Documente Academic
Documente Profesional
Documente Cultură
GENERALIDADES
Eco. SEGUNDO AGURTO
MORAN
Sesin 01
ESTADISTICA Y TEORIA
ECONOMICA
Anlisis estadstico
Anlisis estadstico
En un sentido amplio, se refiere a estudiar todos
los mtodos que describen las relaciones que se
dan entre diversas variables o dimensiones de
variacin.
I. Conceptos bsicos.
Estadstica
Es la ciencia que proporciona un conjunto de
Divisin de Estadstica
Estadstica Descriptiva.- es el conjunto de
mtodos que implican la recoleccin,
presentacin y caracterizacin de un conjunto
de datos a fin de describir en forma apropiada
las diversas caractersticas de stas.
Estadstica
Inferencial.o
estadstica
matemtica; es el conjunto de mtodos o
tcnicas que posibilitan la generalizacin o
toma de las decisiones de una informacin
parcial mediante tcnicas.
Estadstica Inferencial
Se define como aquella que desarrolla modelos tericos que se
ajusten a una determinada realidad con cierto grado de
confianza.
Es el conjunto de tcnicas que permiten dar un valor
aproximado de un parmetro de una poblacin a partir de los
datos proporcionados por una muestra.
La Estadstica Matemtica o Inferencial se usa esencialmente
para determinar la probabilidad de que una conclusin
obtenida a partir de los datos de una muestra sea cierto para la
poblacin bajo estudio.
Las poblaciones de estudio a las que hacemos referencia pueden
ser; ventas, personal de una empresa, consumidores de un
producto, productos de la empresa, clientes de la empresa, etc.
Estimacin de parmetros
Pruebas de hiptesis
Trminos bsicos
Datos: observaciones realizadas de los
Poblacin y Muestra
Poblacin.- es la coleccin de todos los
individuos, objetos u observaciones que
poseen al menos una caracterstica comn.
Muestra.- es una parte o un subconjunto
representativo de la poblacin. Al proceso de
obtener la muestra se llama muestreo.
Parmetro.- es una medida resumen que
describe
una caracterstica de toda la
poblacin.
La media poblacin:
Proporcin poblacional
Desviacin tpica poblacional
Definiciones
Parmetro Poblacional: Valor de una caracterstica de inters
medida sobre todos los individuos de la poblacin.
Ejemplo1: Edad media de las mujeres de una regin que usan
Definiciones
Distribucin Muestral
Interrogantes: Cmo es posible que con una muestra se
pueda llega a tener una medida del parmetro desconocido
que buscamos.?
Qu tan buena es la estimacin obtenida?
Se puede concluir que el parmetro de la poblacin es
Distribucin Muestral
Objetivo: Conocer un parmetro de la poblacin
(media, proporcin, coeficiente de correlacin, etc)
Solucin: Obtener una muestra de tamao n y
conseguir una estimacin del parmetro usando un
estimador
Distribucin Muestral
Respuestas: Para responder a estas preguntas se debe
comparar los resultados obtenidos a partir de las muestras
con los resultados esperados.
Los resultados esperados surgen a partir de la distribucin
muestral del estadstico, de aqu su importancia.
Distribucin Muestral
Si la variable de estudio se distribuye normal
N ( , 2 )
N ( , )
n
2
y la transformacin Z ( y ) /
se distribuye
N(0,1)
N ( ,
2
n
Z (y ) /
es normal con
Explicacin
Prediccin
FENOMENOS
OBSERVADOS EN EL
MUNDO REAL
SON
COMPLEJOS
MODELO
ABSTRACCIONE
S
COMPLEJOS
SIMPLIFICACIONES
SUPOSICIONES
UN MODELO
Dado
MODELO 1
MTODO DIRECTO
MTODO
INDIRECTO
METODO DIRECTO:
METODO INDIRECTO:
Trata de AVERIGUAR LA
VALIDEZ DE LOS
SUPUESTOS BSICOS
en los que se basa el
modelo
Enviar a los
directivos de las
empresas
cuestionarios
preguntndoles
qu objetivo
persiguen
1) EL SUPUESTO CETERIS
PARIBUS: Todo lo dems
permanece constante. Ejemplo:
Modelo de la Oferta y la Demanda
No se supone que las otras variables
no afectan a la variable estudiada sino
que no varan durante el perodo en
estudio.
Permite estudiar en
un contexto
simplificado el
hecho de inters, por
lo cual es posible
comprender CMO
FUNCIONAN LAS
FUERZAS
ESPECFICAS
Plantea
PROBLEMAS
DE
VERIFICACION
DEL MODELO
en el mundo real
APARENTE validez
emprica. Parecen
ser bastante buenos
para explicar la
realidad
3) Se CENTRAN
EN EL ANALISIS
POSITIVO, pues
tratan de explicar
un fenmeno.
Fuentes de informacin
Corte
transversal
Series de tiempo
Datos panel
individuos,
hogares, empresas, ciudades, estados pases u
otras unidades, tomadas en algn punto en el
tiempo.
Series
de tiempo
Datos panel
Corte Transversal
Departamentos
EMNV 2005
Jinotega
67,197
391
0.58%
Madriz
28,330
368
1.30%
Chinandega
84,095
335
0.40%
Len
82,994
306
0.37%
Matagalpa
100,584
370
0.37%
Boaco
32,877
387
1.18%
Managua
271,534
554
0.20%
Base de datos-Series de
Tiempo
Datos panel
Taller de Anlisis
Economtrico
Sesin 02
GENERALIDADES DE
ECONOMETRIA
Naturaleza de la econometra.
La econometra es un amalgama o
mezcla de la matemticas, inferencia,
muestreo y teora econmica; su estudio
esta
naturalmente
basado
en
proporcionar estimaciones numricas,
cuantitativas o de dar contenido emprico
a la mayora de las teoras econmicas
ya que esta realiza afirmaciones o
formula hiptesis principalmente de
naturaleza cualitativa.
El objetivo de la Econometra
El objetivo de un estudio economtrico
es:
Expresar la teora econmica en trminos
CAMPO DE LA ECONOMETRIA
MINIMOS CUADRADOS ORDINARIOS
ECUACION SINGULAR
METODOS
ECUACIONES SIMULTANEAS
ESTIMACION
VERIFICACION
PREDICCION
VARIABLES FICTICIAS
RESTRICCION LINEALES
AGRUPAMIET DE VARIB
ERROR DEE SPECIFICA
MULTICOLINEALIDAD
VARABLES RETARDADAS
ERROR EN VARIABLES
AUTORRELACION
HETEROSCEDASTICIDAD
IDENTIFICACION
MINIMOS CUADRADOS EN DOS ETAPAS
MINIMOS CUADRADOS EN TRES ETAPAS
ESTIMACION
MAXIMA VEROSIMILITUD
INFORMACION LIMITADA
AGREGADOS
MENOS AGREGADOS
ALTAMENTE AGREGADOS
APLICACIONES
MODELOS SECTORIALES
Sesin 03
Qu vamos a estudiar?
Yi x i i
errores casuales
Parmetros
Error
Residual
errores de medicin
deficiencias del modelo
Introduccin
En esta sesin consideraremos la
situacin en la que nos interesa
establecer estadsticamente:
Si existe una relacin entre dos variables
En caso afirmativo, calcular una ecuacin que
plasme dicha relacin
Introduccin
Ejemplos:
Existe una relacin entre lo que gasta un hotel y
su volumen de ocupacin durante un ao?
Se puede calcular el costo de la calefaccin de
una oficina con base en el rea de la recepcin?
Hay alguna relacin entre la antigedad en el
trabajo de un empleado y de produccin y el
nmero de unidades que elabora?
Introduccin
Nuestro inters por saber si hay una
relacin entre las variables y en tal caso
determinar cmo se debe a que existe una
variable que nos interesa medir, a la cual
llamamos variable dependiente,
explicada, predecida, regresada o variable
respuesta (y la representamos como Y)
Ocurre que Y es difcil o costosa de medir
Introduccin
Existe otra variable que por s misma no
nos interesa, a la cual llamamos variable
independiente, explicatoria, regresor, de
control o variable explicativa (y
representamos por X)
Esta variable X es ms fcil o menos
costosa de medir que Y, adems de que
sospechamos existe una relacin funcional
entre ambas variables
Introduccin
A los modelos estadsticos que nos permiten
predecir valores de una variable, digamos Y, con
base en otra, por ejemplo X, se les llama mtodos
de regresin
A la relacin funcional que se expresa las relaciones
entre variables, se le llama modelo de regresin
Aquella tcnica multivariable que tienen como fin
determinar la causa y efecto de los valores de Y (sin
medirlos) a partir de valores de X (los cuales s
medimos) se conoce como Anlisis de regresin
Esto se hace con base en una muestra
REGRESION
Est referida a expresar la relacin de
dependencia de una variable
dependiente, explicada por una o ms
variables explicatorias,
objeto de estimar o predecir la media o
valor promedio (poblacional) de la variable
dependiente con base en los valores
conocidos o fijados ( en muestra repetidas
) de las variables explicatorias o
independientes.
Tipos de Regresin
Al hablarse de anlisis de regresin se
puede diferenciar dos tipos de anlisis de
regresin:
regresin simple; es cuando se estudia la
dependencia de una variable mediante el
uso de una variable explicitara o
independiente;
y es regresin mltiple cuando la
dependencia de una variable est en funcin
en ms de una variable exploratoria.
Independencia - Dependencia
Cuando se estudian dos caractersticas simultneamente sobre una
muestra, se puede considerar que una de ellas influye sobre la otra de
alguna manera. Por ejemplo la altura y el peso o las horas de estudio y la
calificacin en un examen.
El objetivo principal de la regresin es descubrir el modo en que se
relacionan.
Dos variables pueden considerarse:
Variables independientes No tienen relacin (una de ellas no sirve para
explicar los movimientos de la otra)
Dependencia funcional Y=f (x) se ocupa de variables no aleatorias ni
estocsticas.
Dependencia estadstica Y=f (x) + e; maneja variables aleatorias o las
que tienen distribucin de probabilidad.
Dependencia estadstica
Dependencia
estadstica
Dependencia funcional
Variables aleatoria
Regresin y causalidad
Regresin vs correlacin
y=a+
bx
Tipos de
pendiente
Eje Y
Recta
y = a + bx
Ordenada
al origen
La pendiente es la
tangente del ngulo
g:
b = tan(g)
Eje X
Recta de regresin
Pendiente
yn
yi
yn 1
y3
u3
yi
y1
ui
yi
y2
Intercepto
x1
x2
x3
xi
xn 1
yi a bxi ui
xn
ui yi yi
Error
i
2. Homocedasticidad: la varianza del trmino de error es constante:
E( Y / Xi ) X i
ar
V
Y
X
)/(
E (Y / X i ) X i
Var (Y / X i ) 2
Y / X i N ( X i , 2 )
Condicin de linealidad
Significado del trmino Lineal
Se interpreta de dos maneras:
- Linealidad en las variables se da cuando
geomtricamente la curva de regresin es una
lnea recta o cuando sus variables explicatoria
aparecen con potencia igual a la unidad y no
est multiplicada ni dividida por otra variable;
como: Yi = + 1Xk
- Linealidad en los parmetros se da cuando
dichos parmetros aparecen con potencia de 1 y
no se encuentran multiplicados ni divididos por
otra variable, como: E(Y/Xi) = + 1 X2.
CONDICION DE MOMOCEDASTICIDAD
La varianza de ui para cada Xi e un
numero positivo constante e igual a 2 ,
Es decir que la Yi poblacionales que corresponden a
varios valores de X tienen la misma varianza.
Var(ui/Xi) =
Homoscedasticidad
y
f(y|x)
.
x1
.E(y|x) = + x
0
x2
80
Heteroscedasticidad
y
f(y|x)
.
x1
x2
x3
E(y|x) = 0 + 1x
x
81
Distribucin Normal
X1,
X2,
X3,
X4
X1,
X2,
X3,
X4
Notacin economtrica
En lo sucesivo, utilizaremos la letra
griega para representar los
coeficientes del modelo de regresin
lineal
0 para la ordenada al origen
1 para la pendiente
Y = + 1Xi + e .
As que la grfica anterior queda como
sigue
ESTIMACION DE LA FRP
En el anlisis de regresin interesa estimar una FRP,
es decir estimar los valores de las incgnitas o
parmetro a y b ( , 1 ) con base en las
observaciones de Y y x; dada la siguiente funcin:
Y=f(X)
Yi = + 1 Xk
E( Y/Xi ) = f(Xi )
Dnde: f(Xi ); denota una funcin de la variable
explicatoria Xi y la E( Y/Xi ) es una funcin lineal de Xi
y representa a la FRP de dos variables expresada por:
E(Y/Xi) = + 1Xi
i 1
1. Ausencia de sesgo
2. Consistencia
3. Eficiencia
4. Suficiencia
)
1.-Ser insesgado. Diremos que el
si la esperanza de
un estimador insesgado
del parmetro
)
es igual a su
Es decir,E ( )
) )
1 2
y i a bxi
La metodologa para la obtencin de la recta ser hacer MNIMA la suma de
los CUADRADOS de las perturbaciones. Por qu se elevan al cuadrado?
Min ( Yi )
n
2
u
i
u ( yi yi ) 2
2
i
i 1
(
y
y
)
i i
i 1
min
u ( yi y i ) yi aq bpxi
q, p
i 1
i 1
i 1
2
i
Un enfoque alternativo:
Minimizar residuales al cuadrado
ui
i 1
yi 0 1 xi
i 1
112
y 0 1 x ,
i 1
x 0
0
1 i
o bien
y x
0
116
i 1
x 0
x
y
i i 0 1i
x x 0
x
y
i i
1
1 i
i 1
n
x
y
i i
1 xi xi x
Aqui
hay
1 un paso mgico ver apndice A.7i y 1A.8.
i 1
i 1
xi x yi y 1 xi x
117
i 1
i 1
1 xi x xi x yi y
n
x x y
i
i 1
x x
i 1
y
2
cov( x, y )
var( x)
x x
i 1
0
118
Precisin de lo Estimadores
En estadstica , la precisin de un valor
estimado se mide por u error estndar
(ee) lo que se pueden obtener de la
forma siguiente:
Estimadores de mnimos
cuadrados
Utilizando procedimientos de clculo
vectorial (que estn fuera del alcance de
este curso), se puede ver que las
expresiones para los estimadores de
mnimos cuadrados para el modelo de
regresin lineal simple son:
S xy
1
S xx
0 y 1 x
Ejemplo
Suponga que se quiere establecer una
relacin entre el nmero de artculos que
adquiere una persona en una tienda de
autoservicio (X) y el tiempo que toma
atenderle en la caja registradora (Y)
Supongamos que podemos asumir que
dicha relacin es lineal (mientras ms cosas
compre, ms se tardar en cobrarle)
Si la relacin fuera perfectamente lineal, la
expresin que relaciona a X con Y sera
Y 0 1 X
Ejemplo
Sin embargo, no es realista pensar que la
relacin sea perfectamente lineal
Existen otros factores que podran influir en
el tiempo que no estamos tomando en
cuenta:
Ejemplo
Por tanto, cada observacin que hagamos del
tiempo (Y), estar determinada en parte por la
cantidad de artculos (X), pero tambin tendr un
componente de error
La expresin que relaciona a Y con X es entonces
Y 0 1 X
Ejemplo
Supongamos que
X
tomamos datos y
(Artculos)
obtuvimos lo
8
siguiente
28
Lo primero que
18
podemos hacer es
elaborar una grfica
5
de dispersin de los
15
datos
Y
(Tiempo)
6
7
3
2
4
Recta de regresin
Un primer problema que observamos es
que habra varias formas de hacer pasar
una recta por entre los puntos
Cul de todas ellas deberamos elegir?
Qu recta
empleamos?
Recta de regresin
Para poder escoger una recta, se
impone una restriccin:
Escogeremos aquella recta que est lo
ms cerca posible de todos los puntos
Matemticamente, esto se expresa como
la recta que minimice las distancias de
los puntos a la recta
Recta de regresin
i y y
Estas distancias se toman al cuadrado,
por lo que a la recta resultante se le
llama de mnimos cuadrados
Recordemos que tenemos solamente
una muestra, por tanto, la expresin que
calculemos para la recta es una
aproximacin mediante estimadores
Error
e2
Error
e4
Estimadores de mnimos
cuadrados
Utilizando procedimientos de clculo
vectorial (que estn fuera del alcance de
este curso), se puede ver que las
expresiones para los estimadores de
mnimos cuadrados para el modelo de
regresin lineal simple son:
S xy
1
S xx
0 y 1 x
Estimadores de mnimos
cuadrados
Donde
1
x
n
i 1
n
S xx
2
i
1
xi yi
n
i 1
n
S xy
xi
i 1
n
1
y
n
i 1
n
S yy
xi
i 1
n
2
i
y
i 1
yi
i 1
n
Relacin entre X y Y
Existe una relacin entre X y Y que es lineal, ms un
componente de aleatoriedad, al que llamamos error
Es decir, hay una relacin entre las variables que se
puede expresar como Y = 0 + 1X +
e y y
i 1
i 1
Otras consideraciones
Referencias
Hildebrand, David K. & Ott, Lymann
(1998) Probabilidad y estadstica
aplicadas a la administracin. Addison
Wesley Iberoamericana. Mxico
Mendenhall, W. & Sincich, T. (1997)
Probabilidad y estadstica para ingeniera
y ciencias. Prentice Hall
Hispanoamericana, S. A. Mxico