ECO355 – Econometría
Ayudantía 01
Secciones 1 a la 7 Santiago - Semestre 2025/1
Pauta
Parte 1: Repaso Estadística
1. Una sociedad de inversiones está tratando de decidir cuál de dos edificios de oficinas comprar, cada uno con valor
de US$200.000. Un asesor estima las siguientes probabilidades para el rendimiento neto en 5 años (en miles de
dólares)
Rendimiento: -50 0 50 100 150 200 250
Probabilidad – Edificio 1: .02 .03 .20 .50 .20 .03 .02
Probabilidad – Edificio 2: .15 .10 .10 .10 .30 .20 .05
a) Calcule el rendimiento neto esperado para el edificio 1 y el edificio 2.
Respuesta:
Sea 𝜋! el rendimiento neto en el edificio 𝑖, con 𝑖 = {1,2}
𝐸(𝜋! ) = - 𝜋" ∗ 𝑃(𝜋" )
!
Con 𝜋" = retornos asociados al proyecto 𝑖.
De lo anterior, se tiene:
𝐸(𝜋!#$ ) = (−50 ∗ 0,02) + (0 ∗ 0,03) + (50 ∗ 0,2) + (100 ∗ 0,5) + (150 ∗ 0,2) + (200 ∗ 0,03) + (250 ∗ 0,02) (1)
𝐸(𝜋!#$ ) = 100
𝐸(𝜋!#% ) = (−50 ∗ 0,15) + (0 ∗ 0,1) + (50 ∗ 0,1) + (100 ∗ 0,1) + (150 ∗ 0,3) + (200 ∗ 0,2) + (250 ∗ 0,05) (2)
𝐸(𝜋!#% ) = 105
b) Calcule las varianzas respectivas y las desviaciones estándar.
Respuesta:
La varianza de un set de datos x viene dada por:
%
𝜎&! = 𝐸(𝑥 % ) − [𝐸(𝑥)]% (3)
De este modo, y reemplazando, respectivamente, (1) y (2) en (3), se tiene:
%
𝜎&#$ = [(−50% ∗ 0,02) + (0% ∗ 0,03) + (50% ∗ 0,2) + (100% ∗ 0,5) + (150% ∗ 0,2) + (200% ∗ 0,03) + (250% ∗ 0,02)]
− [100% ] (4)
%
𝜎&#$ = 2.500
Por su parte, la desviación estándar de un set de datos puede ser calculada como la raíz cuadrada de la varianza;
𝜎&#! = ;𝐸(𝑥 % ) − [𝐸(𝑥)]% (5)
Así, reemplazando el resultado de (4) en (5):
𝜎&#$ = √2.500
𝜎&#$ = 50
Siguiendo procedimientos análogos para 𝑖 = 2:
%
𝜎&#% = [(−50% ∗ 0,15) + (0% ∗ 0,1) + (50% ∗ 0,1) + (100% ∗ 0,1) + (150% ∗ 0,3) + (200% ∗ 0,2) + (250% ∗ 0,05)]
− [105% ] (6)
%
𝜎&#$ = 8.475
Así, reemplazando el resultado de (6) en (5):
𝜎&#% = 92
c) ¿Es alguna de las inversiones mejor que la otra en términos tanto de rendimiento neto esperado
como de riesgo?
Respuesta:
Ambos proyectos tienen flujos de retorno esperados similares (en el caso del proyecto 1 se espera un retorno de 100,
mientras que el proyecto 2 tiene un retorno esperado de 105), sin embargo, en riesgo son sustancialmente distintos,
dado que el proyecto 2 tiene una varianza mayor, lo que conlleva un mayor riesgo sobre el retorno esperado.
2. ¿Qué es una variable aleatoria? ¿Cuál es la diferencia entre población y muestra? ¿Cuál es la importancia
a la hora de trabajar con datos?
Respuesta:
Una variable aleatoria es un valor numérico que resulta de un evento aleatorio o de un experimento incierto. En otras
palabras, es una cantidad cuyo valor no está fijo, sino que puede variar según las circunstancias. Las variables aleatorias
pueden ser discretas o continuas, dependiendo de si toman valores específicos o están en un rango continuo.
Población: Se refiere al conjunto completo de elementos que poseen una característica específica que se está
estudiando.
Muestra: Es un subconjunto seleccionado de la población total. Debido a que a menudo es impracticable o costoso
analizar todos los elementos de la población, se toma una muestra representativa para hacer inferencias sobre la
población completa.
Importancia: A través de técnicas estadísticas, los resultados obtenidos de una muestra pueden generalizarse a la
población más amplia. Si la muestra es representativa y los estimadores cumplen ciertas características, las conclusiones
extraídas de la muestra pueden aplicarse a la población con un cierto grado de confianza.
3. La empresa de automóviles china Changan exporta su mejor modelo de alta gama denominado Uni K
exclusivamente a los siguientes tres países: USA, Alemania y España. Su gerente general (recientemente
designado) ha diseñado una nueva estratega comercial destinada a aumentar las ventas de este
automóvil. Para ello, se basa en la siguiente distribución conjunta de venta mensual de este modelo de
vehículo, dependiendo del país del cual se trata:
𝑋 : país al cual se exporta
USA Alemania España
5.000 0,15 0,07 0,02
𝑌 : N° de Uni-K
10.000 0,09 0,15 0,19
vendidos
15.000 0,04 0,15 0,14
Empleando esta información, responda las siguientes preguntas (muestre todos sus cálculos):
a) Determine el número esperado de automóviles Uni-K vendidos a Alemania.
La manera se estimar este valor corresponde a la esperanza matemática condicional 𝐸(𝑌 = 𝑣𝑒𝑛𝑡𝑎𝑠 𝑈𝑛𝑖 −
𝐾|𝑋 = 𝐴𝑙𝑒𝑚𝑎𝑛𝑖𝑎). Por lo tanto,
Pr(𝑌 = 𝑦, 𝑋 = 𝐴𝑙𝑒𝑚𝑎𝑛𝑖𝑎)
𝐸(𝑌 = 𝑣𝑒𝑛𝑡𝑎𝑠 𝑈𝑛𝑖 − 𝐾|𝑋 = 𝐴𝑙𝑒𝑚𝑎𝑛𝑖𝑎) = 6 𝑦∙ (1)
!∈# Pr(𝑋 = 𝐴𝑙𝑒𝑚𝑎𝑛𝑖𝑎)
La probabilidad conjunta de los distintos valores de 𝑌 = 𝑣𝑒𝑛𝑡𝑎𝑠 𝑈𝑛𝑖 − 𝐾 para 𝑋 = 𝐴𝑙𝑒𝑚𝑎𝑛𝑖𝑎 es factible
verificarlos en la segunda columna del cuadro anterior.
De ese modo, se tiene que la probabilidad Pr(𝑋 = 𝐴𝑙𝑒𝑚𝑎𝑛𝑖𝑎) será la siguiente:
Pr(𝑋 = 𝐴𝑙𝑒𝑚𝑎𝑛𝑖𝑎) = 0,07 + 0,15 + 0,15 = 0,37
Con base a lo anterior, y aplicando la fórmula en (1), resulta simple concluir que Esperanza Condicional es la
siguiente:
0,07 0,15 0,15
𝐸(𝑌|𝑋 = 𝐴𝑙𝑒𝑚𝑎𝑛𝑖𝑎) = 5000 ∙ + 10000 ∙ + 15000 ∙
0,37 0,37 0,37
𝐸(𝑌|𝑋 = 𝐴𝑙𝑒𝑚𝑎𝑛𝑖𝑎) = 5000 ∙ 0.189 + 10000 ∙ 0.405 + 15000 ∙ 0.405
𝑬(𝒀|𝑿 = 𝑨𝒍𝒆𝒎𝒂𝒏𝒊𝒂) = 𝟏𝟏. 𝟎𝟕𝟎
De acuerdo a este cálculo, la esperanza de ventas a Alemania será de 11.070 vehículos del modelo señalado.
b) Suponiendo que las ventas se realizan a todos los países señalados, ¿cuál será la probabilidad de que la
venta total sea de 15.000 vehículos?
De acuerdo a lo señalado, es factible calcular este valor a través de la fórmula:
Pr(𝑋|𝑣𝑒𝑛𝑡𝑎𝑠 = 15000) = 6 Pr(𝑋 = 𝑥|𝑣𝑒𝑛𝑡𝑎𝑠 = 15000)
$∈%
Dado lo anterior, se tiene que:
Pr(𝑋|𝑣𝑒𝑛𝑡𝑎𝑠 = 15000) = 6 Pr(𝑋 = 𝑥|𝑣𝑒𝑛𝑡𝑎𝑠 = 15000) = 0,04 + 0,15 + 0,14 = 0,33
$∈%
De allí que sea factible afirmar que se tendrá una probabilidad de 33% de que las ventas totales sean de
15.000 vehículos para todos los países a los cuales la compañía exporta.
Parte 2: Modelo de Regresión Lineal Simple
1. ¿Que buscamos al hacer regresiones en econometría?¿Qué relación tiene esto con la economía?
Al realizar regresiones, buscamos encontrar relaciones de causalidad entre variables, es decir, identificar
variables independientes que expliquen lo que ocurre con una variable dependiente. Esto es fundamental
pues permite construir modelos, que son simplificaciones de la realidad y nos dan la oportunidad de explicar
y entender fenómenos económicos. La relación con la economía es que esta es una ciencia social que busca
estudiar la asignación eficiente de recursos escasos en las múltiples necesidades que existen, y para hacer
esto se requiere entender el problema económico antes de tomar una decisión, el encontrar modelos nos
permiten entender estas situaciones y como tomar cursos de acción que permitan esta búsqueda de
eficiencia.
2. La empresa Future Marketing lo ha contratado a usted para estimar la función de demanda de café molido. Sea 𝑞! la
cantidad de café (kilos) que se demanda en la tienda i, y sea 𝑝! el precio de un kilo de café en la tienda i. Usted decide
modelar la función de demanda en la población de la siguiente forma:
𝑞& = 𝛽' + 𝛽( 𝑝& + 𝑢&
La cual propone que la cantidad de café demandada es una función lineal del precio y de una variable
aleatoria (error) denominado por 𝑢& . Para estimar la función usted tiene una muestra de información
de 4 tiendas, resumida en la siguiente tabla:
pi - qi -
Supermercado pi qi
ppromedio qpromedio
Tienda 1 -5 25
Tienda 2 -10 5
Tienda 3 5 -15
Tienda 4 10 -15
Promedio: 15 25
D$ y 𝛽
a) Encuentre los estimadores de MCO, 𝛽 D% .
Respuesta:
pi - qi -
Supermercado pi qi dp*dq dp2 q-pred Resid Resid2 dq2
ppromedio qpromedio
Tienda 1 10 50 -5 25 -125 25 33 17 289 625
Tienda 2 5 30 -10 5 -50 100 41 -11 121 25
Tienda 3 20 10 5 -15 -75 25 17 -7 49 225
Tienda 4 25 10 10 -15 -150 100 9 1 1 225
Promedio: 15 25 -400 250 0 460 1100
Letra negra = enunciado Letra azul: desarrollo SRC STC
dpi = pi - ppromedio b1 = -1.6 = S dpi*dqi / S STCx = -400/250
dqi = qi - qpromedio b0 = 49 = yprom - b1*xprom = 25 - (-1.6)*15
b) Exprese la recta de la regresión y grafique la demanda estimada en el siguiente espacio. Indique claramente
el intercepto y la pendiente estimada en el gráfico.
Respuesta:
La recta de la regresión es:
𝒒
F𝒊 = 𝟒𝟗 − 𝟏. 𝟔𝒑𝒊
Lo anterior se ve gráficamente de la siguiente forma:
X) y 𝛽
c) Interprete 𝛽 X' en la función de demanda estimada en los puntos (a) y (b). Sea explícito con sus
supuestos.
Respuesta:
D( = 49: esta es la cantidad demandada de café si el precio es $0 (49 kilos)
𝛽
D$ = −1.6: si el precio aumenta en $1/kilo, la cantidad demandada disminuye en 1.6 kilos, ceteris paribus.
𝛽
d) Future Marketing le pide a usted predecir la demanda de café si el precio es $35/kg. ¿Cuál es la
demanda de café que su modelo predice? ¿Tiene sentido económico esta predicción? Comente
sobre la capacidad del modelo MCO para predecir la demanda en este caso.
Respuesta:
𝑞L|𝑝 = $35 = 49 − 1.6(35) = −7
Para precio = $35, el modelo predice una cantidad demandada negativa, lo cual no tiene sentido económico. El
modelo MCO es un buen predictor de la demanda predicha para precios que se encuentran cercano al promedio,
pero no es un buen predictor para precios extremos.
3. En una feria de posters de Economía, Pablo que es un investigador presenta el siguiente modelo:
𝑌& = 𝛽' + 𝛽( 𝑋& + 𝑢&
Para ello, cuenta con los siguientes datos.
Y X
340 100
450 100
670 100
990 100
880 100
130 100
Otra participante de la presentación, Francisca, señala que con dichos datos no es posible estimar los
parámetros por MCO, es decir, con este método no se puede encontrar una relación entre X e Y. ¿Está de
acuerdo? Utilice fórmulas en su explicación.
Respuesta:
Efectivamente no se puede estimar el efecto de X sobre Y por medio de MCO, puesto que no se cumple uno de los
supuestos que es que debe haber variabilidad en los valores de X. De hecho, si uno observa la expresión para
determinar la pendiente del modelo, tenemos que:
∑(𝑥! − 𝑥̅ ) ∙ (𝑦! − 𝑦r)
𝛽% =
∑(𝑥! − 𝑥̅ )%
De la expresión anterior de observa que con los datos de la tabla, los 𝒙𝒊 serán iguales al promedio que es 100, por lo cual
el numerador será 0 y por tanto el parámetro también.
