Econometría

Sesión 6
9 de Junio 2010
Presentaciones Tareas

Terminación Análisis Caso Recta

de Regresión aplicado
• Modelos econométricos no lineales
(Carolina Valdebenito) -- PENDIENTE
• Modelos econométricos lineales
(Freddy Pranao) -- PENDIENTE
• Inter- y extrapolación
(Rodrigo Campos) -- PENDIENTE
• Coeficiente de Determinación y
coeficiente de Pearson
(Karen García) -- PENDIENTE
• Regresión no lineal
(Rodrigo Henriquez) - PENDIENTE

• Correlación
(Angie Sills) - OK
• Covarianza
(Ignacio Bastias) - OK
• Regresión lineal simple
(Alex Castillo) - OK
• Método de los mínimos cuadrados
(Tirzath Saldía) - OK
Secuencia de Pasos en
Econometría
• Planteamiento teórico del modelo econométrico (formulación de
hipótesis; o relaciones funcionales)
• Supuestos del modelo y formulación de hipótesis.
• Construcción de la forma matemática del modelo teórico e
identificación de las principales variables y relaciones funcionales
de las mismas.
• Elaboración funcional del modelo econométrico.
• Identificar la información necesaria para realizar el modelo
econométrico.
• Recolección de datos de la serie y comparación gráfica de las
observaciones.
• Estimación de los coeficientes del modelo econométrico.
• Validez del modelo mediante la aplicación de pruebas estadísticas.
• Pronóstico.
• Toma de decisiones y diseño de políticas o acciones preventivas o
correctivas, basadas en el modelo.
Muestreo

5
 INFERENCIA ESTADÍSTICA
Proceso y resultado de extraer conclusiones
respecto a una población a partir de una o más
muestras.
obtención de la
muestra

conclusiones

P
M

6
Problema de estimación:

• ¿Por qué una encuesta de 1500 personas permite

predecir bastante bien el resultado de una elección con 10
millones de votantes?
• ¿Cómo se consigue?
• ¿Cómo se mide la precisión del resultado?

Problema de test de hipótesis:

• Las normas de calidad exigen que, en un lote de 5000
bombillas, a lo sumo el 3% pueden durar menos de 1000
horas.
• En un estudio de control de calidad de una fabrica de
bombillas sería muy costoso examinar cada una.
• Se decide usar una muestra de 500 bombillas.
• Si obtenemos el 3,2% de bombillas defectuosas,
¿deberíamos declarar el lote completo defectuoso?
7
Problema de estimación:
Se busca precisar una característica totalmente
desconocida de la población a partir de los datos
obtenidos sobre una muestra.

Estimar el porcentaje de la población

(10 millones) que votará por BUBI a
partir de una muestra de 1500 votantes.

O estimar la duración promedio de las

bombillas del lote de 5000, a partir de una
muestra de 500.

8
Problema de test de hipótesis:

Se busca comprobar alguna información sobre la

población a partir de los datos obtenidos de una
muestra.

BUBI obtendrá más del 65% de los votos.

Menos del 3% de las bombillas del lote de 5000 duran

menos de 1000 horas.

Las bombillas duran más de 1000 horas en promedio.

9
 Muestra aleatoria simple con
reemplazo
Supongamos una población de tamaño N
donde cierta característica se distribuye como la
variable aleatoria X. Una muestra aleatoria
simple con reemplazo de n observaciones de
la variable aleatoria X es un conjunto de
variables aleatorias X1, X2, ..., Xn
independientes e idénticamente distribuidas
(iid).

Cada una de ellas tiene la misma distribución de

probabilidad que la variable aleatoria X.
 Estadísticos
Cualquier función de las variables aleatorias
observadas se denomina estadístico:

T ( X 1 , X 2 ,..., X n )
Los dos estadísticos mas conocidos son
la media muestral y la varianza muestral.
2
x s
La raíz cuadrada de la varianza muestral es
la desviación estándar muestral.
s
 Muestreo desde una
población normal
Sea X una variable aleatoria que se distribuye en
una población como una normal con media  y
varianza 2, es decir N(, ).

Tomemos una muestra aleatoria de tamaño n

de esta población normal.

¿Cuál será la varianza muestral de la

distribución muestral de x ?
Primero observemos que:

Var ( X i )  Var ( X )   2

De modo que la varianza de la distribución de

la media muestral será:
1 n
 1 n
Var ( x )  Var   xi   2  Var ( xi ) 
 n i 1  n i 1
1 n
 2

2 
 
2

n i 1 n Var (aX  b)  a 2Var ( X )

Y además suponemos independencia 13
entre las variables Xi
Si la muestra aleatoria x1, x2, ..., xn se toma a
partir de una población normal con media  y
varianza 2, la media muestral tendrá
distribución normal con media  y varianza 2/n,
N(, /n).

Vemos entonces que la distribución de la media

muestral tiene una dispersión menor alrededor de
la media poblacional y cuanto más grande es la
muestra, menor es la varianza.
14
 Distribución muestral de la media

Veremos primero el caso de que la distribución subyacente sea

normal, con media y varianza 
2

La media de la distribución muestral de medias es 

La varianza de la distribución muestral de medias es 
2
/n

La forma de la distribución muestral de la media es normal.

Nota: La desviación típica de la distribución muestral suele ser

denominada: error típico de tal estadístico (v.g., “error típico de la
media”, etc.)

Veamos varios ejemplos donde iremos variando el

15
tamaño n de las muestras.
 Distribución muestral de la media. Ejemplo 1

Distribución poblacional
400
La línea (en este y sucesivos ejemplos) es una curva
subyacente (dist. Normal):
normal
Media = 100
300 Varianza = 225
Desv. típica = 15

200

100 Distribución muestral de la

media:
Desv. típ. = 4.75
Media = 99.9 Tamaño muestral =10
0 N = 3600.00
Media = 100
Varianza = 225/10 =22.5
N10
En este y sucesivos gráficos: Número de muestras n Desv.típica = 22.5  16
4.74
 Distribución muestral de la media. Ejemplo 2

Distribución poblacional
500 subyacente (dist. Normal):
Media = 100
400 Desv. Típica = 15

300

200

Distribución muestral de la
media:
100
Desv. típ. = 3.36 Tamaño muestral = 20
Media = 100.0
0 N = 3600.00 Media = 100
Varianza = 225/20 = 11.3

N20 Desv. típica = 3.35 17

 Distribución muestral de la media. Ejemplo 3

Distribución poblacional
700 subyacente (dist. Normal):

600
Media = 100
Desv. Típica = 15
500

400

300

200 Distribución muestral de la

media:
100 Desv. típ. = 2.12
Media = 99.95 Tamaño muestral = 50
0 N = 3600.00
Media = 100
Varianza = 225/50 = 4.5
N50 Desv. típica = 2.12 18
 Distribuciones para muestras
grandes
Cuando el tamaño de la muestra es grande,
independientemente de que la variable aleatoria
de nuestro interés en la población se distribuya o
no como una normal, podemos derivar un
número de propiedades gracias a la LEY DE LOS
GRANDES NUMEROS y el TEOREMA
CENTRAL DEL LIMITE.

19
 Distribuciones para muestras grandes:
teorema central del límite
• Dada una v.a. cualquiera, si extraemos muestras de
tamaño n, y calculamos los promedios muestrales, entonces:

• Dichos promedios tienen distribución aproximadamente normal;

• La media de los promedios muestrales es la misma que la de la

variable original.

• La desviación típica de los promedios disminuye en un factor “raíz de

n” (error estándar).

• Las aproximaciones anteriores se hacen exactas cuando n tiende a

infinito.
– Este teorema justifica la importancia de la distribución normal.

– Sea lo que sea lo que midamos, cuando se promedie sobre una muestra
grande (n > 30) nos va a aparecer de manera natural la distribución normal.
20
 GRETL

Bajenlo YA!!!!!!!!!