Investigacin microeconoma

1: En qu consiste el mtodo estadstico de los mnimos cuadrados. La aproximacin por mnimos cuadrados se basa en la minimizacin del error cuadrtico medio o, equivalentemente, en la minimizacin del radicando de dicho error, el llamado error cuadrtico, definido como:

Para alcanzar este objetivo, se utiliza el hecho que la funcin f debe poder describirse como una combinacin lineal de una base de funciones. Los coeficientes de la combinacin lineal sern los parmetros que queremos determinar. Por ejemplo, supongamos que f es una funcin cuadrtica, lo que quiere decir que es una combinacin lineal, , valores de los coeficientes: residuos: y , de las funciones

(m=3 en este caso), y que se pretende determinar los , de modo que minimicen la suma (S) de los cuadrados de los

Esto explica el nombre de mnimos cuadrados. A las funciones que multiplican a los coeficientes buscados, que en este caso son: , y , se les conoce con el nombre de funciones base de la aproximacin, y pueden ser funciones cualesquiera. Para ese caso general se deduce a continuacin la frmula de la mejor aproximacin discreta (i.e. para un conjunto finito de puntos), lineal y segn el criterio del error cuadrtico medio, que es la llamada aproximacin lineal por mnimos cuadrados. Es posible generar otro tipo de aproximaciones, si se toman los errores mximo o medio, por ejemplo, pero la dificultad que entraa operar con ellos, debido al valor absoluto de su expresin, hace que sean difciles de tratar y casi no se usen. Solucin del problema de los mnimos cuadrados La aproximacin mnimo cuadrtica consiste en minimizar el error cuadrtico mencionado ms arriba, y tiene solucin general cuando se trata de un problema de aproximacin lineal (lineal en sus coeficientes ) cualesquiera que sean las funciones base: antes mencionadas. Por lineal se entiende que la aproximacin buscada se expresa como una combinacin lineal de dichas funciones base. Para hallar esta expresin se puede seguir un camino analtico, expuesto abajo, mediante el clculo multivariable, consistente en optimizar los coeficientes ; o bien, alternativamente, seguir un camino geomtrico con el uso de el lgebra lineal, como se explica ms abajo, en la llamada deduccin geomtrica. Para los Modelos estticos uniecuacionales, el mtodo de mnimos cuadrados no ha sido superado, a pesar de diversos intentos para ello, desde principios del Siglo XIX. Se puede demostrar que, en su gnero, es el que proporciona la mejor aproximacin.

Deduccin analtica de la aproximacin discreta mnimo cuadrtica lineal

Sea un conjunto de n pares con abscisas distintas, y sea un conjunto de m funciones linealmente independientes (en un espacio vectorial de funciones), que se llamarn funciones base. Se desea encontrar una funcin de dicho espacio, o sea, combinacin lineal de las funciones base, tomando por ello la forma:

. Ello equivale por tanto a hallar los m coeficientes: funcin sea la mejor aproximacin a los n pares . En concreto, se desea que tal empleando, como criterio de con respecto a los puntos

"mejor", el criterio del mnimo error cuadrtico medio de la funcin . El error cuadrtico medio ser para tal caso:

Minimizar el error cuadrtico medio es equivalente a minimizar el error cuadrtico, definido como el radicando del error cuadrtico medio, esto es:

As, los que minimizan igualando a cero este ltimo:

tambin minimizan

, y podrn ser calculados derivando e

Siendo i=1,2, . . .,m Se obtiene un sistema de m ecuaciones con m incgnitas, que recibe el nombre de "Ecuaciones Normales de Gauss". Operando con ellas:

, para i=1,2, . . .,m

, para i=1,2, . . .,m Si se desarrolla la suma, se visualiza la ecuacin "i-sima" del sistema de m ecuaciones normales:

, para cada i=1,2, . . .,m

Lo cual, en forma matricial, se expresa como:

Siendo

el producto escalar discreto, definido para dos funciones dadas h(x) y g(x) como:

, y para una funcin h(x) y vector cualquiera u, como:

La resolucin de dicho sistema permite obtener, para cualquier base de funciones derivables localmente, la funcin f(x) que sea mejor aproximacin mnimo cuadrtica al conjunto de puntos antes mencionado. La solucin es ptima esto es, proporciona la mejor aproximacin siguiendo el criterio de mnimo error cuadrtico, puesto que se obtiene al optimizar el problema. Corolario Si se tratara de hallar el conjunto de coeficientes por todos los pares , esto es, tales que entonces tendra que cumplirse que: tal que interpole a pase exactamente ,

Que en forma matricial se expresa como:

Esto establece un sistema de n ecuaciones y m incgnitas, y como en general n>m, quedara sobre determinado: no tendra siempre una solucin general. Por tanto, la aproximacin tratar en realidad de hallar el vector c que mejor aproxime . Se puede demostrar que la matriz de coeficientes de las ecuaciones normales de Gauss coincide con , siendo A la matriz de coeficientes exactas, y como el trmino independiente de las que ecuaciones normales de Gauss coincide con el vector , se tiene que los valores mejor aproximan f(x) pueden calcularse como la solucin al sistema: que es, precisamente, el sistema de las ecuaciones normales de Gauss.

Deduccin geomtrica de la aproximacin discreta mnimo cuadrtica lineal La mejor aproximacin deber tender a interpolar la funcin de la que proviene el conjunto de pares , esto es, deber tender a pasar exactamente por todos los puntos. Eso supone que se debera cumplir que:

Sustituyendo f(x) por su expresin como combinacin lineal de una base de m funciones:

Esto es, se tendra que verificar exactamente un sistema de n ecuaciones y m incgnitas, pero como en general n>m, dicho sistema estara sobredeterminado y, por tanto, sin solucin general. De ah surge la necesidad de aproximarlo. Dicho sistema podra expresarse en forma matricial como:

Esto es:

La aproximacin trata de hallar el vector c aproximante que mejor aproxime el sistema Con dicho vector c aproximante, es posible definir el vector residuo como:

De manera que el mnimo error cuadrtico supone minimizar el residuo, definiendo su tamao en base a la norma eucldea o usual del residuo, que equivale al error cuadrtico:

siendo

el producto interior o escalar del vector residuo sobre s mismo.

Si atendemos al sistema , entonces se ve claramente que al multiplicar A y c, lo que se realiza es una combinacin lineal de las columnas de A:

El problema de aproximacin ser hallar aquella combinacin lineal de columnas de la matriz A lo ms cercana posible al vector b. Se comprueba que el conjunto de las columnas de A generan un espacio vectorial o Span lineal: , al que el vector b no tiene porqu pertenecer (si lo hiciera, el sistema A.c=b tendra solucin). Entonces, de los infinitos vectores del que son combinacin lineal de los vectores de la base, se tratar de hallar el ms cercano al vector b. De entre todos ellos, el que cumple esto con respecto a la norma eucldea es la proyeccin ortogonal de b sobre , y que por tanto hace que el tamao del vector r, que ser el vector que une los extremos de los vectores b y proyeccin ortogonal de b sobre el span, sea mnimo, esto es, que minimiza su norma eucldea. Es inmediato ver que si el residuo une b con su proyeccin ortogonal, entonces es a su vez ortogonal al ortogonal a cada columna de A. , y a cada uno de los vectores de la base, esto es,

La condicin de minimizacin del residuo ser:

Que es cierto si y slo si:

A su vez, cada una de las m condiciones de perpendicularidad se pueden agrupar en una sola:

Sustituyendo el residuo por su expresin:

Por tanto, la mejor aproximacin mnimo cuadrada lineal para un conjunto de puntos discretos, sean cuales sean las funciones base, se obtiene al resolver el sistema cuadrado: . A esta ecuacin se le llama ecuacin normal de Gauss, y es vlida para cualquier conjunto de funciones base. Si estas son la unidad y la funcin x, entonces la aproximacin se llama regresin lineal.

2: Qu diferencia hay entre la aritmtica y el clculo diferencial.

ARITMETICA: La Aritmtica es aquella rama dentro de las matemticas que se ocupa del estudio de los nmeros y las operaciones que pueden realizarse con ellas Bsicamente, la aritmtica estudia ciertas operaciones con los nmeros y sus propiedades ms elementales, siendo siete sus operaciones bsicas: suma, resta, divisin, multiplicacin, potenciacin, radicacin y logaritmacin, en tanto, a la consideracin conjunta de todas estas operaciones se la conoce como clculo aritmtico CALCULO DIFERENCIAL: El clculo diferencial es una parte importante del anlisis matemtico y dentro del mismo del clculo. Consiste en el estudio del cambio de las variables dependientes cuando cambian las variables independientes de las funciones o campos objetos del anlisis. El principal objeto de estudio en el clculo diferencial es la derivada. Una nocin estrechamente relacionada es la de diferencial de una funcin. 3: Que representa la primera y segunda derivada. La primera derivada es la recta tangente a la curva. Es decir que podemos saber la pendiente de una curva en cualquier punto. En fsica la primera derivada de una funcin posicin (con respecto al tiempo) nos da la velocidad. Con la segunda derivada podemos saber intervalos de concavidad y puntos de inflexin. La pendiente (derivada) en cada punto de una funcin genera una nueva funcin ( funcin derivada) que representa el crecimiento, constancia o decrecimiento de la funcin primitiva. Esta funcin derivada se puede volver a derivar, es decir, podemos crear una nueva funcin que represente cmo crece o decrece esta funcin derivada. Esta nueva funcin se conoce como segunda derivada.