2.1. ¿Cuál es la función de esperanza condicional o función de regresión poblacional?

E(Y | Xi ) = f (Xi )

La FRP o FEC o simplemente RP (regresión poblacional), nos muestra como la respuesta

promedio de Y varia con X, esto quiere decir, el valor esperado de Y según X.

En el caso de que se asuma que es una función lineal f (Xi ) toma la forma de:

E(Y | Xi ) = β1 + β2Xi

Donde β1 y β2 son parámetros no conocidos pero fijos y se denominan coeficientes de

regresión o de intersección y pendiente, respectivamente. A esta última se le conoce como
función de regresión poblacional lineal.

2.2. ¿Cuál es la diferencia entre la función de regresión poblacional y la función de

regresión muestral? ¿Se trata de distintos nombres para la misma función?
La diferencia entre la Función de Regresión Poblacional y la Función de Regresión
Muestral consiste en que en la primera te dan los valores poblacionales mientras que en la
segunda solo tienes datos muestrales, esto genera fluctuaciones entre ambas pues no se
tienen los datos completos. Por lo tanto la FRM es solo una aproximación a la FRP.
La FRM se representa:
𝑌̂𝑖 = 𝛽̂ 1 + 𝛽̂ 2𝑋𝑖

𝑌̂𝑖 = estimador de E(Y | Xi )

𝛽̂ 1 = estimador de β1
𝛽̂ 2 = estimador de β2

Y donde ̂ representa un estimador del valor poblacional, también conocido como

estadístico.

2. 3 ¿Qué papel desempeña el término de error estocástico ui en el análisis de

regresión? ¿Cuál es la diferencia entre el término de error estocástico y el residual ûi?

En las dos ecuaciones anteriores (FRM y FRP) es necesario agregar en la ecuación el error
estocástico o residual.
El error estocástico (ui) es un término que representa todas las variables omitidas o
ignoradas que puedan afectar a Y pero que no se incluyen (o no pueden incluirse), este se
agrega a la FRP y el termino residual (ûi), se puede concluir, es una estimación al error
estocástico y se agrega a la FRM.
2.4 ¿Por qué es necesario el análisis de regresión? ¿Por qué no tan sólo utilizar el
valor medio de la variable regresada como su mejor valor?

Como se puede ver en los ejemplos del capítulo dos, el análisis de regresión es necesario y
muy útil como economistas porque nos muestra las variaciones que existen entre dos
variables relacionadas, una en que podrían ser salarios y empleos o educación y pobreza,
etc. No se puede utilizar el valor medio de la variable porque en el estudio es importante no
solo conocer el cómo se mueve la ecuación sino también conocer por qué se movió y eso
no se puede si no tenemos los datos máximos y mínimos que afectan al modelo de
regresión.

2.5. ¿Qué se quiere dar a entender con modelo de regresión lineal?

Cuando se habla de linealidad en un modelo de regresión se refiere a que la esperanza
condicional de Y tiene que ser una función lineal de los parametros β, por lo tanto estos
parametros no pueden estar elevados a más de la primera potencia.
*Las variables explicativas (X) pueden ser o no lineales.