FACULTAD DE

CIENCIAS SOCIALES

ESPECIALIDAD DE ECONOMA
CICLO 2016-1
Estadstica Inferencial
EST 241
Profesor del curso: Jos Flores D.
jfdelgad@pucp.edu.pe
Horario: Martes y Jueves de 8 -10 am

I.

FUNDAMENTACIN
Sumilla Teora de probabilidades y distribuciones: variables aleatorias y distribuciones univariadas particulares,
variables aleatorias y distribuciones multivariadas, la distribucin normal multivariada y otras distribuciones
muestrales. Estimacin puntual y por intervalos. Pruebas de hiptesis.
Descripcin El curso trata de los conceptos tericos que fundamentan la construccin de modelos probabilsticos y
su aplicacin al anlisis de datos provenientes de muestras. Primero se desarrolla el tema de Vector Aleatorio ndimensional. El resto del curso se concentra en el planteamiento de los dos principales problemas de la Estadstica
Inferencial, a saber, el de Estimacin de parmetros y el de Prueba de Hiptesis, tratados como problemas de
optimizacin y relacionndolos con la Econometra y otras disciplinas del rea cuantitativa.

II.

ESTRUCTURA TEMTICA
1 Vector aleatorio o variables aleatorias distribuidas conjuntamente
1.1 Modelo probabilstico o distribucin de probabilidades conjunto. Propiedades
1.2 Valor esperado de una funcin real de variables aleatorias. Propiedades del valor esperado relacionas con
la suma de variables aleatorias. Aplicacin en el modelo de Regresin lineal.
1.3 Modelos probabilsticos o distribuciones marginales.
1.4 Modelos probabilsticos o distribuciones condicionales. Mtodo de la proporcionalidad, propiedades.
1.5 La Regla del Producto.
1.6 Variables aleatorias independientes.
1.7 Propiedades del valor esperado y de la varianza relacionadas con variables aleatorias independientes.
Aplicacin en el modelo de Regresin lineal.
1.8 La esperanza condicional. Propiedades. Curvas de regresin.
1.9 Covarianza y correlacin de dos variables aleatorias. Propiedades de la varianza y de la covarianza
relacionadas con la suma de variables aleatorias. Aplicacin en el modelo de Regresin lineal.
1.10 Vector de medias y matriz de varianzas-covarianzas.
1.11 Distribucin normal bi-variable y multi-variable. Distribucin de formas cuadrticas y tpicos adicionales
1.12 Transformacin de variables aleatorias.
Bibliografa: (1), (3), (4), (5), (6), (7)
2 Inferencia estadstica
2.1
2.2
2.3
2.4
2.5

Poblacin y muestra aleatoria, Parmetros y estadsticas

Estimacin puntual de parmetros.
Lmites de variables aleatorias. Lmite casi seguro, en probabilidad y en distribucin. Propiedades.
Propiedades de los estimadores. Insesgamiento, eficiencia y consistencia.
Mtodos de estimacin. Mxima verosimilitud, propiedades, distribucin asinttica de los estimadores de
mxima verosimilitud con la Informacin de Fisher, clculo computacional con el programa R.
Momentos. Cuadrados mnimos y regresin.

Bibliografa: (1), (3), (5)

3 Estimacin por intervalo
3.1 Intervalos de confianza. Mtodo de la variable base.
3.2 Intervalo de confianza usual para la media con varianza conocido. Intervalos de confianza usual para la
media con varianza desconocida.
3.3 Intervalo de confianza usual para la varianza.
3.4 Intervalo de confianza usual para la diferencia de medias
3.5 Intervalo de confianza usual para el cociente de varianzas.
3.6 Intervalo de confianza para la proporcin.
3.7 Intervalos de confianza usuales para los parmetros del modelo de regresin lineal simple.
1

FACULTAD DE
CIENCIAS SOCIALES
3.8 Intervalos de confianza para los estimadores de
mxima verosimilitud para tamaos de muestra grandes.
Bibliografa: (1), (2), (3), (5), (7)
4 Pruebas o contrastes de hiptesis
4.1
4.2
4.3
4.4

Conceptos bsicos.
Lema de Neyman-Pearson. Regin crtica uniformemente ms poderosa.
Prueba de la razn de verosimilitud. Propiedad asinttica.
Pruebas de hiptesis usuales y el valor-p.

Bibliografa: (1), (2), (3), (5), (6), (7)

III. METODOLOGA
La metodologa de enseanza comprender exposiciones de cada punto del programa del curso, presentando el origen de l
tema, su desarrollo y aplicaciones, ilustrados con ejemplos concretos.
IV. OBJETIVOS
Concluido el alumno aplicar y evaluar los modelos estadsticos bsicos para el anlisis de datos provenientes de muestras,
en particular en sus estudios en Teora Economtrica y otras disciplinas del rea cuantitativa.
Aprobado el curso, el estudiante

Identificar y aplicar los modelos probabilsticos ms frecuentes en la prctica econmica.

Construir modelos ms complejos para el anlisis de datos, a partir de otros modelos.
Estimar parmetros asociados a un modelo de datos, mediante el mtodo ms apropiado, y evaluar la calidad de la
estimacin lograda.
Estimar parmetros de modelos probabilsticos por el mtodo de mxima verosimilitud, mediante el programa
estadstico R.
Construir y evaluar intervalos de confianza para parmetros.
Construir intervalos de confianza asociados con los estimadores de mxima verosimilitud, mediante el programa
estadstico R.
Formular hiptesis de trabajo en hiptesis estadsticas asociadas a un modelo de datos y las contrastar mediante el
mtodo ms eficiente, controlando las probabilidades de error.
Reproducir la propuesta de algn nuevo modelo probabilstico, presentado en un artculo acadmico estadstico, a
partir de los temas tratados sobre variables y vectores aleatorios.

V. EVALUACIN
Sistema de Evaluacin
La evaluacin se efectuar mediante pruebas escritas de desarrollo en la forma de Prcticas calificadas, un trabajo de
introduccin a la investigacin, un Examen parcial y un Examen Final.
Frmula de Evaluacin NF = 0.25PC + 0.05TII + 0.30EP + 0.40EF,
donde NF = Promedio Final del Curso, PC = Promedio de las Prcticas Calificadas, TII= Nota del trabajo de introduccin a
la investigacin, EP = Nota en el Examen Parcial y EF = Nota en el Examen Final. El promedio de prcticas calificadas se
hace eliminando previamente la de menor puntaje.
Para contribuir al logro de los objetivos del curso, los alumnos desarrollarn, en grupos de 2 integrantes, un trabajo de
introduccin a la investigacin que consistir en usar lo tratado en el curso para la revisin de un artculo (publicado en una
revista de estadstica) en el que se proponga un nuevo modelo probabilstico, a partir de los temas de variables y vectores
aleatorios. Esta revisin ser realizada en 4 etapas: a) deduccin detallada del modelo propuesto; b) estimacin de los
parmetros del modelo por el mtodo de mxima verosimilitud (ajuste del modelo), con en el programa estadstico R; c)
construccin de los intervalos de confianza asociados con los estimadores de mxima verosimilitud, mediante el programa
R; y d) Integracin de las partes anteriores en un producto final con formato de artculo. Cada una de estas partes se
entregarn en clase las semanas 7, 11, 13 y 15, respectivamente, con un valor de 5 puntos, y sern asesoradas y revisadas
por el profesor.
Las fechas de las prcticas dirigidas y evaluaciones figuran en el cronograma siguiente:
1.
2.
3.

2 de abril Prctica dirigida 1

9 de abril Prctica calificada 1
16 de abril Prctica dirigida 2

8.
9.
10.
2

28 de mayo Prctica calificada 3

4 de junio Prctica dirigida 5
11 de junio Prctica calificada 4

FACULTAD DE
CIENCIAS SOCIALES
4.
5.
6.
7.

23 de abril
30 de abril
14 de mayo
21 de mayo

Prctica calificada 2
Prctica dirigida 3
Examen parcial
Prctica dirigida 4

11.
12.
13.

18 de junio Prctica dirigida 6

25 de junio Prctica calificada 5
9 de julio Examen final

Todas las evaluaciones se ceirn a las normas que rigen en la Facultad, en particular, se espera del alumno, y se exige de
l, un estricto cumplimiento de las reglas ticas del trabajo diario en la Universidad, especialmente en las evaluaciones. Las
sanciones en caso de falta sern aquellas que fija el Reglamento Disciplinario aplicado a los alumnos ordinarios
(http://blog.pucp.edu.pe/item/21949).

VI. BIBLIOGRAFA

1. Caldern (2013). Estadstica Inferencial para Economistas.

Disponible en Intranet PUCP del curso.
2. Casella y Berger (1990). Statistical Inference
Belmont, California: Duxbury Press.
3. Flores, Jos (2013). Estadstica Inferencial
Disponible en Intranet PUCP del curso.
4. Freund y Walpole (2000). Estadstica Matemtica con aplicaciones
Mxico: Pearson educacin.
5. Larson (1990). Introduccin a la Teora de Probabilidades y Estadstica
Mxico: Ed. Limusa Wiley
6. Meyer (1980). Probabilidad y Aplicaciones Estadsticas
Panam: Fondo Editorial Interamericano.
7. Wackerly, Mendenhall y Scheaffer (2002). Estadstica Matemtica con Aplicaciones
Mxico: Pearson educacin.

J.F.

Marzo de 2016.