Академический Документы
Профессиональный Документы
Культура Документы
Definicin 1 (Matriz)
Una matriz es un ordenamiento rectangular de nmeros en filas y columnas.
Especficamente, una matriz de dimensin
m n es un conjunto de nmeros
A mn ai , j
a11 a12
a
a22
21
am1 am2
a13
a23
am3
a1n
a2n
amn
Definicin 2 (Escalar)
Un escalar es un nmero real. En trminos de matrices un escalar es una
matriz 1 1.
Definicin 3 (Vector Columna)
Es una matriz que consta de m filas y 1 columna.
3
4
A
41
5
9
A 1 3 7 2
1 5
Es una matriz que consta que posee el mismo nmero de filas y columnas m
= n.
3
A
2 2
1
2
B 0
3 3
5
4
5
4
3
6
1
2 0
A
22
0 3
5
B 0
33
0
0 0
9 0
0 4
2
0
0
0
var cov(u)
0
0 2 0
0
0 2
0
elementos
diagonales
son
todos
1.
4
B
2 2
2
6
5
1
A 0
5
1
B 6
ij
i j
Transposicin
Definicin 15 (La Matriz Transpuesta)
5
1
0
4
A
5
3 5
1 0
Suma de Matrices
Sea A aij y B bij . Si A y B son del mismo orden se define la suma de
matrices como:
A+B=C
donde C cij es del mismo orden de A y B y se obtiene como cij aij bij i, j .
Si la suma puede realizarse se dice que A y B son conformables con la suma.
2 3 4 5
A
6 7 8 9
1 0 1 3
B
2 0 1 5
Dado que A y B son del mismo orden son conformables con la suma; de ah,
que A + B = C donde C es igual a:
3 3 3 8
C
4 7 9 14
A aij
4 5
8 10
, entonces A
8 3
16 6
Si = 2 y A
Multiplicacin de Matrices
a b
AB C
m p
k1
ik kj
Ejemplo 1:
2 1
B 3 5
32
6 2
3 4 7
A
23
5 6 1
(3 2) (4 3) (7 6) (3 1) (4 5) (7 2)
(5 2) (6 3) (1 6) (5 1) (6 5) (1 2)
AB C
60 37
34 37
VecF A VecF
A,
existe
un
nmero
conocido
como
a11 a12
entonces el determinante se calcula como A a11a22 a12a21
a21 a22
Si A
Ejemplo 2:
5 7
A
2 1
A 5 14 9
A (1)1 j a1 j A1 j a2 j A 2 j a3 j A 3 j
Ejemplo 3:
1 2 3
5 7 4
A
Si
Si se utiliza la fila 1
Si se utiliza la
columna 1
A 1(17) 2(7) 3(9)
17 14 27
17 15 26
24
24
2. Si A A
3. El intercambio de dos filas o columnas cualquiera de una matriz A,
cambian el signo de
dos
filas
columnas
es multiplicado por .
de
una
matriz
son
idnticas,
su
determinante es cero.
6. Si una fila o una columna de una matriz depende linealmente de
otra fila o columna
7.
=0.
AB A B
A 0)
as:
A -1
1
(adjA)
A
Ejemplo 4:
1 2 3
El determinante de A es:
A 24
Matriz de Cofactores:
7
1
2
1
2
4
3
3
3
3
7 4
5
2
1
2
1
4
3
3
3
3
4
1
17 7 9
2
3 3 3
1
13 11 3
2
5 7
5
2
1
2
1
Matriz Inversa
(AdjA/ A )
17 1
13
24 8
24
7
1
11
24
24 8
9
1
1
24
8
8
17 3 13
1
7 3 11
A 1
24
9 3 3
10
Ejemplo 1:
La variable aleatoria discreta X (la suma de los nmeros que aparecen en
dos dados) puede tomar uno de los siguientes resultados:
x
10
11
12
1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
f (x )
f (x )dx 1
f (x )dx P(a x b)
11
E(X ) x f (x )
x
Ejemplo 2:
Si se toman los datos del Ejemplo 1, el valor esperado de la suma de los
nmeros que aparecen en el lanzamiento de dos dados, se calcula como
sigue:
1
2
3
1
E(X ) 2
3
4
... 12
36
36
36
36
7
E(c) c.
entonces
notacin de sumatoria E
bien,
en
a
X
ai E X i .
i
i
i 1
i 1
n
12
Propiedades de la Varianza
1. La varianza de una constante es cero.
aX b) a2 var(
X ).
2. Si a y b son constantes, entonces var(
Desviacin Estndar
La desviacin estndar de una variable aleatoria, denotada por
, es la raz
consideremos
la
variable
aleatoria
Cov(X ,Y ) E (X x )(Y y )
13
Cov(X ,Y ) de
(X )de
(Y )
Coeficiente de Correlacin
Al igual que la covarianza el coeficiente de correlacin mide el grado de
asociacin lineal entre dos variables. Sin embargo, a diferencia de la
covarianza, no depende de las unidades de medida.
El coeficiente de
Cov(X ,Y )
XY
de(X ) de(Y ) X Y
constantes
a1,
b1 ,
a2
Corr
(a1X b1,a2Y b2 ) Corr
(X ,Y ) .
b2
con
a1
S
a2
a1 a2
>
<
0
0
Corr
(a1X b1,a2Y b2 ) Corr
(X ,Y ) .
ALGUNAS DISTRIBUCIONES DE PROBABILIDAD
14
Distribucin Normal
Se dice que una variable aleatoria esta normalmente distribuida si su FDP
tiene la forma:
f (x )
1 (x )2
1
exp
2
2
2
Y ~ N (a1 b 2 ),(a2 12 b2 22
15
distribucin
Z1
Z2
Z1 k
Z2 sigue una
Z1 k1
sigue la distribucin F con k1 y k2
Z2 k2
grados de libertad.
Propiedades de la Distribucin F de Fischer
1. Esta sesgada a la derecha, a medida que k1 y k2 aumentan se
acerca a una normal.
2. La media de una distribucin F es k2 /( k2 2) y su varianza es
2k22(k1 k2 2)
k1(k2 2)2(k2 4)
16
INFERENCIA ESTADSTICA
Estimacin Puntual
Se establece un estadstico que toma un valor numrico particular llamado
estimacin. Por ejemplo, si queremos conocer la media de una poblacin,
representada por , podemos tomar una muestra aleatoria de la poblacin
y estimar el parmetro poblacional por medio de un estimador muestral
llamado X .
Estimacin por Intervalos
Se establece un rango de posibles valores dentro de los cuales se puede
encontrar el parmetro. Por ejemplo, si se supone que una variable est
distribuida normalmente la media muestral X tambin est normalmente
distribuida; as, el verdadero valor de
se encuentra dentro de un
Pr X 1.96
X 1.96
n X 1.96
n 0.95
PUEBAS DE HIPTESIS
17
Zi
X
N(0,1)
/ n
X ,n
. Si se
18
cuando
insesgado
de
Var(Wn ) 0
cuando
n , entonces
plim(
Wn ) 0 . Lo que permite estos resultados de consistencia es la Ley de
19
Sea {Zn : n 1,2,...}una sucesin de variables aleatorias, tal que para toda z,
Pr(Zn z ) (z ) cuando
n ; entonces
y varianza 2 .
Y
tiene una distribucin normal estndar asinttica. En
/ n
20
21
yn 1 2x un
22
E Y x i E E Y x i E ui x i
E Y x i E ui x i
E ui x i 0
de
la
poblacin
con
respecto
al
error.
El
E(u) 0y
la
Cov
(x ,u) E(xu) 0 . De esta forma podemos escribir que:
E( y 1 2x ) 0
E x( y 1 2x ) 0
En trminos muestrales, para estimar 1 y 2 las ecuaciones anteriores se
puede expresar como:
n
n1 ( yi 1 2x i ) 0
i 1
n1 x i ( yi 1 2x i ) 0
i 1
y n1 yi la
i 1
y 1 2x . De lo anterior se
deduce que 1 y 2x .
23
x ( y ( y x ) x ) 0
i
i 1
Que al reordenar da
n
x ( y y) x (x
i
i 1
De
las
x (x
i 1
propiedades
n
x ) (x i x )2 y
i 1
del
operador
x ( y y) (x
i 1
i 1
i 1
x)
sumatoria
se
tiene
que
x )( yi y) . En ltimas, se concluye
que:
n
(x
i 1
x )( yi y)
(x
i 1
x )2
i 1
i 1
i2 min ( yi 1 2x i )2
min u
Las ecuaciones de las cuales se obtuvieron los estimadores son las
condiciones de primer orden del problema de minimizacin anterior y si se
realizan los clculos correctos se llegan a los mismos resultados.
Propiedades de los Estimadores de Mnimos Cuadrados Ordinarios
24
1. Se dice que los estimadores MCO son lineales si provienen de una funcin
lineal de una variable aleatoria.
2. Se dice que los estimadores de MCO son insesgados si su valor promedio
o esperado E ( i ) es igual a su valor verdadero i .
3. Se dice que los estimadores MCO son eficientes si dentro de la clase de
todos los estimadores lineales insesgados son los de mnima varianza.
Teorema de Gauss Markov:
Dados los supuestos del modelo de regresin lineal, los estimadores de
mnimos cuadrados ordinarios, dentro de la clase de estimadores lineales
insesgados, tienen varianza mnima; es decir, son MELI.
25
Var (u x )
Var(2 )
2
n
(x
i 1
x )2
Var(1 )
2n1 x i2
i 1
(x
i 1
x)
26
yi 0 1x i u
i , donde
i
u
1 n 2
ui . En otras palabras el estimador de la varianza del
(n 2) i 1
donde la fonacin bruta de capital fijo FBKF, es una funcin lineal del PIB.
Ambas variables estn expresadas en miles de millones de pesos. Cmo
cambian los resultados de la regresin s en lugar de que las variables estn
medidas en miles de millones de pesos, se miden en millones de pesos?
Para contestar a esta pregunta, definamos entonces a:
i
yi 1 2x i u
27
2
1
w
Var(2* ) 1
w2
Var(2 )
Ejemplo
0.17395
PIB, con las variables en miles
Para la regresin FBKF 37.0015205
de millones; expresar la regresin con FBKF en miles de millones y PIB en
millones.
Los factores de escala son w1 1 y w2 1000. Por lo tanto, utilizando los
resultados
anteriores
tenemos
que
la
nueva
regresin
es
FBKF* 37.0015205
0.00017395
PIB*
Forma Funcional
En econometra no siempre las variables se expresan en niveles y adems en
algunas ocasiones en economa aplicada son muy tiles las elasticidades.
Por esto, es muy comn emplear modelos logartmicos y combinaciones de
modelos lineales con logartmicos. Para cada forma funcional, las relaciones
entre la variable dependiente y la variable independiente, expresadas en los
coeficientes, se interpretan de manera diferente. La interpretacin de la
relacin para cada uno de los modelos es la siguiente:
Modelo
Nivel Nivel
Nivel
Log
Log
Variable
Variable
Independi
Dependient
ente
Cambio en x
Cambio en y
en:
en:
1 unidad
2 unidades
Log (x)
1%
Log (y)
1 unidad
( 2 /100)
unidades
( 2 *100)%
28
Nivel
Log Log
Log (y)
Log (x)
2 %
1%
Ejemplo
u
Supongamos que se tiene un modelo de la forma yi 1x i 2 e i el cual
puede ser expresado en forma lineal como ln yi 1 2 lnx i ui donde
1 ln 1 . La importancia de modelos de este tipo en Economa
t
Asumamos que se tiene el siguiente modelo PIBt PIB0 1 r donde
PIB.
puede
Un
modelo
como
el
anterior
expresarse
como
El PIB aumenta 25.848 mil millones de pesos por cada aumento del
1% en la oferta monetaria.
29
FBKF 37.0015205
0.17395
PIB
Si el PIB aumenta en 1000 millones la Formacin Bruta de Capital Fijo
se incrementa en 0.17395 miles de millones.
explica
la
variable
Matemticamente,
u 0
i 1
x u 0
i 1
Con estas propiedades es posible escribir una regresin para cada i como
i y se nota como se puede descomponer cada i es dos partes; los
yi yi u
STC ( yi y)2
i 1
como:
n
SEC ( yi y)2
i 1
30
i 2
SRC u
i 1
De las definiciones anteriores se puede mostrar que STC = SEC + SRC. Con
este resultado se puede obtener el coeficiente de determinacin o R2. Si se
divide todo sobre la STC se obtiene que:
R2
SEC
SRC
1
STC
STC
i i
i
31
escribir como:
t
i i
i
i
y se concluye como sigue: Bajo la
i
Anlisis de Varianza
32
Grados de Libertad
Estadstico
F
SEC
SRC
n2
STC
n1
SEC/SRC
33