I = William OR TSK Bnew LOO lg piesa MtCapitulo introduccién ECONOMETRIA Encl primer nero de Eoonamdrca, la Ezonomstrie Society extabecs que ries objeto uta promone xu ue dian aun unica de ori ec- Ena fears Caan ss stn ntfs we Man items nr mre don an ea tar ai ten ‘ewes epeion ent amo sie Soakndie con i eesnosetna Ast siaomcts b & ones ‘conomin Tampico Que Hemamos lin coninica,aungoe na pre comer Get {Goi tee. deletivanete chic enna La eon steer come ‘Snonimo de apucacon aes atendicas a ceonomn. La experience ka mostedo que cada de srs el get rein nics aati ds tconomes eran Esa em deb te pce ge nein acs Semen a ‘pots: Era umn lo que comsoye a eonoreein Fishy su soctedad responaieron a una acumulacion sn precedenes de inlomacién estditica Veron a necsidad de etalecer un cojunio de prinpis que podean organiar lo qu de otra forma, certs un connie desrdens de datoe Ni low parr ile objeios de esac ‘met han cambiado con los aos desde qu se publics ete editorial La economera esl eatopo del economia que lene que ver con la aplcacion del extadstica materi yas hetramientas ‘enferecin estate, fs meticonesemplias de elaiones portlada por la economia ei, 1.2. MODELIZACION ECONOMETRICA, {Ls cconoma teria ex ganerlmentsestict y no ambiga. Los modelo de demande, de prodve- ‘in, y consumo agregad, postulan todos ello reasoner determina: precas Las variables ‘pendienesendepenienes stn alsa, na form funciona esd epeciada amb2 Aad economaico _ a. mayor dels cass exec, al meaos un arma culitativa yea de os ton Sel ieog loparcosndo caian tes vale independents cn ct mio Por supa at Todelo er so sna siplicaion dea eadad clad oe asgossobresaiaes de la elcin de Intra per no ede en cueta toda ls infuse oan ser resents, pero de mo 0 {tporantes pars nico: propostor Natuaimen, se pde di scr de asta a pun tatu nonce pace consderarec inna, fnalent ea pra seers estion empties, ‘Soo ton ange es opis presi enone on corepomieiscnaacne os mass yaad ‘Mint del nia eager ealbar gan cand dee apt stoi de vd conden, Ai Yor Cup por way Cte Seance Gur pads tn modo Ue prod ‘lo, no existe forma de eeu lpia de qe un di delve pueda dar lugar a ete Jk flat y pacar tn valor spice Coan conju de dios bre conte pode Somos Envnogin tip de cron Ex acoso, portant icoporr elemento excdsiza en nists ‘Rodeo enc, Como rellado ls Observacons dela variable dependents elllasn vara: ‘Sones eibubles, no Sou deena els variables que hanon end en cael expiant tino tmbien» Is akatoricdd del comportamesto human, yal inracin de nnumrabes vente mevocy sue ne iter ov cree e nee oe ance ew cr Beato en un mocio dterminsico no pretende meranente ecoge seen. ts en ‘amiaorenuhado de etoio con ponerionda. pars steguraros de qu a pus exo fetad de wn ator no expcado, es resimeteinexpicsble Sino 1 ex mods Sd hsho, Jnndecando, Contin con nso empl, ignorar (0 n0 lect en ccna) una toma de bee cua cian eer en cae lene ponies ca los pecs unaroy don tes a productn coir cous muy dicen Sin tes omiions, el dementoexuinico dota at Stedso de nn people esne Te servchnr i) vr) de ecin somes ‘imo ls resultados de on proceo alata, Con una erctraetocsicasfceniement del lads y datos despa nuesiro ands consi en edu las propels de a bn (e probabdad Las heamunas melodes dels eadsies maomdtes proporcionan et peicpos operat “Demat ors) aunca puede st rninete conta 2 menor es hage tn spo comme pan incr Calg pobiidad Pero podsncs sme vn ecru mas igo falco de endencicontrata,rechrato. Une tot determin lo valida por umn spe ‘Sheree eves. Lalnrodvrtn de cements estocition eno modo comb de Us SErmacin eta» una desrpegn probabil de valores esperadon y conevs Una impor. {tne taper’ Grnemente sl presen de oridencne on contr pode near cooinctne- ‘mene cl modelo probablinic,Que onstaye el epedamino de even una cus Je Intprlactn or ant, modo probs cr mimo empo menos pes Toque Ro ‘esiamene ber Bueno, ma robust. papel def cori ene cconomeiris no puede eapeune. La cesta de que panos cxraor os sonjnta do dle no enputmenute 9 eptar qu se ese wan rnbaed compl, ‘Se ato dedicar a siete tempo maniplando los meos els demasiado opmsta Ea un fEucoexpetintatal smce bet de cp los valores del eaimao wodicalo en In den {ur decccs pars cca un cambio ela vara derespuesa lo quarts por cuaniear fain ouervada Enel marc del econo, ao somos osrvadores pasos dla onoma {Elconepto J un eaperinentecontrlado ect iano, Como tdnino, poses tomar mvt irr decburacion! de una poblcgn numero, ysponer que as onions nessa ara cleat nome eramientas de inferenci ean se comple, Ls tcora jg el papel de ‘Srpandor deo aon Sin bse tebe, ela dl eco ser,probabement un eat go ambiguo de posbidades FP et procs dota economelsco pare dela epeciiaion Ue w eai tiine ae “alnctie procedemes con a bipoess optinnta de gue podemcs obiener medias pecs ‘shine wen stn nda apt conse ier comple sn sada pos. andinspoucit cr probtbement rvinarn,Desfortnn tinwestes no ocr rrament, alguna de las diculades que pocden enconrase son Ia Sipiemee1. Lot datos pusten eta medi incorsctamens « puke 2, Alguna de ns variables pocdn sor eemciaente no mois Las sexpetatinans co yen un elma de esta naturales, 3, Laer veces so ex eapar de cise sugsrencas sagan « forma fantom Esto mpl ue nos vn ora cp trea ag yep ‘menu de posta, 44 Us propleadesesocdtss que spans gu se cumple patti at dl ‘male pon vr msniiewamente erneas Fats pe easton his eos de eli ‘Se, y tn proceimienios de neencia oe » empean ‘5. ‘Aguas varies evans podem far eae mole on ane de En ctapossucsva canine yu font ess publ eaten sents nse informacisncontnidsen unos datos obvianenteimpereclo> La mtedologa para evar eto 4 abo ex a dea extadiaice matematcs ls econometia eis, El resultado es an modelo cao 13, ECONOMETRIA TEORICA Y APLICADA Generlmente x ding ene scones tira y eoonometrs apical Sets de dng Sine a burdament os desarrollo a emis, y sw plein enw atc parce 05 {esricos tambien analiza fs consecencas de apicar métodos priceltes cuando fs specs {qs lon jifcan nase complen. aro la dtinGn etre 9st campo eco Termine, [ca Lo mds habitual ex que ls tuevas tones se desrllen one contest de un problem ‘Spetico al qe se pretendenaplicar, en gat de destolase de manera independ te de Drnblema coareto. mo sa atts de up aboraonn. fe exo td vena a ests de fs nies que pucdenempleare (que se sucen apr) en labs apc, Sin embargo, ‘Semplor ue se pesntag we pretendeastar el funconamicnto de bm Yecnicas hd ae 1 ‘vile empiri en ma. Ea unos pocos ejemplos. eos nia vente Cans es Sin sto) extudios anteriores, nents que en otros hens fepetdo esos ya exes eh. Iitratury, pero an Siow mis rxentes. El stor que eat incr puede exende sts e608 Fon nuevo dirnte conjunts de das 14. PLAN DEL LIBRO esto da bo se organiza en cate pats ‘Dal Cuptlo 2S examinamos ins herramientasepleada co casnometa el sien matical of Capt 3 e a wort del prob ye ise totals lo ifrenia ens, Pacso que se sabrectends gus lector ewe alg cones ‘minta previ Je ca uo de eo ema. eslo aptiles son beves, 5 inluyen,picialmete pata agulior que descen um fepaso,o una reerenca. No cree» que esa scones puedan [sti un cus en evalguira de estos emas. La intencin de esis capilos es proporenar un Tesumenrszonasmente Goposo J tos fess, a mayor de ov els empan expo ‘mente lo largo del manual. Finalmente, el Capitulo $ describe algunas dels bass nkes de “culo ce economta, iclayendo slgnos Je or sepsis nis de a ptimanesn ns heal ‘Con el incementa dela potencia de fos ordenador, las \snkas ms sities y sds 5€ este on pos cnct ge ora oe hae i acne, epee bs spe ren oe sep ese ses 7 Dot Bad‘na sconomdticn cstin convietiendo en simple rutina. Escada ver mds importante para el econémeta, famiharzarse ce ifinon dc los sepettos bdsicor del andi numérico. El Captulo § describe algunos de los ‘Rhee ecoo enccnnometf, qe consituyen ta mecdna de as tenieas més modermas de estmacin e infercncia Te piles dea 11 presentan resulados tsi,» algunos relativamenteavanzados, para Jos mandley estos de reptessn lineal y no lineal. En los Capituos 6 y 7 se discuten los aspectos ‘Sonate Je I estiarin infrencia on el modelo lineal La mayor parte de f tori asinttica ‘iapleads pesterioemente en el manual se presenta también en el Captulo 6, Enel Capito 8 se frecnt ans de as penralzaciones del modelo clsico, donde se justia. etre otras conan, ere l amntlo inet noe tam restrictive ean pedea parecer en principio. El Capita 9 tata AUS tones como ta mulicoliealidad, tos erroes de medida y los datos sncomplets,stuaciones gue comstiuyen eemlos en los que se ve imposibilitada Ia aplicacign simple y mecinica det “she ane To datos ress, El Capitulo 10 trata sobre modelos de reqzesion no linealex hel Camtuta 11 en adelante las esticciones del modelo clisico se eiminan progresivamente, iipledeles ula ver mie generates sel Capitulo II se presentan algunos resultados {carious generale pata el modelo clio. Estos resultados s¢usardn en el andi de dos problemas nda cl del beteroecdaticidad que se verd en el Captule 12, el dela autocorrelacin, que se cede Capitle 11H latamiento simuitineo de extn dos problemas ten gar en ol Capitulo Ti donde se analiza los datos de panel avin Sautuo estantes e tratan temas mds o menos avanzados en econometeta (Puesto due ta mavens de los cto dscutids son ampliamenteutlizados por la poleson, quteas seria mas wopuade hablar temas sadiioalet» que de temas «avanzados) El Capitulo 1S alia e sear sepresn ulivariants ¥ fn estimacin de sctemas de ecuaciones de demands, En el Capt la anata lox modelos de ecuacionessimulténeas. El interés en ete tema est marca- ‘Geno un cierta ge, por un i, ) por un ert Fetroceso, por otro, Las implicacionesempticas seis de scusiones simutinene tporefemplo, las propuestas por the Cowles Comzion) aun tenicnd cas hor menor énfassy han eeibido mucha menos afencio en la iterate eco- promi apical setae Por ota part. sn embars0, la investigacin teica sobre ‘Tien contin en age, y pene regularmente novedades importants, que son con frecuencia fois lesen sires matens. Los Capitals 17 y 18 presentan temas que son, ante todo, las bases de renacreccononntycmpitica ands de series lenporales, modelos con variables retardadas, rafees Feasts VARe vointegtavvn- Los Capitals 19 20 preseatan res temas que se emplean ms en tmovelos con variables deendientesdseetas, modelos con variable dependien- Xe limita y modes de dura2. 22. caprtule Algebra matricial INTRODUCCION Ente capitulo ce primero de cuato, dedcados al eto de ton intraenos matematcoe y ‘statins empleados en econometta En le presenta la marta dels resultados matical templeados Te largo del ib 1s pcos resultados adcionals que sean neceaioe we dearrallard ‘estriormente. Medinteel uso dl algebra matical, os resultados fundamentales a econometia, fe presentan de manera compacta y clara. Veremos que muchos realtor apreatemente comple. 4s: sinen una estrctra comin Y una simpliidad sorprendeme tn este capitulo se fecoge el Conjunto de eoremasyresulados gue st neestarén alo largo del bo, de manera que peda st ‘eplesdns en cu momenta, cin en nesta inerompi el dexarrllo del captule ona! Aichos resultados 4 apliquen Para aquellos estudiantes qu no Ran etudiado Algebra matric, ‘ste cipal proporiona um resumen razonublemeateconcso de eta materia! TERMINOLOGIA ‘Una mtta es una colecidn de nmerosordenads rectnngularmente. qe designamos Am Tead=EAlg=| "OY ey [isese edo designamos una matrz @ partir de su elemento tipi. Un elemento cualquiera de na matte tiene un subIndice,y Se lee siempre COMO Gyan. Ea la Tabla 2 tone mos un ejemplo En estos datos, las fas se ideatican con aos Ts colummas con variables nile spelt essipi comple 6 ems save de a fre cami son Dye i170, Blas (97. ier i Sng 00 eos area Sean ee RasConte 1 ies de millones PNB imles de Deflactor esa de decoento Fg hay de Mires)” loner de dileres) el PNB (NV. Fed arg) v waa ae ‘200 430 pa i ap tae tosrs oa 3 sm oa vasa ison 13 a bs ome 1392, 12s as 5 6 1003 rap Wane 530 6 om tage 1513 ons 7 sm 1345 2139 15082 s 9 tz ain 13a 30 e672 2h Uae Ferg eet oe Ci Ree ke Prd US Ot ene a Gtr Wain, Un vets oun conjuto ordenado de mimetoydapuston on vale o 6h un sofas. Ua ‘eter la pose enienders, tambien, como una atti de una dics iy mientras que ua rector (alemaa es une matic dena dni clumoa. Alas obvervaione de lr cinco variables parn 1977 consiayen un vector Ma, mintras que la Ste temporal de valves de consuso consiuyen ‘on vetor calms Une suis ponds ser tnbiéa ineepratada come wn conjvnts de vectors slumnns, to oe una interpreta natural del eonjunto de datos dela mocsra. Por supuest, tabi la ints puede interpelarsé como un conjunto de vetoes la. La dimen de una matrz india el ipdmero de filasy el ndmer de columns que conene «Aes una matric * Ke (lo ques lee on or Ko) indica que A tine m fas y K colon. Si nes igual ak, entonces A es una maiz ‘dead. Agus tips expeclales de matrices cuadas ve wranfceventemenl en econometi. ‘+ Una mate side, A, agua eo acu 2 = para todo iy pats todo. Por eee, tat aa[as2 724. ‘+ Una mats dagoan es una matrizcuadrada cuyosdnicoselemenos distimos de ero apare- ‘zn en su diagonal principal, desde el verice superior iquierdo al inferior derecho Than mane atalar run malts diagonal cone mlamo valor en todos lox elemento del ‘ingonal. nati dented es una mrs excalat con unos ens disgnl Lt dsignani cn ‘Agunas voces ae induye un subindie pare Inca su tamane,v orden. Por elem, 100 elo to en oon 6 Unk mas wngar ca gsta ene cx ccit o be dejo de ding pric ‘skid SaPSPHPRcrs cles pend dsl Ggonalt maize iguana. 7 pee etre degre um mae eg aye coe Aen) Deane er ae vel etaasan capcom kneel queen oe pera ey ee23. OPERACIONES CON MATRICES 1 mati props ams fons sk futciones que cena sn che im Het vet es peice 23.1. Igualdad de matrices |Las mati (0 vectors) Ay son jguaes. ty soo Nene a masns dunes, yal skmenta {6A signal cortespondiznle elemento de B A= Bsiysélo sia, = para od Ly 232. Matric transpuesta 4a matric wanspesta de una matris A, designada por Xv obiee ereundo uns sists cya ‘sma a's la Kesina columina de t mati onpine As! que, x1 B= A cada clunina de A sparecerd como a conrespondiete fade BSC A es mK, Aves K = m Ask, por gem, adel st aft ie ifn so34 314 ‘Uns dcGneion equssente dei natn ranspuest dew pao B=A = bea, pura tilos yk ey 1a defini de una matte simetrica implica gue Si Ace sinion, A ~ 8 By aca cualuier matic (ayaa. es Finalmente ¢lytorranypusto de un vector clon. a es un vest i Fly ad 23.3. Suma de matrices {a opericin de sma se extend a as matics patie de sigan Sinisa CHA+BHEa hal eu Para yue ls muses pu samara x nec qe engin te min denn Decne ee 250 de Son coafernable ars oma ina mates male mt cy clement so a eros. En la soma de matrices, fa matic ula juegs el misino papel yu ol casar 0 ents sum soar Bs doc, Aten. en ‘Tambia etendemos a operacin de rest a matrices com si se Watra de sare, rend la ‘operacién elemento a demento. Bs dest, A-B=f4y- bb eyAndi coneend ‘A parte de las definiciones anteriores puede comprobarse que la suma de matrices es commutative ASBE BHA. 23) (AB) CHASE CL 2.10) yawe (wey =n 4B: en 234. Producto de matrices ices eUefine partir dl product interno, 1 prseto interno La operacisin de proto dem ‘ a cs eval y esci pronto de vectors. 29 b= aghy Faghy to ba) ey ‘ease que et pretovt iatceno 36 everibe come ol vector tranepucsta de a pr el vector b Es dec, tin eect fla por mn sector columns. ASL por ejemplo, ; Fm OP) ea tino 6 nl Bay ¥ po tant, abo be oy far ua matt At uns EZ BK * Tee yradacto de ambos C= AB, ay cs una matin » Tuyo kin clemento es el producto interno dela fil ide y fa columns kde 1B Neweatam una Tonma de sigs fsa fla de una matrz. En adelante wsaremos a, nara esr Ta ren clunma deta matey para city Gutuskn,wsaremon a! para a ima fila Pow tant, he ory Para mulipicat dos matics, el miner de colomnas de la primera debe coined con el asmero {cae de sop, Decos qe cme amas mares 20 cnfrmebls parm ol peda we aes ee se) 01S) FE TNO) 8) FO) C= NES) nalane matria ? x 2, mientras que "Ny +44) 20)+ 45) 20+ 4-1) Ba=| Mh +44 1449 1+ e-0 11) +44) 03) +45) 00) + 5-1] 1 =|2 3-4 m0 25-5, in, pero BA puede no star Sf 0, a ex Ae soon aks som PNB J com bx sM, Skene, wee bere, slendo x el runspusto deta sina de X. De esa ona wees gu la i 2 Me orden I K puede interpretrse como la suma dem matrices de orden K Kvcada wea das cles a sit canst ptr se wn sinc il fsa) de X Pars engl su ntriorment, ee ‘uma de 9 matrices de orden 3 3 cada uma de es eles pcos de una ia ttl de Ta mate ‘xginal de datos. Supongames que contumeos cola tai XX para bin dos de ks acre abo Svteriors,y que se ebtuvo cl dito eltivo wf cnn ano. aaa de sant de ead productos cruzados puede ser aetualzaa, simplemente atuendo una mates 3+ $4 la XX 52 tide: Coa no existe ged sami ryan on, pose a emo products como e ante de la iguente Grn xne Eas sien shee vest tapes de a sin fils eX 2346 Una matriz idempotente dtl {ona main hindament on estes & gles empes paa aMNNMAE dase es aos ela media. Primero, ile # ces)32__Aasinneconomat ‘La mati (1/9 es una matrz n Xn con cada elemento igual & 1) ET conjunto de valores en forma de desviaciones es oi athe da] ox Pesto que x= Be 234 ‘en adetante represenaremos dics matte ewediate M1, Los elementos de a dingonal de M® con fealos 1 fo de Tucra de fx digg son fodes = Um La matir A seré especialmente ull en el eflewlo de sumas de desviaciones al cuadrado, Algnnos clculos matrices se simpliican a partir del resultado vn-[-ta eas) 239 ‘erin mail, Ei 6 ew arate loselementoe de agra del digg de Nsom aaacenanite ciuuneubatac Fieilmente, NM" ce ipual a su cuadrade: MM"apewe 2 Ager mani _ 13 Dermacow 21 Matt Mempolnte. Uno matiz dampotende x aqula que ei igual a ax ‘lodrado, x decir. M? = MM ~ Si M es una matris enpotentesmdven (la marta de iemacrces idempotents que as encotraremos lo serd)entonces MM = ML Por ant, Mes usa matizdempotente. Combinando resultados, obtenemos Lue CConsderemos la consewcién de una mati de sums decuadradosy productos eruzads de esvinconesreapeto de las melas. Para dos Yectoes we Ms, em £ ty — a0. neon, em) por tama, = Lio Ew auew Ewcm-o Bane Si yim on do vetoea els © 9. ue ma (MZ. exln maim * Denia que ls dos coumnas ed 1a mctia Entonces = [a yh de orden m 2 entooces dm enformn de devia rexpecto 8 (MPZyIM7) = ZIMMER. = ZZ 24, GEOMETRIA DE MATRICES, lgebra matricial es extremadamente tien fa formulacién y solucién de conjuntos de eeuacior ‘ev lneles Alisa mpo, ne slide algrhrien ene ina hae penn que de gras {yila par a comprenson de los edculos Ants de desatollr fos resultados matemdtico, eel- {Gri e wld veizar un andl geometvico de las malice y vectors 2A.L. Espacio vectorial Los K elements de un vector column pweden ser vision como las coordenadas de un punto en un espacio K-dimensona, tl como Figura 2 par dow dimenstome, 0 como et sgmente que sanetn a ong Y ete“4 Andie economaco GRAFICO 21, apc vce, El conjunto de todos los posibes multiplosescalares de esl linea que va de Oa a. Coulguer {Scalar mOlliplo de wes un aegmento de esta nea. La suma devs vctoies a y bes unfree vector, fuyas coordenadas son la suma de ls Corespondientes coordenadas dea y b. Por ejemplo, “EtG ancients the aats due Ser en sake grata megane Semen cea tee ferences tine El plano bidimenstonal scl conjunio cto ls vectores com dou coordenadat rela, Llama mos a este conjunto R?, Tine ds propiedadesimportanes. ‘+R estdcerrads bajo multplicacién escalar, cualquier motuiploesclar Ue un vector, en un plano, es umbiéa un plano. «= Ri ere cerrada bajo ln uma; Ia soma de dos vertresen un plano, es siempre otro vector en at plano. TDriaciOw 2.2. Expaclo vectorta Un eopacio petorial es wn conunta de vectore que. std cerrado bajo muipliceién ¥ nana.Owe jmp ol count defo mimeo reese eve BY a clement ea Ea getera lente de vcore de Keene ew ec vectra de K dimensiones, dpmindo RY elon pests esti exten he 24.2. Combinaciones lineales de vectores y base vector Enki Figura 22,¢=4 ¢ byd= ah + b.Pervdaequca® lad la tb Adnive 1 2h (ob + Coal = ba, Come supers et eri calc een R? outa obtener om ‘ombiacin net de ny ® ‘DuriwiciOn 23. Base vectorial Un confit de veers a expo tora exw base se fee espace rectors eualgucr tector fe ext ear vectra pole exer om ‘Come puede erase aramente en Figs 22 cies pe ventore se do cee tos induyendo ay b que upuntan en dierent dicvncy,lrran va bse de RE Comets oo ‘conju welores arbiraro en HH a, yy. Sea'y b Lnmun us se, pees eMC nimeron 4) fle que e= 3a? ah Ses Eons e138 tb - ee ay ty eed Las soho et conan eet xn aris ban oh sea ee ne soi, meno ibs = yd = Why Hay ~ eons yl, yy foc signin que be un molto de a Ea tyminos de a condiion platens aoc es nea #19 Been dafeccianes distin mpieaeon le st» Bom taller par de vecores para hin euks et denominad en 2-4 2 distin de ce. eaiones aulguier eto ester © pase saute somo un nos sombinasi Wel dey Ls bane del Spas vectoil no Unica, yu que cuaguyconjuno de vectors que slice I fines Ho {er también Peto pare cualguier base particule, slo uns combinicdn heal dels dad iar a ‘iro vector en el espacio vectors etanercept Aa ee18__Aasiaiseconomttico Sein connate RGVICO 22, Combnctn na de vectors, 24,3. Dependencia lineal ‘Tol con devs suger lo antrinment expoeso se reuieren Kectores para formar una base cn R"Aungoe la base para un espacio vectorial noes Unica, ne todo conjunto de K yecores sed Sufsicnte Emel Gedhco 22.» bon nelmenteindepensenes, caras que a ya” son lneal nee depen Devrsicns 24, Dependencia Heal Un coniunts de rectores es Hnealmente dependiente si in vrateesa elcome pre ser escrito vom ne coin neal de Ts thCophulo 2 Ngsbia malt por lo que by ¢ 4m Hneulmentedependiontes Cunha dele tes posible pares de ein Erinadts «par d asin embargo son leaimene independents [Disnucios 25. Independencia neal Un conn de cores ex Beane Independent Slot aicg soda are rn to amer siquene dein equivalent de base memes oer tonne eK eatoresInelmente benders on et espace an ‘ase pram pci atria. Una base pra am exaco sect de K Dado que cualguler vector (1) puede exribre omo uaa combinacion inal de vecioes base. cualquier Conjunto de mas de K vectors en RE debe se inealmentedepedien 244, Subespactos ‘Deroucion 27. Vettes generadoes. EI conjunt de ada as combinacone nals de wm Canhunt de recores et espace tetra geerade ot eis tectres. ASI por defini. espacio generado por una base de RE es RE. Una impleain de eto aque si ay bson una tase de R® yc ofa vecoren Rel espacio generado por (a, bye] em de fvevo. "Por puesto, ees nrelevante. Si embargo, coulgier vector en KY puade expense ‘como una combinacign lineal dea, by «(La comebinaciGn lineal no ser nie. Suponganon, por ‘emplo, qua ay e son tambidn una tase pra BE "Consderemos ds vestorescuyo terer elemento es ceo, Ea particular, 2,050) y ¥= 100.0) Los vectores ay bo cubren todo el espacio tidimensional R. Cada combinacin neal de y tine una tetera coordenada igual ceo; as que por ejemplo. <= (1 2. 3} podeaecribise como una combinaca lnel dea y b Si (a, ~ ay) a0 es igual a cero (véaxe (2-4), sin ‘iby, etn emg eon cy Lercer elem ex cero pure espresate como wn Com: Bian das Aa ang no earn Re pte rar cont de vcore ‘en cayo acer demento er eto. Tendamos aa ut plano (el turan dena cX Soma Este plane de Rex unsibespucl, yen noesto elemplo, se ata de un subespaci dimen Sonal Nétese que nox Rina el conjuato de vectors de R> cya tecera coordnada ocr ‘Conguler pane en W depencenao de come este oreaado forma uh subespac eiimenstona ‘Conti par de vectoresndependenes que se encvetten en se subesfacio fo eneran. Peo sia tm oer veto que sale en nguna le ecm. nn pndemos gener mae RH excep ela fire bidimensonal A pact del mimo razonament,casiqr recta en Rex un subeapaco {nidimensional. En ele cas. cl conjunto de todos le veciotes en R? chyas coordenadas sn Imutpos de ts coovdenidas det vector que deine la eet Un sbespo un apace veil fn todos fs aepectos en lor cls lo hemos defrido. Queremos eftza que mo tata den vec revtnial de cnnor dewertin. Pot compe RE noo we steep eB Ea fee ‘etna es el nomero de dimensiones de os vectors. Los vcore en R° qe forman un weeps tio bidmensional son ain vectores de es elementos todos ellos se encuentran en el mismo plano.{capaci gencrade por un gonjunte de vuctores om RF tens como mixime K lisensiones St ste espacio tiene menos de K dimensiones, es un subespacio,ohiperplano, La idea fundamental de {a discusion anteriores que cada conjinto de rectores genera algin espacio: puede ser el espacio entero en el cul resden los vetore, 0 pucde ser alga subespacio ec. 24S. Rango de una matriz ‘Una matic puede verse como un conjuate de vetorescolumnas, E nimero de cotumnas de 1a ratriz es igual al numero de yeeiores del conjunto, y el mimero de filas es igual al nero de - "estor columns, ‘vencrade por sus vectores columns. Sila matricontiene K fits, su espacio column podtia tener K mensions. Sin ibang ‘como hemos voto, pola tener menos dimensiones, lbs vectres golumna podria ser Hsien " Gependients 9 pod haber meno de K Consderemos la mati 156 268 718 ‘La matriz anterior contene tres vectors de R, pero el tercero sla sum de os dos primero. de ‘modo que el espacio columna de esa matriz no puede tener tes dimensiones. Tampoco tiene una Soa, ya que las tres columnas no son todas molliplo unas de otras. Por tanto ene ds dimen tioned, ye espacio columna de eta matrz es wn subespacio de dos dimensiones de R?. Denwwciox 29. Rango columas. El rango columna de und mutriz es la dimensiin del vector ‘expan grmerada por set columnas. El rango columna de una matrz es igual al mayor ndmero de vetorescolumnas linelmente independientes que contine, El tango columaa de A es 2 Consideremos otto ejemplo, 2 ' ‘ 1 Puede demostrars veremosexto més adelante) que esta matric iene un rango columns igual a3 ‘Dado que cada columna de B es un vector en Rt, el espacio column de B es un subespacio tridimensional de Rt ‘Consderemos, ahora, el conjunto de vectors obtenidosempleando las flas de Ben lugur de lis columnas. La nueva matrz seria 1563 cnf2 tat asesial: "Esta matic est compiistx de cuatro veetores eolumnas de. (Notese yuc C ex BEI cxpacio “Gohumnna de Ces come mixinio R°, ya que cuatro 'vectdres en R? deben ser linealmente dependien-THORENA tguldad de range de lay range coluna. Evang conn «rang fio Capita? Aiabea math 18 tine la mse vinci, Por tants vag coms oy ln sen Mesa Perotascolumnasde C son bs fias dc B Ast uel amg claps de ss a ea ke Erfccho de que el ano sy columns se Bsc cl ns went Samana to aoe tetas (ue om evan) nbn sgn (gener De le fii de rong fl jo contract pra sh Sige conor pace ay epee column em He mnt do ey Ey Teorema 2.1 seeumple pura eval ang ils enna. Fn sonst sl range solani ‘oop, E ang fila completo s deine Je forma slog, Dad qe Tos tango fia cima de tina maria son snp igus, pos Maar 0 auld del amg de oma mate, Tani Perel rang is ag coins pari ar abanonaten st ss) cng (AY = rang (A < iain fl. we se otnh 1240) Em ls mayoris def cis, extaremos intereados en lis eau Jets matt: his ye Trabajrece Usarimon st rina rene compte pt Sci na msi eye range ig nero de lass gue entene "Fone patica ars si at muti Se ange camp tices de tame inca peo distinc Jpn det sein de R=. Sete un mat nla prs 9 feria que Ax = ® ene, Ano ten rango complet, Equvleslemte i exe lo ate © 0 Ph is cotumsas eA sn tnetments dependents. ya menos ue ths ut epee Como una combi biel e i ts, Por emp. conju de sobs wo wus de sera evalguee mip de x= (2.1 = ‘En un panto matical C= AM cls olan de © 9 wa combing sa de be column Get denna aids colimie de Cd am cleus cana de pose gi Scop dead os gaa es ft mc pene pe a Independents ene expaco comma de. Aplcamne ahora tans ica iss de C1 ‘ais son todas combachnes ines de ss las de BP Tawi ard gue el tan clu ‘Sho pus eacder el rango columna de A. rango Bae € mo poe acer BB Dado que kw ang a clumna som sempre ius, akon cola ie hee eang4AB) my Bex una matric evadrads de eangs 4, a0g4AB) = rangAl 45) ‘La prueba se dja como eer. ‘Guo rnttede que ngs um papel ruil om a carroll dl anda de egtstn e, pte cualquier matic A, ange) = angeq’A) = Fang 46)24.6. Determinante de una matriz Los vectores de fa matrit Arb oy se represencan en 1 Grae 2.3. BL ven del patos nay po las cola ‘obtener neat 1 trdnguloe al contenides El resullado 43) ~ 12) = 10. Este dra evel determi «clas de A fuera lncalmente dependientes es deci, i ‘uno fucra mpl esa del otro) lor dos vectors se enconcarfan en la misma fines El eparale- Togram se reduciia una linea y tendria dra cero, Est implica ques las colummas de wna maiz sim lincalncntedependicnes determinants es cer. Volvendo @ noweto andliie anterior sobre ‘eperdncia neal en Re venoe que te evel enen de (a,hy Bye) = Den (2-4) (El deter AeA esd hes why bly) ‘Connidcte et masin cern en RP. St competamos 10s parallogramas en todas las dimen- sions param conjunte de vectors tridimensional fomaremos un cuerpo solido, es decir, un fiateitops determinant sea el vlumen de este cuerpo. Pero si las columnas de la matriz fou lineainente dependents, is colummas Se encontrar todas en el msme plano (o en a misma Tinea side asi arma, se edi a un plano oa una linea. yno tended volumen; de avevo, tH deenminante werd caver T ste exude general ne comple, tmbign, con dimensiones superiors ula i y sila of theme rang pom 7 1s matrivor de ange complete se distnguen dele de cing incompletadependionda des se is son ci lon Lait algunos marcos em ls que el valor del determinante es ‘ke interés asf que aera eoideramos algunos resultados agsbraicos Tn nis convenicnte es empezar con una mates ingen oo 0) plo aon 0 000 ay 1 column de vecores de D deine una «caja en R* cuyoslados son todos perpendiculares woos ‘otros Sy svolumens, 0 eterminante, ex simplemente el producto dela longi dels lados, que Sesignatn 1h =i, fl 4, (247) {Un caso especiales Iv me identi, para la que independientemente de K, |= 1. Mutip. lin D yon om exalr« cv equiatente a multipear la longtad de cada ado dea caja pore fo eu ripe a solmen poe Por tate bor 1D) ean22 hasinis sconomsnico donde A, es ls matte gbtenida de A eliminando Ia fila jy la columns jE determinant de A, se ‘denomina menor de A’. Cuando se afade el signa correct, (1) denomina cofactor, sta ‘operacidn tambien pede haceselomand cualquier columns, Por sjemplo, un determinant 4 4 se convierte en una sum de cuatro 3 = 3, mintfas ie une 5» Sea unt aumade eines 4 * 4c ‘uno de los cuales es wna suma de cunso 3% 3, et. Obviament, es una buena idea bas (2-51) en ‘un fila 0 una colina, con michos eros en el, si es posible. En la prctca esta operacion $e Conviererépidamente en una carga pesada a medida que aumenta fa dimension de is mates ES limprobable que el lector caleule alguna vez determinanes superiors a 3 3 sin un ordenador ‘Uno 3» 3s sin embargo, a pra caleuluse en alguna cena em exe cant ln igi vapreis seed muy sit tn an tas] = dard Hayate tarot ~ ‘Aunque (2-48) y (2-49) se han dado para matrices diagonales. estas expresiones se mantienen pars ‘matrices generals Cy D, Un caso especial de (2-48) que merece mencion es aguelenel que e =~ “Muliplicar una matriz por ~{ no cambia necesariamente el signo desu determinante. Lo hace tl el orden den matics iempar Usendo la formula de la enpanain por solactone, bones sn ~ Mays ~ Oats Varma 2.0) 34.2. Solucién de méaimos cusdeados ‘Dado un vector y y una matrz X, estamos interesados en expresuty como una combinacién ine de as columaas de X. Exsten dos posibiidades.Siy se encuentra en el espacio columna de X, ‘odremos encontrar un vector b al que y=xb, sy El Grdfco 24 iusiea um caso para tes dimensiones en el que las dos columnas de X tienen amt tana teers oordentde igual 2 cero. Soo Tos vecorcsycuyaleeoracoordenada sea cero, como y? ‘nla figura, pueden expresarse como Xb para algin b Para el caso general, suponiendo que yest tn leqpaciocnivmn de X, psomos abtene lot coficientes breschiendo sl sonunto a wets ‘es en (2-53) Los dstintos procedmentos se disaticin en I siguiente sein, ‘Supongamos, sin embargo, que y no est ene espacio columns de X-En extegjemplo,supon- sgamn que el tence componente dey no es co" Emtonocs mo eNst tn B al ue 233) ocumpl Podemes, sin embargo, escribir yo thes, es donde « la diferencia entre y y Xb. Con esta expresin, deducmos que Xb esté en ct espacio columea de X,y « la dlrenca trsiduos. La Figura 3.4 mucstn des cemplon ye 7% Mor ‘momento, consideremos slo y. Estamos interesados en encontrar el b al que y estan cercano ‘como sea posble a Xb ene sentido de que ees tan poqueho como sca posible erosion 210. Loagtud de un vector. La longi, o norma, de wn vector € 3 tel = Vee 259) =" piped conine n enconar dD pga eel... bel SURF Siraj cranes lm WE * TNCR40IC0 24 Meee mln cn se Jo mar poyuoto posible, La solucin sti aul Bue has © pepe, en ea “ " DDemneciok 211 Vectors ortoguaaes. Don veviores ay on ertagonale, lepers ‘mon como a ba ysdlo st Volvindo de nuovo 4 wear problana se nt, vonos ie tbs scan teem {Al desarrollar ee conjunio de eeuacions obenemes las condiciones (ye=0 = By HRD = hIty xxeT24 __Andisis economévico «0, dado que bes distnto de 0, el conjunto de eouaciones Xy = Xb tow mclodos de reslucin de este conjunto-de eeuacones ge tratardn en Ia Seccion 29, Mie Faguea 24 ta combinacion line Xb se denomino prveccin de y sobre el espacio coluain de Rta figura esd representa de mode que aunque ye y® sean diferentes tienen Ia sree cesign. Le repunta ue nos planeamos ex jque vector. ¥0y* est mds proximo # x rane Eis amel exp color de X? Aparenterente, pra pensarte que yest mis primo. Fee Chenu ys esi cmbarpey* cx Mucho mas paracio a x0 proyecidn gue 3. de iis amen tava pow [ye sector fesnial es mayo, es a mayor ongitd de y* esc Und medi se sonmaracion gue no se vera feta por la longitu de fos ermal eps clic ct vector y su projec. A partir de esta media, puesto que es qauatemente menor aie #2 eambia fe concls6n anterior. TEOMA. ta ey del cosene, FU dnl W eure dos ectores a yb stisfce ” a iat i Ls des vectoresa tener en event en left sriany junto con Xb por un lado, y pon uti y* junta con (Xb) Sel coeno vl ceo, esto implica que fs vectores son ortogonales Si el easeno ie a lca cro ho que igen gue le vectres som Tos mismas, (Lo setan sy estuvera can eunstiscalsna dX} Dividiendo por la Togitudes se compensa el efecto. A partir de est Ghali ubcne ye yes me cercino 8 su proyecisin XB, que ya ha sua, (XDI 28, SOLUCION DE UN SISTEMA DE ECUACIONES LINEALES tener el oman de cenaeionesfneles Awd. es cov ow ye how K elects de xs os nosis, A es una maiz conocid de eoeficinte,y Be ao A tea de wares Estimiy nreson em aber i evite ns rlucldn: sp at Mineiteneia fatmente seve, detrminar si es di 25.1. Sistemas de ecuaciones lineales {En la mayora de los casos cosideraremo, solamente, sistemas de ecuaciones en os qué A es una trusts cuadada, Por tanto, en adelante tomaremos igual a K. Dado que el mimero que filas de A PUT nero de ceuucunes.icntias que e mero de columnas de A exe nimero de variables, (Ete ca el conocido caso de =n ecuaciones con m incognitas» isin ds tips de sistemas de ecusciones, Denintcion 2.12, Sistem de ec ajonma AX 0 ines homaogéneas sun sistema de ecoaciones que adopta ‘Yor dctncon, ina slut ols para sate sstme exer 6y slo oi A no tiene rango pleno Si reyes, paras menus una column de A. podemos escribir fo anterior como, columns eA som Hncanente dependiontes y g¥e Hse signifi, cone ya saben qe eeLane 2 hii malt ‘Derwactés 2.13. Sistema de 0 homogéoeo. Un sistema de ewalones mo homoge reo adopt la forma Ax = b, donde bes un wctor no mula El vector be lige abitrariamente, ys expresa como una combiaas6n neal de as columaat de A Dado que b tiene K elementos, est sole serd posible las colamnas de A geneaa el pac K-imensonal completo, RY" Aniiogamente, ser necestio que lat coronas de Asean Heal wot deel, ye [A 96 al cera 28.2, Matrices inversas Dara resolver cl sntema Ax = paca x 56 acai gy sie a evn pas ame mai ‘Spongamos que puderamos encontrar una matte cuadrads B ta qoe BAI. Sie ema Se evaciones se premutipia por B, se obtendeta lo siguiente Bar tem x= Bb as Sila matna @ exine esa ners Ge A, que Se design como Bean, A pari de a dein, aed ‘Adem, premuliplicando por A, postmalipicando por A”, y eliminando téminos,obtenemoe en Si existe inversy debe ser inica.Supongaos que wo los, que Ces una inversa diferente de A. Estos CAB EAR po (C48 =U By CAB) ~ cl sa na conrdiiaCno fuer igual a B. Dado gue, por (25 a solucgn ev = A", la elucin al site de ecactons ‘Consderamas ahora el flesh de fa matrz ver, Para una matrix 2« 2 TBs e)-b 1] Oubaa t anbs = ibis + Oabia™ | leer a cl _ tee | Ss ew ms comin seme homie tnd lpn st sn ncn ‘ sn Fonte imran od et sf ee rd impice que Las soluione ommace Observemos la presencia del refproco de |A| en A~!, Esto no es especiico para el ease 2 * 2, ‘Podemosinferir que sel determinante es ce, Ia inverse wo existe erinacion 214 Mattie wo singular. Una matriscuya inerat existe ex mo singular La matric invert mie seni decal os la mati diagonal Si 4 00 palo om of ooo ‘atonces Wa 0 0 0 peal 0 Wd O~ 0 0 0 0 = Vite resultando que 14 = iar el y-6tno elemento de A ', La frmula general para caleular Icyl oe Gul 259 TAY Go donde | Gy xe smo cofactor de A. Por tnto, para que A se a0 singular, | debe vr no a. Reree Getto de poscién de los subindices, Para cualquier matrz de dimension mayor ave NES a.59) reprecita una enorme cargn de lca. (Esa es precisamente a razén por la que tsamos ordemsdores) ts relacionados cow ke mate iaversa son” wt 260) i ayy oon anys ay? 0.8) Si Aes simtrica, A“ es simécica es (Cuando ambas matrices inverts existen, apy = BAT (209 Fitmonos en la condici6n anterior (2-64). Puede que AB sea una matrz euadrada, no singulor ‘Sokndo ni Avsi Boi siquers son cuadradas, (Consideremos, por ejemplo, A’A) Generalzan (2-64) tenemos (ABC) = C°4ABy! = CBA 2465) Recordemos que para una matrz de datos X, X°X es la sua de los productos extermis de tas fas de X. Supongemos que ya hemos calculade S = (X°X)"" para un determinado conjunto de tos, par eemple Tos utlizados al prinio de ese capt. El siguicute resulta, denominada . sen Tas hs de ch en tan omens,= ‘mola de actusiacd, dtr eno carob wer Se slr te ade une nueva fia to cami design se ver, ets ms sl he 24) ge sta ie ' ea fC BA IB (ey pana asad gle ter! vs tea bse 253. Sistemas de ecuaciones no homogéneos ara el sistema no homogénco i A. no sng, be ic suc 26. MATRICES PARTICIONADAS tnt esc rp panos sea Cuando se constraye ana mati pr emp secs revi i rag de heme ‘Nc una mati partsionas, Lo subindes de a bry se in de ie as gh lose fon elementon de una strc Un ca saps cl de i mate dna por Mager oe oe dome As Asp 200 mts cron, 26.1. Suma producto de matrices particionadas Lea sae yo pinky otto de aoe ae ia 7 Dies nm dev sh ts en mano i sini as pi ebm st ge ci den rstnane det A Wen natin tah ng aAy Aa]]Bu B Lose Atle ths 248) AGB tA By, AuBhs + Ay Bay [ames Aue, Reka] 1 ls ke atrior. ks mares deen ser oonmales ps ts operacanes en Ins ae ex Snaps Pat fn se le dmensones de A, y By deben se las mises Pata la multipiasion, {lnmey se colton 4, che sr Hail a mbero de las de By para csauier mary FS ‘ice ich estar del tas le presto de aries messin de ie sohmatices [illfees salt] = TAA, + AYAQ] “ [Il SE ah om 262. Determinantes de matrices particionadas 1 datcrmmtsnte de ws eater diagonal por bloguce se bliene andlogamente al de una male ingens Ay Of [yer em Pesala pata wna satis patina 2 « 268 FWA bln ~ AnAiAal : 1 ead pa mas mayors de 2 «2 slacnte volun, yo yrd wena 26.3. Imversas de matrices particionadas 1 wor un at ign pr age Mop fase . Pe ep Pe ok aa tw ct puede voice mente nmin deta Prat ho tir prconaa grat 3» 2a Rv le Savers partied ex pee an a cc eon wi BAAS *edad : donde Fre thas” AyAitAny Esto puede comprobarselAciimente postmultpicando A por a initia. Dada ta melt dt ede el bloquesaperiringerdo podria ecribire tambien como Fyn thay = Ai Ata 264. Desvinciones respecto de la media Uns apc i el ateonmene ego eine fc: Supongaor gut em terumos con seer amen enn, a nia bha [ns] Easiness one ine dco A. Empanadas ey en (274, obtenemos F bee “bE Ob" Sten! Por tanto valor inferior derecho tn Ia oe Ean ‘Sapongamos ahora, que reemplazamos x por X, una matrz con varias columnas.Buscamos e oq inferior derecho de (2°7] *, donde Z ~ {Xl resultado andlogo es, Xx XE XY! pened (229? to ct imption que la mati K > K de la pate inferior derecha de (2) "esa inverse la maitiz K's eayo cemento retina es (2371 Por tanto, cuando na mat e G08 continent linealmente depeoientes. Cualaier matriz A nx K. tal que n > K puede esrbirse dela forma Asuwy, ‘donde U es una maiz oogonia n x K cs dei UU # Igk Wes uns matte diagonal KW ta ‘que w,>0,y Ves una matrz K * K tal que V'V = ty Esto se denomina descompesicin singular ‘de rales (DSV) do AU. (Nétese ques A ee cuadrada, la descomposcin especiales una descom: posiién singular de valores) Al igual que en Ia descomposicén de Cholesky, fa DSV resulta ‘especialmente til para la inversion, en este caso. de A’A. Muliicando, oblenemes que (AA) cs simplemente VW "V". Una vez que se ha caleuado la DSV de A, la iverson es vial, La otra venta de este formato es su estabilidad numérica, que se analiza extensamente en Press etal (1986) 27.12. [a inversa generalizada de una matriz ‘ate leto, existen més formas generues de matrices inveras que le gue hemos considera has hora. Una Invern geseralizads de una maria Aes otra matte A" que sifu las siguientes ropiesades: 1 AMARA. 2 ATAAS AY SSAA es simettca 2 AA* ex sietren atte ein. pr sini a ct seen ey ‘TAGE Bs Cec anapnh vr angioma cb eran a ote pate eoonrar Prom al (980.Puede ensonteare aoe pe ser mata A ta os A no ce eunrada'® Li inks matre que sais hn cates von cl as vera Moore-Pearoe» preudinyrsa dc 8. Accra vn sing i vers ssl nest ‘Sinocideinvcrs onnara Peseta pos galas Aimed ann sn clap hs caste in eso de espa rts et 9 ir abs. donde A nem fis: K' (<) 0 pur toda x ditinta de cere mone A es defini psa tne 2. SIEAX3 (<}0,ara ada x dna de ceo elon sda nes smite ida pst definida no posta) ‘Us pts es et on enon de naan TlAnsseconomévico ‘A primera vista podria parecer imposible determinar a qué grupo pertenece una mati dada segin'l crterio aero uo n puede slope arbtrariomente Pero a partir de renltados ys ‘ator podvems hacerlo Reeitdese que una matizsimetrica puede descomponere de fa forma A-cAc. Porta ta fori evden puede esribirse como. WAN = EAC Sea y= C%. Emtonees Wave yAy e110) ‘3, postive para tol ents independletemente de y > dc, independcntemente dex) {Lace postive ste cr el caso tenlicado anteriarmente como malriz defini positiva. Con- Arve esta Ti se eavonaiont, btenemes ef siguiente teorems, Jimévic. Si tadas las races caracterstias de A son Dinan uneptten, emis hts efnide pontv (defini negative). Saunas de ls races Cini emunces As defini no negating tno positiva st as restantes son pits (nears) Sh onc aes amie metres soma posirasemonces Ae indefaia. Matrices defindas. Seu Awe aa tos ests anteriores nos penmien prohar en cada caso Las condiciones suficientes del Acorema Pars par I conicones nessa, supongams que a eandicién sobre as rafees no SStummpie Tate nes leva ut ontralicetdn. Por empl, s algun 2 puede ser negara, entonses F Ay pin sot negative paling, as que Ano pede ser definila positiva 24.1. Matrices definidas no mepativas ku ed Las matrices finds no negativas, Do eotema anterior se tlc vom este aac A es ens ti, emtonees AI 0. oun Prueba: teinais cs poste ds as races, as euler om posi. {Lo contra sin embargo. me ert, Por ejemplo, una matt 2 2 con dos rafees negativas cescnamene mo dein yaniv sin cmbargo ene wn determinants positive. + Si A es defn posit, también fo es AW en) Prueba: 1 rates son hs occ de A, 1 cules Son. por tamto,posvos Lev mati ied Hs find postion ena) Drache: Ny SSMS 7. Va teh eSiAc we A con tango compte ym Ky entonces AA 6 definida postion y AVA es 4 iva ens rata Se supose ie AYE Bor eae VAAN = ARHARL= yy = SEP 1 met sii puse pose qe AA ex dein wv nepativa 1a ferenein en atime e480 vu comp A ne mis is eens existe un x tal que AX Por tanto yy 2 0, Eas+ Si A exsdefinida postiva y B es una matriz no singular, entore=> sitiva Prncba: wWAWE = y’AY > 0, donde y~ Das Pero y no pusde sr porque B es no singla. Finalmente, ntese que para que A seu defnidanegativa, todas las rafes caracteristicas de A deben nae severe ete cso, Ale positives Aer de orden par y nexatva si A es de orden ‘mops 28.2. Formas cuadrdticas idempotentes Las formas cuadrétcas en matrices idempoteatesjuegan un papel muy importante en ls di a ores auctor conttatesetaditicos. AS encontraremos muchas de ells con frecuencia, Enon dos resultados cenraes de wees + Tova matrizsimética idempotent es definida no negative 1” er16 Prueba Todas lis rafees son 1 6 0 por tanto, a mat es defnida no nepativa por defini Combinanda las propiedades anteriores con algunos resulta ya vistes, obteneos wn resultado corte en ix eteminacion dela dstebueion muestra dz a mayer de Tox conteaaie {adistics estindar. © Si Aes simética€ idempotent, m meAndis economics Las ealoescaractersices de esta matriz de rango 1 son 37 y 0, Por tanto, A ~ B es dct tbaiva, Pars cates Ay B, una forma cuaGrdtica de A seal siempre al menos tn ats como ba de B ‘que empler el mismo x ‘Un ease parila del resultado generale: Si A cx deine Snionses At BA y Bees defnile no nopativa, oy Recordemos, pr eemplo it aférmula de actualizacién introdueida en (2-66). En ella se uiza Ia matrix A= BB+ bb> BBM, Finalmente. en algunos caos en los ave nos interes comparar matrices, puede ser mis conveniente ‘Comparat ts inverse. El estado andlogo a un resultado ya conocido para esalares es: Si A> Bentonces B'' > A"! e120) {¥ease Goldberg (1964, Capitulo 23) . 9. CALCULO Y ALGEBRA MATRICIAL Muchos problemas yue se plantean en econometfa estén relacionados con Ia extensibn de resul fados conosidos de cilewo.a un marco multivariate. Como ejemplos se incluyen ts formulacion ‘de sproximacign de finciones, la maimizacion o minimizaion de wns fancign de muchas varia bey el andisis de la tansformaci de un conjunto de variables en oto. En esta seein veremos Sl eonjuato bisico de reviltadas empleados posteriormente en el texto cn el ansisis de estos ‘roblemas2®. Cade una de las cuatro partes empieza con el resultado bisio de fleulo univarian {ery posteriormenteprocede «la extension para el caso multivariante. 29.1. Diferenciacién y las series de Taylor Una variable y es una foncién de otra variable x escrita ya fieh yeas), y= Hh otters, i cha valor de x se asocia coo wa valor nico de y. En esta relacion yy x s¢ denominan a ves ‘como variable dependent y rarlable Independiente, respectvamentc. Supontendo que la funcion ‘Fees continua y diferenciable,obtenemos las siguientes derivadas “ = 2, SOi= Fe : 4 P= oe totter ‘Fresventementevlhzaremos Ias dorvadas de /(s) cm la apronimacign de seis de Taylor. Una serie de Taylor es una aproximacin poinomial a (:). Sea x? un punto de expansion arbi ‘ete cea, Fs oy fee e+ BSS 3 en Brest a ona ar ed! 1 Patrons expe compe ae Map y ender 700,1s elecsi el mais de eat airs aproximacién. Lis spronimaciones pleas mis rst ‘machin nea, Ws LOD FEE Mette ea 1b aprsinain cadet poe Smee ete pen re HBB ‘done el supeindice snes gu a foc stl evade ew Podemosreferienos 2 una fucisn = X= 8 come una Fanci encalr Vco 6 esiey = Minh El veto de dtvadas peta © vortor grote. simplemente radiate, ey fives, |] em x eves) Lf Er vector gfx) ge empl pra representa a vxior grate Nese ys cs wn Neto can a forma de ta deriva ext determina po cl dnominador d bdevads [Lnrmete de devivadan sage, tre Mela ne ala so, e425) {En genera, M es una matrizcuadradasimérics. (La simeta se obtine para fancones contin porelteorema ve Young) Cada hay columea de H es bs detvada Get tector graeme con Fespecios una de his varblee Por ano, Ape ANE Ae MD we [aepeeeiece acy spies ans Henin am [La aprosimacion de primer oxde,o serie lineal de Tayo. es vase Speonontco 19 PY pe ave anno wh] + aie hens Ls aprosimacisn de segundo orden, o euadrtia, resulta de ati los términos de segundo orden 1 fa wenn anterin,e dcet f elementos ' = bre x7 x. vse ign fa que en 2-126), tenemos ' eae Ret bay Cara) Son mer poe row {ina funn fing pode exrice come vomnorne Faw por boa, a 7 e128) que Max\7x = 8 no a, En un conjunto de funcioneslineaes Notes, en pat yea, cada clment 5 de ¥ 66 nna on beds Blade A. Po tanto, mest se a sin fla deiri 2 i Reonevamlo todos le tains, ublevews que DANK = A Lt fom ts pew me into ware EE sy eu ets va a-[} a} Perera es, x88 fa] a amy fe awa) Pree eng En celacin al dobe sumatoro ateir.obtnemon que pare ca eset Poe tanto, ening, eeteente de ny aehed Tans La mains carta co jena eemeio e516 modo gue, was) Ara ay, any Ena eimscion mxino vrs gen deriva de dterinates Del cco de expe: sion en 3, aA} 7 cave. done 48 in cfc de A. La nso de Ape cao pai de ye AG,I ™ ial Unset cami de ode de ln ain), oq impli SIAL (Aeyh Tal48 Andis sono (0 agrupando térinos, inal aA Puesto que ls ries para lis que haremos uso de estos eileulos en nuestras aplicaciones son simétrias, a transposciOn no serd necestia, 29.2. Optimizacién Muchos problems implican ta bdsgueda del que maximice © minimice (u). Com P40) 6 bt Dpemdicte de f(s ol Sptime debe set aguel us hogs =) ~ 0. De stro modo, be fancit seta relenteo dereccnte en's. Esto implica que a condcin de pelmer orden, « condcién de Stim, srk oy s e134) ie e138) La misma condiciso es ncesari, tanto para el mimo como para el mimo, Pura un maximo, ka {nein debe ser edncava; para un mfnimo, debe ser convena. Esto proporciona la condeisn su dente para un pti: 2.1381 ‘Aigunas funciones, como Jas funciones seno y coseno, tienen muchos éprimos locales, es dec ‘muchos minimos y mdrimos, Una funciGn como seno s/lv| que es de po sinusoidal. aunque de menor amplitad, tambén Tos tiene, pero dere de oas en que. numgoe iene muchos mximos Tocales, tine ino, cn x = 0, en cl eu fs) e¢ mayor que en evalguierolzo punto. Por tanto. © tun mebnime global mientras que otfor maximo son alo miximor locales. Cit i ‘oma tna cundrdia, ienen slo un Optio. Fstas funciones son glohalmente coca scl Sptimo ts un méximo y globuknente convexa sel optimo es un mimo. ‘Pra maxima © mimimgat Una funcion de varias variables, 2m) Es 216) Esto se interpreta de igual forma que la conditi6n neesaria en el caso univarant. En el Spm, debe ser certo que ninguna varacin pequena en cualquier variable lleve a inerementos ene valor dela func. tine iso univariane, (de? debe sex pitive pa a niin.» negati para un ‘mdximo. En el caso multvariant,upicamos una condiién similar a la matric de segundas deriva disdain civ Las condos dessin ren ren tincmiene gc 2s) no) en 9 pei postive pce ting» di vczfva pa wn msi. ‘En un problema dnivariaate, it Sondiidn de segundo orden puede verficarseaotrirment sl clio eb Gis de sina mui. st pss shat amen “Para mayors Tos problems ie spunea ennai hea ps oon ‘envied por I estoctrs lpia, E> dsr, mt pera sea sa orm Com ekimpl de antcrnancite este sn st ptt onde Las solaions om EE JENS men[ii gm sa dsinda nega, Las tes rss ctacciten de ae wate sia 1S246 a. 2S ‘Come laste ffs son negative mati es dein natn tl come se res ia sido newesrio caleulur ls rales carlin del Resi pats yeti Ta onan de {nfidenca, Pore tre general de orden mayor ue 2rd nei el we a ent ‘Supongamos, sin embarzo, ie Aes dea forma ce donde Bes alguna matic conocida. Eaton, com ys amterirmnt, saben gue st Siempre defini postva (uponiendo que tiene rang completo) Np ex nese Aka Is rales curactersueas de para verca las condiions sient 293, Optimizaciéa restringida Con freuenca ernest resolver un problema de optiniaci sujet a slgunascsteieiones ‘Uns sapere splement,incuspors fs tes lone. afin sbjtive ov jmp ene problema de maximizacign considerado anerionmente,supdngase que ae mpc la restielon48 Andiais conomrico = 4s cu Para una resin sencilla como éta, es posible, simplemente, sustitur el ado Kroc de hia ceuaien por, ent nein obetive y resolver el problema rsultante como una foci de isd aio restantcs, Para restreckones ns generale, sn embargo o cuando hay tit ana neieton el mts low lliecndoere de Taprange penporciona un método Arete de rosodver el proba Se tata de asim 118) suite a eyiah = esr 0 ean tel 1 a solucin de Lagrange a ete problema consist en encontrar los puntos estacionaris es desir, Tos puntos os ces he leas son ero) de poate feat E 2e pu eu Gt ctu, ORE SS gu, fo 14) Saou th 11 segun rins e 1 Pete) _ Fete -|*2" Ja 14) x nle Cesta marie devvada de Is estrcciones eon respcto a x. La sia fla dela mate CT ext vector de derwvadas de Ta yesia Tesrccon, cx. con vespecte ax Agrupando téniminos Tas condiciones de primer onde son. P18, 6g, easy) an aspect amuy important deh soln resend tener en euenta. fa oh sMonemen PHN Dac t2cb4d) fn pea mk sfocen vesting, Oe as eran aye wo stip War mt ae A Ee 1 dos mpeacones smportantes +1 solucim resting le sor ineron a solu mo resting. La randn ex que joien ee divine sf soto tetengCoohito 2 bled aida ad + ifs uipicadores de Lagrange som cote entonces teach resting ed ig a ta olen no resting, CConsnsando cone mpl nado anerormente, sopongamos ques cumple ie sigan conticiones: noted, nemean ac ace cto aiian tn expan genera del probleme, exert fx comstantes come ei! Ce = 6, donde eft Rite Mba w= ACE, igmonos en la dimension y orden dos dstintos elementos en la expresisn anterior. En patcu- larc€-esuna matric?» 3 con une fla para cade constant na colons par cada variable ala {uncidn objtive El vector de maltipcadores de Lagrange iene, por tanto dos elementos, no por co ester, Las condiciones de primer onden son OAK FOX =O (eee ccuactones) Cx=0 (des ecunciones) En una dca ecuacisn tendeamos Le sire | pi de a expres deta inves partiionada en (2-74) se obienen os solucones| de -1CA“ICICA te eu CICA 'Cy CA es) ‘Los dos resultados. 2-17) y 2-149, proporcionan solucines anaicas paca A y x. Para las imation epetgne estos: del sem tsar san A [88 |= 9,5)9 ohana fe socion fesitingida x= [13 0.13)” Nolese que en el ealeulo de la slucién para este tipo de problemas, no es necesaro uar la enpeesidn dada por (2-148), que rvuta bastante comple. Una ‘ova ohne h de (2-14 lasoeton pee isetase en a6) para un flee mucho Me evil Fa eon Leteedacten Lartertarten spore un resultado il par el dtimo restrngio: soli testing ~ slug oo rexingi + 128). °C e109) inalment, insert las dos sluciones en a func orignal. encontramos que R = 24375 y a+ 328 To cal musta de auev quel soucin estringda (en este problema de maximlacéa) Cr inerioe ala slucign no testingAnni economdtico 294. Transformaciones Siuna funcign esestrctamente monstona,entonces es wns funcidn une-a-an, Cada se aot co tun valor dex exactamente,y viceversa. En est caso, existe una fancién versa, que expresa x como {uncidn de y. Formalmente amas Tunciones se esebiian como yogis) y =f" Un glemplo of reli inversa entre las funsioneslogariimica y exponcncial Ta pendiente de ls funcidn inversa, oe agers set Sealand a vansfrmacén dex. Pr sem s yrat he sifily sla transformacion versa y Antlizande ta aplicacisn eatnistin de ete consepto,observannos que st ~ ls) fuera rerteul talonoesestono serfs una elacién funciona. La mikma x estar asociada con mas de un valor de J; Eneste caso, para este valor de x encontrarfamos que J = 0 lo que indiaria la sngularidad dela func, Sis un vector columna de funciones, y= fx) entonees & ¥ DsulOy, OeWlOye OyiDs Paley, O/Pye Peal Ae Den oe Adin, Congiferemos et onjunto de funcioneslneaes y = 4x = Ax La tranformacion inersi es xe Pt que sere aay 31 A eo singular, 0 bien x0 i Aconex Ja mata dena parca Ge aoe ve: yep “Lin. (B1 valor absoluto del deterpinante de J, abaliah 42 Aetie navel 61 Jacobian eb traanformacion de x8. co 8 1 abstain = abs.y " 1 aa tt tl jacobiano cero implies que A x singing, 0 eyuivalentcmente ich teansormaciones dey ‘Son foncionalocote depen. El caso singular cx ange al er en tae tenemos vara Caran, to ‘Sry cntonoer las tnsormaconen inverse exisen,y faetios wien A. Sta chy demas obtener» ws anne denna ~ A pak sult a pte 9. HEgue 9 EJERCICIOS 1. A puri as mates calule AB, A, y BA 22 Prucbe gus AB) = tnBA) dome A y Bon os matics eases ques cantons pre ambos priv No es mses gue sean eure rt 4. Destro ot post de atiss NGC AME (CD UREL © GIT Sapeag e tsin bbe mative von cwadiadas yao Ey Bom mo sgl 3 Prucbe que ta'a) 5. Prucbe que para w vectors olan KH 5 Acta dee Et me, a XK Ga an ar Xen y Met dts on 2-1 6 ada una mate cuadrada A oy columns 8 faye ton yn th watt onstaid prt de cualsee espoion de oe sloninas ela tat flentidat MP = [Ove eperacin sewers mtante Es mllaplicacsn de AB "de A 7. Consider caso de la mati B 3% 3 en el Eereeo 9, Por ety. oe a=lo01 Cael BY y 8 Repita ls operacign pura una matic 4% 4. {Puce generalist el rel 1 tudo am .52_Andite conomético ® 1. 2m. 2m Calle PAL WAL yA“ para 147 a-[325 524 Coin ta descomposicin de Cholesky de fa matez, 7 Ta ‘nus mattis simetrca dein posts A puede tambien esribire come A = UL, siendo U tion mates (tangle superior y LU Sim embargo. éta no es fx descomposiisn dle Fides “Oh ¢ drsconposicn para kt mati de Ere 8 Oe operaxién se realiza al postulipisar wn matey por un mattiz diagonal? Qué Same cow ta premise? Sow posits las siguientes Foxmas cadres para todos tos valores de x? fared yet lt Gh RES SEL TE Faaysy 6G 664 ey Dre gue tA = AB ns mais A es mlpotene i Kin AE, Pree que un eondicién necesara y sufciente ‘pars que unt matty sinxtich 3a nilpotente es que todas sue raices caractriticas sean Inenowes que a et valor bolt Para una aplcacitin, vénse la Seacién 169.2) ceale. {us es ee ARTE? Ahora supongs que cada Supomgs que A> ACL sem = Whos Un ez and pg 6 ACA CConproshe qu lis soins las costes dterninantes |B = ZA} = Oy [A°"B = 21] = 0 fouls miso gam se tela ls secon de esta eeuacidn con Toe de la ccuaciin Te MUL Asam an pticacin sl primern de ontas eouacionoe, wage 16824) ‘Usa la mati A dst ecco 9, eneventre el vector x que minimiza y= Ax + 2x + 3xq 10. [Culicral nature yen shiminima? Abors, winimie yaujeto ala eerrcidn vy 4 25 > 1 ‘Compare Tas dos sauciones {ai xe jacobiane para be gion teaneormacianes? Prache gue intreambisnes dos enunnas de una mati cuadrada se cambia el signo desu Uitermmante [Sugstenca: Une ns mati permtacion, Véase el Ejercicio 6.1 Soponga que ve ne = es sseale ju es (PW ANA RAeptute 2 Algebra mat 22 Suponga que y ex un vector m x Ly Xes una mateam « K, La projecin dey en ol eapacis columna de X se define en el texto despots dela exuacin (2-55. Ahora, consdee I fiém de x4 ~ cyenel espacio columns de X° = XP, donde cc an eal res waa tation Singula”K x K- Encuentrelaproyecién de y*en el espacio columpa de X*,Prucbe que osen del nguierenre1*ysuproyecién ene espacio columns de X*.es el mismo queenté Dy su proyecion en el espacio columna de X.;Cémo interpreta este reulado? fag 23-5 cove P= NOR} y M=~ 1 Veiiue que MF = 0. ado fa) {Seetrenda: Demacite qe M y P on idempotents] (a) Calzule Py M basdadose en XQ en lopnr de X (0) ;Cilee son lav riee carats de My P? An A parte dota matiz Q 24 Supe que A oe ua ai 9 de a fren Ant ph pi, onde es una cutumna de unos yO < p < 1 seriba A explicamente param = 4, Eneventre todas las ales v vcctores atncteitico de A (Sugerenca: Hay alo dos ales aracertcas asia, com mullipicdad Tym ~ I. Cada ¢ de un cierto tipo es un vector caracertsteo de ‘A] Una situcion en la que se sa una malrz e est ipo ued encontrarse en Ia Sexi Encuente la mats invetsa de la mati del Eercicio 24 Sugerenca: Use (2-661 ca 26, Prucbe que cada mation lasucesiin de matrices, Woo Ws ads onde W, = Ie defiida poston, Para na aplinsitn vue a Sascisn Para una genera lzacién, prucbe qoe cada matria en la sucesién de matrices defn en (5-22) ex dfinida postiva st Wy =H 127 ;Cudl esa matte inversa de PP fst 09 LS cto {Cudles som as races caracterities dP? 28, Oblenes os slemenios que stn fuera del Hogue diagonal de A. cn ba Secon 264, 29, (Este sjetcicio equere ef uso de un ordenador) Para ta maiz XX dt Anal de ta See- on 68, (2) Caleue as aes caractritins de XX () Calcul el nimero de condicsn de XX. (No olvide notmaizar lx columnas de matin ‘ara que ls elementos de In diagonal sean 1.)a 32. Capitulo Probabilidad y teoria de la distribucion INTRODUCCION sspone gue preview ha suid un cus de studi, sho dh cis os pass tans pret Hn reali mas saa ds fs aon tron eda oo VARIABLES ALEATORIAS Iwsorpetamon aust obervai eal 1 ellen ot experientoaleatono, A lo esos del experiment x ks aig valores numeicosumios, semaines uno a uno: ead realizacn obtiene wn valor.» nimgn par de realracions distin nie af rho el amo valor Ca warble de reinacin, X- a viable letra fc, frase que el enperimento no se lev enbo cl vlor que tose X ex nce, proba Sc asian com ls fealizaions pur cusmiar esta Inet, Uliano ean masses pa el snombre- de la variable aleatora y mindsculas para el valor que tom. Por tant, ke ababiidad de que X tome un dstrminad® valor x punde wa indie por Prob = {Una variable alestria es dre sel conjunto de realzaiones esto en let 0 it ero numerable La variable alestors es coats il conju de valine es afitencate Ul , poe cant noe numrabk tas definoues ve cosesponden son hist de as ‘gue observamon ia prt. contac de secon gens mcrae wes tor sobre variably sestoras continu, 321. Distribuciones de probabilidad fobs valores «gue toms una variable sari X y proba soca es func de proba (Para ya vane alana dsr ‘Stay = Probix = 9) on{Los sniomas de fa probatitdad requiren que 1 Oe Prob = 91. 2 EM td EJEMPLO Modelo Poison para an resultado diseeto at Ser \ el mimero de elintes que Hepan a un cajero automsiico de un banco en un perfodo de vim selec sleatoriomenes de duran dae. Un modelo frecuentemente wiizado es bs distiborn de Poison ne Pome wn Sa ins mo de proms Hepa demi pete de en ‘Stic yale dl a de melo le pbuh et de eco on “nat con manne ques sive El nim e proces es por pac toque sr Pe pssst de lar poate fr te melo rt aru el caso continu lx prohabilidad asociada con cualqive punto en paticlar es cero, y solo prem asigar probatltes postive a infrvalos en e range de (a) se sfine de moa que 131 = finieeo on Fate est dtea bajo (10 entteu yb Pata e easo de una variable continea, 2 Popa 65) Sit rango de » nos ifnito, es comprensible que fis) =0 en cualquier punto fuera del rango apvopiate Come la proba asociada con clguicr punta individual es, Prob y Fd > Fob 3 Feast 4 Fox) De ta defnicion de FD. Probe © «<= Fi Fla 6.109) ‘Custer vida implica una FD via. de modo que noes necesarioveriicar estas condiciones 33. ESPERANZAS ¥ VARIARLES ALEATORIAS ‘Denice At. Media de wea variable aleatoria, Lr med tora ‘valor esperada, de una variable E xfis) si x es discreto. F om [sods ssn ed La notaciin £,o J. que utiliza a partir de ahora, significa tx suma ofa integral sobre el rango caimtise We lon valores de x. La media se representa habitualmente por i. Es un promodio onderado de los valores que toma x, donde las ponderacionc sn las probablidadesrespectvas Paneer incntc un tor de ls que toma Ts vaeablealeatora en la prdetca. Por ejemplo, el numero esprado de carey cuando se tira una moneda equiibrada una vez f teas medidas de possi central on la median que ese valor m tal que ProWX < m)> by Protik san fy iy moda, que ese valor de x para el ue fts) tome 28 valor maximo, Lt Foner de esas imedidas se itlza mas recuentemente que la segunda. De modo informal puede Prime oe lations ee corexponde mds aproximadamente a la mitad de la dstribucin que la Sohn No te afetan los valves extremos. En el caso discreto, el valor modal dex ext qu iene probabilidad mayor de suceder ‘Sette una uncion de x La foncin que 8 valor experade de) se india DOr Fl ProWX =) si x os discret miasn=4 or ey Jo eeapiads sa comin Sis) = be parm ay b constantes, Bla + hx] = a+ BEL Ln caso importante ese valor esperado de una constante a, que es simplemente eee Drrnaciow 32, Varinza de una variable alentora. La varianza de una variable aleatoria es Voefe] = EUs ~ 0) Sx= wife) sixes discrete : oath fit wisi as cominanAnda economtico slouch dol doisbasdnHcdelo de vata ssp lianas sigcns ea, dor importantes Yared = ete 9 ws) Un corolario sil de 0-14) e5 epey ea a (19) ‘Slinsertamos y= « + bx en S13) ydesartollamos allamos que Varfa + be} = # Vas} 16 ve implica, para cualquier constant , que velo, on Para describ una distribucién, normaliente uilzamos , la rie cusdada poitiva, que cs lt ‘esac tipi, 0 extandar, de x Se puede consderar que la desviacién tipica tiene las tnidades de medida que xy jc Para cualquier variable aleatoia xy cualquier constant postva k, la dsiguabdad de Chebyse establece que 1 Prob ha ao on y arti] = Wwual*Varl pas {Un punta # ener en evente dads (3-221 413-24 es ave Es] en gona Darket caso particular em que ys seu sata fs deny, sg ft < 0 sabernos por ‘Deasen gue asi] © HELI) esse et Teorema 4) Por sjempo, Flop] « lot) 34, ALGUNAS DISTRIBLUCIONES DE PROBABILIDAD ESPECIFICAS ‘Algunas stvacionesexperimentales dan Ingae de form nator dsticiones de probabil ‘ahocTica Sin embargo, en economia en bt mayor dels cn a tebe izaday a SMBplemente models de ls fendmencs observados. Aung lst norm, gue analiza Farr detatl cx cl soporte de la Investigacion economics lx exonomsts hah izado Wn rapa gima de ditibucionss, Algunas de ells se anslizan ui? 34.1. La distribucién normal La forma gene de una dstibucin normal com mei yds Wp 9 fis|qety = eo 1 arth 20 ON avin * Esto se indica habitualmente por x ~ ML 2] La motaciin etindar «= FU = atin para Cnoressr que ex tiene une fancion ue densidad ((c). Una de tas propdades mis tiles de te ‘inribucign normal es que se manlene bajo transtormaciones neal, Six ~ Myo") (a + bs) ~ Mla + by be?) ean “inn mo complemen Mal 1972, Cpt 8) eu a mn dei eaten ae means ee i Pe 009 Sat 9 OH OH60_Andas sconomsuico Una transormacion partiularmente Stl esa = —/e y b= Ho. La. yariable sespltaig + “ se tn nal dni ep po on ei ta] Ue os texion de statins 9 sonnets aparecn tables de In FD dela normal Ta forma de la distribaciin no vata bajo wansformaciones lineal, 0 is valores de py 4 Pata cualquier sariable normalmente nr mayo stand, Com neces ob lsbcion pea Gittins, ‘gue une wbtenerse en una tabla de ta Canin normal estandarizada. Ademds, como ta disribu- ‘iin ex siete, "H=) Pave tanta noe nesesaro tabular ambas mitades, posiiva y negative Ta dstribuckin, 342. La chi-cundrado, ty F {asdistibniones chienadrado,ty Fe detiva del dsteibucién normal Em econometiasurgen tonne tye vatabls acon, Fst res distebuciones estén asoiadas con uno ds purinetos Ue optadon de liberals. gue part nuestros propésitos sen el ndmero de ‘viable en Ta suma relevant. EI inci de los Fevultades eseniales # Siz + N[O 1].y = 24 ~chicnadradof} les decir. una chcundra com vn grado de liber. ~rUl 630) sta ex wns distribu asimética con media fy varianza 2 El segundo es Si syn Mp soma siableschicuadrado [1] independents, entonces ds chicundradoln ea |armedia yl vrianza de una variable chi-cundrado con m grads de libertad son ny 2, respec: aioe is se erivan lzando (390) y 331) fe Sis 1 Te meson varies N10, 1] independiontes. + in oe Eto 7b) 039Caphule 3 Probie y moi i dibion 61 1 Six, fx sbi viable eeu i xy tes Plath om ‘eto puede generaizare fx sma de un mero arbitrarn de varaben chi cundrado indepen donee 1 cirencn Je la distibucdn normal, se necesita una tabla distnea de i dstibuci chi caro par ca valor de m Habituamcoe, sl te nbulan unos poco pontosporentuales de In disribocitn para cada m1 Tabla 4 el apne de este Hiro presents reas de a cola derecha 1 Six, yx 10m dos variables chicuadeado independents con padmetros de prado de be. roy ‘ipue le dsrbucn F com ny grads de beta, Loe ds pardmetros de grados de libertad m yn, som os grads de ibertad del sumerador y EDD AO =DD w= espn : 3.6.3. Covarianza y correlacién oa cuayse anehin 1 Yak sists) en el can dicrter * (est Elgbs WM | J, Jae rue sntrds a continu a enanas de ev ao ees Cov[x, y] = Elle = 400 ~ 4) = Ato] no, osm68 _Antisis econométrico Sic rom independiente. fl 9) S40 089 LE niagonee~ noe) Zee~ marta Eee ~ aon Fyn lete EE signo de a covarianza indica la ditecidn de a variacinconjunta de Xe ¥. Su magni, sin _ embargo cpende de ne esa de Medd. en vista de To cual, una medida peferible es el coe ese corelacié PEs ¥1= Py -f osy las esviacionestpieas de vey. Pl eneficiente de eorrelacisn pene sioipre entre 11 yor tomo Te meet dont espostsament ten et sane apo ge cova cw ef stables ‘rn earahles que no estincorrlacionads no soa necesariamente independiente. Por ejemplo, cn la distibucigndiserota J 1, 1)= ((0.0)~ f(t) = ya correlacion es cero, pero (1 1)n0 es ual a J{1V/{1) (12) Una excepeion importante ela dsteibucién normal conjunta, que se {Thalia ans lclnte exe caso le ausenin de corrlacign implica independencia, ‘Algnne sles penrales sobre las espeanzas de una distibucion conjunt. que se pueden verifies pliant he defiance apron, sow Phas Che eats) BELT os Vartan hy c] = a Varbe] + b*VarC oT + 2abConde oss = Varlus bt Gonlun + hy. ex + dy] = acVanlx] + ha Varby] + (ad + beICOvES. 9 G56) SUX € Yom estén correacionadas Varhe¥ e1 = Vale 0 = Var) + Var} cree Para cslawier pe de fnciomes gfe) ¥ gtr slx€ ¥ som independientes, Flats) = Flay ETa,0. on si fonein de na variable aleatoria en (3-4) tiene que modificarse para una inongamios que x, ¥ sven a dstibuckn conjunta. ts.) ¥ QUE Yy fry son ss fuciomes monotone ey 8 Pose Pers onas ns tansfornnacones inversas n Con te Incas sm eo nlt,_Caphulo 3 Probabied y wove de lb dteiin'- _ Ha Y ean) evista. EI Jacobiano de la transformactén ee valor absolute det determinante de ly matrz de | iF Hic 98> etn A Jacobian tiene que sr distinto de cero para que a transformacion exist. Un Jacobiana igual a cero impli qe las dos tansformaciones son fucionalmentedependients Jxviory Oxylpy at Jaever, Axyha be fAEMPLO ausforinacions eles Supongamos que x,» yest dsrbuidas independinlemente como NLO. Vy que ls tran formaciones son Besa tBu + Bats S95 + Bs + Raat : JC st dist uci coniunta de 6 4? Ex nds ecribir la transormacion coma yaa Be PO tat el Jacobian es J abel LL distnbucidn conjunta Je x eel predic de las probabifidades marginals ya que son independintes Por tant, F081 = 2m) fe 8182 = OR) te Insrtando fos tesla de igh y Fen fis, 9) noe de al nin 0n Esta dlstibueign normal conjnia exe objeto de estudio dela Secciin 28 37. DIS RIBUCIONES CONDICIONADAS (C) SO BIVARIANTE) ‘Condiiona yuilizardstbucionescondiconaes juga un papel fundamental en ta modeliacion scents, Vans consierat algunos esleador generfes para una distrbocinbiariane {dese testtados se pocen extender dretamente al eas mulivariante}Signe economic tribcioncondicional sobre y para ca valor de En una distrbucign bivariate, hay una [Las densidadescondicionales son Hy») _ 09 rina Beet os , Sei) 00) De dtr ae Si yom independent. 91. 9 fet Fe oon La interpretacién es que si las variables son independientes, ls probabildades de los sucesos ‘laclonados con una variable no setdn elaconadar con Ie atta defnicién de densdades Condizionales tens como implicacign el siguiente resultado importante Bs. 1S) = fei nfo Cy 74. Regresién. La media condicional ‘Una media condiconl es ln media dela dstibucin condcional y se define por J opoioray oye comin, epia={" en Eafole yes die ‘Ala funcidn de media condicional E[yx] st le denomina regresin de y sobre x Se JEMPLO Reqreién on wa dltibucéa expooencial ’ Consider la dstribucin condizional ok [Notexe que ls densidad condicional de y et una fancin de x. La media condiciona se puede ‘blenerInlegrando por partes (ode manera ma simple, utlizando los resultados de a foncién ammo fjtndose en qoe esta es una dlsibucion exponeacial wun A = 1a + Ax La media de {ina distobucion exponencal con pardmetro Aes 1/4 Por tanto, Ebisd =a Bx ———————E————E fois) my yRO0Kxs | na friable eto fem fede exci como AU] + 0* FD pal a taEJEMPLO Regresién Poison 36 En su esto de 1984, Hausman ot al (1988) supiren que fi oarbuci Poy [Efemple 3) os ta movil razonable ara ka sinbychon el metre pte fas empress en tn detenninado ano 1 ne Be whe Sin embargo, se sabe que cuanto mds s invite ea investigaciny desarrollo (RI mayo ca en Srtmadioet ndmero de patente ecbidas Esta ileroccin debe aeetar ve dstbucin de Tre. truye ene as emprenss 3 una coestisn colsteral que pts sr © n0 de certs Poro en lo que estamos interesados es om edo inieractuan R y ef nnere mao de terete Cn ef me sf pats cebidas es, supongarns eB distribwchia previa de Pes condisonal en Ry especifcames qu Anas R= PLR] LEsperariamos que fue posta, Por tnt (e+ pr rime eee 101) Fi aque capta el efecto que buscbamos Observar un gran aime de tenes pa flit um ‘Mor ate del proceso Poisson, o bien puede que se derive de un valor inusoalent to de R precio Peisoe,o ben ke ee ——eeeoOoorrr 3722. Varianza condicional La varianza vondicionl es la varianza de la ditnibucion condicions Varbelx1 = fly ~ ECs1 D187 oon Jr etrennds se mins Varbyis] = 2.0 ELVIS ULSE 947 © ner El efleulo puede simphiicarseutizande Vary] = EL? bd - EDLs oon EAEMPLO Verianen condiclonal ea um modelo Poisson s Ladistibucién de Poison de Ejemplo 346 ihstra una tramps qi at veces se da en ee eaaarinn modelo eeonomérico En una distribucin Poisson a media es igual la varienza Se ea ct ln ponbiidad de qve # + BK psd ser negative par algnes valores de BPR No slo este un parkmeroen casi cso In para a cstbueain Pos, {Gee lends, permite une vadanaa nega ‘un error comun de espciiccion' 7 Yard nl 423 cal prin de var pene sn sens ee eed Cage72_Antiis sconomavico ‘Alo sativa condicional seta denomina fancién cedéstien® , como la reresién, es generalmente, anc din ornare iscne ola nein de a media condisioal to habitual esque Invarians condicicmal no varie con s. Fxaminaremos un caso particular. Esto no implica. sin rm aye Varls Ix) oa igual Var gue, en general, no sere caso, tmplica solamente, que vignvtcondicnal x una constante Eeaso en que Ht Farianza condicional no vala om x se Aen homcedaticiad ana ja constant 327.2. Relaciones entre momentos condicionales y marginales ning svn Ta bey det ye rade LEU 0469 M a notacien finish egstanza sre valores de {ENILO in i {Pn a dhsiribucion del Fjemplo 85. suynngasnn yuc se dsribuye wniformamente entre Oy 1 sna mg a= yd cnt ice else be nyt mt [OG tern bow talsh dea Hoot eet meee 04 arn nel a Frcs dain rie Cntr Coal fast = [6 aroneteraniads. 9 Sin emborg she prin, yest caine Cabot Cabs AEST te sh aon Heb Apalo 3 Probebided y erie Loe ejemplos anteriores proporcionan wn resultado icodat pare cl caso especial ef ue lt funcién dela media condicional es lineal en x FRORENA Los moments en una rresin linea. St Efy|x] ~ #1 fxs entonece i Fi) FO os , 0 ats em 1a peut se deta de (146) y (67, Fligiente orem thin araece de vera format cen cl alii de regres, FEORENT Descomposicién de a varianan, Em una distribucidn connaa Ey Varty} = Var TFty{sT) + B,{Varbs1 Nal te he + Las dstibuciones marginales son normales: f 1.791 «+ tae ditibucionescondicionales son normals: fl = Nhat Bs. 3 ae Ps 6-80)«+ «sum indepeniontn ey lo p= 0, La densidad se desimpoheen at Bhseta de Ine Ads dntribucemes marpiales normales si p= 0. nal es meno ie i vavanzn marginal, In ie es conssente con lo resultados de la 1. DISTRIBECIONES MULTIVARIANTES, tos rosy ls dsricone: biorianto ne pueden extender diretamente mas de {ish Para ele ex convenient iit matrices velores. El \eming vector aleatoro se aplica rinbles aleatoras La funcién de densidad conjunta es /( tmentne qc ft Fo ro [7 f f Hind dog le oan ices en n variables. La distibucidn marginal decade una ( de varae) ene te la ED 6 iene tne sunandy sre ls ras variable, 39.1. Momentos 1 valor espera den yet @ mati, es vector o mati de valotes esperados. Un vector de mw] Petal me |] Bs] | spy oy wd Late Destin hi eee ade, oat bey = Hay Ad Oy = Ble Ws HMO. Md OS ras tad oo Oe sy be nite at ee eee ein Ese By Md Ase Dy HN es del producto Elvan eyerate de cada clemento de la mates es a covatianea de las dos vars (La covariate una vacible consigo misma ex su varianza) Por tanto, Flee pte my fn in M3 eal = Hew] ge de varianzas y conarianras del vector aleatorio x. Por tanto representaemos la rinse un sector aleatorio en negra, como en Vaid = 3. qe es Amature varias yCoot 3 Probibidy tors det dtl" Dividiendo «i, pore obtenemos la matrz de correla: i py ps Pu neff bra Pn 39.2. Conjuntos de funciones fineates caso molivariante Para la tei, honey | sy 1-1 aged Btn] = FL) + aC) + oy Yara a vara, Vota) = Ff ~ Fla = Eline ~ FISD?) = lave = a 8] ya ave FIT icy ate = b= (eet Como a 6: un vector de const Ex ~ wa = ple axe Bas) Ed aun, ‘Com er vor eaperads de un euadrad ubenvon ue le vara no puede ser negaiva, Commo tal 1 fori cuadrdicssnierior ex no nepativa, 9 Ta mai simetrica vine que se no-negatva, stn, En el conjunto de funcionslineaes y= Ax el elemento -simo de yess, ‘sina ia de A. Porta Fly) =. ‘Around fos reads ow eco tence Flax) = Aw 89 Para dos vetoes ila ay a Contacte) ate! ‘Com a! Ea! el si elemento de AXA VartAx] = AZ A os Esta serd noxnegativa dfinida postiva deinida, dependiendo del rango de las colamaas dea,39.3. Funciones no lineales Considérese un conjunto de funcione, posiblemente mo inci de x.y gt) Ca cement dey puede aproximarse por una sei lineal de Taylor. Sea el veto ila de detivadas parcales de la ‘sims funcion con respecto a los m elementos de x ie oa atoncer, procediendo de la form ya conacida,uilzamos wel vector de medias de x, como ot punto de desaroll, de tal forma que j exe veetor fila de denvadas Entonoes, fe) = ua) + He ~ wh 089) De esto obtenemos, Elusxi) = ia, 0-90) Varfo(all = #2, os Covytsh. ofall = #27" Estos se pueden agrupar deforma convenientereordenando los vectores fla en una mi Entonces, corespondiendo a las ecuaciones precedente, tenemos Las] = ota 693) Varta} = 3 694) La matriz Jen la ines anteriores y/o 3,10," LA DISTRIBUCION NORMAL MULTIVARIANTE EI fundamento de Ia mayorta de los andlisis multvariantes en econometia es Ia dstibucién ‘normal multivariante, Sea el vector (xy, yo» = X el conjunto de m variables aletoras, 30 vector de medias, y X au matrix de varianzas y covarianzes. La forma general de la fanciin de ensidad conjunta es fay Any PH ME IH Mm 099 SiR es a mattz de cortelacin de as variables y Ry = o flo. Fee) = ay aye 0.) IRIE 1 onde «, = (0, = nde" Hay dos casos de especial interés. Si todas las variables estén incortelacionadas, p= O para 14) Por tanto, R= I, ylafuncin de densidad es fia) = Gn) oye, 0) Met? 66) os = pesayten)~ fea = EL feComo en lca bivariate arabs noomnnte dss nrc Independienen Sin y w= B,entongcss,~ NO, |) #, = Sa) aha de densidad e> ee nem Finalmente, t= 1 We ear 6 va muleariate estandarizada 9 disehucén normal eric sta es a non 310.1. Distribuciones marginales y condicionales normales Seay eualgucesubeonjunto de as wtb, inlsive el cao de una dnc vata, y a6 9 fs estates YorilesParcionemes py 2 dt la ming forth do modo Que a ee Entonces, las rbuciones maruials sop labia norman partir sc canny gene teorema ‘TEORE stuciones marae y condiciones normals Si [xy Xe sig deb neon 36 armel meron, enfonces su dtiuclnes argh sem = Nm Zid 0) , Aes Nou Bea pao La dsr cndctama de ae Xo m, tbi ayes Mu Band ey Martane PEE ae) 8.1029) Bust Ba Buda! Bes (10) Prueba: Pasicionamos yy 8 como sha outa aternrmentee insert is tse (593) Para construe ts densidad utzumas (272) pr patna ef detente WI Bal BBB (2-74 pa prtonae Ma ners, a 2] a a Bn En BE, Ef BR Por comeaida, denims Borys Insertand eto en (395) yagrupando txminos genet densa conjnts come pasta Fler ous 3.105. Una forma cuadritica de rango completo Finalmente, considérese el caso general, x~ NMED [Extamosinteresados en la dstibucidn de a= W/E wh G16) En primer lugar, el vector pusde esribirse como 2= x ~ yy X es la maiz de varancas y covarinnzas de # aif como de x. Por tanto buscamos la istbucidn de ge ede Varta oy donde 2 se distibuye normalments con media 0. Esto es una forma cuadrétia pero wo nesta mente en una matric dempotente'?-Como 3 es defn tiene unt ral euadeada. Defi ‘mos ln matric simétrica 2" de tal manera que Z"!" =X, Entonces, yhegug- 9 4, Be ben mace vanazat 9 covnacas guts i embark ase eg See Set men ape sem tptAlora w= Ade mots gus Bw AHL) 0 Vorw)= ABA ORE Tat oie wn sede intents Tome Ditiecin doom vector ermal etandarsnde Sin 1p, pomowe dH pI 39 A ‘sma de cuadrados de norms extandsrzad, enc ete Ys so especial ins simple es aque en que x so tiene wn watiabl, de tal manera que fa ses slant yh, Contr eta (3-32) ne cn cameron TEOMA Divelbucida de V2" eauade \ es my aarmal estindar. Si v= NIM XL etry MO (em gle N= wr lah 2106, Independencia de uma fo {a Wnteibacin se lian mon sonra de laps La ms sins ane ame eLcocente ue uaa forma line sobie uta cuidratica en veeol hota Pats istibocién de estos estadisticas,uiizamos el siguiente resllado. for His y ws enti, a sacs spec sige bs stb 8% so ‘Aan (A}(ART La matric de varias J covarianzis de as varbles Lx y Ax os EA = 0 que tstablece be indspendncia de esos dos yetoresnatrios La indenelenca dela ait nly ‘el forma carta es un consecienea imei. ja be las fvione le vetoes akties independcnss son tambien indents. Tes ition tse define corm el oct cre ts wi wn exc yb ale ‘adrada de una variable ecard dvd por grads de era, tn rs depen ‘ents: vie wl Bina Un caso partie84 __Anétisis ecomométrico donde se a desvacintpica de los valores de x. La distribucion de las dos variables en rf» ~ 1) Jae blows antedormente slo neceslamos mostrar ue aon independientes. Pero L vite hives eee mi ‘asta com mostra que MT] = 0, lo que sigue de EJERCICIOS, 1. ;Caintas manos de pique se inc carts diferentes se podem repair de una bara de 52 2 Catene la prota equ se rept eat cas dew msm palo en ue MANO de quer 2 Supvnge qu wm lle le ftera cuca 1 dolar por paride, El jucgo se juege ancando sis tnimctos sin repos de hx nmeros 1 al 88 Sse adivinan foe seis miimeros,se gana cl promo. Aor. sponga que N= mimera de billets vendiosy P = tamatho del premio, N'y gaa ion elas Ne setae Pons aan 5 Pes meow en millones Ca esl valor espe ols de que pucde tener que compat el premio lo de un billet en este jeg? (No se ‘otros ganadores) 4. Si se distrbuye come un nerinal eon mada 1 y devvincién tpien 3 euler el valor de las sigicnes phates? (a) Probl = Oh Probe Ts BS 5. {Cuil e aproximadamente, la probabilidad de que una variable aleatoria distbuida como Sa ciecmadeae som 364 pradinse tad senor que 297° 6 Desiquild de Chebrcher Halle imite probabilsticn inferior del suces indicado,utlizan- Ae Traesjuaia de Chebvehew 1-43 7 In praia exact wean ls tla oped Ge Ls Stents anciones de dstabuctn, (a) 5 = nowml(.P Ly seed {hy <= chverade, gon & prados de Whertad, 0 << 18 7. ice sigwimtedstibucin de probit conjumta, x ® ' 2 v| ous ar 003 i one ie oy, a) one swCale 3 Probabied y worl de usa 65 an (@) Caleta ipientesprobbiidides () Peoht22) 2) Probl <2, >0} 0) Probl = 1 x> 1 (0) Halle tas distibuiones marginals de X e ¥ (6). Calele BEN}, ELYI. Var} Val. Cos. 99 y EEPVT (@) Cateule Coulhe 7, (©). ;Codles son ls distibucione condicionaes de ¥ dado X = 2 y de X dado ¥> 07 (Hille E(Y}X Ty Var(¥X}- Obtnga las dos partes de a descomposiciin de vaianzn Pretictor de err cuairico medio minima, Para ta dstsibucisn conunta del Eero 7, ‘aleuleETy ~ Elvlx1}. Ahora halle Tony B que minimiran ta func Ely a ba} Dae ie eoucines seriigue ave Fly > FLyt < Ea a tesa es antamental en I ten de minimoe cuales Ve ey hee ham encom satan (568) 89). Suponga aque «sigue una distribucdn exponencial f(x) = de", x > 0. (Par una apicaciin, sedase fos ejemplos 33.3 y 510) Halle fa medi, varanz,ssimera y Kurtoss deo. (Sugerencia: Las dos dhimasestin deinidas en in Seccisn 13 La integral gamma de ls Sscsidn 8.24 ser Gl pera denies momento on respects al igen) Para Ia variable aeatovi de Eersiio 9, cud es la funcidn de dstribuci dela variable slatoria ye #7 zy BLP? Praste que ls dninbuci desta) <> unease opel Je 3000 ars 100 ‘TeoneMA Distibucién mocsral de Ux media. Si xy, x, son obsereaciones de una, muestra aletoria a ‘xtratda de una pobaci de media yy de varlancao?,entonces ts una briblecleatoria de media y de varianza on. Prueba: £= (Vn) x, ELE] = (W/m) 4 p. Las obeivaciones io lidependientn, por fo tanto, Var] ~ (W/n)* Vast. xd) = (1/m") So" on Obetrvese que para obtente ol recutado fundamental det Teoroma 4d supuesto ninguna distibucién concreta para x, EJEMPLO Distbucién morsral de Ix media a {a Figura 42 muesra,en un diagrama de Gecuensas el comportamiento de a media de L000 ‘estas aleaorias dle cuatro observaciones cada una, extras de una datbucion chicas: Aad con un grade de libertad, de media" y de varia 2 ‘A menudo estaremos iteresados en el comportamiento de un estadstco cuando el amatio de ‘a mesa partir del uel ecalouln cla, medida que cl aa se la ort roo Bae siguiente ejemplo se iustca un caso en el que ext ccureMPLO Di hcin mac dl ar misino d mee Si Xj. X, 80 ls valores de una muestra aleatria procedentes de una Ustribucién exponen iS fén et dnnelgn moc dl mame de una mura de oben que designaros come yp 6 Pq) = tame ‘La prueba se considera en los jtccos. Puso que B{X] = 1/0 y Var] = 1/0, por anaogia, Egy] = 1009 Vary} = 1). Por fo tanto, a medida que rece el tamato muestra trelnosad un tator siburatiamenteceeano 46 (La deigulded de Chebyber x (17) juede sr utiliza para proba et interesante resultado.) sobre la poblacisa, Un empl La dntibacsn merle wien pana sealife ‘byio sel de la media moestral como candidat natural para est pole gu: ls tiarbeclon mucsal de i medi de oi con ‘Srmaesthene dia. La en de quc le muestra steproduce el comportamicnte da pbc, Ga'une uirmacionstcen de la dtibuclon mse! del calico musta Considtese por Semple lor dato murstalesrsopdon en ed Grdfco 42 Le media mocsal de ‘clone claramente iene una dtibucon mots, que parce ener una modi sproximadaneate igea!s lo medio pblacons: Ene x ef punto de arid de fonts sabe eimai le Pardnetron 3. BSTIMACION PUNTUAL PE RARAMETROS Noct objt os datos eras pr ir valor dwn prime o cnt pardinerom que designamos por 0. Un estimador puntal cs vn esaditcocalculado w pari de la Ioesira, que pretende ser unt sproximaciin al pardmetro ?. El error estidar del xia Var AU pont Ls ficinia, hems esting discus a eso de eatimadones insengades Por, hay cotmadonce sealer ue Hien tenon ana que les insesgados que hemos mencionado: Uiiafuter constant ene sasianea cera, Por supuesto.alemplear una constante como estimador. uestarcinceaproncchand eficazmente la informacion de la muestra, Si nos centramos exclusiva~ ment ea Tv inespader,tenenoe que exclit, por ejemplo, estimadores en fos que se da un esto {erably unt sartanea ivy peyuefia, Un entero que ene en cuenta extaposiblidad de aceplar fincierte wad de sego a cambio de una vaianza ms peque, ese del error cuadrético medio, co medio. Flerov euadrético medio de un estimador es Drvisteon 44 Prror eu eM = AUS 071 = Varldh + ese0(0)? sh Besun es var] + Spo) SegoCY_si_Bes wn vector «9 1 Gratce 4 tt eta des. En promedin, etimador seseadoestard mds cerca dl verda tees pardmern ie el estima insespad Pirtiscinncaienextatia dey distebuctin sorma, ef etimador ms usd par Bua aotopto & ifrenia ead 5 GRAFICO 4 Disc mont, rotate compenhar qn «oc nega, y po tnt owt 3-2 — coms [Puede proberse a pasts de la distribucigu deta for cuae dia (x ~ 1p)™M Gx ~ te obterile fn fa Sercidn 310} Un estimader uilzade menos fecoentementec, eB aetna Stn don ens pene soe Se ‘or fo tanto su ses es, Feo} ~ Soe} ~ 7 ST [FS] eve ambos estimadores a pate de sus errorescuadrticos medion Ae El estimadorsesgadoes un poco mds preciso. La diferencia ente ambos seré poco sgnifatva ‘en una muestra de tama grande pero, por ejemplo, seria de un 10% en una muesira de tamato 16. ero su varianza es menor que s 4 vaste eewreet— ecw =ot[| Andis sconomstico 1 sitwaciin concrete depend de Evert as particu ue wiicemos para selections estimadores en fades del caso, asf como de mucstos objetivos JEMPLO. Foci contin de pda ' Enel contexto de tear de a designe objetivo de i estinacn de un parities usa os aio paca tons ne dessin, La desii6n depends del parimetro wstimado,yserderronea sf no es igual al verdadero pardmeiro, El coste dela decision, pérdida, depender del estimador y del verdadero valor de 0. Dado que Oc aleatori, también 10 er la perdi. Supongams que {el osteasociado con la deeisign es proporconal al euadrado del diferencia ene el eximador Ye verdadero pri, Pars mini lr estado Ge phn lpm timador com lien met DDesafortunadamente, el eritero del ECM pocas veces es operative: los estimadores de ertor ‘uadritico medio misimo, cuando erisien, normalmente dependen de pardmetros desconocidos. Por tanto, pocas veces los podremos uilizar. Un critrio usado generalmente el de insesgadez y mira varanza. 432. Estimacién insesgada eficiente {En une mucsteaalatotn de observacones Ia fancién de densidad de cada bservacn es fs, 1) Pesto que las n ubservaciones son independientes, su densidad conjunta cs Hoey Ob Oe Ale D tke ed " “ (410) £56 01° UB Xx 5 {La funcion 40]X) sl facia de verosimiltud de 0 dado el vector de datos x. Freeuentemente se Fepresenta de manera abreviada mediante U0} Puesto que a0 se sasiona ninguna ambighedad, en ‘adelante la representaremos mediante L. JEMPLO Foci even de rb exponen Sea ry.» x, una mesa den observacones procedenes de una distibucisn exponencial con pardmeito 0 entonces, uo) = [] He" JEMPLO Ponca de veresmtived de Is atstbucéa wormal 7 Sin #,€8 una muesiru de m observaciones procedentey de wna distribu normal wn media wy desvscisnesténdat , entonces, no) [ety eterna? zeta oy = Qns'y aga ui nid maa cen ym ee erin ee Wine eprint Un tad poi an Son einai cen quentTyoman La cota de Cramée tan Sup ya fn de de a regard, kr raven exon aa fava Lad wove vot von (of aay “(fee Lares lvl 0 mer de force mas. roc ist (ge le espevert Lee ended hel hy eo et slab de fet errata pre del teem, venus ita atone cmp ada Ve, po emp, Stuart y Or 198) Las condiciones de feglaridad son de tps wi, [VS Tc 971, Cap. Bp an ‘generals, seta de condiciones impusias sabre a densa le a vane slatora gos aparece nla funcin de vronilitudy que aseguran gu el eoremaesnral elinite de Lindberg Levy se pueds aplcar sobre as muesitas de obvervacones dl vec aleatorio y= Cl f(e| B47 Katee (ers condionen sc requir quc eaten fon memenion al memag de ower dem, den. nn ‘ondicin icon incu wualmente cs qu el ange de Le arable alton sex independiente ‘elos narmettos. Valveremos sobve a funn de veronica combisones terion, ‘lo tram de Ls pina secon {Un algunos cas a segundo dials del havin eb i sk etoinil fa deuna dstibucin exponcacia partir del Eeuplo 28, | na af p23 por tanto 340070 = my acts pM aie es LAL kv at ts ‘uaciones, segunda derivada es una arable aleatora con On uneiboion propia ET siguiente ‘emplo musa ambas poses EXEMPLO aw tel easo de una stibaan wo 0 Pia100 Andis economtrico La soma de m variables sleatoriae iénticas que se distribuyet coino una Poison, sieve tambien ua ditribucion de Polson, cuyos pardinelsos son m veces Too parkmetror de las (ius indvidualee Por tant, ln ditribucién de la primera derivada serd la deta fun- tinea de una viable que sigue una distnbucion de Polsson, Day ue [ a|- hs) = nt ca de la varianca de una ditibucion de Poisson es {10)]"* = On. Véase, sis gne el mismo reultado implica que E[?In 00) ~ 0 Fo que se utilizar en a xguents Consiesemos,fnalente, un case multivariate, Si @ es un vector de parimetrs. MO) ex a nats de infrmaciin Ft teorems se Cramée-Raw establece que la difereneis ene a mati de ‘irae esr esis ines 9 inversa de In mater de sformacion, "Inu | * Far CS sm nari somidinla positiva two '=(_ ey EXEMPLO Matis de inlormacion e i dsribuckn w e Part une muestra aletera procedente de una ditribucién normal, el foguritmo de la fncién ‘cement eam _ mob Eom mt sn | Fiat ae ak & eine 1 mati de inormacin es e valor negativo de Is esperanza de las segunda derivadas: mm [alCoote 4 intvencadtnten $08, {La invera os a cota dela vavanza de os eaimadore insengad sy deo ei i, Sia normed ieee fem 0 ii tween [i o tio La diagonaidad de a mati de informacs, gue ie cumple paca la diibucién normal et Poco euente. Sify 8 som dos estimadors dey oy V es su mati de covariacat 2% 2, clones, = thy e?}" eum mae seine posta: Constderems ls dos exmadore is. des petetie Oo ‘La mea y la vaiana de &feeton calles en el Teorema 4.1. La independensa de xy $e demestcéenla Seecion 3.106, Por tant, su mati decovaranaat cx, LO sen) [0 acta) f° 0 2etfn— yf «ue es una matric semidetnia positva Nolese qu la media alana Ia cota, mientras qu e Estimador dea varianza no, Varta #9) ~ [ys 9) En la mayoria de lo contents. hay namesnsa eatimadovrs dspoibles La vtldad def cota ‘de CramérRao esque st se sabe que uno dels estimadovesalcanzadicha cota par a vaianan no 1 necesaro buscar otto esimador mds efciente.Considerando ef uso dela cola de Ta varanza, ‘qusrenos subrayar que sun esmador isesgado alcanca dibs cota, enionces est etimadot 8 {icint. Sn embargo. sun estimador dado o alcanz aco de varianza no sbremos, excepto ‘algunos pcos cass especiales sel estiadoreeficent o na, Es poible que ningdn estimator Insesgado pueda alcanvar Ia cota d= Cramér-Rao, lo que dj tin respi ta pregunta de ‘stimador insegado eso 0, een En algunos tess, adem, estingirmos ol counted etimadores los esimadores que son foncones eas de fos datos. a counted Dersicidn 45, Estmador linea) insegado de minima varana (ELIMY). Se dice gue at estimador esol estinador lineal isesado de ménima ariansa 0 eximader nea insespdo ‘ptm (ELI) 5 es una Junin Uinea de os dates ene la mésinavaranca entre todos lot tstimadores lineoles © isegaden Salo en contadasocasiones, come ene eato dela media de una dssibusién normal, xii el ‘etimoder neal inseogado ecient; ee eximador cients ete tn hn ethane ng os, ineales © no lineales En tor extn, como en el cavo de ia varanza de una distibuea normal no ay un estmador que ea lineal einsesgado. Est criteria el porave algonas vost podemos encontrar un ELIMY sin (ner que especial distnbucin. Por aot, centrfadonoe ‘slo en una clase de estimadores,eslames tener que partir de una determinada dsibueidn de Probab102 _ Andi economitico 44, TEORI[A ASINTOTICA? En muchos casos ls cuestin de si un estmador es insesgado 0 no,» cual ess vaianes nesta Fars ana mucsta ue un tamuno dale, c> simplemente imposible Je responder. Sin emburgn Podtemos obtener resultados aproximados sobre el comportumicnto de lx distibucidn de un ERimador para tamanos muestales altos. Por ejemplo, es bien sabido que lt distribu de la ‘media de ua muuewta iende 8 aproximarse i de una normal Me rat de tucste cece indepenlintemente de la distin dels onervat Veo iat dt commportamiento en limite de lr dstribacién de un estimacor, puede utlzurse par en una @atrbucién aproximads para el eimudor obtenido dena mesa fnita, Para dese Dir esto es aecesaro. en primer lugar, preentat algunos resultados previos sobre la convergencia de vanablesaleatorss 4A. Convergencia en probabilidad At considera limites, estaremos hacignolo von respecte al tambo musstal mSea.x, une variable ‘eatoria cuyo indie seal el tamano de la moesta a partir de a cual dicha variable lear etd ‘onetesia DerrstciOn 46. Convergeniaen probabil La rariable aletoria x, converge en probabil dado una constonte 31 Him Protx, ~ | > «= 0 para cuatger € posto La convergencia en probabilidad implica que fos valores cercanos &« qe toma Ia variable son cada wee mis probable, a medida que n aumenta. Por ejemplo, supongames que la variable ‘Sictors n toma dos valores, 0 m,con probabiidades ~(1/m)y (ie. respestivament, © meals erie himenta el segundo se hace cada ver mayor, y al mis the a hace cada wer mis Recteuble Em ete ejemplo», converge en probubiidad 0. El aspecto clave de est forma de ‘Copvergenca, ex que fod la masa de probubidad de la distribucion se va eoncentrando en 108 ‘alors cereanos a Cuando x, converge en probabilidad a ceseibitemos plims, = 10) Freovestemente iliaremos un tipo especial de conversenca en probabiida: la convergence media cusdftien. ‘FeoREMA Convergenciaen media cnmdriien. 51x, tee media pyran tals yu fo inte rin “a rion ey 08 son respectiomentec yO, enonces x, converge en mia cwadrtic @¢. ¥ plimx, = « Una pyuchy de este resltalo puede baarse en el siguiente teorema que nos sed de gram sna FEDRPIA Deiglad de Coben 5s sm srl letra 6,» 8 consti, cones Eee prottls, ale Ells, ~ «aT. Pare proba et Jsiquoiad aaemosoporevulla [vase Goiberger (1991p 31D FrORR. Peigualed de Marko. Seo y, wna variable alecrria que toma slores no negation y § wna TP ee peta een PD > 81 < BDV TOT tian te dara mt ceil en ie rmaProcba: ELy)= Prob, < Mad, 9] debe set mayor ques Fs] > Peay, of sie el sla qe yori sg Para phar Taveons 44, toms fg oe ta sata, gon gute sed Teonema Enon (4, 4) > Simp | ys |e Hace phic atemn bowel dad de Chebyche al cash espe eel er pt bogie Prablls, jl ede € wan ‘Tomando lites en yen of en 417), vamos que him etsy ey tom Yargs) 0. (oo pms, = Hemos demostedo que la convergencia en media euadrati imps fa conergenca eo pre bilided. Convergenca en media cuadrauca implica que la Jisibucién de s, se eolap cli x, come se muestra en el Grifen 4 Entiat om pe derente de canner emel apt ‘donde neceitirmos Hg + reltados mds peneraks. Para hos whjcvon de ete cao. I convergeaca en mela cuadrtca sed sufieut EJEMPLO Comvergencia del minio de won muestra exponencial 410 Como poede verse en el Kjemplo 43, en una muestra vt te BLsah tw f= (da Yet = Ni ap104 Andis economiren Por tani. lim x= 0 Notes ge a sana et Sv yo Po oye ear emerge muy rps ‘Convergonci en probabildad wo implica convetpenia on media exten, Conseremos cra site bn, on Ds nso poise, Tm») Fl sale spe tho eat det, 9 1 pata tem qbe ex dicate Kimie e» probabil, De hech Pratt.) Lamia de dsb aument i Kant, pr eine en probabidad See lend cere be nev, wor I," 8 hae Ende Wer mayor per a mito tempo ceed ‘ezmisimprohable Tas condiciones de converges en media condatica sn, generale ds {icles de vee ae de eto tipo de convergecia més generale. APovunadamente en euy {Pes canoes a customs seed tals que sea neces comprobar qu existe convergent {x pba que nose posible contr om que existe convene en media cua Devmacion 47. Estimador content Ut etinador Oe um prc exam estimador lim 0 (419) TRORINTE Comistenca dela media mortal La modi de una meta lear de clair oblcién 4s or mei ta ota vara 3 et um exinaor coment dep reba, ET Vad = Pov tat, onsen ma condi a» por nn vem 46 iene nels ms aieacomes de a ave puede parecer en wn prinsipio® Cororanie DEL Gomsseaca debs de none se mei leur, pra caer famcton Teowens Helly Vari] son contonte is 4s : sin Fats = Ela (42) Prueba: Defines 5, = ak y apliquemos el Teorema 46 [EJEMPLO Fatinacin de woe Tancisn dete edie a ton mnesen de wns dstibucgn noemal com media yy vata Fey ety Vane] = et — er (ease te Sein 3.44 sobre distbuciones log-normales) Por tanto, tin! § a vould eet alent peta es A seen {cons dsm at sin at des mr Ha ond on pra ea coteCootate 4 era eundaies 566 TTHORENTA Teorema de Sisk. Par wn inci continue x, que mo es una funcion dem, a im ae) = fins a2) 1 Teor de Slutsky lables wine comparacion enre el vulor eperado e wna cet ‘arialenlestoria ys limite en probabilided. Sopongemos que lx) c= na Funct cSneava Entonce el siguiente teorema se cumple ‘FROWN Deiqulded de Semen. Si fs) erm anc cdncar de xy cones BCs) > Bats Por ano, aunque el valor esperado de una funcién den igual al valor de faacén para ‘lr esperado {él exrde la fncion es encava limite en probablidad de a une e+ igual fone eva en el inte en prohabidad (Vease a Seven 3.3 para una apc: sion se icra ene siguiente ejemplo. DEMPLO Lin np ew ia ey? TO cnt ee pte on mada ant orp frais Fi ch cote mompes deen Senagy dee Si. _ Aleunas dele implcaciones dl teorema de Salky se resumen a coming, ‘TRORENT Reglas de flue denies on probabiided. ix, ¢y, so rahe alroria compli x, = € o Yim yds entonces Blims, + yy ea (ropa dete sama) a2 lime = of (rege det product) aay limit, weld da rela del cece) we 1, es una mri cays elemento sn arabes leataris pli W, = A, entonces lim W;"= 0°" rela det ners) 2s) 1X, 6 ¥ sm matrices eletoras com olin X. = A v pli, = B. (imX,Y, = AR. (regal prodacto de mates. 426) 442. Convergencia en distribicién y distribucidin Mealte Una sepunda form de convergnca es la conergeci en distrib. Sea, una suesidn de sarine latin cao elemento representative oa vaable alent Olena deo resend tama m Sapongsmoe que, ten uns fa Fl) DrviiciOw 48 Comergencia en dstrbacide, Deimos gue leucevén de variables alemrias Ia,leomverge en ftrbuctan oun vob alentorla x con fda FU) li \Fe)~ Fa) = Oem ot ls pants en ts ue Fs 20 cominLa anterior definicign estérelacionada oon la distrbucdn de probubildad asociads a {ta medida que n aumenta; no inyplica nada sobre la eonvergenca Je fos valores wneetos oe toma {eda urlablealetoria sy Par poner un empl tial, pongarin laser eae de roots, Prods, ‘A medida que n tiende @ infinite, embas probabiidades convergen a J, pero x, no converge i ‘inguna constante Deniniciow 49. Ditribucén lime. Six, conerge en distribucon a , endo FIs) la de x, centonces Fs} e a Altribucén Mimite de 3. Escribiemos esto coms La distibucisn limite « menudo se presenta en términos dela fa, o simplemente en téminos Ue ofan patamic, Por jemplo, nla ditibucion limite dex, eo una normal ecidar ‘Consifese uns vest de Lama de una distribution normal estima Ue proba infereacia habival es el de conteastar Is hipdtess de que la poblacisn tiene mea ceo, Ed contrasiehabitualmente se realizn mediante el estado donde Lacintibucdn canta dela variable sles eet om 4 ~ 1 rid de beri. densidad ex deren par cada fovea impede] wan Thea = nay ft” 4] . ‘como foes tambidéa Ka, F,_()= f . (Win 3 Cuando a ‘ecribe como _(s)ds. Esta dstribuci tiene media O y varianca folio, 1, converge 4 una normal exindar, ty eal se pote ato, 1) Deriwciiw 410. Media y vaianza Vite. La media y la varia Unite de wna variable ‘lector son ld mediay la varlanza de la dsrbuclon lite, suponiendo que esa dsribucién line sus momentos exten.Para avaiable aktoria com ribs a bis) ba vatican soy on ‘intra qu limites ny Ln sara son) 1 Hossa Lexan sot ae Fe modia ya vanunrs bts won) ex crc hn moms deca Ke sm Hite tinarom en evn de aad se ktm baa Ut on pe ‘momentos pura musts fos suit ess entra is Kn meee sean Iimite extn bien dtinuds® Inchon en ex canon, serene spe mca a mt ‘avanzada ie {Las istibuciones Ht. as onl ins pris. us mpi se mins ‘nnrtante eas Ge gh prom concn. Atno resid Hs qu coma Amb tino de convergecia presenlan a continwseion" ‘TEOREMA Replas de tas dhtibaciones nite 1 shee eying, =e camo sates am so sof qn le riba line de Set rb i dee asa feat vin te eso aig al lel tort de Shas perf ie pi levee etme tt Cano cept, ese el de fa ort Sribnin eccta det ev Fly} Sn embargn,enanls sey omer Fariale normal etn. Deseo com ete real h rh ie nie de 1 ek Peja fie at het se iertad Contam po tant ue {ste sat i apr tem a snp eh sts ee ald dearcones nore alr A. Shy ena dc Ute,» plats Salone ae De sedi Psa combing Ua conergeia edt oh peli ceceses sil sablece eta propia a paride antec eh me aie Finalmente, estamos intetesados en encontrat uns maners de desir his props e ladies de Tox enimadores. coun sn Utribachine, enact wn scan ts cones: tisde coteniny comrpciia co prvtabla sn inporante. Sin srg b> elds “que eabarion de posetar sobre la Ustbaci ie nw lace pt eo Propdatos, Raramene seme estmadors uh tml hp ssn sa, Sungue guide no sempre sf pris ss enn tenants stint A haan sind, = a 7 Yn pe pp, Madina 197.15 CSE Ate San er et pe pc ecco nc 124‘TEORENIA Toorcma cetral delimit con desiguabiad de varianzas, Supongamos que {xi = an Anslsis econométrico Es decir. la distibucin limite, es ua disteibucign Jegenerada cael vito 9, FI resultado to es precsamente lo que nos interesa cuando hablamos de iicae den extimador, (Detar a nuestro estimadorobrenido m put Je ula en tonne al aloe @ sera extremadamente op- rion ta om unt alae ‘Con paso intermedia, y com fin de aetearaos a una dscrpeion razonable de as propie- dads estates de un estima, usatemos und tansformacionestabe de a variable aleatoria {je nose # ott que tenga ama dsrbyeion init Bion desi, Para of caeo me comin mente apes nape ie rind, ~ 0 sero ques ment, = md Oy ft sient 1} na Sci de dstribucin bien definia, com media y varianza positive. El teotema hr exonometra moesea cna aplicacin de esta proposiién. Una vers basics importa Alec eonema eh igo de =). SF xy Ss dats de ua arable ale ori proceden esd ana dst de pbc men fie px aan ita a 43 = Ce) Esp Ami, be ve 1 tao vets de Hindere-e¥y para la media de una Ustribucisn univariant, Una prueba puede encontrarscen Ras197 p12, El esol anterior cle gran importa. puesto que es itcpenaene de cistibucis nia. empl curso esl que se ustra en Ia Figura 42. La tii a ea x han eat ow ats roprozentados 90 8 aeemea ni siguira remota Incite fa ae-ona distribution normal, Fn muestas de cuatro observaciones, sin embargo, la pplencia dl tooren cst el Tite es claramente visible para ta distibuekin muestra de la tet Tl orema de Lindhetg-Levy es una ene varias versiones exstentes de este potent resultado”. ‘Mara mictts Fines una goneralizcisn importante dl recltade anterior nos permite eliminate apes le as saan Una forma ms general dl teorema de Lindberg-Levy es la mesma shueane ccvuilaste wn connie detalles aletariax cada wna de llas com media fia 9 Fan ita 0? Set 1 ap Meh babe pena come odoin Oy Sete variance ems comer awe constant Pinta, 3? = in Benton Satie tid Se NINA {sta sla varionte se Lindberg eller de corema central de mite. En términos précticos, el teorenrt evtablece ave fe sat Me sriables aleatriae inderendientemente Jel comportamiento ase Nae Dy Ra 1970conta iofrenca ontines “760 niga de ca waa de la, coer sabi a norte ruta ce tn mds “nai gon pis tio goes veure nemo sondern tenga dla tana rbd bce Se ope ele que meds cau cbc as foros letria ninguna dla cae dee predninre aman de ods, Peto Qc odor ise caradores qo tamer en sconomee ean aot eqetinenor 6 tars cna Callies trata sn dada de un vesutado muy imprints To mies quesrdn vate seat tearm ese eo nein arenas rarael ao aantarant Procas dolor space eens pods cane por eenpl Gna y Whe (OR en Ran (OT ef come en ort erences a tage ‘Teowenia Teorema central del Unite de Lindberg Lery Si xy. X€5 na muestra aleatria de wna 415 auarbucionmatiaarsate con vector de meds ints. de variances 9 covranzas ints ¥ pore define Q,entonces a Viti, wi) (0,08, actin Ls geeralizacn del torema de Lindberg Feller al aso de matrices de avian distin ‘muy comple A continvacion se presclan de modo iaformal las condiciones rlevants. Relere ‘Sin adhonales som Foy eto 1984) y Greenberg y Wetote 11989. Frome Tooreoe conv del Kime de Lindberg Fellr Spangomon guy te fermen won marie de 410° sectores leatoristles que Els} P. Varlx) = Qn ae todo! los momentos de ecer orden ‘el darductin muerte som ins. Sean Supongamos gue sien © mats lat, dfnda poston »aue pare td tim dy 10, ~ wn ($4) “=o Primos qu lat mea eo cares lesa ean eno cg ante ‘omen enero serdn eas seu spun ena is compo nd 1c tau doko tne» danas on nants smd ps8 oe panes tanta std open gus tana fess ace eh Sagal Pri uel att {Se sar eet debe campiaepare niente grande qu gu ee ruses nes con fas on tapos ante nana estate © nis, ~ fa ++ NTO, Q).no Feonmp Dinibecise li TEOREMA Dintrbuci iit normal de un cnjunt de funciones. i una nest de etre En lstntas ecasioes alo largo del Capitulo 3 usamos wna aprosimacioa lineal de-Foylo para lizar ln distibucion y los momentos de ta variable sleatora. Ahora podem justiiear 10 hecho antes. Completarcmos et desarrollo del Teorema 47 (mite en probabiidad de uns funcién Jeu variabicalestora), det Teorema 4.102) (distribu Kimite de uns funcién de wos variable aleatoria).y de los teoremas centrals del Kmite, con un resultado que nos ser de gran liad ‘conocido como scl método ulin, Para el eas0 de una sol variable akatoria fines nxt 6 cualquier otra, dsponemos del siguiente teorema, normal de won fence. Si Jrtey = p+ NLD, aD yo gre me fie continua que no dependen de 1, entonces Ville) ~ gn) E+ NEO? 433) [Nese que in media Ia varianza de la distribucion limite, son la media y a varanza de lt sproximacidn lineal hs) = au) + wl, — Hh La versign multivariate de este teorema se empleard en mulpsstuciones a ol texto. po de wade eh Wales que ie, ~ oh) > NEED 14) enum de J panne nae ey ae Wo dep en mnces valeta,) ~ eng] ++ N{0, C2C], (94) sHendo C la matri J % K que resulta de calelar Ct, La fsa fils de C ese vector de derivads poclles dela jena fein con respect a by 443. La teora de las distibuciones antics no es ms que un instrumento para legar afin que nos trea, Eiko yue extamon inerosidon co en el eompor de los etimadores mismo. Las istrbucionesasin\Sticas obtenida a pari del teorema central del limite dependen de pardmettos ddesconocidos, gneralmente los mismos que estamos tratando deesimar. Fs mis, las iestras von fas que se trbaja son, como es naural, fia. Lo que hareios seri, a partir dela distbueién limite que nos suminisia el tcorema central del Kime, deivar las distribuciones asi Stes de Tos ‘enimadoros que mos interes, DDerinactOn 411. Disribucionasntticn, Una dsrbucin asian es wr dstribucin {ein pore aprosioarlaterdadera distribucton mucsial de una variable acuta, buciones asintéticas Hasta au la manera mds comdn de formular una dstribucin asin cconémetra) es consiruila a partir dela dstnbucoa limite conocida Je lal menos para un variable aleatora, Si Valli, mio] + N(0, 1) atone provident, stant, 5~ Nj oo queers como x NA Omsesatniae 10 Meiante ls afiemnacion de que & se dntidaye asinine conn nie won sy aay arlanea en quiere desise que ctu distibuckin normal cana aproxutacnn ta vendadera itribucign fit, no que la verdadersdisebucidn es exactamente unt nor EJEMPLO Distribuciin asinticn de fa mda de wa nuestra exponcicial 41a Rputide lmurtea de wna distbuidn enponctwial com params La dati a ta dere es ase {2n) malice por na vartabe chieuadeay a 2a grads Je libertad. La stribuciin asniew es NEO (nay distebuiones asics y exact sé muestan en Grafico 4S para eh cao en el qued = Ty a= 16 tn eta se store parmeteoy La Exiendicnd la defnicisn,supongamos gue istribucidn asintiie del yecior @ se obtens ue a dsb inte ‘as (Ins, La matric de covaranzas de la distribucin asintica es la matric de covarianzss slnttin y se designa por vate.12 _ Anite ecomeméteo Dvewe ave de nev gies seeuide para alana of resultado (435) se cumple exactamente Sane Su role gwnsanomente para wh nit lr due nos conde sa Driisiew 412, Normalida avintticay efcencia asitica Un estado es asintoiea- nents normal i 1-33) Se cumple El estilo esasitotiamenteefciente si a diferencia rhe Lr autre eovoranest de evalger ote ecimadoe consistente que sea asin ica fener § 1 Hrs a aes seein poste yt auger debs casos en hs que no ements a palema de la estimacisn, tos son fos eiterienusabs pat leg am extn "LO Eficienciaasinttica de fa media de wna muestra normal Tinlrinneca le ota distibuckta normal con esperanza yy vaianza o?, canto lt ste nce ein gna M son estinadores conistetes de p, Puest que is disibuciones Tinie ss ss sun ones sn fr drone degeneradas en e yon abos slo pocden re Canpatads patie sie propagates: os resftados e seobtieneh aa jan sta st fT eMacatind Mote Np tit an Por tanto. fs mest ox mis ficinte que la medina, en la propor x2 (Véase, sn embargo Temple $4 para ef eso de muestras fits 444, Distribucidn asimtética de una funcién no lineal tos teorems 4 1594.16 pare funciones de una variable sleatoria nen sus respectivas contra tise contest oe ln dstebones asintieas Troms pie a0 cin asinttica de uma fanciin wo tinea. Si Vn - 0) + NLD, 2] y sh gf) es wa + NT, fa finns comtina quo depended mc emtances at), Si Bes wn vector de sential ta que NTO dW 5 of ecu contr det fancies ave erode de m0 nese) 7+ NfeIM,(LMCEOVCTAN] dande C10) ~ 710V00" P| 2h io[Capital 4 Inference entdisicn 113 YS tematic 2» 2de covaranzasaint6teas dade previamente,Entoncs arian alts i) Fata ela vaiana de ts aproximacion linea adh Bt nde ayy va t+ he phe 445, Esperanza asimtética a smal» Me veranen anton de one vaste skis son, octal, te media y fe ‘vara dla dstibucn aint, Por tanto, para esimadoe evs diribcin Uimie ven dada por vind 014s NO, VI, ta esperanza asic es @y la varaneasnttica 8 UAV, Fst implica, ene otras coma, que ‘ste etimador ex sasntsicatnatelscsnaton ‘ut Sox leper wpa lara em lta que nos aes mses econsiderat un aspect dels deiision anterior. Deheradimente hemos omiigo usar el conceto de cons int pesat de que ct muchos cane sea, rarenente er lo gue i steree, Sega oe be {nicado cmc desarlléanerne, parce sprite qe consitenci eosegadeaitica #0 Una ‘misma cos Desfortunadament puesto que tl dfereniae vente de muchas contesione) no son Loserin sel eaimador ee sintsticmente normal En este zo cl ctimadorserdcopssentey Ssintticamente normal, CAN. Ambo: concepos,en generals lei a propiedadesdistinta, sm encoutraremon af webn con re ponies definiiones de nega site 1. La media la distribucién limite de v/n(@ ~ @) = 0 2 Tim ECA} = 0 (40) En muchas situacions précticas. el esimador consderado cumplil las 1 propedade, por lo ‘que no habraambiguedad. Sin embarge no resulta diel consru eempies en Tos qUe Tas es ‘Sefniciones dan lugar reltadosdistnts pata un mismo extimador® No evs uoanimidad Soe el signified pvceiso de iaseegaderasintdia,quieds porgue el demigo et ambigun por fcseueedn; meses es a ropiedad de muestas fila, mints que lo asntico hace ‘eferencia ana propia que se da como aprosimadamente vida, sl tamao de a mes es furcieniemente gran", Sin embargo, hay un cet consenso en que (2+ la defcon aproplada ‘Se imespaer aintgica™ Nolese que Ia efinicin en cvesion se basa en pardmelror que £00 teneralmente desconocidos. yen exbresionesaue pueden incluso no exit. ‘Un prblema similar surgeon i efincon de vartanra sent de pador. aa primera Ay. Vat 2 ett tn a] 9) Micon soe wae tangy ios Jemima eo ceo Eos hsenen ts qe esnene 2 Ne tea Gee Since in104__Annatinny eounorewennney Esta es una aproximacién basada en el tino principal, y sori sliime pars eas tn fs fplicaciones que veamos. Nétexe, sn embargo, que al igual que la definicén 2 de insesgadee seitotte te dutrtor detain ae basa gn tring om desconeeiden. qe pen a Xs EXEMPLO Momentos ssnitios det yartanza moetral ar La ariana y el valor experado exacto de fa varianza del estilo, Lo 40) y, Varo) (49) sienlo uy = ELy pi]. [Vee Goldberger (1964 pp. 979) ‘La wnprosign para la apronimarin hatada ene temino principal set, to orden ie [La debmicion formal dada en (439) es ln wlevuaa a a varianen ents (DEVINICION 4.13. Orden Mme orden nb ces una conse ms nul ye designe nite O1L nhs pln ny Derrwcvin 414 Orden menor qe Hn. e5 de orden menos que Wn le que designs smediote np nc, es ual «0. or ejemplo, la varinza del minino mucstral del Ejemplo 4.3 es enh, possto que u ves la ‘varianza converge a cero. En muestras de una distribucidn exponencal, ls varianza del minim ‘ustral x OU) Si utiizamos la deficin que acabames Je dst 1s varianzt asinttien e010 “gue supene unt aprosimacién poco Informativa sabre la variant de yna mcs fit, El tne anterioy debe soir para lamar bs atncion soe ka nessidad de er eundaloo y precisce en la formulacion de las distibtones asintticas. ED tcorema central de Kimi. y fos Fesuliados wonilares que de él se desprenden, nos permiten llegar a fa formulacion més sencila Teper undated snitgtien correcta, part Ia gran mayorta de ls cane en ecnnometia. Hay ‘uncione relativamente eevee, especialmente ene context de i econemetea eden ks ‘Que es necesito ser mls pretnos 45. PSTIMACION EFICIENTE. MAXIMA VEROSIMILITUD ie IF eciente de un pardmero,o un conjyaio de parémeiros. La kgia dela iénica se ilustra ‘mejor en el contexto de una disribucién disteta. Consideremos una muestra aleatoria de 10 pein se msi vrai aporta un nsrumento de cles de un estimar siversione pret sea ensad de eula obvercisn Puente gus ls otneravinc st npn, entifcamos cn la Secisn 432 some fa veri bun, sa ‘hin expeesisn es ts peababibd de obser cu sr purl, spas gine a Aistbucion de Poison con un parm ain desc gen fo tof lel va de que have ues muestre preset exo probable? Encl Crack repensinneas Tuneiones prs dsintor valor de Se tens ot Sac Go gar #3 oe mom dasa el ‘aloe de ead d nin vex esttentn MEV ke CComsdetemos a matimizaein Jl func drctamee Peto 4 in ans monotonamentecresentey ex mis itt in lagu om fin vga, nore Imaximirremos cm a hg I ainue » tos Bou eden en , mn 20 a By esa mn Ler soluin oa misma que anon En a Figura 46 56 epson, ot gat ef titer et estado, En wn dnc ct a ana proba bab ‘wei, pesto cans mse covert tiene proba rs Son cnburg ol pnp ce ‘mismo. La Funct de densidad conju de is oer cone. ve pen ser uaa) 9 ‘ultivarantes ese product des foncionss de densidad avnuatn Lfnersn de ders onjutaesa faeln de verosinlitd defini como foci de vector de pardmetas sconoc- Sone. Sinn = HI 190 4) = uaIXs,16 Anis econo upto? ‘emi +25 ON ae de ty ede a as [ERAGICO 4K Fanti deere y de ogi eae 2 eosin {hoe diartin ob onde X representa los datos muestrales Cneralmente resultard més fel trabajar come ‘es fain de seri inncaixi~ F nfs, 0 (ey EE valor de Hos pardmeteos que maxinira esa fancicn ese esimador de maxima verosinilitud, fenctaimente deupnalo como # russia que i fancion loganimiea e Una Tncion monatona, 1s loses ie maize som hs nso que aquellos que maximizan Ia. La fancin de verosim lid ys lopatime esazadow em @ on gonerslmente designs come Ly In, respectivamnente ucomichim necesin pes mania ICU) es a (ayy o ev sn om teeta de ata ontEEMPLO Fancién de vrosmiltd de ona Poison Fe” Betuna mucsra de una distibucion Poisson, ee to140y= —n0-+ cay Sx, ~ Ett anu AS Gaurd Foci gp an ei i sorta ata opine Eu-nee wn i FL (45) para resolver lx ccusciones de vetosimilitud, multipticamos (4-47) por o? y despeamos aa ere valor an (ai) y resolvemes la covacin resullane para a7. La soluciones 300 act daek LE wow. (4) [Ntese que ésteex el estimadorsegado discutido en el Ejemplo 44, Los estimadores MV son Teitiatelca peso no som neseariamenteineseados oo EJEMPLO Vector de medios normal makivariante ere ee ercmos,Tnamente, ua musta de una distibucign normal mutvariant co wctor de oon nga) y matte de coverancar 21-(Cafa io de as M variables latorias Pose emesis dgrente pero todas nen una varianza comin, 0, y adems estén incorelt Tees nuestra dela que se dspone,consta den observaciones multivariants jy Ry La ance de densidad de cada observacion, a partir de (395) 8 yeu) = (an) #2 o3t|=H2er 1 wT Cay ag!) -Tomandatopartmos y sumando para tds Ia muestra obtenemos ef logaitm de la fneign de erosiigad putt las n bservaciones: mM eee nt ~ZMtncan "BE met 5 En arinPara oblener el estimador de maxima verosiniitul, obenemos eae Sa aa age DO win ah CCaleulando las soluciones dl primer conjunto de ecuacones result, com cabe ex 45.1. Propiedades de los estimadores de méxima verosit ‘Los estimadores de mina verosimiltud (MV) sultan bastante aractivs asintéticas. Si suponemos que se cumplen las condiciones de regularidad discutidas para la funcién fix, 8), tencaos el siguiente leorema. BMA Propicdades de les estimadores MV. Bajo condiciones de royularidd, esti de miions erosimltud posce ly siguientes propiedades asin ica: ML. Consistencia: lim 6, = 8. M2. Normalided asnttca: 8, —+ N[O, (M6))“1,siendo HO) = ~E[0In1/00 007) M3, fname ssnicamente cine y lanza fa ota de Crami-Roo ws part eatimadores consistentes, dada en M2, en el Teorema 42 (4-12) y (423). MA.” Invaiancs: Ei eimador de mina verosiilitad de 7= 6 es etimadot de MV os ol que generalmente ve prefer, por ste prope inition. Die becho, aus propicdaes para mussra initas no son normalmente las de fos esimadores Sptimos. Por ejemplo, el estimador MV resulta ser algunas veces sesgado;elestimador de MV de ¢# en Imuesiras de distnbucones notmales ext tesgido 8 la ba. [Vease 439) y el Ejemplo 44] Sin embargo, a afirmacin de que las propledades dels estimadores MY son dptimas, slo asintstie ‘ente'no es cera, Pucde demostrarse que cuando la muestra procede de una familia de disrbu- tdones exponencials(vease ln Seon 46), existirénestadisticossufkientes Si es eel caso, los fetimadores de MV serén funciones de esos estadistens, Io que significa que cuando eriste etstir inscgss de inis varia se etnuaor de ALY [Ves Stunt 9 On 994 Muchas aplicaciones en econometein no lin diseibciones esponencals, yor I qe Principal atectivn de los waiadones MV petmansie fandancutalmente eo so pops ‘Cone fi ok psu Bos ap rex primeramcnte blencnow alg prpusldes de as tacos de densi. Sponge (rasne ay) es una muestewaeatona ears de gna dstebucion multnarant, » unk arateeo orca te densnlad 19,18 y que Tas stpuentes condiciones plow [0 Dretendemes ag. hace ui punteanventofrtal dos resultados, Para a ali abs cpt? eate Greenberg Weber (83. Thi 19TH. ¥ Ra (178, por ese. FRA. Lasts ima dns de ht ) com test 0 pure toe ff ss ners te seonet de rt apse he Fay Extent devant le hn derivado de hl. 2. Lin ennlidones noceuray para obtener hi eles esp deriva de Bing 9 epten, RA. Pars wade 8 [en fly 00,242 eat acolo por ana Fanewin que Hee eperAnes finita. Esto nos permis teunear Ta aproximacién de Taylor oxy de It primera 5 seu [A partir de las condiciones anteriores se oblienen las siguiente cacti fanametaes de Moy 8 Di. Ingle Og = flnfiny 0170, y H, » FF In4y BF OO’ A= 1 son misty aka tas de vorables aleatoras, Este despende del pacts sobre el muss ales. ba Efe] 0. D3. Varig) = — ALLL Prueba de D2: Ve momento, persiienin quel tangy de, lepenna hy paseo pas oa clemento, LO) < s < U0), {Consideremos, por ejemplo. obtener ef extimador la maxima Seronmiitad iil pare una disribosin comin 9 irene con ranu [0 ]) Fn stam, ba Imegel simple juke unr pa hoa fice mGltiple especie de us fs mein der Por defini, se| duds = 1 [Ahora diferencanla ets express con rsp 9 apna trem de Leb, ene af pain F ns 90 1810 £18) i if — f Peas pL panier! 20 Siel segundo y el tercertérmino tisnden a eto, entones ext tercambiat La anseaiones {gratin La condicign nosso es us ono Tint, a funn de densi

También podría gustarte

• It Ends with Us: A Novel

  

  De Everand

  It Ends with Us: A Novel

  Colleen Hoover

  Calificación: 4.5 de 5 estrellas

  4.5/5 (5757)
• The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  

  De Everand

  The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  Mark Manson

  Calificación: 4 de 5 estrellas

  4/5 (5795)
• The Perfect Marriage: A Completely Gripping Psychological Suspense

  

  De Everand

  The Perfect Marriage: A Completely Gripping Psychological Suspense

  Jeneva Rose

  Calificación: 4 de 5 estrellas

  4/5 (1108)
• • Revistas
  • Podcasts
  • Partituras
• The 7 Habits of Highly Effective People

  

  De Everand

  The 7 Habits of Highly Effective People

  Stephen R. Covey

  Calificación: 4 de 5 estrellas

  4/5 (353)
• The Art of War: A New Translation

  

  De Everand

  The Art of War: A New Translation

  Sun Tzu

  Calificación: 4 de 5 estrellas

  4/5 (3044)
• The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  

  De Everand

  The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  Mark Manson

  Calificación: 4.5 de 5 estrellas

  4.5/5 (20026)
• Pride and Prejudice: Bestsellers and famous Books

  

  De Everand

  Pride and Prejudice: Bestsellers and famous Books

  Jane Austen

  Calificación: 4.5 de 5 estrellas

  4.5/5 (19653)
• The Handmaid's Tale

  

  De Everand

  The Handmaid's Tale

  Margaret Atwood

  Calificación: 4 de 5 estrellas

  4/5 (13187)
• The Hobbit

  

  De Everand

  The Hobbit

  J.R.R. Tolkien

  Calificación: 4.5 de 5 estrellas

  4.5/5 (25134)
• Art of War: The Definitive Interpretation of Sun Tzu's Classic Book of Strategy

  

  De Everand

  Art of War: The Definitive Interpretation of Sun Tzu's Classic Book of Strategy

  Stephen F. Kaufman

  Calificación: 4 de 5 estrellas

  4/5 (3321)
• Never Split the Difference: Negotiating As If Your Life Depended On It

  

  De Everand

  Never Split the Difference: Negotiating As If Your Life Depended On It

  Chris Voss

  Calificación: 4.5 de 5 estrellas

  4.5/5 (3278)
• Good Omens: A Full Cast Production

  

  De Everand

  Good Omens: A Full Cast Production

  Neil Gaiman

  Calificación: 4.5 de 5 estrellas

  4.5/5 (10907)
• Remarkably Bright Creatures: A Novel

  

  De Everand

  Remarkably Bright Creatures: A Novel

  Shelby Van Pelt

  Calificación: 4.5 de 5 estrellas

  4.5/5 (5511)
• And Then There Were None

  

  De Everand

  And Then There Were None

  Agatha Christie

  Calificación: 4.5 de 5 estrellas

  4.5/5 (8934)
• Freakonomics Rev Ed

  

  De Everand

  Freakonomics Rev Ed

  Steven D. Levitt

  Calificación: 4 de 5 estrellas

  4/5 (7849)
• The 7 Habits of Highly Effective People: The Infographics Edition

  

  De Everand

  The 7 Habits of Highly Effective People: The Infographics Edition

  Stephen R. Covey

  Calificación: 4 de 5 estrellas

  4/5 (2475)
• American Gods [TV Tie-In]: A Novel

  

  De Everand

  American Gods [TV Tie-In]: A Novel

  Neil Gaiman

  Calificación: 4 de 5 estrellas

  4/5 (12520)
• Habit 1 Be Proactive: The Habit of Choice

  

  De Everand

  Habit 1 Be Proactive: The Habit of Choice

  Stephen R. Covey

  Calificación: 4 de 5 estrellas

  4/5 (2556)
• American Gods: The Tenth Anniversary Edition

  

  De Everand

  American Gods: The Tenth Anniversary Edition

  Neil Gaiman

  Calificación: 4 de 5 estrellas

  4/5 (12947)
• The Hobbit

  

  De Everand

  The Hobbit

  J.R.R. Tolkien

  Calificación: 4.5 de 5 estrellas

  4.5/5 (24586)
• Habit 6 Synergize: The Habit of Creative Cooperation

  

  De Everand

  Habit 6 Synergize: The Habit of Creative Cooperation

  Stephen R. Covey

  Calificación: 4 de 5 estrellas

  4/5 (2499)
• Habit 3 Put First Things First: The Habit of Integrity and Execution

  

  De Everand

  Habit 3 Put First Things First: The Habit of Integrity and Execution

  Stephen R. Covey

  Calificación: 4 de 5 estrellas

  4/5 (2507)
• The 7 Habits of Highly Effective People

  

  De Everand

  The 7 Habits of Highly Effective People

  Stephen R. Covey

  Calificación: 4 de 5 estrellas

  4/5 (2567)
• How To Win Friends And Influence People

  

  De Everand

  How To Win Friends And Influence People

  Dale Carnegie

  Calificación: 4.5 de 5 estrellas

  4.5/5 (6521)
• Good Omens

  

  De Everand

  Good Omens

  Neil Gaiman

  Calificación: 4.5 de 5 estrellas

  4.5/5 (12010)
• Wuthering Heights (Seasons Edition -- Winter)

  

  De Everand

  Wuthering Heights (Seasons Edition -- Winter)

  Emily Bronte

  Calificación: 4 de 5 estrellas

  4/5 (9486)
• The Iliad: A New Translation by Caroline Alexander

  

  De Everand

  The Iliad: A New Translation by Caroline Alexander

  Homer

  Calificación: 4 de 5 estrellas

  4/5 (5718)