Modelos y Simulación

Ing. Carlos Zelada M.Sc.

Ing. Carlos Zelada M.Sc.
 Modelos
• Econometría
– Medición Económica

– Análisis cuantitativo de fenómenos económicos 
Análisis cuantitativo de fenómenos económicos
reales basados en el desarrollo simultaneo de la 
observación y la teoría relacionados a través de
observación y la teoría, relacionados a través de 
apropiados métodos de inferencia.
 Metodología de la econometría
Metodología de la econometría
1. Enunciado de la teoría o hipótesis
1 i d d l í hi ó i
2. Especificación del modelo econométrico dirigido 
a probar la teoría.
3. Estimación de los parámetros del modelos 
p
escogido.
4. Verificación o inferencia estadística
Verificación o inferencia estadística
5. Predicciones o pronostico
6 Utilización del modelo para fines de control o 
6. Utilización del modelo para fines de control o
formulación de políticas.
 Regresion
• Estudio de la dependencia de una variable,
– Variable  dependiente
p
• De una o mas variables adicionales,
– Variables explicativas
V i bl li i
• Con la perspectiva de estimar y/o predecir el 
p p y p
valor medio o promedio de la primera en 
términos de valores conocidos o fijos de las
términos de valores conocidos o fijos de las 
segundas.
Relaciones Estadísticas VS. 
Relaciones Deterministicas.
 Regresión vs Causación
Regresión vs. Causación
• Aunque el análisis de regresión tiene que ver 
p
con la dependencia de una variable  con 
relación a otras variables, esto no implica 
necesariamente que exista una relación de
necesariamente que exista una relación de 
casualidad.
 Regresión vs Correlación
Regresión vs. Correlación
• Correlación.
– El objetivo fundamental es la medición de la 
j
fuerza o grado de asociación lineal entre dos 
variables.
 Terminología

Variable dependiente Variable Explicativa

Variable independiente
Variable explicada
Predictor
Predicha
Regresor
Regresada
Variables de control o estimulo

Endógena Exógena
Naturaleza y fuentes de información 
para el análisis econométrico

Existen tres tipos de datos que generalmente se 
encuentran disponibles para realizar análisis empírico:
di ibl li áli i íi

1 Series de tiempo
1. Series de tiempo

2. Series de corte transversal

3. Combinación de series de tiempo y series de corte 
transversall
Series Temporales
Series Temporales
Series de corte transversal
Series de corte transversal
Combinación de series de tiempo y series 
de corte transversal
Modelo de regresión con dos variables
Modelo de regresión con dos variables
Y

e3
e1
e4

e2 Yˆi = βˆ1 + βˆ2 X i

X
X1 X2 X3 X4
 Estimadores de mínimos cuadrados
Estimadores de mínimos cuadrados

βˆ2 =
∑ xy i i

∑x 2
i xi = X i − X
yi = Yi − Y
__ __
Y = βˆ1 + βˆ2 X
 Características de los estimadores
Características de los estimadores
• Están expresados únicamente en términos de 
cantidades observables, es decir, Xi i yy Yi.i

• Son estimadores puntuales
Son estimadores puntuales
Características de la línea de regresión
Características de la línea de regresión
1 Pasa a través de las medias muéstrales de X y Y.
1. Pasa a través de las medias muéstrales de X yY

2. El valor medio de  Yˆi es igual al valor medio del Y observado

g
__ __
Yˆ = Y
3. El valor medio de los residuos e1 es cero.
4. Los residuos ei i no están correlacionados  con el valor 
estimado de Yi.
5 Los residuos ei no están correlacionados con Xi
5. Los residuos e no están correlacionados con Xi
 Supuestos de Gauss
Supuestos de Gauss
Supuesto  #1 (Uniformidad)
El valor medio de ui es igual a cero

E (ui X i ) = 0
Supuesto 
p #2
No existe auto correlación entre las u.

cov((ui , u j ) = 0
Supuesto  #3
Homocedasticidad o igual varianza para ui.

var(ui X i ) = σ 2

Supuesto 
p #4
Cero covarianza entre ui y Xi

cov(ui , X i ) = 0
Supuesto  #5
El modelo de regresión esta correctamente especificado.
(no existen sesgos ni errores de especificación)
 Estimadores MELI
Estimadores MELI
Un estimador de MCO es el mejor estimador lineal insesgado si:
Un estimador, de MCO, es el mejor estimador lineal insesgado

1. Es lineal, es decir, una función lineal de una variable aleatoria 
, ,
tal como la variable dependiente Y en el modelo de regresión.

2.    Es insesgado, es decir, su valor esperado es igual al valor 
verdadero.

3. Tiene varianza mínima entre la clase de todos los estimadores
lineales insesgados.
g
 Varianza de los estimadores de 
mínimos cuadrados
σ
Var (βˆ2 ) =
2

∑x 2
i

V (β
Var β̂ ) = ∑ X i
2

σ 2

N∑ x
1 2
i
 ac ó 2
Coeficiente de determinación r
oe c e te de dete
Punto de vista de Ballentine

r =0
2 0 < r2 <1

r2 =1
 Linealizacion

Logarítmicas
800

Y = AB X
600

400

Y = α + βX
* *
200

0 1 2 3 4 5
 Modelo de Regresión Múltiple
Modelo de Regresión Múltiple

y = β 0 + β1 x1 + β 2 x 2 + L + β n x n
Notación de Yule:

y = β1.23Kn + β12.34Kn x1 + β13.24Kn x 2 + L + β1n.234Kn x n

β1.23Kn → Valor Autonomo de la variable Y
β12.34Kn → Coef x2 para explicar Y, en presencia de
x3 , x4 , K , xn
 Simulación
“La simulación es el proceso de diseñar un modelo
d un sistema reall y llevar
de ll a término
é experiencias
con él, con la finalidad de comprender el
comportamiento del sistema o evaluar nuevas
estrategias ‐dentro
dentro de los limites impuestos por un
cierto criterio o un conjunto de ellos ‐ para el
funcionamiento del sistema
sistema”
R. E. Shannon
Simulación
 Modelo de Simulación
Modelo de Simulación
1. Definir el sistema
2. Definir estados posibles del sistema
Definir estados posibles del sistema
3. Definir Eventos posibles del sistema
4. Definir el reloj de simulación
5
5. Un método para generar los eventos de
Un método para generar los eventos de 
manera aleatoria.
 Ventajas y Desventajas
Ventajas y Desventajas
• Ventajas

• Desventajas
 Ejemplos
• Tiro de una moneda

• Tiempo de Proceso
 Números Aleatorios
Números Aleatorios
• Números pseudo aleatorios

• Necesarios para agregar variabilidad a nuestra 
simulación dentro se sus eventos.
i l ió d

• Los trabajaremos dentro del intervalo de (0,1)
 Distribución Uniforme
Distribución Uniforme
⎧⎪ 1
si x ∈ [a, b]
f ( x) = ⎨ b − a
1 ⎪⎩ 0 si x ∉ [a, b]
b−a

b+a
E[X ] =
2

Var [X ] =
(b − a)
2

a b 12