Elementos Bsicos de Econometra

Andrs Acua D.
Elementos Bsicos de Econometra
Andrs A. Acua
2011-2014
Primera versin: Noviembre 2011
Versin actual: Marzo 2014
Captulo 1
Elementos matemticos y estadsticos
bsicos para el anlisis economtrico
En este captulo se desarrollan aquellos tpicos matemticos que se con-
sideran indispensables para la correcta y ptima comprensin de la temtica
central
1
.
1.1. Algebra matricial
Una matriz es una serie de elementos matemticos ordenados travs de las
y columnas. Cada uno de los elementos de esta matriz se denota a
ij
, donde i
indica la la en la cual se encuentra dicho elemento y j es la columna asocia-
da. Por ejemplo, una matriz A que posee n las y m columnas se escribe de la
siguiente forma:
A =
_

_
a
11
a
12
. . . a
1m
a
21
a
22
. . . a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nm
_

_
(1.1)
La dimensin de una matriz est dada por el nmero de las y el nmero
de columnas, cuya denotacin es n m. Si la matriz posee una sola columna,
entonces se le denomina vector columna. Si la matriz posee igual nmero de
columnas y de las, entonces se le denomina matriz cuadrada.
Adicionalmente, la realizacin de operaciones matemticas bsicas con ma-
trices es posible siempre y cuando se respeten ciertas normas relacionadas con
1
Esta seccin sigue la lgica del Anexo Matemtico presente en Hamilton (1994).
2 Captulo 1
la dimensin de stas. Para sumar dos o ms matrices stas necesariamente
deben tener la misma dimensin, lo cual garantiza el cumplimiento de las
propiedades de conmutatividad y de asociatividad de la suma. Por ejemplo,
la suma de las matrices A y B se realiza de la siguiente forma:
A+B =

a
11
a
12
a
13
a
21
a
22
a
23

b
11
b
12
b
13
b
21
b
22
b
23

a
11
+b
11
a
12
+b
12
a
13
+b
13
a
21
+b
21
a
22
+b
22
a
23
+b
23

(1.2)
A modo de ejemplo:
A+B =

1 6 4
1 9 7

4 10 15
6 12 1

5 4 19
5 21 6

(1.3)
Por otra parte, para multiplicar matrices se debe respetar la siguiente regla
asociada a la dimensin de stas. Para multiplicar la matriz A por la matriz B
necesariamente el nmero de columnas de la matriz A debe coincidir con el
nmero de las de la columna B, lo cual implica que la multiplicacin no es
conmutativa. Luego, se debe multiplicar cada elemento de la primera la de la
matriz A por cada elemento de la primera columna de la matriz B. Este paso
se debe repetir con cada una de las columnas de la matriz B, para luego repetir
este procedimiento desde la segunda la hasta la n-sima la de la matriz A.
La matriz resultante de la multiplicacin tendr como dimensin el nmero de
las de la matriz A y el nmero de columnas de la matriz B.
Por ejemplo, la multiplicacin de la matriz A, de dimensin 3 3, por la
matriz B, de dimensin 3 2, se realiza de la siguiente forma:
AB =
_

_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_

_
b
11
b
12
b
21
b
22
b
31
b
32
_

_
(1.4)
=
_

_
a
11
b
11
+a
12
b
21
+a
13
b
31
a
11
b
12
+a
12
b
22
+a
13
b
32
a
21
b
11
+a
22
b
21
+a
23
b
31
a
21
b
12
+a
22
b
22
+a
23
b
32
a
31
b
11
+a
32
b
21
+a
33
b
31
a
31
b
12
+a
32
b
22
+a
33
b
32
_

_
Adicionalmente, toda matriz puede ser multiplicada por una constante, de-
nominada escalar, cuyo resultado implica multiplicar cada uno de los elementos
de la matriz por dicho escalar. Es decir, multiplicar la matriz A por el escalar
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 3
implica lo siguiente:
A
nm
=
_

_
a
11
a
12
. . . a
1m
a
21
a
22
. . . a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nm
_

_
=
_

_
a
11
a
12
. . . a
1m
a
21
a
22
. . . a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nm
_

_
(1.5)
Adicionalmente, existen ciertos tipos de matrices que permiten o facilitan
la realizacin de las operaciones bsicas anteriores. Estas matrices son las sigu-
ientes:
a) Matriz identidad.
Esta matriz posee igual nmero de las y de columnas, y cuya particu-
laridad es que todos sus elementos son ceros salvo la diagonal que est
compuesta por unos. La matriz identidad posee las mismas propiedades
que el nmero 1 en el conjunto de los reales (R) y se denota por la letra I.
Es decir:
A
nk
I
kk
=
_

_
a
11
a
12
. . . a
1k
a
21
a
22
. . . a
2k
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nk
_

_
_

_
1
11
0 . . . 0
0 1
22
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
kk
_

_
= A
nk
I
1
kk
=
_

_
1
11
0 . . . 0
0 1
22
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
kk
_

_
1
= I
kk
b) Matriz diagonal.
Es aquella matriz cuadrada cuyos elementos son ceros salvo aquellos que
pertenecen a la diagonal. Por ejemplo, la matriz identidad es una matriz
diagonal.
c) Matriz triangular.
Es aquella matriz cuadrada cuyos elementos bajo o sobre la diagonal son
ceros. Se le denomina matriz triangular superior si los elementos bajo la
diagonal principal son ceros y se le denomina matriz triangular inferior si
los elementos sobre la diagonal principal son ceros.
Junto con las operaciones bsicas existen otras operaciones que se pueden
realizar con las matrices. Las ms utilizadas son las siguientes.
4 Captulo 1
La transpuesta de una matriz A, que se denota A

, implica transformar cada

la de sta en una columna con el n de obtener una nueva matriz. Por ejemplo:
A =
_

_
1 3
2 4
5 16
_

_
A

1 2 5
3 4 16

Algunas propiedades de la transposicin de matrices son las siguientes:

(A

= A
A

= A (matriz simtrica)
(A+B)

= A

+B

(AB)

= B

La potencia de una matriz cuadrada implica multiplicar dicha matriz k

veces por s misma. Por ejemplo, A
3
= AAA. Adicionalmente, se le denomina
matriz idempotente a aquella que cumple la siguiente condicin: A
2
= AA = A
La traza de una matriz cuadrada es el resultado de sumar todos los elemen-
tos que componen su diagonal principal. Es decir, la traza de la matriz A de di-
mensin nn est dada por tr(A) = a
11
+a
22
+a
33
+. . .+a
nn
. Algunas propiedades
de la traza son las siguientes:
tr(A+B) = tr(A) +tr(B)
tr(A) = tr(A)
tr(A

) = tr(A)
tr(ABCD) = tr(BCDA) = tr(CDAB) = tr(DABC)
El determinante de una matriz cuadrada, que se denota |A|, es el escalar
resultante tras la aplicacin de la frmula del determinante, la cual depende de
la dimensin de la matriz:
Si A es de dimensin 2 2, entonces: |A| = a
11
a
22
a
12
a
21
Si A es de dimensin nn, donde n > 2, entonces: |A| =

n
j=1
(1)
1+j
a
1j
|A
1j
|.
Donde A
1j
es la matriz resultante de borrar la primera la y la j-sima
columna de A.
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 5
Si el determinante de la matriz A es igual a cero, entonces se dice que A es
una matriz singular.
La adjunta de una matriz cuadrada, denotada adj(A), es aquella matriz B
cuyo elemento b
ij
est dado por la siguiente expresin: b
ij
= (1)
i+j
|A
ji
|. Donde
A
ji
es la matriz resultante de borrar la la j y la columna i de A.
La inversa de una matriz cuadrada, denotada A
1
, se calcula dividiendo
su matriz adjunta por el determinante. Es decir: A
1
=
1
|A|
adj(A). Si el determi-
nante de la matriz es distinto de cero, entonces existe su inversa y se le denom-
ina matriz no singular.
El rango de una matriz se reere al nmero de las (o columnas) que son
linealmente independientes entre s. Una la (columna) es linealmente inde-
pendiente si no representa una combinacin lineal de las restantes las (colum-
nas) que conforman la matriz. Dado esto, considere los siguientes ejemplos:
A =

1 2
3 6

=rango(A) = 1 B =
_

_
2 2 17
4 3 19
6 5 23
_

_
=rango(B) = 3
Los valores propios (eigen-valores) de una matriz, denotados por
i
, son
aquellos que satisfacen la siguiente condicin: |AI
n
| = 0. Los vectores propios
(eigen-vectores) x asociados a cada valor propio,
i
, son aquellos que satisfacen
la condicin: A x
i
=
i
x
i
. Cabe sealar que se acostumbra normalizar los
vectores propios a la unidad.
Adicionalmente, si agrupamos los k valores propios de A en una matriz
diagonal y todos los vectores propios x
i
asociados en una matriz T, entonces
podemos escribir nuestro sistema de la siguiente forma: AT = T . Es decir:
_

_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
n1
. . . a
nn
_

_
_

_
x
11
. . . x
1k
.
.
.
.
.
.
.
.
.
x
n1
. . . x
nk
_

_
=
_

_
x
11
. . . x
1k
.
.
.
.
.
.
.
.
.
x
n1
. . . x
nk
_

_
_

1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . .
k
_

_
Lo anterior nos permite descomponer toda matriz cuadrada A en funcin de
sus valores propios y vectores propios de la siguiente forma: A = T T
1
.
Una de las ventajas de la operatoria de matrices es la simplicidad con la
cual se puede expresar y resolver un sistema de ecuaciones. Por ejemplo, con-
sidere el siguiente sistema de ecuaciones conformado por tres ecuaciones y tres
incognitas a resolver:
x
1
+4x
2
= 15 (1.6)
20x
2
x
3
= 24 (1.7)
6x
1
10x
2
8x
3
= 2 (1.8)
6 Captulo 1
El cual puede ser escrito matricialmente de la siguiente forma:
_

_
1 4 0
0 20 1
6 10 8
_

_
x
1
x
2
x
3
_

_
=
_

_
15
24
2
_

_
A
33
X
31
= B
31
(1.9)
Por lo tanto, para resolver el sistema de ecuaciones anterior debemos pre-
multiplicar ambos lados de la igualdad por la matriz inversa de A. Es decir:
A
1
AX = A
1
B I X = A
1
B X = A
1
B (1.10)
Dado que la inversa de la matriz A est dada por:
A
1
=
_

_
0,8763 0,1649 0,0206
0,0309 0,0412 0,0052
0,6186 0,1753 0,1031
_

_
Por ende, es posible obtener los valores del vector columna X a travs de la
siguiente expresin:
X = A
1
B =
_

_
0,8763 0,1649 0,0206
0,0309 0,0412 0,0052
0,6186 0,1753 0,1031
_

_
_

_
15
24
2
_

_
Entonces la solucin del sistema es: x
1
= 9,2268, x
2
= 1,4433 y x
3
= 4,8660.
Un sistema de ecuaciones archiconocido es el modelo IS-LM, por ejemplo,
el modelo IS sin gobierno puede ser representado por las siguientes relaciones
para la funcin consumo, la funcin inversin y el equilibrio agregado, respec-
tivamente:
C
t
= a
0
+a
1
Y
t
a
2
i
t
(1.11)
I
t
= b
0
b
1
i
t
(1.12)
Y
t
= C
t
+I
t
(1.13)
Si asumimos que la tasa de inters est dada (i.e., es una variable exgena),
entonces podemos escribir matricialmente el modelo IS de la siguiente forma:
_

_
1 0 a
1
0 1 0
1 1 1
_

_
C
t
I
t
Y
t
_

X
=
_

_
(a
0
a
2
i
t
)
(b
0
b
1
i
t
)
0
_

B
(1.14)
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 7
Por lo tanto, la solucin de los niveles de consumo (C
t
), inversin (I
t
) e in-
greso (Y
t
) de equilibrio se obtendrn tras resolver lo siguiente:
_

_
C
t
I
t
Y
t
_

_
=
_

_
1 0 a
1
0 1 0
1 1 1
_

_
1

_
(a
0
a
2
i
t
)
(b
0
b
1
i
t
)
0
_

_
(1.15)
Con el n de aclarar los conceptos anteriores considere la siguiente matriz:
A =

2 5
3 10

La transpuesta de A es: A

2 3
5 10

La traza de A es: tr(A) = 2 +10 = 12.

El determinante de A es: det(A) = 2 10 3 5 = 20 15 = 5.
La adjunta de A se construye calculando sus elementos de la siguiente for-
ma:
b
11
= (1)
1+1
|A
11
| = (1)
2
10 = 10 b
12
= (1)
1+2
|A
21
| = (1)
3
5 = 5
b
21
= (1)
2+1
|A
12
| = (1)
3
3 = 3 b
22
= (1)
2+2
|A
22
| = (1)
4
2 = 2
Por lo tanto, la matriz adjunta de A est dada por: B = adj(A) =

10 5
3 2

.
La matriz inversa de A, usando la denicin anterior, se calcula de la sigu-
iente forma:
A
1
=
1
|A|
adj(A) =
1
5

10 5
3 2

10/5 5/5
3/5 2/5

2 1
0,6 0,4

Los valores propios de A se pueden obtener aplicando la denicin anteri-

ormente expuesta. Es decir, se debe comprobar la siguiente ecuacin:
|AI
n
| = 0

2 5
3 10

1 0
0 1

2 5
3 10

= 0
|AI
n
| = (2 ) (10 ) 5 3 = 0
2
12+5 = 0
Si utilizamos la frmula para las races de un polinomio, entonces: =
b

b
2
4ac
2a
. Es decir:
=
12

12
2
4 5
2
= 6
1
2

124 = 6

31
8 Captulo 1
Por lo tanto, los valores propios de la matriz A son
1
= 11,5678 y
2
=
0,43224.
Para obtener los vectores propios normalizados se debe aplicar el proceso ya
denido para cada valor propio. En concreto, para el valor propio
1
= 11,5678
se debe cumplir lo siguiente: Ax =
1
x. Es decir:

2 5
3 10

x
1
x
2

= 11,5678

x
1
x
2

Lo cual se traduce en el siguiente sistema de ecuaciones:

2x
1
+5x
2
= 11,6x
1
3x
1
+10x
2
= 11,6x
2
Cuya solucin es: x
2
= 1,9136x
1
. La normalizacin implica darle valor ar-
bitrario de 1 a x
1
y evaluarlo en x
2
. Por lo tanto, el vector propio asociado al
primer valor propio es:

x
1
x
2

1
1,9136

Para el segundo valor propio

2
= 0,43224 se debe cumplir lo siguiente:
Ay =
2
y. Es decir:

2 5
3 10

y
1
y
2

= 0,43224

y
1
y
2

Esto se traduce en el siguiente sistema de ecuaciones:

2y
1
+5y
2
= 0,43224y
1
3y
1
+10y
2
= 0,43224y
2
Cuya solucin es: y
2
= 0,31355y
1
. De igual forma, la normalizacin implica
darle valor arbitrario de 1 a y
1
y evaluarlo en y
2
. Por lo tanto, el vector propio
asociado al segundo valor propio es:

y
1
y
2

1
0,31355

Finalmente, la matriz A puede ser escrita utilizando la descomposicin ya

denida:
A = T T
1

2 5
3 10

1 1
1,91 0,31

11,57 0
0 0,43

1 1
1,91 0,31

1
Lo anterior puede ser corroborado en GNU Octave utilizando la siguiente
secuencia de comandos:
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 9
A=[2 5; 3 10]; %% Define la matriz A a utilizar
B=A; %% Calcula transpuesta de A
trace(A); %% Calcula la traza de A
det(A); %% Calcula el determinante de A
C=inv(A); %% Calcula la inversa de A
rank(A) %% Calcula el rango de A
[X,L] = eig(A); %% Calcula vectores y valores propios
X
*
L
*
inv(X); %% Corrobora descomposicion matriz A
Adicionalmente, el lector puede practicar lo anteriormente expuesto con
una matriz de dimensin 3 3 de su eleccin.
1.2. Clculo diferencial
Se dice que una funcin f (x) es continua en x = x
0
si f (x
0
) es nito y si para
cualquier > 0 existe un > 0 tal que |f (x) f (x
0
)| < cualquiera sea |xx
0
| < .
La derivada de la funcin f (x) con respecto a x se dene por el siguiente
lmite, si es que ste existe:
f
x
= lm
0
f (x +) f (x)

(1.16)
Dado lo anterior, la primera derivada de la funcin f (x) = x

con respecto a
x se puede generalizar por la siguiente expresin:
f
x
= x
1
(1.17)
Adicionalmente, la primera derivada puede denotarse como f
x
, o bien, f

.
Para funciones trigonomtricas, las derivadas ms comunes son las sigu-
ientes:
sen(x)
x
= cos(x) (1.18)
cos(x)
x
= sen(x) (1.19)
Por otra parte, existen reglas adicionales para derivar funciones. Suponga
que las funciones f (x) y g(x) son continuas, entonces es posible aplicar las sigu-
ientes reglas:
10 Captulo 1
Regla del producto:
[f (x)g(x)]
x
= g(x)
f (x)
x
+f (x)
g(x)
x
= g(x)f

+f (x)g

Regla de la divisin:
[f (x)/g(x)]
x
=
g(x)
f (x)
x
f (x)
g(x)
x
(g(x))
2
=
g(x)f

f (x)g

g(x)
2
Regla de la cadena: Si h(x) = g[f (x)], entonces
h(x)
x
=
g
f
f
x
Si derivamos una funcin de manera reiterada obtenemos derivadas de or-
den superior. Esto implica que la segunda derivada, denotada por f

, est dada
por:
f

=

2
f (x)
x
2
=

x

f (x)
x

Del mismo modo, la tercera derivada, la cual puede denotarse por f

, obe-
dece a la siguiente expresin:
f

=

3
f (x)
x
3
=

x

2
f (x)
x
2

Si generalizamos lo anterior, la n-sima derivada se obtiene a partir de lo

que sigue:

n
f (x)
x
n
=

x

n1
f (x)
x
n1

El concepto anterior puede ser aplicado a una funcin que posea n argu-
mentos, cuyo dominio sea R
n
y recorrido sea R. Formalmente:
y = f (x
1
, x
2
, . . . , x
n
) : R
n
R (1.20)
Por lo tanto, podemos denir derivadas parciales con respecto a cada una de
las variables incluidas en la funcin f (). Es decir, si derivamos la funcin con
respecto a x
1
se obtiene:
y
x
1
=
f
x
1
= f
1
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 11
Si la misma funcin se deriva con respecto a x
2
:
y
x
2
=
f
x
2
= f
2
Si se deriva la funcin con respecto a su n-sima variable, x
n
:
y
x
n
=
f
x
n
= f
n
Si las derivadas parciales anteriores son agrupadas en un vector columna,
entonces se obtiene el denominado gradiente de la funcin f , denotado por :

n1

_

_
f
x
1
f
x
2
.
.
.
f
x
n
_

_
(1.21)
Por otra parte, las derivadas de segundo orden se denen por la siguiente
expresin:

2
f (x
1
, x
2
, . . . , x
n
)
x
i
x
j
=

x
i

f (x
1
, x
2
, . . . , x
n
)
x
j

= f
ij
(1.22)
Por ejemplo, la segunda derivada para la primera variable estara dada por
el siguiente conjunto de derivadas de segundo orden:
f
11
=

2
f ()
x
1
x
1
=

2
f ()
x
2
1
f
12
=

2
f ()
x
1
x
2
. . . f
1n
=

2
f ()
x
1
x
n
(1.23)
De igual modo, la segunda derivada para la segunda variable estara dada
por el siguiente conjunto de derivadas de segundo orden:
f
21
=

2
f ()
x
2
x
1
f
22
=

2
f ()
x
2
x
2
=

2
f ()
x
2
2
. . . f
2n
=

2
f ()
x
2
x
n
(1.24)
Si se replica el proceso anterior hasta la n-sima variable, se obtendra lo
siguiente:
f
n1
=

2
f ()
x
n
x
1
f
n2
=

2
f ()
x
n
x
2
. . . f
nn
=

2
f ()
x
n
x
n
=

2
f ()
x
2
n
(1.25)
12 Captulo 1
De igual forma, las derivadas parciales de segundo orden pueden ser agru-
padas en una matriz H de dimensin n n denominada matriz Hessiana. Esto
implica lo siguiente:
H =
_

2
f ()
x
2
1

2
f ()
x
1
x
2
. . .

2
f ()
x
1
x
n

2
f ()
x
2
x
1

2
f ()
x
2
2
. . .

2
f ()
x
2
x
n
.
.
.
.
.
.
.
.
.

2
f ()
x
n
x
1

2
f ()
x
n
x
2
. . .

2
f ()
x
2
n
_

_
(1.26)
Por otra parte, un conjunto de k funciones n dimensionales pueden ser agru-
padas en un vector-funcin de dimensin k 1 de la siguiente forma:
f (x)
k1
=
_

_
f
1
(x
1
, x
2
, . . . , x
n
)
f
2
(x
1
, x
2
, . . . , x
n
)
.
.
.
f
k
(x
1
, x
2
, . . . , x
n
)
_

_
=
_

_
f
1
(x)
f
2
(x)
.
.
.
f
k
(x)
_

_
(1.27)
Si las derivadas parciales de cada una de estas k funciones respecto a cada
una de las n variables existen, entonces pueden ser agrupadas en una matriz J
de dimensin k n denominada matriz Jacobiana. Es decir:
J =
_

_
f
1
()
x
1
f
1
()
x
2
. . .
f
1
()
x
n
f
2
()
x
1
f
2
()
x
2
. . .
f
2
()
x
n
.
.
.
.
.
. . . .
.
.
.
f
k
()
x
1
f
k
()
x
2
. . .
f
k
()
x
n
_

_
(1.28)
Las derivadas de una funcin nos permiten obtener una aproximacin de
sta ltima cuando no es completamente observada. La herramienta matemti-
ca que nos permite realizar esto es la expansin de la serie de Taylor. Suponga
que la funcin f que posee n argumentos y cuyo recorrido son los nmeros
reales, es decir, f (x
1
, x
2
, . . . , x
n
) : R
n
R, y si sus segundas derivadas existen,
entonces puede ser aproximada alrededor del valor x a travs de una expan-
sin de Taylor de primer orden usando la siguiente denicin:
f (x) f ( x) +(x x)
f ()
x

x= x
+
1
(1.29)
Donde
1
es un trmino que converge a cero, o bien, es despreciable.
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 13
Si las terceras derivadas de la funcin f () existen, entonces puede ser aprox-
imada alrededor del valor x a travs de una expansin de Taylor de segundo
orden usando la siguiente expresin:
f (x) f ( x) +(x x)
f ()
x

x= x
+
1
2!
(x x)
2

2
f ()
xx

x= x
+
2
(1.30)
Donde
2
es un trmino que converge a cero, o bien, es despreciable.
Si las derivadas de orden (j + 1) de la funcin f () existen, entonces puede
ser aproximada alrededor del valor x a travs de una expansin de Taylor de
orden j usando la siguiente expresin:
f (x)
j

m=0
1
m!
(x x)
m

m
f ()
x
m

x= x
+
j
(1.31)
Donde, al igual que antes,
j
es un trmino que converge a cero, o bien, es
despreciable.
1.3. Integracin de funciones
La contraparte de la derivacin es la integracin, la cual considera la deni-
cin desarrollada por el matemtico alemn Bernhard Riemann
2
. La integral
nos permite recuperar una funcin f (x) a partir de su primera derivada, es de-
cir, si g(x) =
f
x
entonces:
f (x) =

g(t)dt =

f
x
dt (1.32)
A partir de los tpicos anteriores sabemos que la primera derivada de una
funcin f (x) = x

est dada por

f
x
= x
1
. Entonces, podemos generalizar la
solucin de la integral para toda funcin univariada f () por la siguiente expre-
sin:

f
x
dt =

dt =

+1

x
+1
+C (1.33)
Donde C es la constante de integracin, la cual puede estar incluida en la
funcin f (x) dado que la derivada de una constante es igual a cero. Por ejemplo,
2
Para un desarrollo ms riguroso del concepto de integral vase Trench (2009, Cap. 3).
14 Captulo 1
si f (x) = 15 +4x
3
, entonces la primera derivada de f (x) est dada por:
f
x
= 12x
2
(1.34)
Si no conociramos la funcin f (x) y slo tuviramos acceso a su primera
derivada, entonces podramos recuperarla integrando esta ltima. Es decir:
f (x) =

12x
2
dx =

12
2 +1

x
2+1
+C = 4x
3
+C (1.35)
Para determinar el valor de la constante C se requiere contar con infor-
macin adicional respecto de la funcin f (x). Por ejemplo, si sabemos que
f (0) = 15, entonces podemos utilizar el resultado de nuestra integral anterior
para obtener el valor de C de la siguiente forma:
f (0) = 15 f (0) = 4 (0)
3
+C = 15 C = 15 (1.36)
La aplicacin ms conocida de la integral es el clculo del rea bajo una
curva. Suponga que desea calcular el rea bajo la funcin f (x) en el intervalo
[a, b], entonces esto implica realizar la siguiente operacin:

b
a
f (x)dx (1.37)
Donde los valores a y b representan los lmites de integracin. Si una integral
incorpora los lmites de integracin entonces se le denomina integral denida,
si, por el contrario, los omite, entonces se le denomina integral indenida.
Como contraparte, si consideramos una funcin continua que posee dos ar-
gumentos, f (x, y), entonces la doble integracin de esta funcin nos permite
obtener una medida de volumen. Es decir:

d
c

b
a
f (x, y)dxdy (1.38)
Donde los valores a y b representan los lmites de integracin para la
primera integral (i.e., con respecto a x), y los valores c y d representan los lmites
de integracin de la segunda integral (i.e., con respecto a y).
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 15
1.4. Optimizacin y programacin lineal
La optimizacin de funciones implica, en palabras simples, la determi-
nacin de los valores extremos que puede alcanzar una funcin evaluada en un
determinado conjunto de argumentos. Es decir, la optimizacin se asocia al (o
los) valor(es) mximo(s) y mnimo(s) que puede alcanzar una funcin continua.
Si una funcin continua est denida en los reales (R), entonces la bsqueda
de su valor ptimo mximo f (x

) se expresa formalmente de la siguiente forma:

m ax
{x}
f (x) (1.39)
Donde x es la variable de decisin y f () es la funcin a optimizar. El valor
ptimo de x asociado al mximo, denotado por x

, es aquel que satisface las

siguientes dos condiciones:
f
x
= 0 (1.40)

2
f
x
2
< 0 (1.41)
Donde la expresin (1.40) es la denominada Condicin Necesaria de Primer
Orden (CNPO) y la expresin (1.41) es la denominada Condicin Suciente de
Segundo Orden (CSSO).
Adicionalmente, la determinacin del valor ptimo x

puede implicar la
obtencin de un mximo global o de un mximo local. Se tratar de un mximo
global si el valor ptimo de x

es aplicable para todo el dominio de la funcin.

Por el contrario, si se establece cierta restriccin al valor de x (i.e., se restringe su
dominio) entonces el valor ptimo x

se tratar de un mximo local. De acuerdo

a esto, todo mximo global siempre ser un mximo local, pero no todo mximo
local ser un mximo global.
Por otra parte, la bsqueda del valor ptimo mnimo f (x

) de la funcin
continua f (x) se expresa formalmente de la siguiente forma:
mn
{x}
f (x) (1.42)
El valor ptimo de x asociado al mnimo de la funcin, denotado por x

, es
aquel que satisface las siguientes dos condiciones:
f
x
= 0 (1.43)

2
f
x
2
> 0 (1.44)
16 Captulo 1
Por ejemplo, suponga que f (x) = 12 70x x
2
. Si aplicamos la condicin
necesaria de primer orden obtenemos:
f (x)
x
= 0 =70 2x = 0 x

= 35 (1.45)
Para saber si x

= 35 se trata de un mximo o de un mnimo debemos

aplicar la condicin suciente de segundo orden:

2
f
x
2
=
(70 2x)
x
= 2 < 0 (1.46)
Por lo tanto, x

= 35 es el mximo global de f (x) ya que no hemos impuesto

ninguna restriccin respecto del valor de x. La gura 1.1 captura la forma de la
funcin considerada en el ejemplo.
Para una funcin continua de n variables, f (x
1
, x
2
, . . . , x
n
), la obtencin de
los puntos crticos es similar a lo anteriormente expuesto, pero considerando
la n-dimensionalidad del problema. En este caso, la CNPO implica igualar el
gradiente a cero:
= 0
_

_
f
x
1
f
x
2
.
.
.
f
x
n
_

_
= 0 (1.47)
La solucin de este sistema de ecuaciones implica encontrar los puntos crti-
cos x

1
, x

2
, . . . , x

n
. Una vez determinados, se procede a evaluar la CSSO, lo cual
implica construir el Hessiano asociado a la funcin f (). Luego de evaluar el
Hessiano en los puntos crticos obtenidos se procede a calcular el determinante
de cada uno de los menores. Sobre esta base, los criterios de decisin son los
siguientes:
Si |H
i
| > 0, i = 1, . . . , n, entonces el punto crtico es un mnimo.
Si |H
1
| < 0, |H
2
| > 0, |H
3
| < 0, . . . , |H
n
| > 0, con n par, entonces el punto
crtico es un mximo.
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 17
Figura 1.1: Forma funcional de f (x) = 12 70x x
2
Por otra parte, la programacin lineal (control ptimo) se reere a la tc-
nica matemtica empleada en la solucin de problemas de optimizacin que
incluyen restricciones lineales. Un problema de control ptimo luce de la sigu-
iente forma:
m ax
{x
1
,x
2
,...,x
n
}
f (x
1
, x
2
, . . . , x
n
) (1.48)
sujeto a: g
1
(x
1
, x
2
, . . . , x
n
) b
1
g
2
(x
1
, x
2
, . . . , x
n
) b
2
.
.
.
g
k
(x
1
, x
2
, . . . , x
n
) b
k
x
1
0; x
2
0; . . . ; x
n
0
Donde f () es la funcin a optimizar y g
i
() son las k restricciones lineales
que debe satisfacer este proceso de optimizacin.
Si las k restricciones se satisfacen con igualdad (i.e., son activas o binding)
y las restricciones sobre las variables x son de desigualdad estricta, entonces
podemos resolver el problema anterior a travs de la utilizacin de los mul-
tiplicadores de Lagrange, lo cual implica construir la funcin de Lagrange o
18 Captulo 1
Lagrangeano de la siguiente forma:
m ax
{x,}
L = f (x
1
, x
2
, . . . , x
n
) +
k

i=1

i
[b
i
g
i
(x
1
, x
2
, . . . , x
n
)] (1.49)
sujeto a: x
1
> 0; x
2
> 0; . . . ; x
n
> 0
Por lo tanto, los puntos crticos del problema, (x

), se obtienen al resolver
las siguientes CNPO
3
:
L
x
1
= 0 =
f
x
1

1
g
1
x
1

2
g
2
x
1
. . .
k
g
k
x
1
= 0
L
x
2
= 0 =
f
x
2

1
g
1
x
2

2
g
2
x
2
. . .
k
g
k
x
2
= 0
.
.
.
L
x
n
= 0 =
f
x
n

1
g
1
x
n

2
g
2
x
n
. . .
k
g
k
x
n
= 0
L

1
= 0 = g
1
(x
1
, x
2
, . . . , x
n
) b
1
= 0
L

2
= 0 = g
2
(x
1
, x
2
, . . . , x
n
) b
2
= 0
.
.
.
.
.
.
L

k
= 0 = g
k
(x
1
, x
2
, . . . , x
n
) b
k
= 0
Las CSSO implican construir la matriz Hessiana orlada (o Hessiano orlado)
3
Si las k restricciones implicaran desigualdad, entonces en dicho caso se deben utilizar las condi-
ciones de Kuhn-Tucker para obtener los puntos crticos.
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 19
de la siguiente forma:
H=
_

2
L

1
. . .

2
L

2
L

1
x
1
. . .

2
L

1
x
n

2
L

1
. . .

2
L

2
L

2
x
1
. . .

2
L

2
x
n
.
.
. . . . . . .
.
.
.

2
L

1
. . .

2
L

2
L

k
x
1
. . .

2
L

k
x
n

2
L
x
1

1
. . .

2
L
x
1

2
L
x
1
x
1
. . .

2
L
x
1
x
n

2
L
x
2

1
. . .

2
L
x
2

2
L
x
2
x
1
. . .

2
L
x
2
x
n
.
.
. . . . . . .
.
.
.

2
L
x
n

1
. . .

2
L
x
n

2
L
x
n
x
1
. . .

2
L
x
n
x
n
_

_
(1.50)
Dadas las caractersticas del Lagrangeano, de sus multiplicadores, de la fun-
cin a optimizar y de sus restricciones, entonces la matriz H tiene la siguiente
forma operativa:
H=
_

_
0 . . . 0
g
1
x
1
. . .
g
1
x
n
.
.
.
.
.
.
.
.
.
.
.
. . . .
.
.
.
0 . . . 0
g
k
x
1
. . .
g
k
x
n
g
1
x
1
. . .
g
k
x
1

2
f ()
x
1
x
1
. . .

2
f ()
x
1
x
n
.
.
. . . .
.
.
.
.
.
. . . .
.
.
.
g
1
x
n
. . .
g
k
x
n

2
f ()
x
n
x
1
. . .

2
f ()
x
n
x
n
_

_
(1.51)
Donde la dimensin del Hessiano orlado es (n +k) (n +k). Si evaluamos el
Hessiano orlado en los puntos crticos (x

), entonces sabremos si se trata de

un mximo o de un mnimo de acuerdo a las siguientes condiciones:
(x

) es un mximo local si los determinantes de los menores |H

i
|, donde
i = 1, 2, . . . , n +k, son de signo alternado comenzando en (1)
(k+1)
;
(x

) es un mnimo local si los determinantes de los menores |H

i
|, donde
i = 1, 2, . . . , n +k, poseen el mismo signo de acuerdo a (1)
k
.
La aplicacin clsica de control ptimo en economa es la determinacin de
las funciones de demanda a partir de la maximizacin del bienestar del con-
sumidor representativo sujeto al presupuesto disponible (i.e., demandas Mar-
shallianas), o bien, de la minimizacin del presupuesto necesario para alcanzar
20 Captulo 1
un determinado nivel de bienestar (i.e., obtencin de demandas Hicksianas). El
primer problema implica lo siguiente:
m ax
{x
1
,x
2
}
u(x
1
, x
2
)
s.a.: m = p
1
x
1
+p
2
x
2
(1.52)
x
1
> 0, x
2
> 0
Para resolver el problema debemos construir el Lagrangeano, el cual luce de
la siguiente forma:
m ax
{x
1
,x
2
}
L = u(x
1
, x
2
) + (mp
1
x
1
p
2
x
2
) (1.53)
Las CNPO que se desprenden del problema anterior son las siguientes:
L
x
1
=
u(x
1
, x
2
)
x
1
p
1
= 0 (1.54)
L
x
2
=
u(x
1
, x
2
)
x
2
p
2
= 0 (1.55)
L

= mp
1
x
1
p
2
x
2
= 0 (1.56)
Dado que n = 2 y k = 1 entonces el Hessiano orlado tiene la siguiente forma:
H=
_

_
0 p
1
p
2
p
1

2
u()
x
1
x
1

2
u()
x
1
x
2
p
2

2
u()
x
2
x
1

2
u()
x
2
x
2
_

_
=
_

_
0 p
1
p
2
p
1
u
11
u
12
p
2
u
21
u
22
_

_
(1.57)
Si evaluamos el Hessiano orlado en los puntos crticos, entonces podemos
cuanticar sus menores principales:
|H
1
| = 0
|H
2
| = p
2
1
< 0
|H
3
| = 2p
1
p
2
u
12
p
2
1
u
22
p
2
2
u
11
> 0
Dado que los signos de los determinantes de los menores son alternados y
comienzan en (1)
(k+1)
, entonces el punto crtico determinado es un mximo.
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 21
1.5. Estadstica y probabilidades
Una variable X se dice que es aleatoria, o estocstica, si su valor es un re-
sultado incierto, es decir, dicho valor posee cierta probabilidad de ocurrencia.
Por lo tanto, la probabilidad que la variable X tome un valor x determinado se
denotar de la siguiente forma:
P(X = x) (1.58)
Diremos que una variable aleatoria es discreta si slo puede tomar uno de
M valores particulares. Diremos que una variable aleatoria es continua si el
conjunto de valores posibles es un conjunto innitamente divisible.
La relacin existente entre los valores posibles de la variable aleatoria X y
su correspondiente probabilidad es capturada por la distribucin de probabil-
idad, denotada f (x). Para una variable aleatoria discreta, la probabilidad que X
tome el valor x est dada por:
P(X = x) = f (x) (1.59)
Para una variable aleatoria continua, la probabilidad de un valor en partic-
ular es cero, por lo cual, la probabilidad se dene en intervalos pertenecientes
al conjunto de valores posibles de X. En este caso continuo, la funcin de den-
sidad es la que captura la relacin entre el rango de X y las probabilidades
asociadas. Por lo tanto, la probabilidad que X se encuentre en el intervalo [a, b],
es decir, que sea mayor que a pero menor que b, est dada por:
P(a X b) =

b
a
f (x)dx (1.60)
Adicionalmente, la distribucin de probabilidad debe cumplir las siguientes
propiedades:
0 P(X = x) 1

M
x=1
f (x) = 1
De igual forma, la funcin de densidad debe cumplir las siguientes
propiedades:

b
a
f (x)dx 0

f (x)dx = 1
22 Captulo 1
La probabilidad que una variable aleatoria tome un valor menor o igual que
a es determinada por la funcin de distribucin acumulada, F(x). Para el caso
discreto y continuo, la funcin de distribucin acumulada implica lo siguiente:
F(x) = Prob(X x) =

Xx
f (X) (caso discreto)
F(x) = Prob(X x) =

f (s)ds (caso continuo)

Adicionalmente, la funcin de distribucin acumulada cumple las sigu-
ientes caractersticas:
0 F(x) 1
Si x > y, entonces F(x) F(y)
F() = 1 y F() = 0
P(a X b) = F(b) F(a)
Por otra parte, es posible relacionar dos variables aleatorias X e Y a travs
de una funcin de densidad conjunta, f (x, y). De esta forma, la probabilidad
que X sea menor que a y que a la vez la variable Y sea menor que b se obtiene
de la siguiente forma:
P(X a, Y b) =

f (x, y) dy dx (1.61)
Lo cual se interpreta como la funcin de probabilidad acumulada conjun-
ta, F(x, y). Si adems queremos obtener nicamente la funcin de densidad de
la variable aleatoria X independiente del valor de Y, entonces debemos realizar
el siguiente clculo:
P(X a, Y) =

f (x, y) dy

dx (1.62)
Donde el trmino entre parntesis al interior de la integral es la denominada
funcin de densidad marginal de X, f
x
(x, y). De igual forma, podemos obtener
la funcin de densidad marginal de Y:
f
y
(x, y) =

f (x, y) dx (1.63)
Por otra parte, si queremos conocer la probabilidad que X tome algn valor
condicional a que Y tome algn otro, entonces debemos construir la funcin de
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 23
densidad condicional, f (x|Y). Esta funcin se dene como el cuociente entre la
funcin de densidad conjunta y la funcin de densidad marginal de la variable
que se condiciona. Es decir, la funcin de densidad de X condicional a Y est
dada por la siguiente expresin:
f (x|Y) =
f (x, y)
f
y
(x, y)
(1.64)
De igual forma, la funcin de densidad de Y condicional a X est dada por
la siguiente expresin:
f (y|X) =
f (x, y)
f
x
(x, y)
(1.65)
Si las variables X e Y son independientes, entonces la funcin de densidad
condicional es igual a su funcin de densidad marginal. Por lo tanto, la funcin
de densidad conjunta est dada por el producto de las funciones de densidad
marginal. Esto es:
f (y|X) = f
y
(x, y) =
f (x, y)
f
x
(x, y)
=f (x, y) = f
x
(x, y) f
y
(x, y) (1.66)
A partir de los conceptos anteriores, es posible denir los momentos asoci-
ados a la variable aleatoria X. El primer momento es la denominada Esperanza
(o media de una variable aleatoria), E[X], cuya denicin es la siguiente:
E[X] =
M

i=1
x
i
f (x
i
) = (si X es discreta) (1.67)
E[X] =

x f (x) dx = (si X es continua) (1.68)

De igual forma podemos denir la esperanza condicional como sigue:
E[X|Y] =

x f (x|Y) dx =

x
f (x, y)
f
y
(x, y)
dx (1.69)
El segundo momento se compone de las covarianzas, donde primeramente
denimos la varianza (
2
) a travs de la siguiente expresin:
Var[X] = E[(X )
2
] =
2
(1.70)
Si desarrollamos la expresin anterior, entonces es posible arribar a una
denicin alternativa para la varianza:
Var[X] = E[X
2
] (E[X])
2
=
2
= E[X
2
]
2
(1.71)
24 Captulo 1
Para el caso discreto y continuo la varianza se dene de la siguiente forma:
Var[X] =
M

i=1
(x
i
)
2
f (x
i
) (si X es discreta) (1.72)
Var[X] =

(x )
2
f (x)dx (si X es continua) (1.73)
Por su parte, la covarianza entre X e Y se dene de la siguiente forma:
Cov[X, Y] = E[(X
x
)(Y
y
)] (1.74)
De igual forma, si desarrollamos la expresin anterior, entonces es posible
arribar a una denicin alternativa para la covarianza:
Cov[X, Y] = E[XY] E[X]E[Y] = E[XY]
x

y
(1.75)
Si las variables aleatorias son discretas o continuas, entonces la covarianza
entre ellas se calcula a travs de las siguientes expresiones:
Cov[X, Y] =
M

i=1
N

j=1
(x
i

x
)(y
j

y
)f (x
i
, y
j
) (discretas) (1.76)
Cov[X, Y] =

(x
x
)(y
y
)f (x, y) dy dx (continuas) (1.77)
Momentos superiores de la distribucin de probabilidad son la asimetra
(sk) y la curtosis () denidas como:
sk[X] = E[(X )
3
] (1.78)
[X] = E[(X )
4
] (1.79)
Si sk = 0, entonces la distribucin de probabilidad de la variable aleatoria X
es simtrica. Por otra parte, mientras mayor sea el valor de entonces menor
ser la concentracin de densidad de probabilidad en las colas de la distribucin
(i.e., colas ms delgadas).
Algunas distribuciones de probabilidad ms conocidas son las siguientes:
a) Distribucin Normal.
La variable X se distribuye normal con media y varianza
2
si la funcin
de distribucin de probabilidad posee la siguiente forma:
f (x) =
1

2
2
exp

(x )
2
2
2

Lo cual se denota como: X N(,

2
).
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 25
b) Distribucin Normal Estndar.
Si la variable X se distribuye normal y su media es cero y su varianza
es uno, entonces decimos que se distribuye normal estndar, lo cual se
denota como X N(0, 1) Por lo tanto, su funcin de distribucin de prob-
abilidad posee la siguiente forma:
f (x) =
1

2
exp

x
2
2

c) Distribucin Chi-cuadrado.
Considere n variables independientes e idnticamente distribuidas (iid)
normal estndar. La suma de estas n variables al cuadrado, que denom-
inamos Y = X
2
1
+ X
2
2
+ . . . + X
2
n
, se distribuye Chi-cuadrado con n grados
de libertad. Esto se denota como: Y
2
(n)
. En este caso, la funcin de
distribucin de probabilidad luce de la siguiente forma:
f (x|n) =
x
(n2)/2
2
n/2

exp[x/2]
(n/2)
Donde () es la funcin Gamma
d) Distribucin t-student.
Considere dos variables aleatorias independientes, X e Y, donde X
N(0, 1) e Y
2
(n)
. Entonces se dice que la variable Z =
X

Y/n
se distribuye
t con n grados de libertad, lo cual se denota Z t(n). La funcin de dis-
tribucin de probabilidad luce as:
f (x|n) =

n+1
2

n
2

1

1 +
x
2
n

(
n+1
2
)
e) Distribucin F. Considere dos variables aleatorias independientes, X e Y,
donde ambas se distribuyen Chi-cuadrado con n
1
y n
2
grados de libertad,
respectivamente. Entonces se dice que la variable Z =
X/n
1
Y/n
2
se distribuye
F con n
1
grados de libertad en el numerador y n
2
grados de libertad en el
denominador, lo cual se denota Z F(n
1
, n
2
). La funcin de distribucin
de probabilidad F posee la siguiente forma:
f (x|n
1
, n
2
) =

n
1
+n
2
2

n
1
2

n
2
2

n
1
n
2

n
1
2
x

n
1
2
2

1 +x

n
1
n
2

(
n
1
+n
2
2
)
26 Captulo 1
La gura 1.2 muestra las funciones de distribucin de probabilidad para
una variable que se distribuye normal con media 15 y varianza 4, una segunda
que se distribuye Chi-cuadrado con 8 grados de libertad, una tercera que se
distribuye t-student con 6 grados de libertad, y una cuarta que se distribuye F
con 6 y 9 grados de libertad.
Figura 1.2: Ejemplos de funciones de distribucin de probabilidad de variables
que se distribuyen normal, chi-cuadrado, t-student y F.
(a) N(15, 4) (b)
2
(8)
(c) t(6) (d) F(6, 9)
El lector puede aplicar y practicar los conceptos de funcin de distribucin
de probabilidad y de funcin de densidad acumulada en GNU Octave a travs
de la siguiente secuencia de comandos:
x=5; %% valor arbitrario de v.a. X
mu=15; %% media de X
s=4; %% desv. estandar de X
normpdf(x,mu,s); %% Calcula P(X=5) si X~N(mu,s^2)
normcdf(x,mu,s); %% Calcula P(X<=5) si X~N(mu,s^2)
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 27
normpdf(0.6,0,1); %% Calcula P(X=0.6) si X~N(0,1)
y=10; %% valor arbitrario de v.a. Y
n=8; %% Grados de libertad de Y
chi2pdf(y,n); %% Calcula P(Y=10) si Y~X^2(n)
chi2cdf(y,n); %% Calcula P(Y<=10) si Y~X^2(n)
z=-5; %% valor arbitrario de v.a. Z
n=6; %% Grados de libertad de Z
tpdf(z,n); %% Calcula P(Z=-5) si Z~t(n)
tcdf(z,n); %% Calcula P(Z<=-5) si Z~t(n)
w=10; %% valor arbitrario de v.a. W
n1=6; %% Grados de libertad numerador
n2=9; %% Grados de libertad denominador
fpdf(w,n1,n2); %% Calcula P(W=10) si W~F(n1,n2)
fcdf(w,n1,n2); %% Calcula P(W<=10) si W~F(n1,n2)
28 Captulo 1
Ejercicios propuestos
1. Considere la siguiente matriz de dimensin 3 3: A =
_

_
1 2 3
2 3 5
4 9 16
_

_
a) Calcule la transpuesta de A.
b) Calcule la traza de A.
c) Calcule el determinante de A.
d) Calcule la matriz adjunta de A.
e) Calcule la matriz inversa de A.
f ) Calcule A
2
. Es la matriz A idempotente? Por qu?
g) Elabore un cdigo en GNU Octave que le permite resolver las pre-
guntas anteriores.
2. Suponga que el comportamiento de una economa puede ser resumido
por las siguientes relaciones para el producto (Y), el consumo (C) y la
inversin (I):
C = a
0
+a
1
Y a
2
i = 250 +0,8Y 300i
I = b
0
b
1
i = 700 200i
Y = C +I
Donde i es la tasa de inters nominal, la cual asuma que alcanza el 12%.
Dado lo anterior responda lo siguiente:
a) Escriba el modelo IS como un sistema de ecuaciones en trminos ma-
triciales, identicando claramente las variables endgenas.
b) Determine los niveles de produccin (Y), consumo (C) e inversin
(I) de equilibrio a partir de la solucin del sistema de ecuaciones
matricial.
c) Determine la tasa de inversin de esta economa.
3. Suponga que Wilma y Pedro son amigos y estn cursando la asignatura de
Econometra durante el actual semestre. Ambos son estudiantes respons-
ables y comprometidos con su formacin, lo cual los lleva a preparar con
antelacin cada sesin y adems poseen una gran motivacin para traba-
jar de manera autnoma. Ellos acostumbran preparar cada evaluacin de
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 29
manera conjunta y manconmunada, por lo cual, se podra decir que es
posible construir una funcin de probabilidad conjunta sobre la base de
su rendimiento acadmico pasado. Dado esto, la funcin de probabilidad
conjunta para el rendimiento acadmico de ambos estudiantes universi-
tarios es la siguiente:
Wilma
30 40 60 80
30 0.10 0.01 0.01 0.05
Pedro
40 0.01 0.15 0.01 0.04
60 0.02 0.10 0.30 0.05
80 0.05 0.05 0.02 0.03
Dado esto responda lo siguiente:
a) Calcule la funcin de densidad marginal del rendimiento acadmico
de Wilma y de Pedro.
b) Determine la probabilidad que Wilma apruebe la asignatura con una
calicacin nal mayor igual que 60, condicional a que Pedro tam-
bin apruebe.
c) Determine la probabilidad que Pedro apruebe la asignatura, condi-
cional a que Wilma la repruebe (i.e., calicacin nal menor que 60).
d) Determine la probabilidad que Pedro pierda el derecho a Examen,
es decir, su calicacin es menor que 40, condicional a que Wilma
aprueba con 80.
e) Determine la calicacin nal esperada de Wilma y Pedro en la asig-
natura Econometra.
f ) Determine la varianza de la calicacin nal de ambos estudiantes.
4. Suponga que Barney es un acionado al deporte que desea competir en la
Maratn de la ciudad. Para ello se ha estado preparando durante las tres
ltimas semanas trotando una distancia que es creciente cada da. Betty es
quien lo acompaa durante su entrenamiento y ha sistematizado todos los
tiempos que ha registrado Barney durante dicho periodo de preparacin.
De tales registros, emerge la siguiente funcin de probabilidad conjunta
para distintas distancias medidas en kilmetros y tiempos de recorrido en
minutos:
30 Captulo 1
Distancia
1 1.5 2 2.5
5 0.12 0.01 0.00 0.00
Tiempo
10 0.14 0.07 0.03 0.00
20 0.16 0.08 0.04 0.01
30 0.18 0.09 0.06 0.01
Dado esto responda lo siguiente:
a) Calcule la funcin de probabilidad marginal de las variables tiempo
y distancia.
b) Determine la probabilidad que Barney recorra como mximo 2km,
condicional a que el tiempo registrado sea igual o inferior a 10 min-
utos.
c) Si la Maratn consta de 1.5km, determine la probabilidad que Bar-
ney complete dicha prueba en un tiempo igual o inferior a 20 minu-
tos.
d) Emita un juicio respecto de cual es el tipo de prueba (distancia) en la
cual Barney tendra un mejor rendimiento (i.e., completar la prueba
en al menos 30 minutos). Fundamente.
e) Determine la esperanza de la distancia recorrida y del tiempo reg-
istrado.
f ) Determine la varianza de la distancia recorrida y del tiempo reg-
istrado.
5. Suponga que Cagney se desempea en el Servicio Meteorolgico, en el
cual es responsable de registrar diversos eventos climticos. Tras varios
aos de trabajo ha logrado construir la siguiente funcin de probabilidad
conjunta para las condiciones climticas de un da invernal:
Lluvia caida (mm)
10 15 20 25
0 0.18 0.09 0.06 0.01
Temperatura 5 0.01 0.04 0.08 0.14
(C) 10 0.02 0.07 0.14 0.01
15 0.12 0.01 0.01 0.01
Dado esto responda lo siguiente:
Elementos matemticos y estadsticos bsicos para el anlisis economtrico 31
a) Calcule la funcin de probabilidad marginal de las variables temper-
atura y lluvia caida.
b) Determine la probabilidad que la temperatura se mueva entre los 5
y 10 grados Celsius y caigan entre 10 y 20 milmetros de lluvia.
c) Determine la probabilidad que la temperatura no supere los 5C
condicional a que la lluvia caida supere los 19mm.
d) Determine si las variables temperatura y lluvia caida son independi-
entes.
e) Determine la esperanza de la temperatura y de la lluvia caida.
f ) Determine la varianza de la temperatura y de la lluvia caida.