1

Introduccin a la Econometra

1.1

Propsito y denicin

Consiste en la aplicacin de la estadstica matemtica a los datos econmicos

para dar soporte emprico a los modelos construidos por la economa matemtica
y obtener resultados numricos. El inters principal de la economa matemtica
es expresar la teora econmica en una forma matemtica (ecuaciones) sin preocuparse por la capacidad de medicin o de vericacin emprica de la teora.
La econometra se interesa sobre todo en la vericacin emprica de la teora
econmica. En econometra, el que construye el modelo a menudo se enfrenta
a datos provenientes de la observacin ms que de la experimentacin. Esto
tiene dos implicaciones importantes para la creacin emprica de modelos en
econometra. Primero, se requiere que quien elabore modelos domine muy distintas habilidades en comparacin con las que se necesitan para analizar los
datos experimentales. Segundo, la separacin de quien recopila los datos y el
analista exige que quien elabora modelos se familiarice por completo con la
naturaleza y la estructura de los datos en cuestin

1.2

Metodologa de la econometra

1. Planteamiento de la teora o de la hiptesis.

2. Especi cacin del modelo matemtico de la teora.
3. Especi cacin del modelo economtrico o estadstico de la teora.
4. Obtencin de datos.
5. Estimacin de los parmetros del modelo economtrico.
6. Pruebas de hiptesis.
7. Pronstico o prediccin.
8. Utilizacin del modelo para nes de control o de polticas.

1.3

Tipos de econometra

La econometra se divide en dos amplias categoras: econometra terica y

econometra aplicada. En cada categora se puede tratar la materia segn la
tradicin clsica o la bayesiana. La econometra terica se relaciona con la elaboracin de mtodos apropiados para medir las relaciones econmicas especi
cadas por los modelos economtricos. En este aspecto, la econometra se apoya
en gran medida en la estadstica matemtica. La econometra terica debe expresar los supuestos de este mtodo, sus propiedades y lo que les sucede cuando
no se cumplen uno o ms de los supuestos del mtodo. En la econometra aplicada utilizamos herramientas de la econometra terica para estudiar algunos
campos especiales de la economa y los negocios.
1

2
2.1

Algunos conceptos estadsticos

Variable Aleatoria

Las observaciones son generadas por un fenmeno aleatorio (experimento), a este

experimento ahora le llamaremos variable aleatoria. Para estudiar el comportamiento aleatorio de esta variable se cuantican los resultados del experimento,
es decir, se permite relacionar cualquier resultado de un experimento aleatorio
con una medida cuantitativa.

2.2
2.2.1

Clasicacin de variables aleatorias

Discretas

Pueden tomar un nmero nito de valores. Ejemplo: Nmero de accidentes en

las autopistas del pas cuando es puente.
2.2.2

Continuas

Pueden tomar cualquier valor en un intervalo dado. Ejemplo: Tiempo requerido

por los profesores para trasladarse de su hogar a la universidad.
Identique cada una de las siguientes variables aleatorias como discretas o
continuas:
1.- Las edades en aos de los nios que estn en un saln de clases
2.- La distancia a la que se puede elevar un papalote
3.- El nmero de robos ocurridos en un almacn en un determinado periodo
de tiempo.
4.- La cantidad de gasolina consumida por un vehculo en una prueba de 100
Km.
5.- El tiempo que un alumno tarda en resolver la tarea de estadstica.
6.- El nmero de accidentes mortales en una planta manufacturera.
7.- El nmero de cuentas que hay en un banco en un momento dado.

2.3

Funcion de probabilidad de una variable aleatoria discreta

Para medir la incertidumbre de los resultados de un experimento mediante el uso

de variables aleatorias es necesario calcular la probabilidad de que la variable
tome algn valor especco.
Una funcin de probabilidad de una variable aleatoria discreta es una tabla,
graca o regla que muestra los posibles valores de X con su probabilidad, pero si
dichos valores son demasiados es ms conveniente describir su comportamiento
mediante una ecuacin.

2.3.1

Denicin de funcin de probabilidad de una variable aleatoria

discreta

Utilizando una frmula que exprese las probabilidades mediante una funcin
P [X = x] : Dicha funcin debe cumplir ciertas propiedades
1. P [X = x] 0
X
2.
P [X = x] = 1 la suma de todas las probabilidades

Podemos representar gracamente la funcin de probabilidad discreta mediante un histograma

Por otro lado, a veces es importante denir la funcin de distribucin acumulada de probabilidad denida como la probabilidad de que la variable aleatoria
tome valores menores o iguales a un valor jo.x
F (x) = P [X x]
y la obtenemos sumando los valores de P [X = x] que sean menores o iguales
que un valor jo

2.4

Valor esperado de una variable aleatoria discreta (medida de tendencia central poblacional)

Se utiliza como medida de localizacin del centro de la distribucin y su frmula viene dada por la suma de cada valor multiplicado por su probabilidad
En otras palabras, se calcula el promedio de los valores que puede tomar la
variable aleatoria donde cada valor est ponderado por la que probabilidad de
que la variable tome dicho valor, de tal forma que los valores que tienen ms
probabilidadPde ocurrir tendrn mayor ponderacin.
E [X] = x
PP [X = x]
E [g(X)] =
g(x)P [X = x]
Propiedades
E [a + bX] = a + bE [X]

2.5

Varianza de una variable aleatoria discreta (medida

de dispersin)
2

V ar(X) = E X 2
[E (X)]
Propiedades
V ar(a + bX) = b2 X
Si X y Y son variables aleatorias independientes,
V ar(X + Y ) = V ar(X) + V ar(Y )
V ar(X Y ) = V ar(X) + V ar(Y )
Si X y Y son va independientes y a y b son constantes,
V ar(aX + bY ) = a2 V ar(X) + b2 V ar(Y )

2.6

Funcion de densidad de una variable aleatoria continua

La funcin de densidad se usa para caracterizar la distribucin de probabilidad. Gracamente la funcin de densidad corresponde a la forma limite del
histograma de frecuencias relativas.
2.6.1

Denicin de funcin de densidad de una variable aleatoria

discreta

Utilizando una frmula que exprese las probabilidades mediante una funcin
f (x) Dicha funcin debe cumplir ciertas propiedades
1. f (x) 0
Z
2.
f (x) = 1 la integral de todas las probabilidades
Podemos representar gracamente la funcin de probabilidad discreta mediante las grcas de sus densidades
Por otro lado, a veces es importante denir la funcin de distribucin acumulada de probabilidad denida como la probabilidad de que la variable aleatoria
tome valores menores o iguales a un valor jo.x
F (x) = P [X x]
y la obtenemos integrando la funcin de densidad para todos los valores de
la variable aleatoria que sean menores o iguales que un valor jo

2.7

Valor esperado de una variable aleatoria continua (medida de tendencia central poblacional)

Se utiliza como medida de localizacin del centro de la distribucin y su frmula

viene dada por la integral de cada valor multiplicado por su densidad
Z1
E [X] =
x f (x) dx
1

E [g(X)] =

Z1

g(x) f (x) dx

Propiedades
E [a + bX] = a + bE [X]

2.8

Varianza de una variable aleatoria continua (medida

de dispersin)

h
V ar(X) = E (x
Propiedades

E [X])

= E X2

[E (X)]

V ar(a + bX) = b2 X
Si X y Y son variables aleatorias independientes,
V ar(X + Y ) = V ar(X) + V ar(Y )
V ar(X Y ) = V ar(X) + V ar(Y )
Si X y Y son va independientes y a y b son constantes,
V ar(aX + bY ) = a2 V ar(X) + b2 V ar(Y )

Medidas de asociacin lineal

Sirven para saber si una variable inuye sobre la otra. Para saber si existe una
relacin, positiva o negativa entre dos variables.

3.1

Diagrama de dispersin

Una primer forma para saber cual es la relacin entre dos variables es obteniendo el diagrama de dispersin. En el eje horizontal ponemos la variable
independiente y en el vertical la variable dependiente.

3.2

Covarianza

Una medida para representar la relacin entre dos variables es la covarianza.

Esta medida depende de las unidades pero el signo de la misma nos da informacin.
XX
Cov (X; Y ) =
(X
x) Y
y P [X = x; Y = y]
y

Cov (X; Y ) =

Z1 Z1

(X

x)

f (x; y) dxdy

1 1

Propiedades
Cov (a + bX; c + dY ) = bdCov (X; Y )
Si X y Y son independientes, su covarianza es cero
Varianzas de 2 variables correlacionadas
V ar(X + Y ) = V ar(X) + V ar(Y ) + 2Cov (X; Y )
V ar(X Y )!
= V ar(X) + V ar(Y ) 2Cov (X; Y )
n
n
X
X
XX
V ar
Xi =
V ar(Xi ) + 2
Cov (Xi ; Xj )
i=1

3.3

i=1

i<j

Coeciente de correlacin

Mide el grado de asociacin existente entre dos variables sin ser afectada por
las unidades. Sus valores van desde -1 a 1. En esta medida tanto el signo como
la magnitud nos da informacin.
Cov(X; Y )
= Corr(X; Y ) =
x y

3.4
3.4.1

Algunas distribuciones de probabilidad

Distribucin Normal

Se utiliza ampliamente en aplicaciones en donde los valores que puede tomar

la variable pueden ser tanto negativos como positivos y en donde se tenga
conocimiento previo que dichos datos sean simtricos. Es muy importante vericar, inicialmente mediante un histograma, si la distribucin de los datos es
simtrica, ya que en caso contrario, suponer normalidad puede llevar a errores
importantes.
Su funcin de densidad est dada por
1
2
1
)
f (x) = p exp
2 2 (x
2
donde y 2 son la media y varianza de la distribucin.
Cuando = 0 y 2 = 1 se habla de la distribucin normal estndar, la cual
fue la ms utilizada durante muchos aos debido a que era la nica de la cual
se tenan valores calculados. Actualmente existen varios paquetes en donde
podemos encontrar los valores de la distribucin para la normal con medias
distintas a cero y varianzas distintas a uno.
Ejemplos:
1. El agente de compras, encargado de conseguir autos para el centro de
vehculos motorizados, est estudiando la conveniencia de adquirir uno de
dos modelos diferentes. Ambos tienen 4 puertas y 4 cilindros, con plizas
de servicio muy semejantes. La decisin sera elegir el auto que da mayor
rendimiento por litro. Se efectuaron algunas pruebas que aportaron los
siguientes resultados:
Coche A
Coche B

Promedio de Km por litro

17.6
16.7

varianza
1.66
6.63

El agente de compras no estaba satisfecho con la decisin debido a las

varianzas observadas, de modo que estableci su propio criterio de decisin
respecto del coche que tena mayores probabilidades de dar 19 km o ms
por litro.
a) Considere que el rendimiento se distribuye como normal en ambos
casos cul coche debera seleccionar?
b) Si el criterio del gerente fue rechazar el coche que tuviera mayores
probabilidades de rendir menos de 16 km cul coche debera comprar?
2. Se piensa que el tiempo en segundos que un cajero tarda en atender a un
cliente en un banco se puede modelar con una distribucin normal con
media 150 y desviacin estndar 20.
a) Cul es la probabilidad de que un cliente sea atendido en ms de 200
segundos?
6

b) Cul es la probabilidad de que un cliente sea atendido en menos de

100 segundos?
c) Cul es la probabilidad de que un cliente sea atendido en ms de 140
pero menos de 160 segundos?
d) Si se desea dar tiempo suciente para atender al 80% de los clientes,
cuntos segundos tendran que haber pasado?
3. Suponga que la demanda mensual de cierto producto se encuentra aproximada por una variable aleatoria normal con media 200 y desviacin estndar de 40 unidades. Encuentre la probabilidad de que la demanda
mensual
a) sea mayor que 225 artculos
b) se encuentre entre 195 y 215 artculos del producto
c) Qu tan grande debe ser el inventario disponible a principios de un mes
para que la probabilidad de que la existencia se agote sea de 0.05?
Sea X1
N 1; 21 y X2
N 2;
Considere ahora la combinacin lineal

2
2

y suponga que son independientes.

Y = aX1 + bX2
donde a y b son constantes, entonces Y
N a 1 + b 2 ; a2 21 + b2 22
Si X y Y estn distribuidas normalmente de manera conjunta, son independientes si y slo si la covarianza entre ellas [es decir, cov(X,Y )] es cero.