Inferencia Estadistica

INTRODUCCIN ESTADSTICA
INFERENCIA ESTADSTICA
TEORA Y PRACTICA FINANCIERA
CARLOS MENDOZA ASTROZ
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
.
Agenda
1. Definicin de inferencia estadstica
2. Estimadores y mtodos de estimacin
3. Propiedades de los estimadores
4. Intervalos de confianza
5. Pruebas de hiptesis
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
2
.
INFERENCIA ESTADSTICA CLSICA. Suponga un
conjunto de datos que se definen como valores observados
de variable(s) aleatoria(s) (v.a) representando resultados
de algn evento repetido.
La distribucin de probabilidad de las v.a. son
desconocidas y se desea utilizar losConocid
datos disponibles
(espacio muestral)
para aprender
de las
Desconoci
o caractersticas de
PGD
la distribucin poblacional.
do
Inferencia
PGD
Inferencia
FDP
Datos
Definicin. Estimador. Dada una muestra aleatoria {Y1,Y2,,Yn}

extrada de una distribucin de la poblacin que depende de un
parmetro desconocido (), un estimador del parmetro
desconocido () es una regla que asigna a cada resultado posible
deCARLOS
la muestra
un valor de .
MENDOZA
Pag
ASTROZ
2015-I
Econometra
INFERENCIA ESTADSTICA CLSICA. En trminos mas
generales, un estimador de un parmetro se puede
expresar como una formula matemtica abstracta:
= h(Y1, Y2,, Yn)
para alguna funcin conocida h de las variables aleatorias

Y1, Y2,, Yn. es una variable aleatoria (v.a.) pues depende
de la muestra aleatoria conforme se obtienen diferentes
muestras aleatorias de la poblacin, el valor de puede
cambiar.
Cuando un conjunto de nmeros en particular, por ejemplo
{y1, y2,, yn}, se inserta a la funcin h, se obtiene una
estimacin de , denotada como =h(y1,, yn). En
ocasiones, es llamado un estimador puntual y 0 es una
realizacin del estimador.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
4
.
INFERENCIA ESTADSTICA CLSICA. Un experimento se
describe por un nico numero y repetido T_veces entonces
la muestra consiste en (y1,y2,,yT)=Yt. La FDP conjunta de
la muestra y asume una forma matemtica f(y|) que
depende de uno o mas parmetros =[1, 2, k].
Los parmetros desconocidos se encuentran en un
conjunto de posibles valores conocido como espacio de
parmetros. Un investigador asume conocer f(y|) y
constituyendo un modelo estadstico (inferencia estadstica
clsica).
Dado un modelo, la inferencia estadstica clsica, consiste
en utilizar valores mustrales de y para especificar valores
plausibles para (problema del punto de estimacin) o al
menos determinar un subconjunto de que puede o no
contener
(intervalos de estimacin o pruebasPag de
CARLOS MENDOZA
5
2015-I
Econometra
.
ASTROZ
hiptesis).
Como un ejemplo de un estimador, sea {Y1,, Yn} una
muestra aleatoria de una poblacin con media. Un
estimador natural de es el promedio de la muestra
aleatoria:
De esta manera recibe nombre de promedio muestral,

ahora el promedio muestral de un conjunto de nmeros no
es un estadstico descriptivo, ahora se considera como un
estimador.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
6
.
Ejemplo. Suponga el promedio de los retornos de la
accin de ECOPETROL es 2.3% mensual durante el ultimo
ao con una distribucin normal N(,2) con parmetros
desconocidos de localizacin () y escala (2). Ver
ejercicio de Excel.
La estimacin de parmetros implica utilizar datos
mustrales de los rendimientos de Ecopetrol para hacer
inferencia estadstica de los parmetros poblacionales
del promedio de rendimiento () y volatilidad (2) de los
retornos. La estimacin puede tomar un valor puntual
(rendimiento promedio mensual es 2.0%) o valores en un
intervalo (se encontrara entre 1.0% y 3.0%) .
La prueba de hiptesis relaciona los datos para probar
evidencia a cerca de una conjetura sobre la poblacin. Por
ejemplo, basado en una distribucin normal N(,2) es
CARLOS MENDOZA
Pag
estadsticamente
significativo
encontrar
7
2015-I
Econometra
.
ASTROZ
rendimientos en la accin de Ecopetrol inferiores a
1.0%?
Agenda
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
8
.
Preguntas:
A partir de datos (muestra) como se pueden estimar
parmetros (poblacin)?
Cual es la mejor estimacin de un parmetro poblacional
desconocido?
Respuesta:
Metodologas que buscan encontrar un estimador que
mejor se acerque desde la muestra hacia la poblacin. Las
tcnicas mas utilizadas son:
1. Mxima verosimilitud
Tcnicas de optimizacin
2. Mnimos cuadrados
matemtica
3. Mtodo de momentos
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
9
.
Para comprender algunas ideas sobre procesos de
estimacin es necesario tener claro el concepto de
muestreo aleatorio.
Definicin. Muestreo aleatorio. Sean x1, x2..xu variables
aleatorias independientes, cada con la misma distribucin
de probabilidad f(x). Se define X1,X2.Xu como una
muestra aleatoria de tamao u de la poblacin f(x) y se
escribe su distribucin de probabilidad conjunta como:
f(x1, x2..xu)=f(x1)*f(x2 )*..*f(xu)
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
10
.
Definicin. Estimacin por mxima verosimilitud.
Sean x1, x2..xu una muestra aleatoria de una distribucin
de probabilidad f(X;) y sea L(x1,x2..xu) la verosimilitud
de la muestra como funcin de . Entonces, si =u(x 1,
x2..xu) es el valor de para el cual el valor de la funcin
de verosimilitud es mxima, entonces, = u(x 1, x2..xu) es
el estimador de mxima verosimilitud de y .
1. Utiliza el conocimiento de la muestra para estimar
(hacer inferencia) al valor de un parmetro poblacional.
2. Selecciona el valor del parmetro poblacional a travs
de una muestra para el cual la probabilidad observada
(verosimilitud) es mxima.
3. La muestra tiene la mayor probabilidad de ocurrencia
para una distribucin f(X;). La informacin del
parmetro esta en la muestra
CARLOS MENDOZA
Pag
ASTROZ
2015-I
Econometra
11
F()
Ir a ejercicio en EXCEL
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
12
.
Una dificultad en el mtodo de mxima verosimilitud
radica en elegir una distribucin de probabilidad
especifica. El mtodo de mnimos cuadrados no requiere
una distribucin especifica.
Definicin. Estimacin por mnimos cuadrados.
Encuentra el valor de los parmetros estimados
mediante al minimizacin de la suma de cuadrados de las
diferencias entre los valores observados y aquellos
proporcionados por la ecuacin de prediccin. Los valores
se conocen como estimadores de mnimos cuadrados.
Existen varios tipos entre ellos:
Mnimos cuadrados ordinarios (OLS)
Mnimos cuadrados generalizados (GLS)
Mnimos cuadrados en dos etapas (2LS)
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
13
.
F()
Ir a ejercicio en EXCEL
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
14
.
Ejemplo. Suponga en la mesa de dinero XXX donde se
informa que se tiene una correlacin (de 70% entre la tasa
de los TES24 y TES18. Usted efectuara alguna cobertura
dada estas caractersticas?
Yo no. Porque:
1. El calculo de la correlacin asume la muestra como
poblacin y NO utilizan un proceso para su estimacin,
es solo un estadstico.
2. Asume estimacin puntual ( y no es consecuencia de
un proceso de inferencia estadstica. Adems, No se
indagan las propiedades de los estimadores, ni su
estabilidad cuando crece la muestra.
3.
No se efecta
anlisisincluir
por intervalo
o pruebas
CONCLUSIN.
Esun
necesario
propiedades
de los
de hiptesissignificancia
sobre el valor de
la correlacin.
estimadores,
estadstica,
anlisis por
intervalo y pruebas de hiptesis para determinar

CARLOS MENDOZA
Pag
adecuadamente
un2015-I
anlisis de inversin.
15
Econometra
ASTROZ
Agenda
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
16
.
Que tan bueno es un estimador? Es imposible
responder en la medida que se desconoce el valor
poblacional, un estimador es una variable aleatoria. Para
encontrar una buena respuesta es necesario utilizar
muestras repetidas para indagar las propiedades de los
estimadores y resultados sobre valores estimados.
Adems, es necesario determinar sus propiedades, las
cuales se dividen en dos grandes ramas:
1. Muestra pequea
2. Muestra grande o asinttica (n)
Cuales son sus caractersticas:
a) Insesgamiento (1)
b) Consistencia (2)
c) Eficiencia (1,2)
d)CARLOS
Suficiencia
(1,2)
MENDOZA
Pag
ASTROZ
2015-I
Econometra
17
Porque muestra grande supera en el anlisis a
muestra pequea?
1. Muestra pequea (no tiene en cuenta el tamao de
muestra) son intratables para muchos de los
estimadores en distintas situaciones. La muestra
grande (consistencia n) es mucho ms general.
2. Muchos de los estimadores utilizados en distintas
situaciones no tienen propiedades deseables en
muestra pequea como insesgamiento.
3. Anlisis asinttico permite un tratamiento unificado de
los procesos de estimacin.
4. El anlisis asinttico no deja de tener inconvenientes.
La solucin puede conducir a un mal camino. En
aquellos casos donde las propiedades de muestra finita
pueden ser derivadas
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
18
.
Las propiedades de la muestra pequea son limitadas y es
necesario verificar si los estimadores deben ser
comparados con sus propiedades asintticas, es decir,
cuando el tamao de muestra es grande y se aproxima al
infinito.
Muestra pequea
insesgamiento
Muestra grande
Consistencia
Convergencia en
distribucin
Eficiencia
Eficiencia asinttica
Pero para que? Es necesario encontrar las caractersticas

asintticas en la medida que trabajamos con muestra pequea y
deseamos estar seguros que a medida que aumente el tamao de
la muestra se converge a un valor poblacional
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
19
.
Definicin. Estimador insesgado. El valor esperado de
un estimador es igual a su valor poblacional.
F()
Funcin de estimacin en
su valor mximo
F(=
funcin de
estimacin
= Estimador de
= Valor poblacional
Si un estimador es insesgado,
entonces su distribucin de
probabilidad tiene un valor
esperado igual al parmetro
que se supone estimara.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
20
.
1. Una debilidad de la insesgamiento es que algunos
estimadores razonables, e incluso algunos muy
buenos, no son insesgados.
2. El insesgamiento en algunos casos tiene resultados
muy pobres. Algunos estimadores insesgados pueden
tener una varianza demasiado grande para ser
considerados aceptables.
Una forma de comparar los estimadores que no

necesariamente son insesgados, es calcular el error
cuadrtico medio (ECM) de los estimadores. Si es un
estimador de , entonces el ECM de se define como
ECM() E[(-)2]. El ECM mide, en promedio, que tan alejado
esta el estimador de . Se puede mostrar que
ECM()=Var()+[Bias()]2. As que ECM() depende de la
varianza
y el sesgo (si lo hubiera). Esto permite comparar
CARLOS MENDOZA
Pag
2015-I
Econometra
ASTROZ
dos estimadores
cuando uno o ambos son sesgados. . 21
Definicin. Estimador eficiente. Sobre dos estimadores
insesgados siempre ser preferido un estimador con la
varianza mas pequea. Se dice que es un estimador de
varianza mnima. En otras palabras, un estimador es un
estimador eficiente de si E()= y var()> var(). Una
metodologa para determinar si un estimador es eficiente
se conoce como la desigualdad de CRAMER-RAO. Establece
que si es un estimador insesgado de tiene la siguiente
propiedad.:
Si el estimador es insesgado con una varianza igual a

1/E[d2L()/d2] la cual es conocida como la cuota interior
de CRAMER-RAO indica su eficiencia puesto que no existe
una varianza mas pequea para un estimador insesgado.
La inversa de la matriz de informacin [I()]-1 es la cuota
inferior de CRAMER RAO.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
22
.
Es razonable exigir que a medida que el tamao de
la
muestra
aumente
para
que
cualquier
procedimiento de estimacin mejore.
Definicin. Consistencia. Asegura que los estimadores, ,
producirn un valor estimado cercano al verdadero
parmetro poblacional, , con una alta probabilidad si el
tamao de muestra es lo suficientemente grande. De
manera mas precisa, sea un estimador de sobre la
muestra de tamao T. Entonces
es un estimador
consistente de si:
=1
Donde es un numero arbitrariamente pequeo. Esto
significa que la probabilidad que el valor [+ , -,] puede
ser arbitrariamente cercana a 1 si el tamao de muestra,
T, crece, no importa cuan pequeo sea . Se dice que
converge en probabilidad a (probabilidad limite) y se
nota
como:
CARLOS MENDOZA
Pag
23
2015-I
Econometra
.
ASTROZ
plim =
Consistencia en probabilidad (plim). Sea Y1,Y2,YT una
muestra aleatoria que viene de una poblacin N(, 2) y
considere el estimador de , la cual es la media muestral.
Si conocemos que T se distribuye N(,2) y se consideran 2
tamaos muestrales T2>T1. Se muestra de la siguiente
los estimadores insesgados
manera:
no
son
necesariamente
Asintticamente
f(T)
consistentes,
pero aquellos
insesgado
con varianzas que se reducen

a cero a medida que el
tamao muestral aumenta
son consistentes.
Ir
a
ejercicio
de Excel
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
24
.
La consistencia es una propiedad de los estimadores
puntuales. Aunque esta expresa que la distribucin del
estimador se esta colapsando en torno al parmetro a
medida que el tamao de la muestra aumenta, no
expresa esencialmente nada acerca de la forma de
esa distribucin para un tamao muestral dado.
Para construir estimadores de intervalo y pruebas
de hiptesis, se necesita una forma de aproximar la
distribucin de los estimadores. La mayora de los
estimadores economtricos tiene distribuciones que se
aproximan bien mediante una distribucin normal para
muestras grandes,
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
25
.
Ley de los grandes nmeros. Sean Y1,Y2,,Yn variables
aleatorias independientes, idnticamente distribuidas
(vaiid) con media . Entonces:
plim(n) =
La ley de los grandes nmeros significa que, si se esta

interesado en estimar el promedio poblacional , es
posible aproximarse arbitrariamente a si se elige una
muestra
suficientemente
grande.
Este
resultado
fundamental se puede combinar con las propiedades
bsicas de la probabilidad limite (plim) para mostrar que
estimadores muy complejos son consistentes.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
26
.
Defuncin. teorema del lmite central (TLC) es uno de
los resultados mas poderosos en probabilidad y
estadstica. Indica que el promedio de una muestra
aleatoria para cualquier poblacin (con varianza finita),
cuando se estandariza, tiene una distribucin normal
estndar asinttica.
Teorema del lmite central. Sea {Y1,Y2,,Yn} una
muestra aleatoria para cualquier poblacin con una media
y una con varianza finita 2. Entonces:
Tiene una distribucin normal estndar asinttica.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Ir a
ejercic
io
excel
Pag
27
.
Definicin. Convergencia en distribucin (asy). Es la
funcin de distribucin de probabilidad (FDP) de un
estimador a la cual converge progresivamente en la
medida que el tamao de la muestra se incrementa
(asinttico). Un buen ejemplo de ello es el teorema del
limite central.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
28
.
Si deseamos tener una visin de mltiples estimadores y
verificar sus propiedades (anlisis multivariado) es
especial la Convergencia en distribucin (asy), se
utilizan los vectores de estimacin.
Si es un estimador consistente de y (T-) converge en
distribucin N[0,], entonces se dice asintticamente
as
distribuido (aproximacin
por muestra grande) N[0,(1/T)],
y
es decir en trminos notacionales N[0,(1/T)],
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
29
.
La mayora de los estimadores encontrados en estadstica
y econometra se puede escribir como funciones de
promedios muestrales, en cuyo caso se puede aplicar la
ley de los grandes nmeros y el teorema del limite central.
Cuando dos estimadores consistentes tiene distribuciones
normales asintticas, se elige el estimador con la varianza
asinttica menor.
La asimetra muestral o kurtosis muestral de los retornos
son estadsticos informativos para muestras grandes,
como las financieras.
Las distribuciones asintticas
pueden ser utilizadas para ejecutar pruebas estadsticas
sobre los supuestos distribucionales de los retornos. Esta
es la idea basica de las pruebas de normalidad como la
Jarque-Bera.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
30
.
Definicin.
Eficiencia
asinttica.
Suponga
dos
estimadores consistentes y del parmetro poblacional ,
d
para el primero
tal que (T-) dN(0, ) y (T-) N(0, ). Si ,
entonces es asintticamente eficiente respecto a .
Si se necesita un anlisis simultaneo de mltiples

estimadores e indagar su eficiencia asinttica, por
ejemplo, se tienen vectores de la forma (T-)N(0,) y (T) N(0,), entonces
es asintticamente eficiente
respecto a si - es semidefinida positiva.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
31
.
Con los insumos anteriores es posible establecer la
propiedad mas importante y atractiva para los estimadores
de
mxima
verosimilitud.
Bajo
condiciones
suficientemente generales, los estimadores de
mxima verosimilitud son consistentes, por tanto,
asintticamente
insesgados,
asintticamente
normales y asintticamente
eficientes. Es decir,
d
(T-) N
Estas propiedades, y su potencia, implican que es posible

realizar intervalos de confianza y pruebas de hiptesis sin
ningn problema.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
32
.
TODO ESTO PARA QUE???? TIENE ALGUNA UTILIDAD PRACTICA????.
Ejemplo. Suponga se encuentra en una mesa de dinero y

desea investigar los spreads que se mantienen en las dos
referencias mas liquidas del mercado Colombiano, es
decir, TES TF18 y TF24. El spread promedio histrico se
mantiene en 300pb y la correlacin estimada entre TF24 y
es 84%.suficiente y adecuada?
Es la TF18
informacin
N
O
El promedio histrico de spreads, y la correlacin son
estimadores? SI es as, lo deseable es que debe cumplir
con consistencia
y suficiencia
asintoticaASINTTICAMENTE
Porque?
Si no fueran
CONSISTENTES
el promedio histrico de 300pb no ser cierto, ya que
puede existir un sesgo ubicando el spread entre 500 o
100, es un error tomar esa decisin.
NO ES UNA TCNICA ESTADSTICA MAS, ES

UNA NUEVA MANERA DE PENSAR EN
FINANZAS.
CARLOS MENDOZA
Pag
33
2015-I
Econometra
ASTROZ
Agenda
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
34
.
Definicin. INTERVALO DE CONFIANZA. Si se deseara
realizar un proceso en donde los valores estimados son
requeridos para investigacin se tiene que relacionar la
confiabilidad de sus resultados. Con la informacin de la
varianza del estimador (necesidad de varianza mnima) y
el conocimiento de la distribucin se transmite esta
informacin. El rango del punto de estimacin (valor
del estimador) y medidas de precisin (varianza del
estimador) se conoce como intervalo de confianza.
Sea Y1,Y2,.,YN una muestra aleatoria con distribucin

poblacional N(,2) donde 2 es conocida. El estimador MV
de es ~N(,2/T). Por lo tanto:
Z=(- )/(2/T) ~N(0,1)
P[-Z(/2) Z Z(/2)]=(1-)
P[-Z
CARLOS
MENDOZA
(/2) (
ASTROZ
/T) Z +Z(/2) (2/T)]=(1-) es una v.a.

Pag
2015-I
Econometra
35
Agenda
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
36
.
Un test o prueba estadstica es un problema de decisin
que involucra un parmetro desconocido al cual debe
encontrarse en un espacio de parmetros . El espacio
puede dividirse en dos subconjuntos disjuntos 0 y 1 y se
debe decidir utilizando una muestra de datos si se
encuentra en 0 o 1.
Suponga H0 denotado como hiptesis nula que establece
que H0 y H1 se denota como hiptesis alternativa
donde establece que H1 . Puesto que los conjuntos son
disjuntos solo una de las hiptesis no se rechaza y la
otra es rechazada simultneamente.
La prueba de hiptesis implica la ejecucin de toma de
decisiones al rechazar o no la hiptesis nula (Ho) y
CARLOS MENDOZA
Pag
efectuar
la decisin
contraria sobreEconometra
la hiptesis alternativa
37
2015-I
.
ASTROZ
(H1) a la luz de potenciales costos de ejecutar decisiones
incorrectas y utilizar cualquier conjunto de datos de la
LECTURA DE PRUEBAS DE HIPOTESIS DESDE EL PVALUE
Suponga la
prueba individual
de la siguiente
(Manteniendo
las dems
variables forma:
constantes ,la
Ho: i=0 variable Xi NO tiene influencia sobre la variable
explicativa).
(Manteniendo las dems variables constantes, la
H1: i0 variable Xi tiene influencia sobre la variable
explicativa).
LECTURA. Si la prueba de hiptesis nula no se rechazara,

es decir i=0, manteniendo los dems trminos
constantes, la probabilidad de encontrar valores en
trminos absolutos iguales o superiores al t estadstico es
de XX% sobre una distribucin. Si la totalidad del rea se
encuentra en la regin de rechazo, la hiptesis nula (Ho)
se rechaza.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
38
.
LECTURA DE PRUEBAS DE HIPOTESIS DESDE
EL P-VALUE
Regin
Rechazo
Distribucion t
student
P-value =0.055%
Estadstico
t=5.32
RECHAZO Ho
Pr>|t|
Distribucion
t
student
P-value =55%
Estadstico t=5.32
NO RECHAZO H1
Pr>|t|
CARLOS MENDOZA
ASTROZ
P
VALUE
Regin
Rechazo
P
VALUE
2015-I
Nivel del significancia del

95%
Pag
Econometra
39
ERRORES EN LAS PRUEBAS DE HIPTESIS
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
40
.
Un ejemplo en el otorgamiento de un crdito: Se
desea determinar si un cliente se le puede o no
ejecutar un prstamo.
Ho: El seor Pepito Prez es mal cliente
H1: El seor Pepito Prez es buen cliente
P[rechazar Ho|Ho es verdadera]= Error tipo I
P[No rechazar Ho|Ho es falsa]= Error tipo II
1. Es mas grave el error tipo I que el error tipo II. La
conformacin de la hiptesis nula y alternativa debe
estar basada en lo anterior.
2. Las probabilidades y son probabilidades
condicionales.
3. La evaluacin de una prueba de hiptesis debe
CARLOS
MENDOZA en relacin de su funcin de potencia. Pag
efectuarse
41
2015-I
Econometra
.
ASTROZ
Un ejemplo en el otorgamiento de un crdito: Se
desea determinar si un cliente se le puede o no
ejecutar un prstamo.
Ho: El seor Pepito Prez es mal cliente
H1: El seor Pepito Prez es buen cliente
P[es buen cliente | es mal cliente]= Error tipo I
P[es mal cliente | es buen cliente]= Error tipo II
1. Es mas grave el error tipo I que el error tipo II.
La conformacin de la hiptesis nula y
alternativa debe estar basada en lo anterior.
2. Las probabilidades y son probabilidades
condicionales.
3. La evaluacin de una prueba de hiptesis debe
efectuarse
CARLOS
MENDOZA en relacin de su funcin de potencia. Pag
ASTROZ
2015-I
Econometra
42
Realidad
Matriz de
confusin
Prueba
de
hiptesi
s
Ho es falsa
Ho es verdadera
Rechazar
Ho
Correcto
Incorrecta
Error tipo I
P[rechazar Ho|Ho es
cierta]
01
No
rechazar
Ho
Incorrecto
Error tipo II
P[No rechazar Ho|Ho
es falsa]
01
Correcto
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
43
.
Existe una relacin inversa entre error tipo I y error tipo
II. Reducir la probabilidad de implica el incremento de la
probabilidad de .
La probabilidad no cero de rechazar Ho cuando es
verdadera, P[rechazar Ho| es verdadera], se conoce
como error tipo I o nivel de significancia estadstica.
La probabilidad se encuentra acotada por un nivel de
confianza (=5%). Es decir, el tamao del nivel de
significancia es el valor mas grande de ()=P[rechazar
Ho| es verdadera]. Por lo tanto:
P[error tipo I]=P[rechazar Ho|H1 es verdadera]=
1-P[error tipo I]=P[NO rechazar Ho|H1 es verdadera]= 1-
El segundo tipo se conoce como error tipo II y significa
que probando una hiptesis no rechaza una hiptesis falsa.
=P[Error
Tipo II]=P[no rechazar Ho|H1 es falsa]
CARLOS MENDOZA
Pag
44
ASTROZ
=1-() 1
2015-I
Econometra
Definicin. funcin de potencia. La funcin p()= 1-()
recibe el nombre de funcin de potencia y representa la
probabilidad de rechazar la hiptesis nula Ho cuando esa
es falsa (tomar una decisin correcta).
() representa la funcin Caracterstica De La
Operacin (CO), es decir, es la probabilidad que un valor
de la estadstica de prueba no se encuentre en la regin
critica cuando Ho es falsa, o mejor, P[No rechazar Ho|Ho
es falsa] (error tipo II).
La potencia de la prueba de hiptesis detecta que
Ho es falsa y determina que tan potente es la
prueba en relacin con los valores de y
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
45
.
FUNCIN DE POTENCIA:
Puesto que las pruebas de hiptesis implican efectuar una
decisin existe al posibilidad que las decisiones sean
incorrectas. Suponga H0: 1 y H1: 2. Una vez el
estadstico y la regin critica han sido definidos, entonces
la probabilidad de rechazo de Ho puede ser determinada
para cada . Sea ()=P[rechazar Ho| es falsa]
donde Ho es rechazada cuando la prueba
estadstica cae en la regin critica. Es conocida
como la funcin de potencia de la prueba.
Esto indica que el procedimiento siempre conduce a una
decisin correcta, rechazar la hiptesis cuando es falsa y
no rechazar cuando es verdadera. Esta perfeccin NO
EXISTE EN LA REALIDAD.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
46
.
ALGUNOS TIPS:
1. La magnitud del error tipo I es convencionalmente
pequea y fija en un valor, la razn corresponde a que
es la probabilidad de rechazar la hiptesis nula
incorrectamente y es el error que mas deseamos
evitar. Es decir, no se desea rechazar la hiptesis nula
a menos que exista evidencia suficiente para
demostrar lo contrario.
2. Sobre la potencia de una prueba con un nivel dado de
significancia, , a medida que el tamao muestral
aumenta (tiende hacia infinito) La potencia de la
prueba se incrementa (tiene a 1) para cada 1. Se
justifica en el hecho de estimadores consistentes. A
medida que la muestra aumenta el estimador colapsa
en el parmetro poblacional y la probabilidad de
rechazar una hiptesis falsa se dirige a la unidad.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
47
.
UNA PREGUNTA?
Dado un tamao de muestra existe un procedimiento de
prueba (una prueba estadstica y una regin de rechazo)
que es uniformemente mas poderosa, es decir, un
procedimiento estadstico que tenga la mas alta potencia
sobre cualquier prueba de tamao similar para cualquier
parmetro desconocido?
En la realidad es muy difcil encontrar estas pruebas por
tal motivo es necesario procedimientos que efecten un
buen trabajo en trminos de las caractersticas de potencia
de pruebas. Es necesario presentar este tipo en trminos
de razones de verosimilitud (likelihood ratio).
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
48
.
Prueba de razn de verosimilitudes
Compara el valor mximo de la funcin de verosimilitud
bajo el supuesto que la hiptesis nula es correcta para
el valor mximo
de la funcin de verosimilitud no
restringida. En otros trminos:
1. La hiptesis nula restringe el conjunto de posibles
valores de los parmetros.
2. Este conjunto reducido de posibles valores reducidos,
dado por la hiptesis nula, restringe el valor mximo de
la funcin de verosimilitud.
3. Suponga que obtenemos la estimacin mximo
verosmil de los parmetros basados sobre la muestra
observada y compramos estos resultados sobre el
conjunto definidos por la hiptesis nula.
4. Si los dos resultados fueran suficientemente
CARLOS
MENDOZA debera soportarse que la hiptesis nula
Pag es
cercanos,
49
2015-I
Econometra
.
ASTROZ
cierta.
Suficientemente cercanos? Puede ser caracterizado
por valores de la funcin de verosimilitud en cada uno de
los conjuntos estimados (el completo y el determinado por
la hiptesis nula). Si el valor de la funcin de verosimilitud
es cercano, entonces los dos conjuntos de estimacin son
cercanos. Por otra parte, si el valor de la funcin de
verosimilitud difieren sustancialmente, la validez de la
hiptesis debera ser cuestionada.
Sea una variable aleatoria Y~N(,2) el espacio de
parmetros completo (no restringido) para esta variable
aleatoria es:
={(,2)|-< < ,-< 2 < }
La hiptesis nula y alternativa son:
H0: =0 y H1: 0
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
50
.
Como no existe alguna conjetura sobre el parmetro 2 la
hiptesis nula determina un subespacio dentro del espacio
de parmetros no restringido . El subespacio ser
denotado por:
={(,2)| =0 ,-< 2 < }
Dentro del espacio de parmetros y son valores de los

parmetros desconocidos que maximizan la funcin de
verosimilitud. Los valores de la funcin de verosimilitud en
los puntos mximo es denotado por l() y l(). La nocin
del procedimiento de razn de verosimilitudes:
El valor de se encontrara entre cero y uno.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
51
.
El principio de razn de verosimilitudes establece que la
hiptesis nula definida sobre un subespacio es rechazado
si:
0
Donde 0 es convenientemente elegido como una

constante. Esto implica el criterio de eleccin de 0. Puesto
que es una variable aleatoria, el nivel de significancia
estadstica es definido como:
=P[0|Ho es verdadera]
Ahora bien, 0 es elegido para tomar valores de igual al
nivel de significancia previamente asignado.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
52
.
Pruebas asintticas:
La razn de verosimilitudes se basan en muestra finita o
resultados en pequeas muestras. Es posible utilizar
resultados asintticos para efectuar pruebas de hiptesis
en casos donde una prueba de hiptesis de muestra finita
no es posible.
Existen tres (3) aproximaciones las cuales pueden ser
utilizadas
bajo
condiciones
adecuadas
y
son
Los 3 son:
procedimientos
asintticamente equivalentes. Las pruebas
estn enmarcados en
1. Razn de verosimilitudes (LR)
estimaciones
de
2. Test de Wald (W)
mxima verosimilitud
3. Multiplicador de Lagrange (LM) y el uso de normalidad
asinttica
de
estimadores ML.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
los
Pag
53
.
Sea una estimacin de mxima verosimilitud y se utilice su
distribucin asintticamente normal de sus estimadores
mximo verosimiles . Sea l() la funcin del logaritmo de la
verosimilitud, donde es un nico parmetro desconocido
que se encuentre dentro del espacio de parmetros , y
es el estimador de mxima verosimilitud no restringido de
. Suponga la hiptesis nula de la forma:
H 0: 0 =
H 1: 0
El espacio de parmetros restringido consiste en un
nico punto 0 y el estimador de mxima verosimilitud de
sobre es *=0. La razn de verosimilitud esta dada
por :
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
54
.
Se puede demostrar que si la hiptesis nula no se
rechaza, entonces:
LR=-2log =-2[l(0)-l()]=2[l() - l(0)]

La prueba estadstica LR se distribuye asintticamente
con J grados de libertad, igual al numero de hiptesis a
contrastar, en este caso, es igual a 1. La hiptesis nula es
rechazada si el valor del estadstico LR es demasiado
grande, es decir, si LR donde es el percentil -esimo
superior de una distribucin .
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
55
.
Variables
clave: distancia entre l() y l(0) y la curvatura de la
funcin de verosimilitud.
PRUEBA
DE RAZN DE
VEROSIMILITUDES: Si
los valores de l() y l(0)
se
encuentran
demasiado distantes se
puede
rechazar
la
hiptesis nula
l(0)
l()
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
56
.
Variables
Tienen
el
mismo
mximo con distinta

curvatura.:
para
funciones mas curvas
la distancia entre l() y
l(0) aumenta y es una
medida
para
el
contraste de hiptesis
l(0)
lA()
lB()
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
57
.
Es una medida razonable construir una prueba estadstica
ponderando la raz cuadrada de la distancia entre y 0
ponderada por la curvatura de la funcin del logaritmo de
la verosimilitud. Esta es la metodologa que realiza el test
de Wald . Es decir,
Donde, la curvatura esta dada por la segunda derivada de

la funcin L() evaluada en evaluada en el estimador de
mxima verosimilitud no restringido o =0. Si la hiptesis
nula no se rechaza el test de Wald, W, superior de una
distribucin . Valores grandes de W implican valores
grandes de LR y viceversa. Los dos conjuntos son
asintticamente equivalentes. Una forma usual de notarlo
es:
I()
CARLOS MENDOZA
Pag
Donde,
I() es la matriz
58
2015-Ide informacin.
Econometra
ASTROZ
La prueba e multiplicadores de Lagrange (LM) se deriva de
una estimacin de mxima verosimilitud restringida utilizando
multiplicadores de Lagrange. Es decir, se maximiza la funcin
l() sujeto a una restriccin que =0, es decir:
Maximizar l()
S.A. =0
Consecuentemente una funcin Lagrangiana de la forma:
(,)= l()-(-0)
Encontrando las CPO, es decir, diferenciando con respecto a
y e igualando a cero se encuentra un estimador de mxima
verosimilitud restringido *=0 y el valor del multiplicador de
Lagrange iguala a:
*=S(*)=S(0)
Con S() como la pendiente de la funcin del log de la
verosimilitud:
CARLOS MENDOZA
Pag
59
S()=
2015-I
Econometra
.
ASTROZ
Puesto que maximiza l(), satisface las CPO para un
mximo encontrando S()=0. Para demostrar que la
hiptesis nula =0 no se rechaza de demuestra a travs
de si existe un valor cercano entre 0 y , adems de, si
tiende a cero la pendiente de la funcin del logaritmo de la
verosimilitud o *=S(0). La magnitud de S(0) mide en
este caso la distancia entre 0 y .
Sin embargo, dos conjuntos de datos pueden tener dos

funciones de verosimilitud distintas con una misma
pendiente S(0) e implican diferentes valores de la razn
de verosimilitudes (LR) y diferentes distancias entre 0 y
dependiendo de la curvatura de l() evaluada en 0.
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
60
.
Variables
l(0)
l()
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
61
.
Variables
0
Dos
funciones
de
verosimilitud distintas
con la misma pendiente
y distintos valores de
LR y distancias entre 0
y
l(0)
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
62
.
Construir un aprueba estadstica basada sobre un punto
de partida de la pendiente de la funcin del logaritmo de
la verosimilitud S(0) es necesario ponderar [S(0)]2 por el
reciproco de la curvatura de l() puesto que mayor
curvatura implica menor diferencia entre 0 y y valores
mas pequeos de la razn de verosimilitud (LR). La prueba
puede ser escrita como:
Asintticamente equivalente a:
LM = [S(0)]2 [I(0)]-1
Donde I(0) es la matriz de informacin. LM se distribuye .
Se rechaza si la hiptesis nula se encuentra en la regin
de rechazo (LM es grande).
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
63
.
Muchas Gracias
CARLOS MENDOZA
ASTROZ
2015-I
Econometra
Pag
64
.

Inferencia Estadistica

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Inferencia Estadistica

Diunggah oleh

Hak Cipta:

Format Tersedia

INTRODUCCIN ESTADSTICA

Definicin. Estimador. Dada una muestra aleatoria {Y1,Y2,,Yn}

para alguna funcin conocida h de las variables aleatorias

De esta manera recibe nombre de promedio muestral,

intervalo y pruebas de hiptesis para determinar

Pero para que? Es necesario encontrar las caractersticas

Una forma de comparar los estimadores que no

Si el estimador es insesgado con una varianza igual a

con varianzas que se reducen

La ley de los grandes nmeros significa que, si se esta

Tiene una distribucin normal estndar asinttica.

Si se necesita un anlisis simultaneo de mltiples

Estas propiedades, y su potencia, implican que es posible

TODO ESTO PARA QUE???? TIENE ALGUNA UTILIDAD PRACTICA????.

Ejemplo. Suponga se encuentra en una mesa de dinero y

NO ES UNA TCNICA ESTADSTICA MAS, ES

Sea Y1,Y2,.,YN una muestra aleatoria con distribucin

/T) Z +Z(/2) (2/T)]=(1-) es una v.a.

LECTURA. Si la prueba de hiptesis nula no se rechazara,

Nivel del significancia del

Dentro del espacio de parmetros y son valores de los

Donde 0 es convenientemente elegido como una

LR=-2log =-2[l(0)-l()]=2[l() - l(0)]

mximo con distinta

Donde, la curvatura esta dada por la segunda derivada de

Sin embargo, dos conjuntos de datos pueden tener dos

Anda mungkin juga menyukai