descomposicin en unin de sucesos incompatibles. Todo suceso se puede expresar A = AnB ? (AnB ) Ejemplos Sea el espacio muestral formadopor el conjunto de resultados quese pueden alcanzar al lanzar un dado E=[1,2,3,4,5,6] Sea A el suceso Sea B el suceso As A = [2, 4, 6] el nmero es par el nmero es 4 o mayor y B = [4, 5, 6] A = [2, 4, 6] B = [1, 2, 3] B = [4, 5, 6]

E = [1, 2, 3, 4, 5, 6] Complementarios: A =[1, 3, 5] Intersecciones: AnB=[4,6] A nB=[5] Uniones: A?B=[2,4,5,6]

A?A =[1,2,3,4,5,6]=S

Concepciones de la probabilidad Concepcin de Laplace. La probabilidad es el nmero de casos favorables sobre el nmero de casos posibles P(A)=(CASOS FAVORABLES)/(CASOS POSIBLES) Por qu al tirar 3 dados es ms frecuente que la suma sea 11 que 12? Casos posibles 6^3= 216 Casos favorables: A, 11 PUNTOS Y 27 POSIBILIDADES B, 12 PUNTOS Y 25 POSIBILIDADES Entonces: P(A)=27/216 ; P(B)=25/216

En general, para saber el nmero de casos posibles aplicaremos la combinatria C_k^n= n!/k!(n-k)!

Probabilidad condicionada Definicin. La probabilidad de que ocurra A condicionada a que B haya ocurrido es la probabilidad de que se den simultneamente respecto de la probabilidad de B P(A/B)=(P(AnB))/(P(B)) Probabilidad condicionada. Aplicacin De un conjunto de coches usados, el 70% tiene aire acondicionado (AA) y un 40% tiene reproductor de CD (CD). El 20% tienen ambos dispositivos. Supuesto que un coche tenga AA, con qu probabilidad tendr CD? CD AA 0.2 NO AA 0.2 TOTAL 0.4 NO CD TOTAL 0.5 0.7 0.1 0.3 0.6 1.0

P(CD/AA)=(P(CDnAA))/(P(AA))=0.2/0.7=0.2857 Teorema de la probabilidad total En un aula el 70% de los alumnos son mujeres. De ellas el 10% son fumadoras. De los hombres, fuman el 20%. Qu porcentaje de fumadores hay? P(F)=P(MnF)+P(HnF) = P(M)P(F M)+P(H)P(F H) = =0.7*0.1+0.3*0.2 = 0.13 (13%) Teorema de Bayes Supuesto que conozcamos la probabilidad de B, podremos calcular la probabilidad de que se d cualquier suceso de los que componen el Espacio muestral despus de haber ocurrido B. P(A_h/B)=(P(Bn?Ah)?_ )/(P(B))= (P(A_h )P(B/A_h))/(?_(i=1)^n?P(A_I ?)P(B/A_I ) EJEMPLO TEOREMA DE BAYES: En un aula el 70% de los alumnos son mujeres. De ellas el 10% son fumadoras. De los hombres, fuman el 20% El porcentaje de fumadores es el 13%, como sabemos Escogido un alumno al azar, resulta ser fumador; cul es la probabilidad de que sea hombre? Se nos pide : P(H/F) = P(HnF)/P(F) P(F)=0.13=13% P(HnF)=P(H) P(F/H)=0.3*0.2=O.O6

P(H/F)=6/13 =0.46