UNIVERSIDAD NACIONAL AGRARIA LA

MOLINA
FACULTAD DE ECONOMIA Y PLANIFICACION
Economía

Econometría Intermedia
Sesión N° 02: Estadística Aplicada - Formas
Funcionales de los Modelos Econométricos

Dr. Carlos Iván Palomares Palomares

Semestre 2022-II
Correo: cpalomares@lamolina.edu.pe
Elementos de la Estadística
Aplicada
 El Estadístico de Tendencia Central.
 Para muestras Pequeñas el Coeficiente de Variabilidad, permite la
decisión.
 Para muestras grandes el Teorema del Limite Central.
 El Análisis de Dispersión.
 Desviación Estándar
 Varianza
 Normalidad
 Coeficiente de Asimetría.
 Kurtosis
 Jarque Bera
 Estadístico de Tendencia Central

 Media: La media o promedio de un conjunto de datos se encuentra al sumar

todos los números en el conjunto de datos y luego al dividir entre el número de
valores en el conjunto (Media Aritmética). Averiguar ¿En qué consiste la Media
Geométrica).
 Mediana: La mediana estadística es el número central de un grupo de números
de datos ordenados por tamaño. Si la cantidad de términos es par, la mediana es
el promedio de los dos números centrales: ... Ordena los números según su
tamaño. Si la cantidad de términos es impar, la mediana es el valor central.
 Moda: La moda es el valor que tiene mayor frecuencia absoluta. Es decir, tiene
varias modas. Cuando todas las puntuaciones de un grupo tienen la misma
frecuencia, no hay moda. ... Cuando todas las puntuaciones de un grupo tienen
la misma frecuencia, no hay moda.

Teorema del Limite Central: Preparar un Ensayo Científico.

Halle la media, la mediana y la
moda de los siguientes datos:
 3, 7, 10, 12, 14, 3, 4, 5, 10, 10, 12, 13, 14, 1, 2, 5,
7, 3, 9, 10.
 Media:
 Mediana:
 Moda:
Coeficiente de Variabilidad
 Desviación Estándar

Cálculo de la suma de cuadrados para las hembras de petrel

Diferencia
 La desviación estándar es un índice Tasa
Diferencia
con la
Animal Sexo Media con la
numérico de la dispersión de un metabólica
media
media al
cuadrado
conjunto de datos (o población).
1 Hembra 727.7 1285.5 -557.8 311140.84
Mientras mayor es la desviación
2 Hembra 1086.5 1285.5 -199.0 39601.00
estándar, mayor es la dispersión de la 3 Hembra 1091.0 1285.5 -194.5 37830.25
población. La desviación estándar es 4 Hembra 1361.3 1285.5 75.8 5745.64
un promedio de 5 Hembra 1490.5 1285.5 205.0 42025.00
las desviaciones individuales de cada 6 Hembra 1956.1 1285.5 670.6 449704.36
observación con respecto a la media de
una distribución. Suma de
las
Media de las tasas metabólicas: 1285.5 diferencias 886047.09
al
cuadrado:
 ¿Qué debe asegurar la Desviación Estándar?

 Debe ser pequeña para asegurar, que la varianza sea

pequeña y así se pueda evitar el problema de alta
dispersión y por ende de Heterocedasticidad.
 Cuando eso no ocurre, se sugiere trabajar con data log-
linealizada.
 Una de las variables más complicadas de tratar es el
ingreso. Por ello un modelo de consumo, donde C=f(I),
nos puede originar problemas porque los ingresos son
dispersos como en el caso del Perú.

0 930 15000
Trabajo Encargado

Estimar la Propensión Marginal a Consumir de los

países indicados:
 Perú.
 Brasil.
 EEUU.
 Alemania
Análisis de Normalidad

 Coeficiente de Asimetría: Skewness.

 Kurtosis:
 Leptocurtica.
 Mesocurtica.
 Platicurtica.
 Jarque Bera
Análisis de Normalidad
Jarque Bera

 Donde:
 N: Tamaño de muestra
 S: Skewness.
 K: Kurtosis
 SERIES DE TIEMPO
Una serie de tiempo es un conjunto
de datos representados en Y,
tomados desde un tiempo
determinado t hasta un tiempo
posterior t+n, mediante el conjunto
ordenado Y definido de la siguiente
manera: Y = {yt, yt+1, yt+2, . . . ,
yt+n } donde yj es la observación
j−ésima del fenómeno con un
retardo de tiempo asociado a t
(Medición en intervalos de tiempo PBI Perú

iguales) y con un total de n+1

mediciones.
Elementos de una serie de tiempo

Estacionalidad

Tendencia

Error
Ciclo
Estacionalidad ≠ Estacionariedad
 Estacionalidad: Es la variación estacional de una serie temporal, que se
percibe por una variación periódica y predecible de la misma con un
periodo inferior o igual a un año. Ejm: El consumo de helados ( en el
verano), la venta de chompas (en el invierno), visita a las playas (en el
verano), etc.
 Estacionariedad: Intuitivamente el concepto se refiere a que las
propiedades de la serie no varían con respecto al tiempo. En otras
palabras significa que su variación (la forma en la que cambia) no
cambia en función del tiempo. Esto tiene una importante implicación a
la hora de predecir. En resumen, si una serie de tiempo es estacionaria,
su media, su varianza y su autocovarianza (en los diferentes rezagos)
permanecen iguales sin importar el momento en el cual se midan; es
decir, son invariantes respecto del tiempo.
 Según el journal Econometrica

 Toda serie económica es no estacionaria en su data nominal y real. Sin

embargo en términos de variaciones puede ser estacionario.
 Toda serie de tiempo de variables de RRNN y de Servicios
Ecosistémicos son estacionarios cuando no existe intervención
intrusiva del hombre. En otros casos si presenta estacionariedad como
en el caso de la pesca de recursos hidrobiológicos, la temperatura del
ambiente, el nivel de precipitaciones, entre otros.
Cantidad de Datos Longitudinales ideal
 Recomendación de Journal Econometrica:
a. Serie anual = 30 años = 30 observaciones.
b. Serie semestral = 15 años = 30 observaciones.
c. Serie trimestral = 7.5 años = 30 observaciones.
d. Serie bimestral = 5 años = 30 observaciones.
e. Serie mensual = 5 años = 60 observaciones (para evitar la volatilidad de los
datos).
Ejemplos de Series de Tiempo

Serie de RRNN – Pesca Peruana

 Shocks
Antrópicos y
Ambientales
 Serie económica de la Inflación
Peruana

Shock
antrópico