-— William H. Greene _Capitulo introduccién ECONOMETRIA Encl primer nero de Eoonamdrca, la Ezonomstrie Society extabecs que ries objeto uta promone xu ue dian aun unica de ori ec- Ena fears Caan ss stn ntfs we Man {raves ves» gf ea » Soman ea tur sen in enbargo rin apts det del elu cant de smal» sng de «cit iiption cru te ete Cone can emo Al onocs Mb ence conomen, Tampa tf que Hamat toi conmis, cone de et {Goi tee. deletivanete chic enna La eon steer come ‘toni apacon os materia a sanamia La epean ha manos greases Sins oa Gris s) r mndc s ds tconomes eran Esa em deb te pce ge nein acs Semen a ‘potest Extend lo que conaioye Is ronometn Fishy su soctedad responaieron a una acumulacion sn precedenes de inlomacién estditica Vion a necsidad de estalecer un cojunio de prncpios que podran organizat lo que de otra forma, certs un connie desrdens de datoe Ni low parr ile objeios de esac ‘met han cambiado con los aos desde qu se publics ete editorial La economera esl eatopo del economia que iene que ver con la aplcacion del extadstica materi yas hetramientas ‘ae nferennetetsea, ls medcenesempirias de elacones postlades por la econo eSto, 1.2. MODELIZACION ECONOMETRICA. {Lx cconoma teria ex ganerlmentsesict no ambig. Los modelo de demande, de prodve- i, y consumo agregad, postulan todos ello reasoner determina: precas Las variables ‘pentiemes eindepenolenes stan etiisdas. na frma funciona esd epeciada tome2 Aad economaico _ ea mayor de los cass exec, meaos, un aman culitativa vse de os ion er icon lpn conn coon Ia vale indepencics chs mle Por specie ot ‘Bodeo clo a snplacn dea edad Into egos sober dels aio Se fotos pero no ede en cueta oda ls infuse oda sar resents pero doe mo 00 itporanic par nuestros propéstor Natuaiment, se pode dir scr de asta qo punto tas infoncas pucde conuderaaeminias yfalente, ta para se ora ees enpica ‘Sootor anaes opis operetta encontrar na copomieischaacne rma yaad ‘Mint del nia eager ealbar gan cand dee apt stoi de vd conden, Ai Yor Cup por way Cte Seance Gur pads tn modo Ue prod ‘lo, no existe forma de eeu lpia de qe un di delve pueda dar lugar a ete Jk flat y pacar tn valor spice Coan conju de dios bre conte pode Somos Envnogin tip de cron Ex acoso, portant icoporr elemento excdsiza en nists ‘Rodeos nian, Como reallado ls Observacones dea vaabe dependents rellaran var ‘Sree etabuble no wow alee en ls arabs que hanes endo encuensexpicanete Sin tien» Is skaoricdad del comportameto human, yal incacn de nmomabes intcensas severe gue mo feveme et chen e eee Go inne eu cio Batra en un mado dtrminsio no prende meant roger ss eicenca ts cecal ‘camia senha de eto con poeriorda. pra segraros de Qu napus aleto- fetad den ator no expcado, realmente inexpicsble Sino fo es mods de hsho, Jnndecando, Contin con nso empl, ignorar (0 n0 lect en ccna) una toma de ‘eve rua con; no ent cn cuena dfrendas reponse en pres union din xe a productn coir cous muy dicen Sin tes omiions, el dementoexuinico dota at Stedso de nn people esne Te servchnr i) vr) de ecin somes ‘imo ls resultados de on proceo alata, Con una erctraetocsicasfceniement del {ada y datos despa nuestro alse consi en edu las propels de na db0s80 <& picbabhdad Las heamuenas y melodes dein eadsion alematcaproporsonstan Ws ‘rps operatives "Un cans fore Sunes puede ss raineigconfimad, a menos cs haga pts como pars incr culquierpstbiidad. Pero podem someterio aun eculio ms igo faveso de endenc contrat, chara, Una toi determina lo valida por una simple Shecnte eres. La Inrodvctn de cemenis estcitias en o mado combi de oh SErmacin eta» una desrpegn probabil de valores esperadon y conevs Una impor. {tne taper’ Grnemente sl presen de oridencne on contr pode near cooinctne- ‘mene cl modelo probablinic,Que onstaye el epedamino de even una cus Je Intprlactn or ant, modo probs cr mimo empo menos pes Toque Ro ‘esiamene ber Bueno, ma robust. papel def cori ene cconomeiris no puede eapeune. La cesta de que panos smxuicaor ow sonjnta de dle no eputmenate 9 epee qu se ese wan rabaed compl. Suc dedar a sucente tempo maniplando lo meos res demasiado opis Enum EEaco caperingatal somos bet de cp lo valores delet ymodiaro en la econ {fr deeece pers cent un cambio ela variable de respuesta, Slo qudarta por etanisar {ain observada. En el mare del econo, so somes obser vadorespasivos de Ie economia {Econepto dun eapeinentecontrlade ect iano, Como mdnino, podem tomar moet irr decberacion! de urn poblcgn numer, ysponer que as onions nessa ara cleat nome eramientas de inferenci ean se comple, Ls tcora jg el papel de ‘Srpandor deo aon Sin bse tebe, ela dl eco ser,probabement un eat go ambiguo de posbidades FP et procs dota economelsco pare dela epeciiaion Ue w eai tiine ae “alnctie procedemes con a bipoess optinnta de gue podemcs obiener medias pecs she drab nm oil couse 1s condone ee {2 compen cv cada pate andinspoutenot mt probabiemente,rutinenio Desoto Smet one mc lg fv eae qe pores enone sons Sgn|. Los datos pusen esta medi incorstaments pucden eespondr sl ‘ln vera: que iguan a el model, ntl pe du fterdes om jmp 2, Alguna de os variables podn ser eemciaente no mois Las explains cut yen un elma de esta naturales, 3, Laelia veces so ex eapar de lesiae nigecnsks vague. forma fantom Esto mpl ue nos vn ora cp trea ag yep ‘ment de posta 4. Las propedade tocdtcs yu spunea que se cup ptr let dl ‘roe pon tr maniiewament eress Fats pe aston into deli ‘Sm, low procediienis de nfeeaca qe = emplean ‘5, ‘Aguas varableselevancs pena eae model En capes svesva amit yu font estos publ eaten sents ns informacisncontnidsen unos datos obvianenteimpereclo> La mtedologa para evar eto 4 abo ex a dea extadiaice matematcs ls econometia eis, El resultado es an modelo cao metic en dl can de 13, ECONOMETRIA TEORICA Y APLICADA Gensralmente xe ding entre econometrics y eoonometta apical Se eat de dng, Sg ea burdament os desrrloy de a emis, ys plcne en wn atc parca Ls {esricos tambien analiza fs consecencas de apicar métodos priceltes cuando fs specs {qs lon jifcan nase complen. aro la dtinGn etre 9st campo eco Termine, [ca Lo mds habitual ex que ls tuevas tones se desrllen one contest de un problem ‘Spetico al qe se pretendenaplicar, en gat de destolase de manera independ te de Drnblema coareto. mo sa atts de up aboraonn. fe exo td vena a ests de Fes enieas que puoden empleare(y ue se sulenspicat ene abs alicado. Sin embargo ‘Grmplos que se ocentag x petende Hostar el foneionamonto de Ly lecncan, wn qhe fa ‘vile empiri en ma. ues pocs jens. hemos netic Cas ves fin sto) extudios anteriores, ientas que en otros hens fepetdo esos ya exes eh. Iitratury, pero an Siow mis rxentes. El stor que eat incr puede exende sts e608 Fon nuevo dirnte conjunts de das 14. PLAN DEL LIBRO EL cst del it eonpunin en at prt ‘Dal Cuptlo 2a! 5 examinamos is herramientasempleala cp canons el Cpls 2 ata sh atgebna matt ol Capa 2c le wore det probed y ls dsrnanonsn yl Capit to 4 analiza inferenia ena. Paco qu se sabrentiende duce kor tee agin como ‘mento previ Je aa uo de eto easel capitulo son bev, 5 inluyen,picialmente pata agulios que descen um fepaso,o una reerenca. No eres que esa scones puedan [sti un cus en evalguira de estos emas. La intencin de esis capilos es proporenar un Tesumenrszonasmente Goposo J tos fess, a mayor de ov els empan expo ‘mente lo largo del manual. Finalmente, el Capitulo $ describe algunas dels bass nkes de “cut ce economta fclyendo slgnos Je or aepestos nis de a ptimsaesn ns heal ‘Con el increment dein potenca de fos ordenador, las tsncas mis sia y eas se set roe cmt, rte mech) pied eae oe tas eo ha 990 ay edeAnna sconomdtlcn cstin convietiendo en simple rutina. Escada ver mds importante para el econémeta, famiharzarse ce ifinon dc los sepettos bdsicor del andi numérico. El Captulo § describe algunos de los ‘Rhee ecoo enccnnometf, qe consituyen ta mecdna de as tenieas més modermas de estmacin e infercncia Te piles dea 11 presentan resulados tsi,» algunos relativamenteavanzados, para Jos mandley estos de reptessn lineal y no lineal. En los Capituos 6 y 7 se discuten los aspectos ‘Sonate Je I estiarin infrencia on el modelo lineal La mayor parte de f tori asinttica ‘iapleads pesterioemente en el manual se presenta también en el Captulo 6, Enel Capito 8 se frecnt ans de as penralzaciones del modelo clsico, donde se justia. etre otras conan, ere l amntlo inet noe tam restrictive ean pedea parecer en principio. El Capita 9 tata AUS tones como ta mulicoliealidad, tos erroes de medida y los datos sncomplets,stuaciones gue comstiuyen eemlos en los que se ve imposibilitada Ia aplicacign simple y mecinica det eens datos rates. EI Capitulo 10 tata sobre modelo de regresion no tinea. hel Camtuta 11 en adelante las esticciones del modelo clisico se eiminan progresivamente, aunts tgs modelos cla var ie generates Fn al Capitulo 1 se presentan algunos resultados {carious generale pata el modelo clio. Estos resultados s¢usardn en el andi de dos problemas rettnda cl det Heteroccdaticidad, que se verd en el Captule 12, dela autocorrelacin, que se cede Capitle 11H latamiento simuitineo de extn dos problemas ten gar en ol Capitulo Ti donde se analiza los datos de panel avin Sautuo estantes e tratan temas mds o menos avanzados en econometeta (Puesto due ta mavens de los cto dscutids son ampliamenteutlizados por la poleson, quteas seria mas wopuade hablar temas sadiioalet» que de temas «avanzados) El Capitulo 1S alia e aes crops snultivariants fn etimacisn de sistemas de eenaciones de demands, En ol Cats fae aatza los modelos de ecuacionessimulténeas El interés en ete tema est marca ‘Geno un cits ge, por un i, y por um ett Fetroceso, por otro, Las implicacionesempiricas se kde de ecusiones simutinene fpor ejemplo, las propuestas por the Comes Comision) Aun tenga cas hor menor énfass y han feibido mucha menos afencio en la literatura eco- static aplsnda en lo timo afi. Pr a pat, sin embargo la investinacin teica sobre ‘Ten contin en age,» pene regularmente novedades importants, que son con frecuencia fois een ses matens. Fos Capitals 17y 18 presentan temas que son, ante todo, as bases de renacreccononntycmpiticaandliss de serisYemporales, modelos cou variables retardadas, rates: Fiaasste VARe 9 vcintegtavivn- Los Capitalos 19 20 presentan res temas que se emplean ms en i meueloncon variables depenientesdiscretas, modelos con variable dependien- cis de dura2 caprtule Algebra matricial INTRODUCCION Este capitulo se primero de cuntio, dediados al etude on iatrues matematooe y ‘stasticos empleados en econometta. En le presentan la marta dels reuladoe matricial «empleadosa Te larg del ib 1s pcos resultados adcionals que sean neceaios edecarrallard Pestriormente Medinteel uso dl algebra matical os resultados fundamentales a econometia, fe presetan de manera compacta clara. Veremos que muchos reultador spreatemente comple. jos nen una estructura comin yuna simpliidad sorprendeae. tn este capitulo te fecoge 6 Conjunto de eoremasy resultados ue se nccestarén alo largo del be, de manera que pedan set ‘empleo en sv moment, sin qu sea necesaio interorpir el errr del captule onl gue Aichos resultados s apliquen Pra aquellos extuianls ue no han etudiado digebra matical, ‘ste captule propotlona um resumen razonablementeconcso de eta materia! 22. TERMINOLOGEA ‘Una mtta es una colecidn de nmerosordenads rectnngularmente. qe designamos AmTaa}=EAly=]" 9 Yt co [isese edo Jesignamos una matric a partir de su elemento pico Vin elemento cusluies 4s ina mavre tene Un subindiee, a0 lee sempre COMO tqaryny. En la Table 21 teae- ros un empl, En esos detos, as Mas se denifcan eon aoe’ Tt clummas con variates © Taso ep cot et emt, ea aa» comers on sie i Sng 00 eos ers ea Sessa dc RaColes : Conte (wits de mines PNB cmles de Deflactor esa de decoento Fg fay de Mires) llones de dileres) Ul PNB (NV. Fed ort) 1 we 7, nase 10000 33 va #20 1364 sts eas 3 soa vasa ison 13 ‘ ones 1392 128 as 5 1003 rap Wane ‘ tage 1513 ons i (Bas 2139 15082 ' tz Dame 13a 3 e672 2h Uae erg enn oe Ec Rr ke Prd US Ota en Un weer oun conjuto ordenado de nimstondispuesos en you ila o 6 una ek ‘eter la pose enienders, tambien, como una atti de una dics iy mientras que ua rector (alemaa es une matic dena dni clumoa. Alas obvervaione de lr cinco variables parn Imicnias que la sie tenporal de valores de consumo consiayen eae eas ae dd capa cin ccc Poros ean See en et eters ae en ii po ee ee ee tie ay Eton thesia et eacs hae ce ee eed nema aes pe en ene “+ Una mates side, A, es agua en fa cul = para todo iy pata todo k. Por ee tat aa[as2 724. ‘+ Uns mts dagoan cs una matrizcuadrada cuyosdnicoselmenos distinos de ero apare> ‘zn en su diagonal principal, desde el vertice mperorfaquierdo al inferior derecho. «Tae mane ataae r mati agonal 6on Hl mimo valor en todos lox elements de ‘diagonal ‘+ Uns mates ienidad es una mati escula con unos ena Jygonal. La designames como ‘Ngunas voces einduye un subindice pars Indlca su tamane, v orden. Por empl, 100 efor en oo 6% 4 Und maura tangular es aquella ue.tiene ces encima o bien debajo de la diagonal prici- sahiacd Saar RTeos ents porenca en iagonate maiz es triangular inferior. 7 pee etre degre me mae egy aye co Aen) Deane er ae ua el eteacan ce npncoe A et eerie en pare ey tp ee23. OPERACIONES CON MATRICES 1a mates peopeesinan ut fons sks de opt cn sts she sens 9c esutcioner que cepa say de clenetem tt gun He sg perc a 23.1. Igualdad de matrices {Las mauris 0 welors) Ay son uals, y 500 ene a ms dienyl mento 66 Aes igual a conespondiene elemento de B A= Bsiy silo sia, = by para todo iy & 232. Matric transpuesta 1a matric transpsta de una matrz A, designada por A, x obiene eeundo un nite cups ‘sma fa sla sina colanna de Ie mate origin, As qe, B= A cada clunina de A sparecerd como a correspondiente fade St A es m* K, Aves K = m Ask, por gem, adel st aft ie eas doa ofa ‘Uns dcGneion equssente dei natn ranspuest dew pao BHA = b= a, pura todor yd ey 1a defini de una matte simetrica implica gue Si Ace sinion, A ~ 8 By aca cualuier matic (ayaa. es Finalmente ¢lytorranypusto de un vector clon. a es un vest i Fly ad 23.3. Suma de matrices 1 operacidn de sma se exten mates patie espe sins APB Ea hg) eu Para que ls muses pula sumars x nec que engin te min dein Decne ee as ie son conformable ars ama Uina mates alse marcy elementon so aos eros En la soma de matics, la malez aula joegse mismo papel yue lessor 0 en tna sooner Be dec Atoea en ‘Tambia etendemos a operacin de rest a matrices com si se Watra de sare, rend la ‘operacién elemento a demento. Bs dest, A-Befuy~ bud ewAndis economatrico ss ‘A parte de las definiciones anteriores puede comprobarse que la suma de matrices es commutative ASBE BHA. 23) (AB) CHASE CL 2.10) yawe (We Bye: ey 234. Producto de matrices La operacin de product de matics se din partir del product interme product interno (0 roca deen vectces a} bce esa y se esribe sh aghy 4aghy to bah ey so a echo como el stor tanepueste dea peel vector be Es deci. jemplo, ‘ease que ef predot a tin eect fila por ty sector clu. AST po ; Fv ens nina ao sl Bay ¥ po tat, abo be oy Para a mattig A © Ky una mate BK Te producto de sous C= AB, ey cs una matin» Teuyo Kin lemento es el producto interno dela fila ide y fa columns kde 1B Neweatam una Tonma de sigs fsa fla de una matrz. En adelante wsaremos a, nara esr Ta ren clunma deta matey para city Gutuskn,wsaremon a! para a ima fila Pon tt, oR arabe 8 ‘Para mulupicat dos matics. f mimeo de columnas de ta primera debe eoincidir con el asmero era dea segunda Dev que, em 36060 or gmp 24 16 wis al SEVEN) 48) + 6)4 CS) val | ee ee)Lots 1 Apt ie Etat de ati om gone comma. Fore eu A to maa 9 mena "Ny +44) 20)+ 45) 20+ 4-1) Ba=| Mh +44 1449 1+ e-0 11) +44) 03) +45) 00) + 5-1] 1 =|2 3-4 m0 25-5, En otros eatot, AB puede enti pro BA purde no ster dein 0, avn exon, puede tenet ‘dimension distin, como es el caso el ejemplo anterior En general incluso s AB BA teen las tnimas dimensiones, no eran igual. Debido a eto denies a gremolipncin Ia postal ‘cacion de matrices En el producto AB, B esd premaltipicado por A, mente que A td ‘estmuplieado por B. Fl predcte de una mates y un vector at ectibe como emai. El ndmero de elementos en b debe ser qual a ndmero de columaas de A. El resultado e un vector «con un nimero de elementos igual al nimero de filas de A. Por empl, CE tae) osemos intel eto de dos forma, Por una pat, tnt de una manera compacta escribir la tes eevaciones Sadat 2b+ Ie 4a 2046+ Ie Ita + 1b 06 Po on part, lexi conjnts de enaciont ome iia se observa qu e ado derecho de fa igualdad es una comblnacim Hoel. ls cofumanas dele it. sendo los coefientes los elementos el vector. ara el caso general cokb what haa tt hate. En cl cculo del producto matricial € = AB, cada column de Ces una combinaci lineal de ax columnar de A, end os coeficeaes neler eta voesponite clam de BBs dei CHAB @ ga Ah. en ‘eae un vector columna cuyos elementos so fodos cero, exepto un ela kein posi. Enionces Ae es una combinaion lineal de las columnas de A, en as cues el coeiente de ead columns 2 0 exept el eam, ue et 1 El retullado nae au e416)10 Anau Wee ‘Combinand ese resultado com 2-17) tenemos fy a dea eo ed 100-6 wae oe 219) 000m 4 =Al=A. En el producto, ia matrix dentidad es andloga al scalar j. Para cualguer mati 0 vector A, AT A. Ademds,IA = ‘edenes diferentes ‘Una matriz conformable de ce1os produce el resultado experado: AO = 0. ‘Algunasrelas generales para el producto de matrices son la siguientes: aunque s A no es und mati cuadfada, ls dos maricesidenidad son de Ley socatva: (ABC = ABO. 2.20) “+ Ley iibutins AIB + ©) = AB + AC. @2y (Wéase que, por las dimensiones de las matrices, en la segunda regla BA y CA pueden no est Se6idos) + Transpocsta de un producto: (ABV = BA ‘Por generalizacion inmeiiats, (ancy = cw 229 Finalmente, el producto de un escalar por una matri consiste en muliplcar cada elemento de la smatrz por una escalar dado. Para un esalar ey una mattiz A, ’ ch fey ‘Yease que hemos empleado esa operacién en (2-16) ey "235. Sumas de elementos Les matics y vectvespropowciongp wna forme panticulermente conseniente de repesenr sumas {e elementos. Un instrumento dtl ese vector {el cul contiene una colurnna de unos. La suma de fos elementos de cualquier vector x es Daantatetacie 02) ‘todos los elementos x son iguales ala misma constant ,entonoes x= ay Exe Hah = at = na 229 aa cualquier constante a y vector x, Eaedf nom omy {Fe Ynobtenemosameciaaiméticn 02)“Cap 2 Agta ma de to el ve datoce ye Las sama de evades y pont a 6 ios Kits oe pata prodete interno, La sun de chad de os canine oven ss Leow em) 1a suma dels proctor des elements de hn vatore ey Eanes my [A pant de a defini det producto de matics, C1, = Oe) es 4 producto inerno dea sina y sma columnas de X, Asi, por spp, pat conju de ‘atne dado la Taha? | stdin X sh tind > Ae soon aks som PNB Skene, Xx= J ayy slendo x el runspusto deta sina de X. De esa ona wees gu la i 2 Me orden I K puede interpretrse como la suma dem matrices de orden K Kvcada wea das cles a sit canst ptr se wn sinc il fsa) de X Pars engl su ntriorment, ee ‘uma de 9 matrices de orden 3 3 cada uma de es eles pcos de una ia ttl de Ta mate ‘xginal de datos. Supongames que contumos cola ati XX pa bn dos de ks tucve abo Stteriores,y que se ebteso st dato eltivo ef dns any Tasted smn te ead [rouctos cuzados puede sr acta KXya iti: Cua nw exe tga vain tne on, pose aa Femos products como e ante de la siguiente frnie xx senda abort x, vector traps deb sin fs dX 236 Una matric id te sl {ona main hindament on estes & gles empes paa aMNNMAE dase es aos ela media. Primero, ces)32__Ansian economat. ‘La mati (1/9 es una matrz n Xn con cada elemento igual & 1) ET conjunto de valores en forma de desviaciones es 3) Pesto que x= Be 234 ‘en adetante represenaremos dics matte ewediate M1, Los elementos de a dingonal de M® con fealos 1 fo de Tucra de fx digg son fodes = Um La matir A seré expeciakmente ull en el eflewlo de sumas de desviaciones al cuadrado, Algnnos clculos matrices se simpliican a partir del resultado vn-[-d ato implica que VM ~ (7. Poe tanto. 1a suma de desviacionesrespecto de Iam Eis, = HIM T= oxe 0, 39) Para an savin « la soma de los euadrados de desviaciones respect de la media es Ee a= Fore -(é8)-« Ei, ee ae @ 239 arson ‘eames alta ds propiedides de MI que serdn de gran utidad. En primer lugar, dado que todos Jomeemento de foc ela digomal de "son uats a ~ 1, MI essimeric. Fn segundo Togs, come pele comproharse Hien. Mt ee jpua as cuadrad: MPM? = M°,Dermicion 21. Mattie Wempolente Una mats Wampotente aqua que di lgual ae ‘uadrado,es dec. M?™= MM ~ ML SiMe una mati enpotetesmdvien (a marta de ie matrices idempotenes que nos encontraremos lo ser) entonces MM = M, Por ant, Mes usa matizdempotente. Combinando resultados, obtenemos Eev- oa ats am CConsderomos la consewecin de una mati de sumas decuadradosy productos eruzads de esyinconesrespeto de las mevias, Para dos vetoes Xe £ ty — a0. n= owen, ea) por unto, : wor Ein al os 23) Emcms-o Baw Si yun on do vetoes eolunuas a © 3 we mae Z = [3 de orden m 2, entonces [MZ cx ln marin » 2 emia qe as dos columns de datos esta en forma de desvacn especto a 1a mctia Entonces (MPZyIM7) = ZIMMER. = ZZ 24, GEOMETRIA DE MATRICES, lgebra matricial es extremadamente tien fa formulacién y solucién de conjuntos de eeuacior ‘ev lneles Alisa mpo, ne slide algrhrien ene ina hae penn que de gras {yila par a comprenson de los edculos Ants de desatollr fos resultados matemdtico, eel- {Gri e wld veizar un andl geometvico de las malice y vectors 2A.L. Espacio vectorial Los K elements de un vector column i eo tri pe pc shel ee til sp ena akGRAFICO 21, apc vce, El conjunto de todos los posibes multiplosescalares de esl linea que va de Oa a. Coulguer {Scalar mOlliplo de wes un aegmento de esta nea. La suma devs vctoies a y bes unfree vector, fuyas coordenadas son la suma de ls Corespondientes coordenadas dea y b. Por ejemplo, VP -[ ayy Geomticament ¢ se obtene stuando el segmento de la magnitud y direccién ben el extreme deo dado que ln acim ex conmutativa, situando en el extremo de bel segmento de a magnitud Y diveccgn de a. Esta es una interpetacién geomélrica de las operaciones de producto escalar uma de matrices apicadas a vectors, ‘plano Uilimersional es ¢lconjanto de todos fos vestores con dos oordenada reals, Lame mos a este conjunto R:, Tine ds propiedades importantes. «© RY estécerradu bajo multpieacdn escalar; cualquier muliploeselar Ue um veto, ex plano, es umbiéa un plano. «= Ru en eerrada Bajo ln uma la soma de dos vertresen un plano, es siempre otro vector en at plano. TDriaciOw 2.2. Expaclo vectorta Un eopacio petorial es wn conunta de vectore que. std cerrado bajo muipliceién ¥ nana.elemento el. Ea generac conjuto de vcore de &letento ce, vu esp sexo K dimensiones, dspmindo RY Ta cemlos yeoseites cts eaten ie 242. Combinaciones lineales de vectores y base vectorial Enbs Figura 22.¢= a4 byd= at ¢ be Pesos quest 2nd Ta rb Adee at by (2 b+ (oa)= ba, Como supere est rosy, cals eon R? pura obtener ‘combiacin net de ay 8 coe capri reir eaialey veto de ext capaci VrlralFanteenribe rom [ Devwacion 2.3. Base vectorial, Un comfanto de reores ct expr ctor ex wna base se | ‘Come puede erase aramente en Figs 22 cies pe ventore se do cee tos induyendo ay b que upuntan en dierent dicvncy,lrran va bse de RE Comets oo onjnto de wetoresarblaro en R's, by Sn) B fovmin ua Hae, pecnn encour ‘mers ls que e= 38? 3b ea ale Ish Enonees cre nt ae ie eam aes bby oe Las somone Je este conn de ceuctnes wt ahh = he nay 2 adhe hae EL sea ine wna ie solaco, menos ue Gy, hyo) = Sota By ~ tenons ag = yy cal signiea que be um milo de a Ea trminos de a condom plamteada Atte, la olin er dnia sb a yb enendifeciones stints 1 implica es ques B08 tsalguir par de vectores para hn euks et denominador en 24 2 distin de ce. eaones aulguier eto ester © pase saute somo un nos sombinasi Wel dey Ls bane del Spas vectoil no Unica, yu que cuaguyconjuno de vectors que slice I fines Ho {er también Peto pare cualguier base particule, slo uns combinicdn heal dels dad iar a ‘iro vector en el espacio vectors etanercept Aa ee18__Aasiaiseconomttico Sein connate RGVICO 22, Combnctn na de vectors, 243. Dependencia lineal “Tal con deers sugerie lo anteriorment expueso, se requieren K yeetores para formar una base ce RY Aunve la ase para un espacio vecoral no es nica, no todo conjunto de K yectores sera Suites Fn el Graco 22 a'y bon tinealmente independienes, mientras que ay a* sun lineal- mente depentients sici0s 24, Dependencia tinea, Ui conju de vortres es inealmentedependiente si We bv presmres emf somnte peso escriva came a combina Tina de asCophalo2_ Agora matt 3 logue 4b yc yn nelmente dependents Cunluiers de oe ea posites pres e eid Eads te er sn earn tse apne ‘DvrewciOs 25 Independencia ent. cont de etre sBnesment ndependeae Sl le tice hein ayaa m=O, {Lo anterior nos conduce ala siguiente definiién equivalent de base DesnacioN 26. Base para un espacio vectorial. Una Base para wn espacio sectaral de K memes oer tonne eK eaters Inelmente blenders on et esac Dado que cualguler vector (& +1) puede excibire emo usa combinacion inal de vies tae, cualquier conjunto de mds de K vectors en RE debe set neslmente dependiente 244, Subespactos ‘Darnocin 27, Vectonesgeneradores. El conjnt de adi as cmbinacones linales de wn Canhunt de recores et espace tetra geerade ot eis tectres. AX por defini, el espacio pnerado por una base de REes RE. Una implcain de exo due si aly bson una base de R® yee oto vecior en Re espacio generado por (a, by) em de fevo. Por supuesto, ees relevant, Si embargo, coulgier vector em K* puadeexprense como una combinacign lineal dea, bye (La combinacisn lineal no ser Unica. Supongaoon, pot ‘emplo, qua ay e son tambidn una tase pra BE "Consderemos ds vestorescuyo terer elemento es ceo, Ea particular, 2,050) y ¥= 10,0. Los vectores ay bo cubren todo el espacio tidimensional R?. Cada combinacin neal de yb tine una tetera coordenada igual ceo; as que, por ejemplo.<'= [J 2. 3] podraecribire como usa combinacia line! dey b Si (aby ay) 30 e igual a cero [vase (4), 0 ‘Sebago, entunom emg eter cu tere elmer cero pe espeesafe comp wn Com: [inal lineal dey b ASL aunque a yb no generen Rx pueden generar el conjunto de vetores ‘en RY cayo tecerlemento ecto. Tendifamos aa uh plano (el tulon dena cxa Wines Soma Este plane de Rex unsabespucl, yen nuesto elemplo, se ata de un subespacio dies Sonal Nétese que nox Rina el conjuato de vectors de R> cya tecera coordnada ocr ‘Coaiguler plane en W depcpaleng de como ete oentado, forma un sabespaco Bdimensons. ‘Centar par de vectoresndependienes qe we encvetren en exe sbecpacio to gneran Pero tm oer ero que sale en nguna le ecm. ha pndemos gener mde em RS excep ela fre bidimensonalA pci del mimo razonament, coset recta en Rex un subeapacio Snilimeniona. En cle est, ol conju de odor lou vectores em R° cuyas oordenadae on ‘mulpos de as coordenadas dl vector que deine Ia eet Un sbespacio © un expo vera todos fs aspecton en Tor cles lo hemos dtr. Queremos enlatiza que oe Wala de tepeci veto! de tnnot dimertin. Por eee, RE nooo beep de REx feet teen es el mero de dimensiones de os vectors, Los vcore en R° qe forman un wep tio bidmensional son ain vectores de es elementos todos ellos se encuentran en el mismo plano.Andi sororities {capaci gencrade por un gonjunte de vuctores om RF tens como mixime K lisensiones St ste espacio tiene menos de K dimensiones, es un subespacio,ohiperplano, La idea fundamental de {a discusion anteriores que cada conjinto de rectores genera algin espacio: puede ser el espacio entero en el cul resden los vetore, 0 pucde ser alga subespacio ec. 245. Rango de una matriz {Una matric puede verse como un conjunto de vestores columnas, EI nimero de colmnas dela ratriz es igual al numero de yeeiores del conjunto, y el mimero de filas es igual al nero de ~Godrdenadas de cada vector columns ‘einacidn 28, Espacio colina. El expecto columna de ni mati: exe espacio vectorial ‘pencad por sus vectores columns. Sila matricontiene K fits, su espacio column podtia tener K mensions. Sin ibang como hemos vo, pails tener menos dimensiones, ls vectres golumna podria ser Hein " Gependients 9 pod haber meno de K Consderemos la mati 156 a-[r68 718 ‘La matriz anterior conten tes vectors de R, pero el tercero sla sum de os dos primero. de ‘modo que el espacio columna de esa matriz no puede tener tes dimensiones. Tampoco tiene una Soa, ya que las tres columnas no son todas muliplo unas de otra. Por tanto, ene dos dimen- tioned, ye espacio columna de eta matrz es wn subespacio de dos dimensiones de R?. Denwwciox 29. Rango columas. El rango columna de und mutriz es la dimensiin del vector ‘expan grmerada por set columnas. El rango columna de una matrz es igual al mayor ndmero de vetorescolumnas linelmente Jndependientes que contine. El range columna de A es 2 Consideremos otto ejemplo, , efit _Poede demostrars veremos esto més adelante) que esta matniz iene un rango columns igual a3 ‘Dado que cada columna de B es un vector en Rt, el espacio column de B es un subespacio tridimensional de RF CConsideremos, ahora, el conjunto de vectores obtenidos empleand las filas de columns. La nueva ma 1563 cnf2 tat asesial: "Esta matic est compiistx de cuatro veetores eolumnas de. (Notese yuc C ex BEI cxpacio ‘Cohunine de Ces como mxino R°, ya que cuatro wectres en R? deben ser linealmente dependien- cn lugar de as‘THOmRWA tywaldad de rang de a y ean colina. EI range clone rang fil sea Caple2 Aiabea math 18 {ine la mim dine, Por antl yang solns dey etn dia Bh Perotas columns de C su bis fila dc B Ast gel ego clara de os tle is de Erfccho de que el ano sy columns se BSc cl mms wnt Sam adeno to tetas (ue om evan) nbn sgn ‘gener Dl fini de ron la fo cntrpatal ps ‘Mpuene colori paca espace column eu mt Hen ts mnt dws, ey 1 Teorens 2.1 cumple por eng angi yentuma concise ange olaming ‘oop, E ang fila completo s deine Je forma slog, Dad qe Tos tango fia cima de tina maria son snp igus, pos Maar 0 auld del amg de oma mate, Tani Perel rang is ag coins pari ar abanonaten st ss) cans (AY = rang (A < iain fl, we se otaenh 1240 En fa mayors de hn ci, ssuremos inlereodos is enn Jes mates is ye Tratajrece Usarmon at mina Penge compte pt Sci na mats ye Fane ig sb trimer de clones be emtene Tens partir nih distingirere matics de range compe wate de amg incon tn distinc Jpn dessin de Rk". Sexton la por eos feria que Ax = ® ene, Ano ten rango complet, Equvleslemte i exe lo ate © 0 Ph is cotumsas eA sn tnetments dependents. ya menos ue ths ut epee Como una combi biel e i ts, Por emp. conju de sobs wo wus de La all: “ph sera evalguee mip de x= (2.1. = 3 ‘En un panto matical C= AM cls olan de © 9 wa combing sa de be column Get denna aids colimie de Cd am cleus cana de pose gi Soja dt saa es ft mc pene pe a {ndcpedietes en el esac clumna de A. Apicane shor fa bs hg fs is eC: is ‘igs von todas combaasioncs inc se igs eB Por atm ara ue el ano clans ‘Seo puede excder el rang colamna de Ase ango Bla Ue € no pace caeeer el rngo i de Dado que ks rang lay column son sempre tua, pass ola gus , eas ang AB) < mieang¥. ca {Un coroano wi de (2-44: SiA es M > my Bex una matric evadrads de eangs 4, ca0g4AB)= rangAl 45) La prucba deja como een. ‘Gero rsitede qu jonah om papel crucial on o car cualquier maiz A, ange) = ranger’) ~rangoran e46)29_potin nconomanien 24.6. Determinante de una matriz Los vectores de fa matrit Arb oy a7 Wa se represcntan en 1 Grafew 2.3. Fl res el paachrains Gots yo las cotamnnas de A pede ‘obtener nediante lr manipulc de los trdngules alt contends. El resultado ex 43) ~ 12) = 10. Este dra eve determinant de A Silas columns de furan Tinealmente dependientes (es decir si ‘uno fucra mpl esa del otro) lor dos vectors se enconcarfan en la misma fines El eparale- Togram se reduciia una linea y tendria dra cero, Est implica ques las colummas de wna maiz sim lincalncntedependicnes determinants es cer. Volvendo @ noweto andliie anterior sobre ‘dependents inet en R venoe que te evel enen de fab, Aya) = Oen 2-4) (El determinate AeA esd hes why bly) ‘Connidcte et masin cern en RP. St competamos 10s parallogramas en todas las dimen- sions param conjunte de vectors tridimensional fomaremos un cuerpo solido, es decir, un fiateitops determinant sea el vlumen de este cuerpo. Pero si las columnas de la matriz fou lineainente dependents, is colummas Se encontrar todas en el msme plano (o en a misma Tinea -side» asi forma, se edits aun plano oa una linea. y no tended volumen; de avevo, ff deriminante werd cv F ste sx geaealneCome, eniign, con dicnsones superiors doa de range incomplete dependiendo des sue eterna son os ten. Eisen algunos marcos en los que el valor del determinant es tant de iter sl ae ahora considera algunos resultados algebraic, Tn nis convenante cs emipera con una mates ingen 1s matrivey de rang complet se dieting oo 0) 0 pelo oon ae {La column de vecores de D deine wns aca on RY cuyos laos sou todos pespendiculares woos ‘2 otros" Sy svolumens,o determinante, ex simplemente el producto dela Tongitad dels lados, que desist pa Wedd Fa ean {Un caso especiales tn me identi, para la que independientemente de K, |= 1. Mutip. licnrD por m cxcalr «cv equivtonte a multipea la longtad de cada lado dea caja pore fo ual pine su volamen pore Por tant beph th eandonde A, es la maiz obtenida de A eliminanda ta a ys enlumna j Fl doorminante de Ay ve ‘denomina menor de A'. Cuando seunade el signo cote, ( 1" e denoming cofactor. ta ‘operacidn tambien puede hacese‘omando cualquier columns, Por ejemplo, un determinante 4% 4 se converte en una numa de cuatro 3 ™ 3, sentra eu» Seon aoa dec 4 5 Ca ‘uno de los cuales es una sua de euatro 3 * 3, ete Obviameote, eva buen iden aa (231) en ‘un fila 0 una coluinna, con muchos ceros en ella, ses posible. Ea a prctca, esta operaciSn se convierterépidamente en una carga pesala 3 media que aumenta la dimensin dela matrices. ES improbable que el lector caleule alguna ver determinantce supenores a 3% 3 sin un ordenador. ‘Uno 3» 3, sin embargo, sf podria ealuluse em algun ccnsisn en ese c,h sigue ena seed muy sit Haan Maa aa] = vagina + My Maayg $Me sMaaSar ~ Myutatiy ~ Maytaatay ~ Mtey! ‘Aunque (2-48) y (2491 se han dado para mattioes diagonals. exis expresiones se mantenen para ‘matrices generals Cy D, Un caso eapecial de (2-48) que merece mencin es aguel en el quec =~ 1 “Maliticar una matriz por ~{ no cambia neceariamente el sigo de su determinane. Lo hace ado sie orden dela mattizes inp. Usaudo be fra det eau por cofatores, obenemos tun resultado adicion Marea 22) 247. Solucién de minimos cusdrados Dado un vector yy wna atria X, estamos intresados en expres y como un combinacién lineal 4e las colamaas de X. Existen dos posiblidades,Siy se encuenia en el espacio column de X, podremos encontrar un vector b tal que y=Xb esp I Grdfico 24 iusra un caso para tres dimensiones en el que las dos columns de X tienen amb tan fercera eoordenti igual a cera Slo fos vectors y cya trera coordena sea cera, comoy® ‘ena figura, pocden expresarse como Xb para agi h Para el caso general, suponiendo que yes ten al eqpaciocninmna de X, pesemor abteet lot coctcens b esoviondo a sonjnto de eee ‘es en (2-53, Los distintos procedimientos se discutcin en i siguiente secckin, Supongamos, sin embargo, que y no est ene espacio columns de X. En ese ejemplo, supon- gamos que ef tecer componente dey no es cero" Entonces no euste un Bal que (2-93) 5° cup Podemos, sin embargo, excribir yoxbis eon donde « ela diferencia entre y y Xb. Con eta expresin, deducimos que Xb exté en el espacio ‘columns deX,y « I diferencia o trsidvos. La Figure 3.4 mucste dos eemplen yey" Port ‘momento, cnsideremos slo y. Estamos ineresador en encontrar cl btal que y €8 tan ceeano ‘como sea posible a Xb ene sentido de que eet tan pequeRo como seu posible Dereuct6s 2.10, Longitude un vector, Langit, 0 norma, de un vector ees ler= vee. 239) r’prdbicinia consisteen encontrar el b paya el eudl tele by fmelebitd =A! SUR STS ereRAC 24 Pepecons iin cin se Jo mar poyuoto posible, La solucin sti aul Bue has © pepe, en whe DemneciOs 211. Vectors mtapuaaes. Dos vvtoes aD on oraponale, le oxi ‘mot como x Lb yale Volvieado de nuovo a wusro problena de jt, veni ge tb gue scan dts cn {Al desarrollar ee conjunio de eeuacions obenemes las condiciones oxbye=0 Bx AND BIC KOT24 __Andisis economévico «0, dado que bes distnto de 0, el conjunto de eouaciones Xy = Xb tow mclodos de reslucin de este conjunto-de eeuacones ge tratardn en Ia Seccion 29, vin be gua 24. in combinacin Fines! Xb se denomina preyesién de y sobre el espacio coluain de Rta figura esd representa de mode que aunque ye y® sean diferentes tienen Ia sree cesign. Le repunta ue nos planeamos ex jque vector. ¥0y* est mds proximo # x rane Eis amel exp color de X? Aparenterente, pra pensarte que yest mis primo. Fee Chenu ys esi cmbarpey* cx Mucho mas paracio a x0 proyecidn gue 3. de ‘atop {ye sneer residual €s mayo, es la emayor longitu de y* sds tesomparacin ve Ho vet afoctada po a Fongitd de 10s ermal eps clic ct vector y su projec. A partir de esta media, puesto que es qauatemente menor aie #2 eambia fe concls6n anterior. Aa ey del coseno dnl nar ds ectones a yb srisace eee iat i Ls des vectoresa tener en event en left sriany junto con Xb por un lado, y pon uti y* junta con (Xb)? Se coweno sl ceo, esto implica que ls vctores son ortogonales Sil enseno ait el tl cove hr que sigifen uo le vectres som le mismas, (Lo setan sy estuvera can tupscis colons dX} Divdienda por las Togitudes se compensa el efecto. A partir de est Ghee ubticne qe yes me carcino ® su proyecisn XB, que ya ha suya, (XD 25, SOLUCION DE LIN SISTEMA DE ECUACIONES LINEALES Constr el coniunt d ceaciones Hinales aed es cov ow ye how K elects de xs os nosis, A es una maiz conocid de eoeficinte,y Be ao A tea de wares Estimiy nreson em aber i evite ns rlucldn: sp at Mleteminae si ex dia Hel fact, sexs 28.1. Sistemas de ecuaciones lineales {En la mayora de los casos considera, solamente, sistemas de ecuaciones en 10s que Aes ns trusts cadrada, Por tanto, en adelante tomaremos igual aK. Dado que el mimero que fias de A PUT Geto de ceuacionen: mientras que el mero de columns de A es el nimero de variables, (Ete ca el conocido caso de =n ecuaciones con m incognitas» ssi ds tips de sistemas de ecusciones Drrinciow 2.12, Sitemm de ecuaciones omogéneas. Es un sistema de ecuaciones que adopt agora AX 0 Yor dctncon, ina suc wl para sae sistema exited ysl iA no fene ango pen. rey dno pars st menus una column de A. podemos esrb fo anterior como, oY Na str signifi, con a sabemns Me I columnas de A so Fnealnente dependientes y q¥6 ItLane 2 hii malt ‘Derwactés 2.13. Sistema de 0 homogéoeo. Un sistema de ewalones mo homoge neo adopt la forma Ax = donde bes un vector no mua El vector b elie abitrariamente, ys expresa como una comblaasisn neal dea columaat se A. Dado que bene K elemento, est solo Ser ponte las columnas de Ageneaa el expacio K-imensonal completo, RF Antiogamente, ser necsatio que las calurnas de Asean Heal wont depen. jue [Ao se ua See. 282. Matrices inversas Dera resolver cl snema Ax = pace n s6 ussite gy side «evn pa ame mai ‘Supongamos que pudtramos encontrar una matrecundrads B tal que BA =I. Sie stem de evacioness remltpica por Be obtendrta lo siiene Bar ten x= Bb as Sila matna @ exine esa ners Ge A, que Se design como Bean, A pari de a dein, aed ‘Aden, premuliplcando por A, postmulipicando por A. yeliminando términos,obenemoe an Sexist ta invers, debe ser sinc. Supongamos que nolo sy que Ces una iversa diferente de A. Eniones CAB EAB pero (C48 = 18 — By CAB) ~ Coca aa na ona C06 sistent de ecuaclones {ers gual a B. Dado gue or (25 a slucgn ex x = A”, a slucién ‘Consderamos ahora el feu de fa mates iver, Pata na mari 2 * 2, on calli: elefe a] ° yds Fada TD at aby, 0 Mayday t+ Maa =O Aubin t Gabia = | oe [is tah-sataal ce lip en aan ne an op cea . 258)maveo Observemos la presencia del refproco de |A| en A~!, Esto no es especiico para el ease 2 * 2, ‘Podemosinferir que sel determinante es ce, Ia inverse wo existe erinacion 214 Mattie wo singular. Una matriscuya inerat existe ex mo singular La matic inverse seni de eau a mat 400 © ad 0 ooo ‘atonces MW, 0 0 = pal 0 Ws 0 0 0 0 resultando que 14 = ‘Emplearemos dpa mc} TAL agonal. $i o Ad vicar el Ysimo elemento de A ', La fSemula general para caleular 239) donde Cyl sel) temo cofactor de A. Por tnto, para que A se a0 singular, | debe sr no a ‘Noteseel’camtio de poscién de los subtndicen. ara cualquier m sta una enorme carga de cleulo, (Ess es precisamente lx razsn por Ia que 3x3 259), repes tsamos ordenaaores) ‘Aigunos resultadis relacionados eon fa mateiz invers son" : ae, etal tw ary = ay Si Aces simetrica, A“ es simcica (Cuando ambas matrices inverts existen, apy = BoA iz de dimensige mayor aie 260) eon 26 2-6 26H Fitmonos en la condici6n anterior (2-64). Puede que AB se una matrz cuadrada, no singulor ‘Seiad ni A'si ni siquera son cuadradas, (Consideremos, por ejemplo, A’A) Generalzando (2-64) tenemos (aBey = C°"(AB)" Recordemos que para uns matrix de datos X, XX es fas de X, Supongamos que ya hemos calculado S = (X%)"* G wh 25) sua de ls products extermis de tas para un determinado conjunto de tos, par eemple Tos utlizados al prinio de ese capt. El siguicute resulta, denominada Tas pie de mh eats mes, Se sin nnemote de actesiacin stern eno car ob ev Sesser tn na one pueva fla wim or alate toe cum design se st, Da etsy pos 2-40 est ‘arias csusiones 08 tas SAT EATBEC He WA BB (4 25.3. Sistemas de ecuaciones no homogén ara el sistema no homogénco ash, SA. no sings, L ica suc neath 26. MATRICES PARTICIONADAS (Cuando se comstraye ana maze (pr jmp, om Ia estasnacn de conjunc ‘secs rela i grpar algun de semen Par cempl, paramo cab ‘Ns una mati partisionads, Lo subindces de a bmi we load low elementon de una strc Un ca sap ce de oe oe donde Ais Ass 908 mhtsies sro, ie dagumal por Wega 26.1. Suma y producto de matrices particionadas ase y ol prt penis «mines pnthhomalen Pe [ayeay as aaa ds itn mn sigh a ren San aman fee Wane aaAB Au Aa] [ Bu Ay Anal Bs 2.68) [iste + AL By AnBo tA} Ana, Ast, ASB, A,B inpoub P sl ney ae Shc ob esta et Rules se] . Uw wade TS ck 262. Determinantes de matrices particionadas Ay 9 Bylo sr las mina tie A, desc igual a mero de fas de By a i Kao ow oso de maeees neces dels sua pariy Fs 2.70) 14 datcrminsnte de was ater diagonal por bloguse se abiene anlogamente al de una mater sing =a bi Anat em lee Pesala pata wna satis patina 2 « 268 = TA IAg > Anh Anl Et reat para mites mayores de 2 2 9 extrennalamnente vu rea neste ext 26.3. Inversas de matrices particionadas, ol pr Bags Me wf fo am wy oe tw ct puede voice mente nmin deta Prat ho tir prconaa grat 3» 2a Rv le Savers partied ex oH [ia AMEE RGB AAG AWA GES can j BAA *cepte 2 haa ain ea donde Fy= ha” Audit Esto puede comprobaretAilmente postmltipicando A por la india. Dada ta simelii dl cdlealo. el bloque superior ingierdo podria eeibre tambien como Fy thy = Aish? AnD 264. Desviaciones respecto de la media Uns aplicaion il de lo antriormenteexpuesto ese siguiente ecole: Supongamos que em- Terao com un vector column x dem elementos. set n Dx ne bie _ Ere Fy = (xx - HON NT “élos@} “bes stent or tanto valor inferior deveco en In mati inverse, oe En ‘Supongamos, ahora, que reemplazamos x por X, una matriz con vatas columns. Buscamos bog ifrtor derecho de (2°2) ", donde Z ~ [i X} El resultado andlogo ex, (22) = [XX = XM IXY bene to ct imption que la mati K > K de la pate inferior derecha de (2:2) "esa inverse la maiz K's Keuyo cemento esting es (2371 Por tanto, cuando uaa mali e Gos comtene ‘olumna de unos Is clemetos de la inversa de la mali de sumas de eundrados ¥ production fru. se calcultsn a pal de los datonorgnaes en forma de decinciones de Ie repctent tole de fas commas265. Productos de Kronecker Un caloulo que ayia 4 condensit la aotuciin evand (alas con vonjunton Je wwabton Je egresin (¥euse el Capitulo 15) sel producto de Kronecker. Para mattces generals 4'y sobs 279) 4B tg tg eq ia sang ef le ad eal Ball] ag ns sf a) os Nie qe no exe st de conoemailia’ en ta opeaci, £1 rd ds Kens uote cculane pas cuaquc par de matress Sik cr" y Bev menones ASB St (Km) » tL Para et prouveto de Kronecker, (gay =(a'@B 2.76) 1 que puede verificarse fdcilmente calulando, simplemente, el producto de las mative. Si A es MxM Besn 1, cntonces Poe ejemplo, 1A@BI=[AriBi" Wony-voR (vase a Seeion 27.7) taea (hm) IAA B 27. RAICES ¥ VECTORES CARACTERISTICOS Un conjunto wilde rosltados para unalzar una mattis A surge de las solucones a enjunte de Aesle, am Las soluciones son ls vectrescaracterftces y las races caracterisicas 1. Stes cualquier vector ‘solucin, ke tambien lo er para cualqer valor de L-Para elimina la indeterminaciOn se norma liane, de modo que « La solucign,entonces, consiteen dy las n~ 1 incdgnitas dec 27.1. La ecuacién caracteristica Resolvendo (2-77 se puede procede, én princi, del siguiente forma: En primer ugar, (2-77) Tmplica que; Ao ileave ts wl Lamas «XB aga Este sum ase honvginen gs tee sl IN atl Este pinomi co eM ceuaiéncarctritin Je. oe cp, wha 26 ae ao 224 Les do soluciones ys subi son 4 = by 4 ‘Al resolver fa ecucidn caracteristiea, no st garage Ly ices eanactennis va teales Ene ejemplo anterior. si cn sar de ener un 2 en la esata detecha inferior de fa mat fuvieramos ct valor "2, obtendramoe com soins Yaotes complejo El ms robles pusde surgi en hans general n linealmente depeoientes. Cualaier matriz A nx K. tal que n > K puede esrbirse dela forma Asuwy, ‘onde U es una matrzortogonaln XK (cs dete UU © Ich W ex aaa mati diagonal A 0,y Ves una matrz K * K tal que V'V = ty Esto se denomina descompesicin singular ‘de rales (DSV) do AU. (Nétese ques A ee cuadrada, la descomposcin especiales una descom: posiién singular de valores) Al igual que en Ia descomposicén de Cholesky, fa DSV resulta Specalnente sil para la inversion, en este caso, de AA, Matipiando, oblenemsque (AA) simplemente VW "V.. Una vez que se ha caleuado la DSV de A, la iverson es vial La otra venta de este formato es su estabilidad numérica, que se analiza extensamente en Press etal (1986) " 27.12. [a inversa generalizada de una matriz ‘ate leto, existen més formas generues de matrices inveras que le gue hemos considera has hora. Ua Invern geseralizads de una maria Aes otra matte A" que sifu las siguientes ropredades: 1 AAAS A. 2 ATAAS AY SSAA es simettca 2 AA* ex sietren iow ver gue CA“ acon alo dope cone oa cde rogama pas utes posse seca on Pf 980)Pde enone na sien A" ps deta Asana ty Si nex curada® a ics moe ste fv eat ois aa ie Moore-Pearoe» preudinyrsa dc 8. Accra vn sing i vers ssl nest ‘Sinocideinvcrs onnara Peseta pos galas Aimed ann sn clap hs caste Un eso de espa iortancts esl some sets sab oa abs. donde A nem fis: K' (-<)0 para toa x dita de ero couonces A es defn posta neue 2. Six'Ax > (<0 para coda x dina de cero, entonces Acs define neat ose nia pst defini no pose). 7 Us rc sw jm nt edad ude nan Tel 9)‘A primera vista podria parecer imposible determinar a qué grupo pertenece una mati dada segin'l crterio aero uo n puede slope arbtrariomente Pero a partir de renltados ys ‘ator podvems hacerlo Reeitdese que una matizsimetrica puede descomponere de fa forma A-cAc. or tant ta fori evden puede escribir WAN = EAC Sea y= C%. Emtonees Lan e110) ‘3, postive para tol ents independletemente de y > dc, independcntemente dex) {Lace postive ste cr el caso tenlicado anteriarmente como malriz defini positiva. Con- Sh hin se eavonaicn, oblenemes ef sinuenteteorems, Dinan uneptten, emis hts efnide pontv (defini negative). Saunas de ls races Cini emunces As defini no negating tno positiva st as restantes son pits (nears) Sr onc aes mie metres soma posirascemonces Ae indefiaida. ror en cada eas las condiciones suficientes det Acorema Pars par In conicones nessa, supongamos que a eandicién sobre as rafees no SStummpie Tater leva unt conralicisn. Por eemplo,s algin J puede ser negativo, entonees F Ay pin sot negative paling, as que Ano pede ser definila positiva tos resus amerones nes pt 28.1. Matrices de idas no megativas 1 eas pti interes cy elas mares denis mo negatives, Del teorema anterior 82 iene sat rea slice cm estas aes + Si Acs finds mo noeativa, entonees [AE > 0 oun Prueba: UI terinats es pont de as races, as eudles on posits. 1 contravio, sin erg. no exert, Por ejemplo, una matriz 2 * 2con dos raoes negatives cshiamene mosis pina in embargo hee un determinants positive + Si A es defn posit, también fo es A en) Prueba: Vs rates son hs occ de A, 1 eles Son. portant, pesitivos, Levi ied Hx fii postion ena) Prchas Ny SSS 7. {a testes mn portant pa laisse regres e ef ene SSA) A gon samo comple 9 9K, emtamees AA es defini postin y ATA es fot nega eng Praha Sesnposne ie AVE Bor eae VAAN = ARHARL = yy = SP ua en el stime e480 my 20. Eeaso 1 met smi pe psnse ge AA ex dein mo nepaiv ali eu comb A ine mis is gems existe un «tal que A 8Ccaptato 2 Agnbrnmianiat «Si A exsdefinida positiva y B es una matriz no singular, entoms BYAB os deinide po; sitiva es, Prncba: wWAWE = y’AY > 0, donde y~ Das Pero y no pusde sr porque B es no singla. Finalmente, ntese que para que A seu defnidanegativa, todas las rafes caracteristicas de A deben nae severe ete cso, Ale positives Aer de orden par y nexatva si A es de orden ‘mops 28.2. Formas cuadrdticas idempotentes Las formas cuadrétcas en matrices idempoteatesjuegan un papel muy importante en ls di a ores auctor conttatesetaditicos. AS encontraremos muchas de ells con frecuencia, Enon dos resultados cenraes de wees + Tova matrizsimética idempotent es definida no negative 1” er16 Prueba Todas lis rafees son 1 6 0 por tanto, a mat es defnida no nepativa por defini Combinanda Ins propiedades anteriores con algunos resultados ya visos, obtenemos un result corte en ix eteminacion dela dstebueion muestra dz a mayer de Tox conteaaie {adistics estindar. © Si Aes simética€ idempotent, m eis) Lo contatio ocurtva i fuera siempre neatvo. Para algunas matrices, el resultado pode ser fmbiguo. De le defincidn se concuye que 410 implica que A ~ Bex definida posit, res son pepe fi oh vial a-aoLt th2_Anbini economirco Las eaoescaractersices de esta matriz de rango 1 son 37 0, Por tanto, A = B ‘pegativa Para estos A y Buna forma cuadrdica de Asef siempre al menos tan a ‘que empler el mismo x ‘Un cen print Si Aes deinida postva y B ex defnide no nopativa, aa Suonses ABA _ eu resultado penera es: Recordemos, pr eemplo it aférmula de actualizacién introdueida en (2-66). En ella se uiza Ia matrix A= BB+ bb> BBM, Finalmente. en algunos caos en los ave nos interes comparar matrices, puede ser mis conveniente ‘Comparat ts inverse. El estado andlogo a un resultado ya conocido para esalares es: Si A> Bentonces B'' > A"! e120) {¥ease Goldberg (1964, Capitulo 23) 29. CALCULO Y ALGEBRA MATRICIAL Muchos problemas yue se plantean en econometfa estén relacionados con Ia extensibn de resul tador conocidos de cileuo, a un marco multivariante. Como ejemplos s incluyen a formulaci ‘Se sproximacign de inciones, la maximizacign 0 minimizacion de una funcidn de wchas vo bey el ands de la ansformacin de un conjunto de variables en oto. En esta scciSn veremos UTconjunto bisioo dh ravuladar empleados poweriormente en el texto en el ansisis de estos Droblemas2®. Cada una de las cuatro partes empieza con el resultado bisio de cfleulo univarian {ey posteriormente procede a la extension para el caso multivarian 29.1. Diferenciacidn y las series de Taylor Una variable y es una foncién de otra variable x escrita ya fieh yeas), y= Hh otters, si cha valor de x se asocia coo wa valor nico de y- En esta relacion, yy x s¢ denominan a ves ‘como variable depeadicntey rarlabe Independiente, respectivamentc. Supontendo que 1a funcion ‘Fesyes continua ¥diferenciable, obtenemos las siguientes derivadas: totter Frotuentemente uizaremos la lrivadas de /(x) n la apronimacién de series de Taylor Un serie de Taylor 1 una aproximacién polinomial a (2) Sea x° un punto de expansion abitaria- iene lego, x Lass’) sean fe) + FES ea enn “2 emo tio ba contd x pare ee rea 1 Patrons expe compe ae Map y ender 700,1s elecsi el nti de seat aia ae ei aproximacién. Lis spronimacions pleas mis rsscnternc cect eat a ape ‘machin nea, Ws LOD FEE meds eam 1 aproximacion emetic, aie peste eur ety Wt Be m donde el superiniindics gus La ncn a exatead 9% Poder elrincst una fuchin p= fy yon Como un Fane ear Se Vt <> sexi pa) Ft nso de snap, eter Bode. sponte ade cs eno fives, |] a em x eves) Lf Er vector gfx) ge empl pra representa a vxior grate Nese ys cs wn Neto can a forma de ta deriva ext determina po cl dnominador d bdevads [Lnrmete de devivadan sage, tre Mela ne ala so, wy fBreane, Heres Mee ws - En general, H es una matrizcuadrada, sires. (La sme obi para fancones contin pore! teorema ve Young) Cada hay columad de H es hs detvada Get tector graeme con Fespecios una de his varblee Por ano, La aprosimacion de primer orden, o serie ineal de Taylor. es vases Estes shG4_Andtaincconomies =r a wee = 11+ aH = <9) 2126) =F) TT + a ween Bs rosimasin de segund orden, o cuadritica, sulla de audi los téminos de segundo orden 1 fa wenn anterin,e dcet f elementos ce en (21260, Cara) ole {pa fc fine pede 6 por boa, e128) no a En un conjunto de funcioneslineales Ax [Nétese en pica. que Fae cada clmento 5 de ¥ 66 nna lone a a sma fl de A. Por tanto, tespmestr de a in fla de A{un farma eunaratca pede exes come, an £ Eos | — ape a-[L} —o Ee fe OvAR_[24, + 64) ae [6s 1 Be, “Eth 1H Pree eng En clan al doble aumatoria anterior. ohtenemas que pra eal Menino ewteente deny eset Poe tanto, La mati canada co jem enn, de modo, eas _ En la esimacin maximo verosinl Surge derivadas de determinants. Del cofactor de exp sién en 251), 2.433) Foy ownle 1,1 8 oso cofactor de A. La inversa de A puede caleularse» partir de camry) ial taste cb de orden def ude) oe impli, SutAl_ u4eyl 4, ry45. Andiais sconomsvico (0 agrupando térinos, ini aA Pesto que fs ries para lis que haremos uso de estos eileulos en nuestras api simétrias, a transposciOn no serd necestia, Muchos problems implican ta bdsgueda del que maximice © minimice (u). Com P40) 6 bt Dpemdicte de f(s ol Sptime debe set aguel us hogs =) ~ 0. De stro modo, be fancit seta relenteo dereccnte en's. Esto implica que a condcin de pelmer orden, « condcién de Stim, srk 4 . ie 38) La misma condiciso es ncesari, tant para el mimo como para el mimo, Pura un maximo, kt fhncidm debe ser concave; pars tn mfnimo, debe cr convenu. Esto proporciona la eondeién sul cleat para un Stim: & Para un maximo, 2 «0, ens) ay 4 un iio, 2 > 0, 7 we ‘Aigunas funciones, como Its funciones seno y coseno, tienen muchos Sptimos locales, <3 desir, ‘muchos minimos y mdximos. Una funciéa como seno xix) que es de tipo sinusoidal. aunque de menor amplitad, tambén Tos tiene, pero dere de oas en que. numgoe iene muchos mximos Tocals, tine un, en x = 0, en cl cual fs) e¢ mayor que en cualquier otto punto. Por tanto, x= 0 ‘Sun mednima glebal mientras que otfor maximo son aslo miximor locales. Como una cunt, ienen ska un Sptimo, Estas fnciones son labalmente eoacavas cl Jptio trun més y globulmente convexa sel dptimo es un mimo. ‘Pura maximicar © minimiar Una funlon de Yara variables, as condiciones de pins ewe af, , 2-136) Esto se interpreta de igual forma que lacondicién neoesaria en ef caso univariante. En el Sptimo, debe ser eerto que ninguna varacin pequeta en cualquier variable lleve a incrementos ene valor ‘elu fone. ave uno univariate, dy/de? debe ser postive par an minino.y egal para un tmérimo. Encl caso mulivaiante, aplicamos una condicin similar a la matte de segunda deriva- «das de a funcidn objetivo. Las condilones de segundo orden para un dptimo conssten en que en el. ‘imo, 2s) no) en tie put pa tin 2 Hd mafia par msi, En un problema univaraat, Wa condicié de segundo orden puede verificarsegeneralmente a simple vit. Esto la mayorta dels vec, noes an ene caso mulivariante. Tal como comentamosGeta 2 Algae mat 47 poh ath aman combine sph oon prance sea al oem soteriormente el cto deb fic de una ma 0 8 “Se Para myo sd Tos pln ie sph em ended dads por I estuctura del peblotua Es deat Lat Com emp de eat une expe, cnt of pn Wa At nats | be | kinda nga, Las ts ric cacti eas wate ia 1S246 ay 2 ‘Como ls tes aos son neat, mati x dias natin com 3 ren Ha slo necesrio calla ts races cnacitiies del awn Pura venir tx combsn de talidencn: Para ve tric general de orden mayor ve 2 sek ae el we de a dante Supongaros, sin embaryo, que Aes del forma ce donde Bes alguna matic conoid. Eaton, al com ys amterirmnt, saben ge st Siempre definidspostva(uponiendo que B liens rango completo} Nov expecta Bs tales curactersieas de para verfics las condones sufiientes Con frcuenca er neuro resolver un problema de ptiniaci sujet a slgunasrsteieiones ‘Una snore sploment, incorpo fs tes tions. afc sbjtive or jmp ene probleme de maximizacion considerado anetionmente,supdngise qe Se imo in fstsion= 4s cu Para una resin sencilla como éta, es posible, simplemente, sustitur el ado Kroc de hia ceuaien por, ent nein obetive y resolver el problema rsultante como una ‘de ed avis estan, Pata restrecones nfs generale, sn embargo, o cuando hay Weide on rosnechtn, st mode de he slipiuloree de grange propreiona un méiodo Arete de rosodver el proba Se tata de asim 118) suite a eyiah = let 10) tel 1a solidi de To puntos os aprange a este problema consist en encontca los puntos estacionaros (es decir ska derive som eer0) 0, poate feat E 2e pu eu 1 assis sai fis cetcones Gi Stush , Met IN OREN gn wees 14) ow O th 1 segunda de C4 Pe 14) ole Cesta marie devvada de Is estrcciones eon respect a x. La sia fla dela mate CP eset wectr de derwvadas de Ta yes Tesrccon, cfs. con vespecte x Agrupando térininas as condiciones de prince ord son. 282 om ‘Hay on aspect muy importante deh sock resend tener en cuenta, Ea Ta soluci6n m0 testing Tenens fIM}e8. B. DoU EBD. tenemos para ut sold set ings ae ean aye wo sd ew a macaw ave A ES iene ds mmpheaevones importantes +1 solucim resting le sor ineron a solu mo resting. La randn ex que joien ee divine sf soto tetengcomate 2 bien ail Ad + Si hos muliplcadores de Lagrange son cero, entonces ts schucién restringide serd igual a ta olen no resting, CConsnsando con et pl nade ancrormente sopongaios ques curmplen in sigan ‘ar ace cto uiliand ts expen general del problems, esrb ls constantes come ei! Ce 0, donde pond rod Rite Mba w= ACE, Ut uncon lgrangiana es, igmonos en la dimension y orden dos dstintos elementos en la expresisn anterior. En patcu- larc€-esuna matric?» 3 con une fla para cade constant na colons par cada variable ala {uncidn objtive El vector de maltipcadores de Lagrange iene, por tanto dos elementos, no por co ester, Las condiciones de primer onden son ade © es couciones Cx=0 (des ecunciones) 2.146) En una dca ecuacisn tendeamos 2a eye} p= c olfal"Le ‘A pi de a expres def inves pasticiomida en (2-74) se obienen as solucones| d= -TeA“IeICA ta eu ACMI C1CA ICY IA“ es ‘Los dos resultados. 2-147) y 2-149, proporcionan soluciones anaicas para A y x. Para iat imate epetene y vectors del semper som d= [08 9,5) 9 ef sector def sacion fesitingida x= [13 0.13)” Notese que en el cfleulo de la solucién para este tipo de problemas, no es necesaro usar la enpeesidn dada por (2-148), que rvuta bastante comple. Una fey aeobtione A de (214, la socton puege isetasc en (2-48) para un ele mucho sev ha eon 1 attain sure un rested il par el dio restrngio: ‘olin resting = slucin mo rexringin + 12A °C e169) alent, insertano as dos sclucions en la fancién original. encontramos que R = 243759 e+ 528 cal muesia de nuevo que la Souci estrnga (on este pena de maxima) inferior alr soluién no restingida$2_ Andina economérico 294. Transformaciones Siuna funcign esestrctamente monstona,entonces es wns funcidn une-a-an, Cada se aot co tun valor dex exactamente,y viceversa. En est caso, existe una fancién versa, que expresa x como {uncidn de y. Formalmente amas Tunciones se esebiian como yogis) y =f" Un glemplo of reli inversa entre las funsioneslogariimica y exponcncial Ta pendiente de ls funcidn inversa, exe Jacoblana de ls (ransformacion de L210 Sin cimbargo, ta no ex In descomposictn de dey“ ahvenp ste desconposiisn para mattis del Eerico 9 {owe operaciin se realza al postnltipticar x maiz per una matir diagonal? ;Qué tse con hy prewetilicai? Sow posits las siguientes Foxmas cadres para todos tos valores de x? fare ds yet lt Gh RES SEL TE Faaysy 6G 664 ey Dre ie tA = AB Tins mattis Aes mpc i Kin A=, Prvebe que un eondicién necesara y sufcente rene es que todas suv rises caractratica can arma apliecion,vease la Secidn 169.2) bea aa qv an ari smc noes ve a eval abot, ‘Cate fas res erates de Supumes que A> At. send = am esealae. {Que es ANTE? Ahors. suponER gve cxda Clete eyes tam sa ine = (le ms go 8 A ANI? a fas eenacionesdstnminans [B= 2A = Oy [A°*B~ 2 Tr sliviones de esta eeuacign con fas de la ecuacisn Sim deta primers de evar ecuaiones,vlae 16574) Consors qe bs sin fonts mame 2Camn0 9 TRA tl are we apt Usa a muti A dst eric 9, eneventre el vector x que minimiza y=WAx + 2x + 3xq 10. [Cuiler sl nature yen skims? Abors, inimin yet ala eesticion xy + 25 > | Compare Tas ds sauciones. Cai of jooubiane para be cgients teaneoemaciones? Prache gue intreambisnes dos enunnas de una mati cuadrada se cambia el signo desu Uitermmante [Sugstenca: Une ns mati permtacion, Véase el Ejercicio 6.1 mesa. OM es TAN BRT? Sopenpa aie 9 = SEX doe = oseptute 2 Algebra mat 22 Suponga que y ex un vector m x Ly Xes una mateam « K, La projecin dey en ol eapacis columna de X se define en el texto despots dela exuacin (2-55. Ahora, consdee I tiéadey4~ cyenel espacio columns de X° = XP, donde cc an ealary res wa alien Singular K % K: Encuenre la proyecion de y*en el espacio columjaa de X*, Prue que oseno del énuierenrey*ysuproyecién ene espacio columns de X°.e el mismo queen Dy 0 proyecién en el explo columna de X.;Cémo interpreta este resultado? ii 23-5 calle B= KOCK) *X°y M= (= PL Veiique que MP = 0. Lato of il {Supeencia: Demucse que M y P son idempotent) (a) CalzuleP y M basdndose en XQ en lugar de X (8) ;Cilee son ns ries carats de M y P? AR A parte dota matiz 24 Supe que A oe ua ai 9 de a fren Ani ph pi onde es una cutumna de unos yO < p < 1 seriba A explicamente param = 4, Eneventre todas las ales y vectrescataeteistico de A (Sugetencia: Hay abl Jos ales caracterttcas sisitas. com multpidad Tym ~ - Cada e de un cierto tio es un vector caracertsten de ‘A Una stuacion en la que se wa una marx de ete ipo pede encontrarse en la Secs Ht sobre el modelo de efeco8sestorls. & Encuenre fa matrzinversa de la mati del Eero 28, [Sugerenca: Use (2-661 rem Ia sucesiin de matrices, Woo We 4 aa 26, Prucbe que cada donde Wy = Ie dnd poiiva. Para una apicaisn véae la Sos 5.5, Para una genera lzacién, prucbe qoe cada matria en la sucesién de matrices defn en (5-22) ex dfinida postiva st Wy =H 27. ;Cu es la maiz inversa de PP [Smo Sea} {Cudles som as races caracterities dP? 28, Oblenes os slemenios que stn fuera del Hogue diagonal de A. cn ba Secon 264, 29, (Este sjetcicio equere ef uso de un ordenador) Para ta maiz XX dt Anal de ta See- on 68, (a) Caleue las aes caractritins de XX (8) Calcul el mimere de conden de XX (No olvdenormalirar ls columaas del matic para qoe los elementos dela diagonal sean 1)Capitulo LS Probabilidad y teoria de la distribucion 34. INTRODUCCION ‘supone ane prevamtte se a seguido un curse de cst mucho de him reads ne pres tans pret Hn reali mas saa ds fs aon tron eda oo 32. VARIABLES ALEATORIAS Iwsorpetamon aust obervai eal 1 ellen ot experientoaleatono, A lo esos del experiment x ks aig valores numeicosumios, semaines uno a uno: ead realizacn obtiene wn valor.» nimgn par de realracions distin nie af rho el amo valor Ca warble de reinacin, X- a viable letra fc, frase que el enperimento no se lev enbo cl vlor que tose X ex nce, proba Sc asian com ls fealizaions pur cusmiar esta Inet, Uliano ean masses pa el snombre- de la variable aleatora y mindsculas para el valor que tom. Por tant, ke ababiidad de que X tome un dstrminad® valor x punde wa indie por Prob = {Una variable alestria es dre sel conjunto de realzaiones esto en let 0 it ero numerable La vat Uist , poe ants noo wumerabke Fas defines ne correspondent hs dl {que observa et la prt I contailiraciin deo suas pena ocr wiles ne sobre varsblr esos coina, 3.21. Distribuciones de probabilidad hs valores «gue toma ua varabeaetgiaX pvbabilads asi es nt cyhaed (0) fre ps yeti entre Sts) = PrabiX = 3) on UnaAndis econométrco {Los sniomas de fa probatitdad requiren que 1 0< Prob 2 EM ues a EJEMPLO Modelo Poison para an resultado diseeto at Ser \ el mimero de elintes que Hepan a un cajero automsiico de un banco en un perfodo de vim selec sleatoriomenes de duran dae. Un modelo frecuentemente wiizado es by ie Poison iF vem, wy ke es el ndmero medio de personas que Megan en un determine pexfodo de tempo ‘Ober ese yu nlependicntement del vil de 1 medclo de probublad est de hecho, en strc con el fensimene fico que se desribe. El numeto de personas Ven. por super fox qe ser into Pere. para valores altos de , las peobabidadesssignadas por este modelo vt Fae coo se dene fox der tenden a era) rel caso continuo. ln prohabiidad asociada con cualquier punto en patil es oero,y Solo psdemos asignar probates posta a inlervalos en el range des mein de dened (a) se sfine de moa que 131 = f biotwe cen fraysate eo oe Fate eset dtea bajo £10 entteu yb Pata e easo de una variable continea, 2 Popa 65) Si el range de » nos infinity, es comprensible que fix) = 0 en cualauier punto fuera del ranso apvopiate Come Ta proba asociada con clquicr punta individual es, Prob y Fd > Fob 3 Feat 4 Fox) De ta defnicion de FD. Probe © «<= Fi Fla 6.109) ‘Cualquies fd vida implica una FD valida, de mode que no es necsaro verificar estas condiciones 33. ESPERANZAS ¥ VARIARLES ALEATORIAS ‘Dennacién 2. Media de wea variable alentora, Lt media 0 tora lor experado, dun variable E xfis) si x es discreto. EL) = r om [snot os cin La ntacion £,o J. gue se liza partir de ahora, significa tx suma ota integral sobre el rango Complto de lon valores de x. La media se representa hatwtualmente por j. Es un promeo onderado de los valores que toma x, donde las ponderacioncs sn las probablidads respetvas Fonee restric un valor de ls que toma ta vagablesleatnrs en la prdetca. Por ejemplo, el fumera esprado de carey cuando se tira una moneda equiibrada una vez f teas medidas de possi central on la median que ese valor m tal que ProWX < m)> by Proll sans fy ln moda, que ese valor de x para el que sts) tom su valor maxima, Le Foner de esas iedidas se itlza mas recuentemente que la segunda. De modo informal puede sere ie in madiana se coresponde mas aproximadamente a la mitad de ladstribucién que Sui No te afectan los valves extremos. En el caso discreto, el valor modal dex exe que iene probabilidad mayor de suceder eae etna aneton de x a fonciGn que da ol valor esperade dese indicn Dor ) sixes dherto eee om JT eansnae sc comin Sis) = be parm ay b constantes, Fla + hx] = a+ BEL {in caso importante ese valor esperado de una constante a, que es simplemente @ Drrwuciow 32. Varinza de una variable aletora, La varianza de una vrialeoleatoria es Varbx) = E€ts ~ 0") Sx= wife) sixes discrete ‘ oy fe 'teide six es continAnda economtico Var} que tiene ye ser postva se representa habitualente por 4? Esta es wna meals de dispersin dela dstriboci, El cdculo dela varanza se simpli ulizande ts sgt dos importantes: Varbx) = e001 = 1 v. Un corolario Wl de 0-14) es epey ea a (509) ‘Si insertamos y = + bx en (913) y Jevarollamos llamo que Varfa + be} = # Vas} 619 ve implica, para cualguier constant a, ave Yael, Para describ una distribucién, normaliente utilzamos 4, serine tipi, o extandar, de x Se puede consderar que la desviacién tipica tiene las mi tnidades de medida que xy jc Para cualquier variable aleatoia xy cualquier constant postva k, la dsiguabdad de Chebyse establece que Prob — ke cn cpt be) > 1 ety (Vease et Teorema 4.4, Seosidn 4.4.1) ‘Otrae doe medidas que ili @ menu puru dseibie vn distsbueisn de probabil so B ssimetta = Eft - 0?) ; beri = te = eo wpe dha cit de en Pee eaten a, Pua) = fue d Hd asimetra = 0 Fara as diauibucioneswimercas esta mei de dispersion sera postiva sa wola larga esta en Ia direcci6n postva. La kurtosis es una media del espesor de ls colas de la distribucion, Una expres abreviada Ue otros momentos centrales de la distribucion es = BIG wh ‘Some p, iene un comportmieno explosive cuando raument, la mela Normalan 9", xe tliza a'menudo desriptivamente. Dos medidas comunes son asad + gsCe) = Blast) + Etuststh 619) Pacy 1 cave general de uns funcidn g(x) posiblemente no inl, ree [aor wnCepnulo 3. Probate y teats de i citndvcion 89 As) Hla nnd won Por comodiad, se omiten las efniionesequslents para varias dnestas parte ert se crpten Integral para celeise ala intra eal stmaterto sep sete) Tree eer atien pata aprosimar Elytsil y Var] eke aproximackin fine eu serie de Taylor a) Ls ets") Cutty ant hs 0 =a". Sil aprosimacin es razonablemente pres, kt moa y la varianea de gt) seria proxtmala~ ‘mene igual» In media y la varanza de fx). La elecoin obvia del punto a parr del cual s¢ octal denarolio esx" = p= Els), Inertando esta expresinen (3-22 obtenemos bs) ~ fed ~ gta ota an de modo que 0 > ao on y arti] = Wwual°Varl was Un punto a tener en cuenta dans (3-221 41-28 es ave Efi en general no sera igual oD Darket caso particular en que ge seu cet fs dec, sy 3} < 0) sabernos por la designate jensen gue Ef] < EL wD (Wesse el Teorema 4) Por gemplo, FUlotsi] < los ELD ICAS 34. ALGUNAS DISTRIBUCIONES DE PROBABILIDAD ESPEC ‘Algunas stvacionesexperimentales dan Ingae de form nator dsticiones de probabil ‘shou Sin embargo, en economia en bt mayor de fs cos i Sstebueinesanlizaday a SMBplemente models de ls fendmencs observados. Aung lst norm, gue analiza Fae dettl cx el soporte de la investigacign eesnomrcy lx exonomsts hah iizado Wn Tapia gma de dtribneioncs Algunas de ells ¢ analizan 3.4.1. La distribucién normal La forma gene de una dstibucin norma com mei yds Wp 9 fisiqety= te 1 ort 20 ON aie * sto se indica habitualmente por x~ Nyy #2]. ta notaciin esindar « ~ f(b s¢ wilt pars fapresse que sx tiene una funcion de densidad (x) Una de tas propedades mas les de ka ‘inribucign normal es que se manlene bajo transtormaciones lineal, Six ~ Myo") (a + bs) ~ Mla + by be?) ean 7 nn mito complemen Mal 1972, Cpt 8) eu a ye dei ead ae means ee i Pe 009 Sat 9 OH OH00 sot economanigs mente stiles a= — wa y b= I La.yariable respons. + xo sipue una distribacin normal estandaraads, que se representa por N{O, 1]. con densidad wo be (28) Una transormacion pati La notacion epee 4) 6 wil emo para ext densidad y 442) pra a FD, De foe Aefinnnes terior se despende que st = Na? jentonces ‘nr mayoria de os texton de statins 9 sonoma aparece tables de In FD dela normal cstandarizaa, Convo Ta fora de la dstribucidn no varia bajo transformaciones linales, no fneoraia tohuta fi estibucion para otros valores de py. Para cualquier variable normalmente Gittins, 1 m- tol tuba deta funciGn normal estandaizada. Ademss, como la disribu- "H=) Pave tant noe nesesaro tabular ambas mitades, positiva y sae mee wbtenerse en iin ex siete, negate de Ta dstribuckin, 34.2. Las distribuci {asdistibniones chienadradoty Fe detivan dela dsteibucién normal En econometiasurgen ‘home ys vatables acon, Fst res distebuciones estén asoiadas con uno os purimetos Ue speadon de liberals. gue part uesttos propésitos ser el ndmero de ‘viable en Ta suma relevant. EI inci de los Fevultades eseniales + Siz + NO. 1}. = 22 ~ chicuadeadof 1} es decir. una ehheuadrade con un grado de liber- 27th 630) sta ex ws distribu asimétrica con media I y varianza 2 segundo es 9 Si syn Mp soma sriableschicuadrado [1] independents, ntonces Es, chicundradotey oy |.armedia yb vrianza de una variable chi-cundrado con m grads de libertad son ny 2, respec: famente Asunos gorolarioe es se deriva atiizando (330) y (31) 8-01 te caso saris 0.11pm Eecrin cy 633)Calo Probaidaa y worl 8 dtribcion “64° ~ 1 Six, fx sbi viable eeu ident coh Brads Ue Bead repo xy ta elt nh om ‘eto puede generaizare fx sma de un mero arbitrarn de varaben chi cundrado indepen donee 1 cirencn Je la distibucdn normal, se necesita una tabla distnea de i dstibuci chi caro par ca valor de m Habituamcoe, sl te nbulan unos poco pontosporentuales de In disribocitn para cada m1 Tabla 4 el apne de este Hiro presents reas de a cola derecha 1 Six, yx 20m dos variables chicuadtado independents con pardietros de prado de ibe. tad my 3 ny ropetinamente trie mg) = St 09 Fl 0) ns sigue a dstribucin F com my gris de libertad, Loe ds pardmetros de grados de libertad m yn, som os grads de ibertad del sumerador y denominador,respectvamente, Las taNas de la ditibucgn F tienen que computarse para cada par de valores fy 1 Por slo, en le mayor de lon cssos solo se tabulan uno 0 dos valores xpestcos, ales como he alors 95% 9 99% dela cola superior 7 es una variable N[O, 1) y x es una z"[a independiente de 2, rtio a= 39) 1" Tain ive unm hatin con pi de beri {La alibucidn «Gee la nist forma que fs dstibucié norma per las colas som mks anche! Ena Gstucion se tabula de ta ima manere que a Sibson c-cuadraco, con ‘aos puntos de ort expectico que cocesponde a teas de It cola ara dts valoes del Jhramatr de pros de ihertad St compuramos (3-15) conn, = ty (36), podemos ver una relacdn stil etente entre ls disebuciones 9 F: + Sir~ b= FLL nd 34.2. Distribuciones con muchos grados de libertad Las distibacionesch-cuadenda¢ y F normalmentesurgen en conexin con somas de obseracio- ‘hs mocsirales El pardmelro de grads de Uibevtad, en cada e1so, aumonta con el nimero de fbservaciones. Freeuentementetendremos ms grads de libertad los que se moesan en ta {ablas Por tant, las tblasest4ndar son » meno inadecuadas, En cualquier cao, sin embargo, ‘ony datitelenes mite que podermos wie swan a parsmtr de prooe de hibertad sures ‘ico. Elcaso mds simple esl dea dstricin con ifinitorgrados de libertad ex equivatente {a dstibucdn normal extandairade Mds ald de 10 prados de ihertad. son prdcticamente ins: Ainge ‘Une aproximaeisn comnmente ail, para la dtibidn ehi-uadrao de a S=Qott an Ye om 7 Fo per eet ne de dscns normal ands ein Cay.62_Andisi sconomavico ‘gue se distribuye aproximadamente como uoa normal estandarizada, Por tanto, . Proba'La] < a) = O20)" = fan =) EJEMPLO La aproximacién «ln distribocién ch-cusdrado. 32 Si ves una chi-cuadrado con 70 grados de libertad, Problx < 85) = Probie < V/170- V/138) 1 Probe < 1.249) = 08942. El valor correct dela distibucign chi-cuadrado es 089409. En economia es ffecuente que, en el easo de la distibucion F, los grados de libertad del 1 la distibucin eonjunta ex iforn-exponencial Ho delsites Ast niet fo [Gk mee Pree Fest r1 fcae amb ge Hy} LALIT ar) 6-60 ye mist ee senor vane Os 1. APS] $ Pas tant Hy tate Fv cate sien binant Covtyo rl Govt. BST = [6 monet acide. EIEMPLO C 9 cotat F PS MESES Me rand ate emt tl otsLoe ejemplos anteriores proporcionan wn resultado icodat pare cl caso especial ef ue lt funcién dela media condicional es lineal en x FRORENA Los moments en una rresin linea. St Efy|x] ~ #1 fxs entonece 2 a> Fy] ~ FLD ro) Sows 37 vere omy 1 pret se deve (1-66) (346, Fs cen cl alii de regres, tcremn tabi aparece de divers formas FEORENT Descomposicién de a varianan, Em una distribucidn connaa Ey Ly t x) + ELVaete1 I} 6-79 La notacién Var] indica la varianza sobre la dstribuci6n de x. Esto indica que en una distribu; Parrcceine brvrienza de y ee Jesompone en la varianza dela funcdn de media condicional cae aeevevheyeaporada alrededor de la media condicionalln ejemply de aliabldad puede ers en Ia prucha el Teotema 203. en la Seecién 203. Vary] = Va EJEMPLO Descompocicién de te variansa ou ‘Queda pendiente la drivacin dela varianza dey en el Eemplo 3.5. Como ene caso anterior, Ia inegracin directa de la distribucién conjunta es dif, Pero ar {ELy xT] = Varta + Bx] = #VarL) 2 2 1 como la varanza dela variable exponencil es 1/ B.tVarlyL] = ELC + 8) t+ PLS] + 298EC) = 8+ P+ Da La varianza marginal esta suma de tas dos partes: spk Varly] = ale + M+ > ee AReordenando (370) obtenemoe la siguientes resultados importantes Teown Va uM ora resideal de uns regresin. Fi cualquier dsiucion bivariate, larly} ~ Varbo] ~ Var,( Est) om omalento, Por ei von premio, conicionat rede Iwata dela variable suet a com Ler yor homocedatica, a cumple siewpee que a vaviaza de as)T4_Apttniseconometricn TROREMA Recresida lineal y bomecedasticidad, En una distrbucidnbioarant, si ELy\x) = 2+ Bx y si as Varfylx] es una constant, entonces fash ~ Court, 20 = oh ~ 0 [La prucba se obiiene directamente uilizando los Teoremas 32.834. Varbyted Varianza condicional en una represiéa Poison En a relacign patentee investigacin y desarrollo (1+ D) del Ejempl 36, supongamos que R tuna fraceidn constunte del tamafo de Ta empresa, y que esta variable sigue una disnbueidn Topnormel Ast, Rtumbién sepuird une distiburién lognormal I densidad. media vrianza (icin dntibucion se presentan en la Seccion 34, Supongamos que p= 0 y am 1. Enionces BUR) = e165 y Vast) ~ 468. ‘Supongamos también que a= 1 y f= 2 Enfonoes ELP|R]=1 +28, ELF] = 1+ 26K) ~ 430, [ELPIRY) = 4Var(R) = 186, Varf PLR] = 1 +28, {eae PLRT] = 430, VarfP] = 186 + 430= 229. apreciablemeote mayor que E{Varf RI}. 3.74, El apélisis de la varianza I resultado de descomposicién de la varianza implica que en una distrbucién bivariante, la raricion de yeurge por dos motives: " 1 Variacion porque ELy|x] vari con x: varianza de regresion = Var,(ECy1 811 o-7) 12. Variacin porqus, en cad distibucisn condcional,y vara alrededor de i media condiconal anza residual = £,[Var(y| my wrens nem Finalmente, t= 1 He ear eS va {sta 6s a normal maltivaraat estandarzads 0 ditibucisn normal esi 310.1. Distribuciones marginales y condicionales normales Seay eualgucesubeonjunto de as wtb, inlsive el cao de una dnc vata, y a6 9 fs estates YorilesParcionemes py 2 dt la ming forth do modo Que for) yy [En Ea : oS lan en Entonces, ls rbuciones marsnales sop labite norman pairs ann l wgene teorems es y condiciones normals Si [x] sigue i Jeu eon ralerane, nfonces su tiaclones marge se = Nm Zid 0) , ; Nits 2d pao La dsr cndctama de ae Xo m, tbi ayes Mu Band ey Martane PEE ae) 8.1029) Bust Ba Buda! Bes (10) Prueba: Paricionamos yy 8 como sha nuntado anerirnens ¢ (93) Para construe densidad, utlizumas (272) pra partici ed WI Bal BB La (2-74 para partconae la inves, a 2] a Bn En BE, f+ Por comeaida, denims 2 Insertand eto en (395) yagrupando txminos genet densa conjnts come pasta 0} 0) Probl = 1 x> 1 (0) Halle las distibuiones marginals de Xe ¥ Calle EL}, ELV Var} Val. Cost. y EDOM (@ Catcue Couft, ) (©) {Cudles son ls distibucione condicionaes de ¥ dado X = 2 y de X dado Y> 0” (Hille E(¥}X1y Var(¥X}- Obtnga las dos partes de a descomposicién de vaianzn Pretictor de era cualrico medio mina, Para ta dtsibucisn conunta del Eero 7, caleule ELy ~ ElvlsI}. Ahora halle Toray B ue risen ta Yonciin Ely a bx} Das ie solace segue qe Ey ~ Esta < £— a ba Ht resutado es andamental en I tera de minimos cuales, Veruca y hese ham encom satan (568) 89). Supomga que «sigue una distribucdn exponencial f(s) = de, x > 0. (Par una apicacin, setae fo ejemplos 33.3% 10) Hall fa medi voranz, ssa y Kurtoss de (Sugerencia: Las dos dias esti defiidas en ia Seceidn 14. La integral gamma de lo Sscsion 5.04 sor tl porn dene los momento can reaps al igen] in variable aleatoria del Ejrcco 9, jeu el func de distibucig de fa variable slatoria ye *? zy BLP? Praste que ls dntnbucin de sta) <3 un ease expel Je 50000 ars 100 TEOREMA Dismibucién mucstral de Ux media. Si xy x. son,obsereaciones de una, muestra aletoia a ‘extratda de una pobaci de media yy de varlancao?,entonces ts una bible cleatoria de media y de varianza on. Prueba: £= (Vn) x, ELE] = (W/m) 4 p. Las obeivaciones io lidependientn, oro tanto, Vas ~ in? Van.) = (m2) So = ayn Obetrvese que para obtanee of recultado fundamental det Teorcma 4d no be he supuesto ninguna distibucién concreta para x, EJEMPLO Distbuclén morsral de ix media a {a Figura 42 muesra,en un diagrama de Gecuensas el comportamiento de a media de L000 ‘estas aleaorias dle cuatro observaciones cada una, extras de una datbucion chicas: {tad con un grade delitertnd, de media Ty de v ‘A menudo estaremos iteresados en el comportamiento de un estadstco cuando el amatio de ‘a mesa partir del uel ecalouln cla, medida que cl aa se la ort roo Bae siguiente ejemplo se iustca un caso en el que ext ccureHA Anais economauico EIEMPLO Distriboci muestra dl valor minimo de Is rovstra a 43. ps Si Xj. X, 80 ls valores de una muestra aleatria procedentes de una Ustribucién exponen cial con f(x) = De-™, la dsteibucién muestal del minimo de una mucsra dem obsevaciones, que designaros come yp 6 118) = eae" ‘La prueba se considera en fs ejercsis. Pusto que ELx] = Uy VaeLx] = 1/, por anaogta, Elsa] = 1400) y Varley] = UrO). Por lo tanto, a medida que crece el tamatio moestral,e ‘miata ved un valor arbitrariamentecercano a 0. [La deigualdad de Chebyshev en (4-17) puede scr utilizade para probar ete interesante resultado.) ‘La distribocisn muestra se win para reakzae inference sobre lx poblacisa. Un ejemplo ‘obyjo cel de Ia media muesral como candidato nat entimador del medi poblacion ‘pines que la dlsribucion mucstral de la media de un conjuniy de cbservaeiowcn Je variates ‘rmales tiene media. La idea de que la muestra sreproduces el compartamieno dela poblacin, fr una afirmacion ncerea de Ia dsiibucién muesial del etadisticd muestral. Consilrese. po ‘emplo, lor datos moesraes tecogidos en ef Grdfico 42. La media mucst ‘acionesclaramentetene una distibucién moestal que parece tener una medi {gual «Is media poblaconal Este er el punto de partd de In torts sobre fy sti pardmetros IMACION PUNTUAL RE PARAMETROS Taare bt warn ease par ii eller rt 9 st Ne, Sta yrt Uerialer peal cn oa eds ce ean a eet oe Peer ge erin rere ape rey ote ae dened aso pseu tc ebb ga Debe existir ur si es el estimador rts {Un enimador es una regla oestrategi, para ublizar los datos con el fn de rte Tl el cl dee aes de dos aos gm mente, al ina son mejores Que oto Por poner un ejemplo simple, ntl abe pemsaf que a media Iuestral deberia ser un estimador mejor de Ia media‘poblicional que el valor minim de la ‘cera om eal foal seguridad. el miaimo serd menor ue la media poblaciona, No obstant, el ‘minimo dene jar cs Well de calcul, y exto oy 4 Veer un eaters elevante. La entimadores se comparan » partir de un 4e los estimadores son aquellos atributos que pueden ser comparades independientemente del tamabo de la muestra. Ep algunos casos, determinadas caractristcas de los estimadores no son ‘conocilas para muesras de famafo fnito, En ess casos lor estimadorcs se comparan observando las propiedades que presentan cuando el tamafo de la muestra, a partir de la cua se calcul, es lta, Llamaremos a Gites, las propiedades asinttieas Ue los eeuimudores, Volvremoy sobre ete unio més adelante, “43.1. Estimacién con una muestra finifa ‘Ak cominuncign proentamos algunas proniiades tow enimadores de vn ico SPR etn a, Een teste) sow comers oer. Tene condo sr neonarbor as oe V8 TE Aa We 18 Be 2d BA 26 “GRAFICO 42 ibe muta de edi de 00 masts de aa rae ea bdr Demin 42,” Eniador nage Deus uc aia de pie ego le media de su disribucton mucsrl es 0. Formalin. aiy=0 E(G — 0) = Sesgol 10) to que implica que B es ses, Nitese que esto implica quel expransa del eror mca C1 Mee se incur al conidevar el extimador en lgar del parinciro es ceo, SiOx wn vector de perineal esier os anode of rr exer de coda eleent det Factor Bes igual al correspondiente elemento de 0.ESEMPLO Error cuadrtco meio de “4 Andis economics ‘i seextracn mucstas Je lamatto n repetidamente,y se calcula en cad wits dis mucsras say ante Je eno etimadees serécereano a0. Por ejemplo. el valot medio dels 1.000 medias crue se omcideran em el Gefen 42 es 09038, que es un valor razonablemente ceteano & 1th mis pablacomal El mining de ls valores de cada mucstra es claramente un estimador | smn result estar por dehajo de fa media plainly porto nt. ‘oni fs estar Kt ei 60 wlnes Ts innsga ex una ppd deseable de Tos estimadores, pro rar vex 8 utiliza come slctncrade select de pesibksestimadores. Una de is ravones es que hay muchos estima “ne som inven, pew que som pos feprsentativs de la muestra, Vor ejemplo, en wa vhcuss de tama a primera hservacisn extatda es un esimadorinsesgad dela media, pero a aoa ua fran desperdcio de infornacién mesteal Un segundo critetio emieado ths clin enue estado inaespes s de fa eicencia, Devinn 43. Estimadorisesgade eficiente. Un etimadorinsesgado 0, se dice qu ex ms ateioe ue onra estima nsespee Ber arianza mesial de Bes menor que lade By. Es tt Vast} < Vor) ne sas macaroni se ast en a mari de vartancesy comorianans de ambos eds nts ite qe ft Van(@,] ~ Var @,} es wna matric semiefinida pe A partir de este criteria bs media mucstal sed claramente preferida frente a ta primera obser- savien camo seta de fa medi poblacional. Sia" es fa varianza poblacional. Var) =? > Varl&D AU pont Livin, hems esting a discus a exso de etimaonen merge Pero, ‘Atiadines sean ue nen tnenoe waianza que es insesgados que hemos mencionado: Uiiafuter constant ene sasianea cera, Por supuesto.alemplear una constante como estimador. uestarcinceaproncchand eficazmente la informacion de la muestra, Si nos centramos exclusiva~ Tent ea Ta inespadee. tenemos que excluit, por ejemplo, estimadores en fos que se da un sesto Trobe yuna sartanea uy peyuefia, Un entero que ene en cuenta extaposbilidad de aceplar tincicr pra de sesgo cantbio de uta varianza mds pequea se dl error cuadrstico medio. Devon 4 Err euadrdticn medio, Ferrer ewadrdico meio de un eximador ex eM = FU ~ = Varld) + SeseoC 6)? Si Bes unese Var) + SesgoU@) Sesgot@T si @es un vector «9 Grace 43st eta de. Fn promo, etimadorsesgadoestarS mas cerea dl verda tee dete qe el estima inves, varianzn mestal Firtissateeafakia de yn cstebucion sta, estimador ms wide para o# exopto & ifrenia ead 5 EOMEs"} ‘(Puede proberse a partis de la distribucigu de la forma cuadrdtica (x ~ ip) ™M°Cx ~ tn), oben fa Sess 310.3] Un estimador ulizada menos fecventementec, fa ino Se tata de un estado ligeamentesesgado ala bao: Lin ~ Ning at] = SEE ‘or fo tanto su ses es, “1 Fe 8} ~ Sento} = 7 ot | [FS Sloe é (410) = T= YP {La funcin 40]X) sl feign de verosmiltud de 0 dado el vector de datos x. Freeuentemente se Fepreseata de manera abreviada median U0) Posto que ao e oasiona ninguna ambighded, en ‘adelante la representaremos mediante L. EJEMPLO Funcign de vrosioilite de la distibucién exponeacia a6 Sea ana moc de observacones rseenc de una pardmeito d entonces, acd exponenial von uo) = [] He wy th® EXEMPLO Foncién de veroirived dete disutbucléa normal a Sito #,€8 ona muestra de m observaiones procedentey de wna disibucidn normal wn media ny desvscisnesténdat 2, entonces, Layo) [] eo) Netttnarnt zl ey om Gaal) ae tne ssa lane de vers epg clave eq mayor pare de a dics irc sobre a ‘Ygaktcin de pvt. Un joolage importa on cn on ln xii ciate el ‘dguieneTyoman La cota de Cramée an. Sion a mn de do ser votes von (of aay inten : oe “4 FYI Eee eee lare wan eae ee ‘extraida de una dstribucién exponencia,« partir del Ejemplo 4.6. ae ne Fs caine eet ce ieee eee eee eae poet100 Andis conomdtrico La soma de m variables sleatoriae iénticas que se distribuyet coino una Poison, sieve tambien ua ditribucion de Polson, cuyos pardinelsos son m veces Too parkmetror de las (ius indvidualee Por tant, ln ditribucién de la primera derivada serd la deta fun- we E a|- za de una distribucion de Poisson es {10)]"* = On. Véase, fies que E{ain/ 20] = Oo que se atliaré en la siuiente tincal dena variable que sigue wna dxinbucion de Polsson. Di his} = nt cota dela va ‘que el mismo resultado Consiesemos,fnalente, un case multivariate, Si @ es un vector de parimetrs. MO) ex a nats de infrmaciin Ft teorems se Cramée-Raw establece que la difereneis ene a mati de ‘irae esr esis ines 9 inversa de In mater de sformacion, two '=(_ CECI tet emia posit EXEMPLO Matiz de informacion dt dstribucion norma e Part une muestra aletera procedente de una ditribacién normal, el foguritmo de fa fncién he sevice so. SnCoote 4 intvencadtnten $08, [ainver ra cota dela yrianza deo entimadores inetd sy de oi bc, Sia normal ene fee 9 ii seen =[F" 2} tio 1a diagonaldad deta matsc de informaci, gue ie comple pa la diibuci6n noxmal es eco recent. Sify 8 som dos estimadors dey oy Ves su mati de covariacat 2% 2, clones, ¥— {ho} ew ae semi pti, Conde Io ow exmre se exdos eee? ent ‘La mea y la vaiana de &feeton calles en el Teorema 4.1. La independensa de xy $e demestcéenla Seecion 3.106, Por tant, su mati decovaranaat cx, vate OPE see LE aba f° 0 detain yh ue es una mates semidetinida povtiva. Notee que la media alana Ia cota mientras que el Estimador de varianza no. En la mayora de los contenos. hay mumeroca ealimadner depoible. La vii del ota de Cramé-Rao esque st se sabe que uno dels esimadovesalcanzadicha cota par a vaianan, no fe necesaro buscar otto esimador mds efciente.Considerando el uso dela cola de Ta varanza, ‘Yucenos subrayar que sn eslmader isesado alcanza dics cot, enone en etimador ‘cine Sn embargo sun esimadr dado po lean aco dela varinza no sabremos excepto ‘algunos pcos casos especiales, sel estinadoreeficente ona, Es porible que ningta estimator Insesgado pueda alancat la cota ds Cramdr-Rno lo que dj tin respuesta ta pregunta de ‘stimador isesgado es 0 no, eset En alganos coos, adem, etingirmos ol conunto de etimadores de intexés al wont de los esimadores que son foncones eas de fos dato. Dersicidn 45, Estmador linea) insegado de minima varana (ELIMY). Se dice gue at estimador esol estinador lineal isesgado de ménima ariansa oeximader nea insespde ‘pina (ELI) 5s una funciona de os dates ene la mtn vartanca entre todos los ‘timadoreslinealeseinsegades, ‘Solo en contadasocasones, cm ene caso dela media de una dsbusion normal, xii el ‘etimoder neal inseagado ecient; ee eximador cients ete ton han etinadone ag os, ineales © no lineales En oor casos, como en elcavo de i varianza de na distibuaa normal no ay un estimador que sea lineal einsesgado. Este criteria el porave algonas vost ‘demos encontrar un ELIMY sin tener que especie’ la dstribucion. Por Lato, centrdonoe Stlo en una clase de estimadores,evlames tener que partir de una dtcrminads dtibueiga de02 __ Andis wconomrico 44, TEORI[A ASINTOTICA? En muchos casos ls cuestin de si un estmador es insesgado 0 no,» cual ess vaianes nesta Fars ana mucsta ue un tamuno dale, c> simplemente imposible Je responder. Sin emburgn Podtemos obtener resultados aproximados sobre el comportumicnto de lx distibucidn de un Pelmador pars tases muestaes altos. Por ejemplo, es bien sabido que la distribu de lt Seale de una mews tiende a aproximarse a de-una normal. mous que et tsa de be Thocstr cress, inependintercnte dh distrib deka fvervactones ives, Heo Vente da comportamiente en el init de a distrbyeign de un etimador, puede utizars par car una datribucion eproximads parse esimador btenido dc una mista inte, Para dser Dir esto es aecesaro. en primer lugar, preentat algunos resultados previos sobre la convergencia de vanablesaleatorss 4A. Convergencia en probabilidad At considera limites, estaremos hacignolo von respecte al tambo musstal mSea.x, une variable ‘eatoria cuyo indie seal el tamano de la moesta a partir de a cual dicha variable lear etd ‘onetesia TDeveuesn 46, Comvergeaiaen probabil La variable aletoria x, converge en probabil dado una constonte 31 Him Protx, ~ | > «=O para cualuier € posto La convergencia en probabilidad implica que fos valores cercanos &« que toma Ia variable son ada wed mis probable, a medida que n aumenta. Por ejemplo, supongames que la variable ‘Seatoria x toma dos valores, 0 neon probabiidades 1 ~(I/m)y (ie. espetivament, walls (doe w aumenta, el sgundo se hace cada Yer mayor, y al misma leno © face eau ve ms ee cbeble En ste oemplors, converge en probuhiidad 0, EL aspecto eave de est forma de Copvergenca, ex que fod la masa de probubiidad de la disiibucion se va eoncentrando en los ‘alors cereanos a Cuando x, converge en probabilidad a ceseibitemos plims, = 10) Freovestement uiliaremos un tipo especial de converseacia en probabiida: la convergenca en media cundeitin. [FRONT Convergenciaen media cuadréten. $1 x, lene mei jy sane of ules uo inten “a ios ey 08 son respectioamentec 0, enonces x, converge en mia cwadrtica @ ¢, ¥ pms, = 6 Una pjueha de este resultado puede baarse en el siguiente teorema que nos sed de gram wwitiaaa SS FORE Desigulad de Chedgeen. Sis na variable aetori ye, €50 cotton ee prota ele ells oie Pare proba eta Jesiquolad, serge ogo resulta [vase Gohberger (199, p31 Pa ae, Se el ete or mmr ie Rogen ston enones Probl,» 8) < BEI FGTTTRIysrtiande ste oe erator mks cei er tines prepty | Wrens csv 108 Procha: tly] = Prob, < Mad, 8] debe sr mayor que Efi Poy, nfo Paton el aque quota eg Pata ptobar el Feoeni 44, toma si fags cates 64 «eg Teonemas.Entonces xy") > dimple ye |, se Haalacat apc bdo dad de Chebyche al cash eps tte err pt foie Probl, leds a € wn ‘Tomando lites en, yen ofc 417), somos qu sh hom egy ey tam arg (or pms, = Hemos demostedo que la convergencia en media euadrati imps fa conergenca eo pre bilided. Convergenca en media cuadrauca implica que la Jisibucién de s, se eolap cli x, come se muestra en el Grifen 4 Entiat om pe derente de canner emel apt ‘donde neceitirmos Hg + reltados mds peneraks. Para hos whjcvon de ete cao. I convergeaca en mela cuadrtca sed sufieut EJEMPLO Convergenia del minio de won mosia exponencial 410" Como poede verse ene Ejemplo 43, en una mostra etd de ns dnc espana i to ja Yeo = i104 Andis economic Por tani. lim x= 0 ‘oUt vii jo. Por fo ante eid covers may pid ote a tnente a ‘Consergonci ow probabitdad no implica convetgencia en media euidrtca, Conseremos fea sist ee que 4 hen Oem pena 1 I) y (0) Fl va ep tho eat det, 0 1 pata tem qbe ex dicate limite e# probabil, De hecho folds, 1 1 nl la meade i disibuckin aument si Kt. pe a init en probabidad See once be ever," Mn hace ends er Mayor fer a tt tempo events ‘cei impeohable 18 conlciones de convergent en media cundatica wt generale a {icles de vere ie ede toe tip de convergencia més generale. APovunadamente en uy ‘poe ones as icunsancis etd que se aces comprobar qu erste convergent {en prada. que bo seu posible contr om que existe convergenci en media euadtica, Devmacion 47. Estimador content Ut etinador Oe um prc exam estimador lim 0 TRORINTE Comistenca dela media mortal La modi de una meta lear de clair oblcién 4s {ont me bu Tota rare ex un etinador coment de reba, ET Vad = Pov tat, onsen ma condi a» por 1 Teowon 46 tiene nuh is aliseones de I ave puede parecer en un principio" tor DEL Gomsseaca debs de anon a mueia letri,pra cooler ncn) Tomes Hately Var] sm constants fits 4s : sin Fats = Ela (429 Prueba: Definims s, ats y aliquemes e Teorema 46 EXEMIPLO Fsicin de oa tain domed Fuses de wn dstiboc moss com media wy vavianen Fey ety Vane] = et — er (ease te Sein 3.44 sobre distbuciones log-normales) Por tanto, {in slate eevee ent ptica es siguiente seem pcs ee ns Heo ind arta decomCootate 4 era euntaiea 506 TToORENA Teorema de Sisk. Par wn fica continue) gue mo es ura funcin dem, a im ae) = fins a2 1 Teor de Slutsky lables wnt comparacion care ol vlor eperado de wna ett ‘ariablealeatora y su linite en probabildad. Sapongamos que x) ena Fane concave Fntonce lignes teoema ae cumple ‘TeOWENA Desiqulded de Jase. Sif.) eum ane cdncaa des, emonces BE) > Bats. a Por tuna, aunque el valor esperado de na unc de no igual a valor dela fuacion para ‘lr esperado {él exrde la fncion es encava limite en probablidad de a une e+ igual fone eva en el inte en prohabidad (Vease a Seven 3.3 para una apc: sion se icra ene siguiente ejemplo. EJEMPLO Limite n probabilidd de ona facia de ¥ ys an Eun man ss on pce Con mai vaso alr sped ttaso i ht cand no npoube d ceda Sa nba, o &teade Se, in 8, Aleunas dele implcaciones dl teorema de Salky se resumen a coming, TaoRtain Relas de chao delimiter en probabiided ix, ¢ ys arabes feral con pli x, = € s iin y= de omtonces Blims, +) eb (rea dete sua) a2 plimx, = ed (eg de product) 42) limit, eld i d#0 rela del coceme) a0 iW, e+ una mri cay elemento sm arabes letaria y pli W, = 0, entonces lim W;*= 0°" rela det inverse) «as SIX. 6 ¥ som matrices eleatorias com olin X. = A vl ¥, = B. ‘limX,Y,= AB. (cepa del prodacto de matrices: 426) 442. Convergencia en distribucién y distribucidin Meakte ‘Una segunda forma de convergencia es a comergenca en dstrbucén, Sea x, uaa sucsion de ‘rine latin cao elemento representation yer uoa vara senor Olena deo vests de amano m Supengatos que, ene uns Ta Fs) Devcon 48 Comergencia en dstrbacide, Deimos gue le acevin de variables alemrias In,leomerge en ftrbuctan ound vob alentorla x con fda FU) lin \Fe)~ Fs) = Oem {dss punts ents ue Fs 00 conti,106 _Andisis sconomevico La anterior dsfinicign estérelacionada oon la distrbucidn de probubildad asociads a {ta Probix, = 2) ‘A medida que n tiende @ infinite, embas probabiidades convergen a J, pero x, no converge i ‘inguna constante Deniniciow 49. Ditrtbucéa ime. Six, converge en dsribucidn ax, sel FIs) af de x, centonces Fs} e a Altribucén Mimite de 3. Escribiemos esto coms La distibucisn limite « menudo se presenta en términos dela fa, o simplemente en téminos Ue ofan paramic, Por ejemplo, nla ditibucign limite dex, e9 una normal ec EXEMPLO Déstribuciin te der, , 413 Considese uns vest 'de lama de una distribution normal estima. Ue probleme d infeeacia habival es el de contrastar ls hipdtess de que la poblacisn tiene mia cero, EL contrast habitualmente se realizn mediante el estado: La dstribuciéncmcta dela vriablelestora 1, ee en — 1 yradon de ibertad de densidad es dierente para cada: " ye we a ‘| (42 Tt) ag tin= wai " ‘como lo es taimbidia fs, Fy) J Jecsletde. Esta distibucin tiene media Oy Mt (ty 9, Cuando a fit, ¢, , converge a una nor estar by wal se ‘ecribe como teats NEO 1 Deriwciiw 410. Media y vaianza Vite. La media y la varia Unite de wna variable ‘lector son ld mediay la varlanza de la dsrbuclon lite, suponiendo que esa dsribucién line sus momentos exten.DV respscivanetie Legg ete we mewn) sca, en mec ddan Kites Hite tinaron en evn de aad se Kt mies baa Ut on me ‘moments pra musts ton mi siusrs exe tran icin Mose natn Tinie ese bien dfinudos® Incas en cv anon, seralcate es posble matt tt > ‘arian det dt lite {Las distibuconss Hate. as on ls ints on prolapse mana Jnertante cash de gd prob concrxo, Also resid hs us coma Amb tipo de convergecia pesenlan a continwseion" ‘TEOREMA Replas de tas ubtibacioes nite Liebe eyalimy = aacbeew ao se signif que la rb Wnt de, bdr de em, asa feat vin te eso aig al lel tort de Shas perf ie pi Cano cept, ese ela de fa orate alee ati ered ts Sribnin eccta det ev Fly} Sn embargn,enanls sey omer Fariale normal etn. Deseo com ete real h rh ie nie de 1 ek {hme orl soos ea se yo iertad Contam po tant ue sh de {ste said ui ape te a ds peta te dearcones nore alr Sinem noc Vite. panty, 1) Shemoaes throne daa se ai Play coming fa conergea edt ¥ oh praia ceceses sil sablece eta propia a paride antec eh me aie Finalmente, estamos intetesados en encontrat uns maners de desir his props e ladies de Tox enimadores. coun sn Utribachine, enact wn scant ha cones tosde conten corps copa sn inporantc. Sin sarge km ald ‘gnc acaburios de pcsetar sobre a dsb Wit no so kl wa ap ro proposes Raramente wafers esimaes eM Hea eh Poa a Nae, ungue quids no sempre af préanct se estan eens etn. A lind, = 0, eons, 7 Ra ct Mod 197. 15, 5 Gat Scns ep pe ney Fc aN 11TeORT Te teoncma comal de i [TeORFAIA Teorema central delimit com desiguabiad de varianzas. Supongamos que {x)= Le an merce Es decir. la distibucin limite, es via distsbucign Jegenerada cael vito 9, FI resultado fnterot noes muy informativ, yo es precsamente fo que nos interesa cuando hablamos de int prepidades extadisteas de tm estmador, (Dota 8 nuestro extimadorobtenido a put Je wr ancsira ta fon ona vivian nula en torne al valor 0, seta exteemadamente op ‘Con paso intermedia, y com fin de aetearaos a una dscrpeion razonable de as propie- dads estates de un estima, usatemos und tansformacionestabe de a variable aleatoria {je nose # ott que tenga ama dsrbyeion init Bion desi, Para of caeo me comin ‘iene ge rind, ~ 0 sero ques ment, = md Es fe, sie 1} una cin de stribucin bien defini, com media y varianza posi rea en economelsia muesra na aplicacion de esta proposiién. Una vers basics {each coma sige te (iv aiamte) SiS Sy sot dates luna rriale atria prceden teste na dst de pba cae media iit p94 efi a, 5 = (Od & se Se be we “svi Linkers para la media de una distibucin univariate, Una reba pai engontrarscen at197 p12 El exon anterior cde gran importa. puesto que es Independiente dela cssucn hii Uin empl curios es el que sista en la Figura 42. Lat Usttivncon ee cals fon ext fo dow represents no 96 asemeja ni siguiera remot Incite ta e-ona asribucion normal En muestas de cuatro observacones, sin embargo, la Dlencia dl tooren cst ellie es claramente visible para ta distibuekin muestral de la “teorema de Linherg-Ley es una entre varias versiones existentes de este potente resultado. ‘Mara mictts Fines una goneralizcisn importante dl recltade anterior nos permite eliminate ea vas Un forma ms general del teorema de Lindberg-Levy esl ie bs supuest siguiente rnvse erate wn counted rarigblesaleatoras. cada una de ellas com media fia sy Fave inte 2 Set 1 ap Metab eo 1s quc ped indica come an ins Mo nner awn costae iia, 3? > Mi a. eto sete somians mdr wig tid Le Na {sta esta varionte de Cindberg-F eller de tcorema central de mite. En términos préticos, el teorenrt evtablece ave fe sat Me sriables aleatriae inderendientemente Jel comportamiento fre rte 15 Ra 19,Connie ¢inteencie entice 760 ndvial de cada va de elias, converge en dsribucin ana ormal. Ese resultado es an mks ‘estacable que ql primo punto qu pp ve repuore gue la nates consderadasprovngan dela lame dirbuc ub yacente Se Pegler esenclalmemt, ge la mea Sea wna comand arias furlbles letoris, ninguna dels cals debe predomina en la sama de ods. Peat Qu cat todos Toceatimadores qos ulisume en sconomeltin esata alos requetiminton dl tate cental ke let se tata sin dada den resultado may important. Por motives que srdn telovantesenaeguda, nceitoremos versiones dels anterior woremas par el cio malvariant, Pruebas dos siguientes eoremas pueden encontrarag, por empl, en bore y Webster (1983) en Rao (1973) aa como em ores referee al citadss ‘Teowenia Teorema central del Unite de Lindberg Lery Si xy. X€5 na muestra aleatria de wna 415 auarbucionmatiaarsate con vector de meds ints. de variances 9 covranzas ints ¥ pore define Q,entonces 2 Viti, wi) (0,08, Ls geeralizacn del torema de Lindberg Feller al aso de matrices de avian distin ‘muy comple A continvacion se presclan de modo iaformal las condiciones rlevants. Relere ‘Sin adhonales som Foy eto 1984) y Greenberg y Wetote 11989. Frome Tooreoe conv del Kime de Lindberg Fellr Spangomon guy te fermen won marie de 410° sectores leatoristles que Els} P. Varlx) = Qn ae todo! los momentos de ecer orden el darducin maeriante sm ines. Sean Supongamos gue ermimos ae las mets de los ectorsalestrordteran, eau en lon coe gu anal reas generate ern deco. segundo supursio thle gu os components naa Ieee cana doen torino denim on inportancia 4 medida usm veer Intimate Tambidn se ext supoiend que a tima de ess matrices ex no goa Peso uel arts ie ‘eso singular. el supuesto debe cumplise para un nsficienemence grande qu sl que tres ara uestros jms com todos os spuesog anes emer ef esate mis, ~ a) + NTO, Q).0 Fron Diribcéa init soma dan fons. 5i Jat ~ 0 as En lstntas ecasioes alo largo del Capitulo 3 usamos wna aprosimacioa lineal de-Foylo para analizer la distribucion y lor momentos de ina variable sleatoria, Ahora podemes justiiear 10 hecho antes. Completarcmos et desarrollo del Teorema 47 (mite en probabiidad de uns funcién Jeu variabicalestora), det Teorema 4.102) (distribu Kimite de uns funcién de wos variable aleatoria).y de los teoremas centrals del Kmite, con un resultado que nos ser de gran liad ‘conocido como acl método dell 1 caso Je uta okt variable leat fnedia siesta fir) disponemos de tore. NLD aD y aca es es ci continua que no dependen de 1, entonces Ville) ~ gn) E+ NEO? 433) [Nese que in media Ia varianza de la distribucion limite, son la media y a varanza de lt sproximacidn lineal hs) = au) + wl, — Hh La versign multivariate de este tcorema se empleard en mips situaciones aol texto. Me todoet [TROREMA Distrbucis ite normal de un conjunt de funciones. iz 9 ana ices de tetores lenis a6 K Vales que ay ~ p)—E NBA yf Le onan de I cones contin de qe depend de, emonces valeta,) ~ eng] ++ N{0, C2C}, (34) sHendo C la matri J % K que resulta de calewlar et, La és fils de C esl vector de derivads poclles dela jena fein con respect a by La teora de las distibuciones antics no es ms que un instrumento para legar afin que nos jteens. En ko que estamor interesndos ex ene eomportamiento de los extimadores mismoe. Las istrbecionesasiniSticas obtenida a partir del teorema central del limite dependen de parses ddesconocidos, generalmente los mismo que estamos tratando de estimar. Fs mits, las vests con fas que se trbeja son, como es natural, fia. Lo gue haremos sera, a partir dela disinbucion limite que nos suminisia el tcorema central del Kime, deivar las distribuciones asi Stes de Tos ‘eimadores que nos ntresan DEFINACION 411. District asatticn, Una disribucin asa esr distribu [eins pore aprosioarlaterdadera distibucton muesial de una variable aeatria Hasta aqui le manera mds comin de formular una distribucidn asin tal menos para un cconémetra) s consiuirla a paride la dsinbucén limite conocida de la variable aleatoria. Si vate toners aproximadamene,o asnticmente,«,~ NU oe, lo que eseibiremos como = jo] —£+ Nf, 1) x NA Omnsstaitee 1 Meiante ls afiemnacion de que & se dntidaye asinine conn nie won sy aay arlanea en quiere desise que ctu distibuckin normal cana aproxutacnn ta vendadera itribucign fit, no que la verdadersdisebucidn es exactamente unt nor EJEMPLO Distribucii asinticn de fa media de we muestea exponec "dela mente de sna distsbuckn expos com paranvt 1 ah Sol de Ap dere es ase {2n) malice por na vartabe chieuadeay a 2a grads Je libertad. La stribuciin asniew es NEO (nay distebuiones asics y exact sé muestan en Grafico 4S para eh cao en el qued = Ty a= 16 —— datos Exlendiendo ta defini, spnganios ye Os vn etnnor del ator de parimetin @. La istribucidn asintiie del vecior ® se obtens ue a dsc inte nO TSI a8 o que implies gue 6 =nfaiy| 430) Esto seimterpreta como «se distribuye wsintdticamente normal, con media 8y satcic de eovarian ‘as (Ins, La matric de covaranzas de la distribucin asintica es la matric de covarianzss anni y se designa sy. Vl}112 _ Andis economic, Dvewe ave de nev gies seeuide para alana of resultado (435) se cumple exactamente int mente pa un Git, fo ave nos condoce sa Drirsiews 412, Normal kay efcencia asinttica, Un estado Bes asintoica- nents normal i 1-33) Se cumple El estilo esasitotiamenteefciente si a diferencia rhe Lr autre eovoranest de evalger ote ecimadoe consistente que sea asin ica fener § 1 Hrs a aes seein poste yt auger debs casos en hs que no ements a palema de la estimacisn, tos son fos eiterienusabs pat leg am extn EJEMPLO Hicencn ainica de la media de una muestra normal Fee Titnnneca te una distibucks morinal con esperanza py varianza a, amo Wt odie ie medina M son estindorescomsisents de Pues que las distribucones evs tains degeneradas eo yale ambos slo pooden Testa ese obiene pa sr connate partir sf se propiedad antes fT eMacatind Mote Np tit an a mia ox wns fie qu la means nk proporein #12. (Véase sin embargo, , 1 Temple $4 pare eso de muestra Gini 444, Distribuciin asimtética de una funcién no lineal tos teorems 4159 4.16 pare fanciones de una variable sleatoria nen sus respectivas contra tis ce comet oe fn dstebones asintieas fancin no ines. Si Vit ~ Le NO, 4) y 5 gf) es wa TeORIT Dineibucisn aimtiea de a0 antinua que no depended nemtonces fh 1+ NCO, (Oe), St Bes wn vector de SL. NEO UUW» sf A) oc um comin deD fancies ave raoyo0" rose) 7 Nel, {LinC(OVCVANT donde C18 sn dope de. EJEMPLO_Distribocin asinvtin de una fancin de dos estactnes eae ne Sipungsmes que hy 1 som estmacione de los parametres fy 0 tales que, -z I ‘Vem eu esta dissin asintica dee = RAL 0. Sem y= AA Por el teorema de Shusby es yn eotineydor consent de SeanCapitulo 4 Inferencia eetditcn 113 thea dees Fa etn vaianza deta aproximacion finest feat idh = Mt vat~ 0. Esperanza asimética asians aintica Je una vaiae seater 90m, yowctaloens, be mein y 3a ‘varanza dela dstibucén asintien. Por tana, para un estimadecuyadistibcion ie veng dada por vind 014s NO, VI, ta esperanza asic es @y la varaneasnttica 8 UAV, Fst implica, ene otras coma, que ‘ste etimador ex sasntsicatnatelscsnaton ‘ut Sox leper wpa lara em lta que nos aes mses econsiderat un aspect dels deiision anterior. Deheradimente hemos omiigo usar el conceto de cons ied cml desarllo aero, parece serine que consistenca scogadr asin son ona ‘misma cos Desfortunadament puesto que tl dfereniae vente de muchas contesione) no son Loserin sel eaimador ee sintsticmente normal En este zo cl ctimadorserdcopssentey Ssintticomente normal, CAN. Ambo: concepos,en generals lei a propiedadesdistinta, Nneiconteremon sf wenn con te ponies definiiones delegation, 1 La media y a distibucdn Unite de a — 8) (a3) En muchas situacions précticas. el esimador consderado cumplil las 16 propedade, por lo ‘que no hab ambipiedad Si embargo no resi dif consrat ejemplo en Torque as tee Seinicones dan lugar a reuladosdistntos para un mismo estimador™No existe uoanimidad sobre el signifi pvceiso de iascegaderasintia, gules porgue el mina ex ambigun por Snetcuceidn: inrsgaes es na propiedad Je mosias ‘que lo asmdtco hace relerencia 2 una propiedad que se da como aprorimadamente vii, scl tamtao dela muestra et furcieniemente pra", Sin embargo, hay un cet conseno en que (2+ Ia defcion aproplada ‘e isesgader asintcie"™. Notese que Ia deinen en cuestion se basa en pardmetros que son teneralmente desconocidos. yen exbresionesaue pueden incluso no exit. ‘Un prblems similar surgeon i efincton de varinrasntticn de wn eatimador Una primers Asy Wart} 1 ett ton Ee)" a) ese rps ea Moc atone epee de os emir sin og sino de J como eximadr eo ceo Eos hsenen ts qe esnene 2 Ne tea Gee al crn14 Austen scanners Esta es una aproximacién basada en el témino principal, y sr slits pars eas tx fs fplicaciones que veamos. Nétexe, sn embargo, que al igual que la definicén 2 de insesgadee seitotte te dutrtor detain ae basa gn tring om desconeeiden. qe pen a Xs EXEMPLO Momentos ssnitios det yartanza moetral ar La ariana y el valor experado exacto de fa varianza del estilo, if man So (40) y, Varo) (49) sienlo uy = ELy pi]. [Vee Goldberger (1964 pp. 979) ‘La wnprosign para la apronimarin hatada ene temino principal set, 1 ‘sy Varfong] = 5 4h Ee La debinicin formal dada en (439) 5 edecuads 3 ta vartanca exacts ex we on 1 DEVINIGION 413. Qrden tm 6 de orden In lo que designs mediate ON 9h, pli cy ces una conse mul Derrwcvin 414 Orden menor qe Hn. e5 de orden menos que Wn le que designs smediote np nc, es ual «0. Por cjemplo, la varianca det mimo mucstral det Ejemplo 4.3 es Ha, possto que u veces la varianza comerge a cero. En mucstras de wna dstribuciéa exponencil a yarianza de minimo featral es Otte) St izamos la defnicion que aban ec. ta vain esintties 6 O10 ‘gue supene unt aprosimacién poco Informativa sabre la variant de wna mcs fit, El andi anterior debe soir para lamar bs atncion soe ka nossidad de ee eundaloo y precizon en la formulacion de las distibictones asintticas. 1 tcorema central det mit. y tos Fiultadon wonlares que de él se desprenden, nos permiten llegar a fa formulacion mAs sencila Teper a dabei ssinadtiea correcta, pars In gran mayoeta de los casos en econometia. Hay ‘Stuncione reltivamente feevenes, especialmente ee context de i eeonemtea eden hs ‘que ex necesito ser mds pret 45. FSTIMACION BPICIENTE. MAXIMA VEROSIMILITUD EL principio sc mévima versa uporta un insrumento de clesién de un estimador asin GaAGGE cience de un pardmetro,o un conjyaio de parémeiros. La kgia dela tenica se usta ‘mejor en el contexto de una disribucién disteta. Consideremos una muestra aleatoria de 10seracione prety de una ibucin tal SAL KA 2 ens deena obsess Pent gus ls ote avtnc snp, bdr sot nt ae entfcamos cn la Seton 433 some fa yes ssa co Hw bun, sa La hin expeesign esta peaabibid de observa cu sr purl, svi ge a Aistbucion de Poison con un parm ain desc gen fo tof lel va de que have ues muestre preset exo probable? Encl Crack repensinneas Tuneiones prs dsintor valor de Se tens ot Sac Go gar #3 oe mom dasa el ‘aloe de ead d nin vex esttentn MEV ke CComsdetemos a matimizaein Jl func drctamee Peto 4 in ans monotonamentecresentey ex mis itt in lagu om fin vga, nore Imaximirremos cm a hg I ainue » ar oe en , enn 20 a ye ca pants Ent Figura 46 se repre nem, lbs de para el rua, En unt dtribuci cota, a anagls prbabi dba Be cat a me ‘wei, pst cana mse covert tiene proba crs Son cnburg lpg ee ‘mismo, La func de densidad conjunta de is oer te. ie pen ser ures) 9 ‘livanantes ext producto dei finconcs demoed unaen,L tans de dened njunta ex fa fecin de verosimitud defini com func dst vector de partes daconoe doe. Timm = [I 150 4) = u0IXs,116 Ansins economético upto? ‘emi +25 ON ae de ty ede a as FICO 4K Pani every de ogi de aa nde X representa los datos muesrakes. Generalmente resultaré mds il rabajar eon el logaritmo mnncaixi~ F tnftsy 0 (ea EE valor de fos pardmeteos que maxinira esta ancisn ese esimador de maxima verosinilitud, fenetaimene designate como # Pussto que li fancin logartimica ex wna fncion mondo, tos ‘aloes qe mainiza sn ls nisms que aquellos que maimizanln/. La fonci de vrosimi- lid ys lopatitme. saludos en 8 son gonerslmente design come Ly In, respectivamente Fcomchim necesin pes avira UCU) es (ayy {ta viene com com esto de erJEMPLO Fanci de verosimilitd de una Poisson HEMPLO Pond Scared ua abe Poison, fan = —10-4 000 $s Ett an : | UO LE aed we 70 EJEMPLO Fancin de verosimiitd de waa normal Pence irs extratd te na distibycign normal con media jy varianza el logaritmo de Pere ueronmilitudy la ecusegn de verosimilitad para py * som Intin.a')~ —Zinany— Sina? - 2 [3 440) 3 fmeeer a le alnk ean a w=0 (45) prora revolver tar couirines de vetosimilitud, multipticamos (4-47) pore? y despeamos aa eee te valor en (i) y resolvemes la covacin resultant para a. Las solucione sn Ee (4) [Ntese que ésteex el estimadorsegado discutido en el Ejemplo 44, Los estimadores MV son Deities peso no som neseeariamenteineseados Se EJEMPLO Vector de medios normal malivarinte ere eeermos,Tnamente, una mueta de una distibucign normal multvariant co wctor de ae ee entra matte de covaranzas at (Cada una de ns M variables alatoias resent neds digrente pero todas nen una varianza comin, 0,9 adems estén incorelt TESS Ue nuestra de la que se dspone,consta den observaciones mltivariants yo Ry La aneiin de densidad de cada observacion, a partir de (3-94 1) n) -Tomanda lopartmos y sumando pra tds I fnuesra obtenemos et Fogaitm de la fneign de (od pa is nservactones: MM mM Le tat eM tntany — MM inet — ts Fon wren toe wan - 7 nikon emPara oblener el estimador de méxima verosiniitul, oblenemos cot 1g sti Bev aies—m CCaleulande las sulcones dl primer conjunto de ecutciones, resulta, como cabe esperar, 45.1. Propiedades de los estimadores de méxima verosit ‘Los estimadores de minima verosmiltud (MV) sultan bustante atactivos por sus propiaides asintéticas. Si suponemos que se cumplen las condiciones de regularidad discutidas para la funcién fix, 8), tencaos el siguiente leorema. TROREMA Propicdades de los esimadores MV. Bajo condiciones de rerio! estima de mun 8 verosiiltd pose ls siguientes propiedades asim dtcas Mi. Consistenia lim By, = M2. Normalided asnttca: G,, — NEO, (M@))“!,siendo MO) = ~E[0In1/00 007) M3, fncianintin , asmiamente cine y aleanz fa ota de Crami-Roo “ ‘parq estimadores consistentes, dada en M2, en ef Teorema 4.2 (4-12) y (4-23). (MA, Invariana: El estimador de maxima verosimilitud de 7 = 0) es cetimadot de MV es el que peneralmente se preiere por sts prpitils asinttias, De hecho, sus propicdades para mutsra fiitas no son normalmente las de os esimadores Sptimos Por ejemplo, el estimador MV resulta ser algunas voces sesgado; el estimador de MV de ¢* en rmuesiras de distnbucones notmales ext tesgado 8 la baa, [Vease 439) y el Ejemplo 44] Sin embargo, a afirmacion de que las propledades de los estimadores MV son dptimas, slo asintsica- ‘ente'no es cera, Pucde demostrarse que cuando la muestra procede de una familia de disrbu- tdones exponencials(vease ln Seon 46), existirénestadisticossufkientes Si es eel caso, los fetimadores de MV serén funciones de esos estadistens, Io que significa que cuando eriste etstir inscgss de inis varia, se estnuaor de ALY [Yes Stunt 9 On 994 Muchas aplicaciones en econometein no lin diseibciones esponencals, yor I qe Principal atectivn de los waiadones MV petmansie fandancutalmente eo so pops "Con el fin sk rapsur Ios nyt amon res primeramcate oblenntos algunas propuedes de Lis tu de sei (rasne ay) es una muestewaeatona ears de gna dstebucion multnarant, » unk arateeo faseida te densulad e181 9 sue los sipentes condiciones de regard se cupion Ie Dretendemes ag. hace ui punteanventofrtal dos resultados, Para a ali abs cpt? eate Greenberg Weber (83. Thi 19TH. ¥ Ra (178, por ese. BRA. Lasts pimray devs de U4) com tect se in a es al > estates ae cgrtan apse de Fay conn bi wea tie bs deriv re prima 9 sun RA. Pars wade 8 [en fly 00,242 eat acolo por ana Fanewin que Hee eperAnes finita. Esto nos permis teunear Ta aproximacién de Taylor [A partir de las condiciones anteriores se oblienen las siguiente cacti fanametaes de Moy 8 Di. Ingle Og = flnfiny 0170, y H, » FF In4y BF OO’ A= 1 son misty aka fins de nerables aleators: Esto te desprende del supueste sabe ol missin leat ba Ee] 0. D3. Varig) = FELL Prueba de D2: Le momento, periienin quel ang de, lepenn hy pataeion pas Is clement paticnlarmente oven: Los etmadores MY tienen fa minima varianzaakanzabh: porn esimador consistent EJEMPLO Matrix de informaci de wan distibcicn normal maltvarinte rer Para la funcign de verosimiitud del Ejemplo 420, les derivadas segundss son, ink dade Bie EE wa eile dndet or EMtrara alco bt varian wines se) eto de anasto ‘apotanza de esas dervadas. La primers cs no esocisticty 1 eta tes pers poet tgs E(x) = a Esto nos deiasamente com hi segunda. ie con 9¢ pee compra ene Gperanca nilscorh puesto que cada unde bi termutsy,JNH8,patine epeanas Moe Rewicido ko anterior oh ta mate de sfovniss ie nition Iemattas temo la mate de ovarian sini smilitud y fcmely fete e { "eese |) [M0 estan Siusbuc soma garam cm (41 cn cl yop Nin ie heaves at See ian pons tfsn tn ler el ane hxc caeen hi de ee Sh tlevnimador dof tenon Wh ge npc a irenis 45.2, Estimacién de la yarianza asintética del estimador de ‘méxima verosimilitud {a mai de esac aint sa etna ae amass sven pee se pi toon qe tomen yu at estima ts dit una fancion ee bs @ que querema estima Silos Salons eaperades de Las segunas derivadas del logatitmo de lt funcidn se werosimitad som conocido, sof fbn wo =f of ue osm wn} sea |h ot vse 8 ts tina a mare wn AV etn rs tapi Las agua esse bgt aad eto ast siempre ser funciones 90 lineales de los datos complicidas, cuyasesperancas ex {encralmente desconoeidas. Quen sm embargo, ds alternativas Un sexinde ex Prepon es thay = ( Fate extimador se pus eater simphanente, evan ka iti ay ena ea Iu exporanea de és de a funeiin de seni vn lean mn eres 1s Inimeuito comprobar que esto equiv watt la expernca de lc soyunnie devvt eb funcién de densidad con la medis muctral de esas camtades. 1 resultado qve figura en bt xpress (20) ye "Teorema 47 pueden utizare pas eommpevbar el cifeul. EI dnc shore gue fupone esta manera Jeestimar e que as segundas derivads pueden ser complicate ealcar Y fe programar ene ordenador, Un terce estimador basado ene resultade de qu I esperanaa de Te pute de as segurdas seria la matric Je covarianvas de as primera diay es ws tis [Ee 3 (661 + siendo124 Andis economdtrico GTR RT fila a transpesta del smo vector de drivadas del il Pa el eas de Qi part, ete etalon o> tie eondrades de fas primera deriva Este eatin 6 Donate G ox uma satis © K euya ti tention oe veto ‘atiemidanente cmveniene on nich css pests gue pas otenehin no se requiere niin ‘lute sadcomst hoe mexesirion pra tele Ta cto de werosimiid, Adem, ene Ft Senta aati de qu sence as nati midi posts. En algunos casos cuando fos inion sh sevosiniital on exteraulamente conmpiendon veces dobide tones eet eon, katie Basta seeder pace esta es infin, inclusn ep el iim de la finckin” Tse evel esimador"” conoid como BH y como ‘Caio de prrintos evra del sector de gradietes (0 producto exlero del gradient). cs de Ia varianza deun ctimador MV egent 42 Tato muestra ce ks Tabled | ide generades por un modelo dela forma, fi yee gee rent fe Adoote yrentay ECG)rae a3 Contiuemvmcomel empl plantcsks pons fests sexs Spann apa 4 sta Sintble bint que cae ste ckpla trl porate Hanan QTE Poot Myo yy Probly,s=0] = 1 ~ Probl = 1 senda x nis etevta garuhle gue poste anne a Jecisif. tal como el estado civil o la edad, Este modelo ex conocido come mrvdlo lag tomo veremos eon tne datalle on of Caplio 19. Ul ular exper dey, Mine dad por bt Drobabiidad, (Nol El valor esporado, y n0 el valor que toma La variable, se ha cegido {ciberadamente. Los modelos pueden dire sustancilmenteen cada caso. Ea nest cso, bt ‘iereneia post iterprelarse come Una dewsion exante Y una expos.) Supongm que st nimero de hijos e¢ una variable aletora que sigue wna divtibucién de Poisson (ycase bi Sesciin 247) hae Ejmpiwe 16,17 y U8) dependiente de uns ceras variable, a como Ii ‘educacion « I edad, por ejemplo, Entonees, Prom 1 wypongamon, come ex bahia ae Fra vector de parity de am modelos 6s @ = [4 hI eb = @ Nove ae eo ‘calidad, no estara claro eémo constit fa funcién de disineasn conjant de 4 ye Vim fmharpn ln stimacidn en dow tapas seri El de evar a cas. Par el ch Ul hog {Gelatin se eros y peer eva so =f desta, mvt ‘La manera de Hlevar a cabo el eflelo de estas funsiones se eapict en el Capit 19. te modelo en particular resulta bastante facil de estimar) Cualquiers de los tes manecas Ue Catimar Vs tambign [di de ealelar, ero ls estimacidn BHI es fa mis canveniente, po > ‘que caleulamos [En este y en los siguientes sumatorios, estamos de hevto estimando valores perks de {he matrices Omitimos los trminoe(I/n) en todos los sumatorios, puesto que Finalmente = canoelan)128 _ Andis econombtico ‘rxlemsesriir ta fncion de densidad del segundo modelo como Ivano me Ba 81 = PEE = PYM, terionmente,Entonces, shes Py Prob yo He tay como se defn wots E nF, FUL rgd ~ PA ox cemenioncia. sca Mf Fs, expt y recemes que @ = [fr toners, ore Sadist Intl t oxptee OQ HAE = saAf Intl ¢ expe Oy ans variable adicional a partir de 3 y la disponemos unto ax, en mos el modelo logit como st a variable que deine) it de (B. 9) s¢ bie al maimica 1a ane enontram yf cpa tap hnvev sexton 4? comtnaci esti Thera comedy HF estimador de miea veresimi Pelee Carat 19) Dest eon Pints. 5 Fan FIN Fe nuevo cualjuira de ts ts estimadores puede usarse para esimar Ia vananza antic, “hn cata HITT es coi 3a conentames, et que reslta ms adecuado, por lo que a-ha tinhnente, debomes corregic la matriz de cowarianzas asintéticas a partir de € y &. Lo que tinea por ealeular las pocas operaciones restanes se dejan al lector— es mt 8 Po tata patie de hos estinadoresencontrados, ‘fo yue pu cals la matt eortogid. Veremos con mayor detenimiento esta téenica ws mis das on iss 3 renee cela var 7 ia, cs eat ssl or murs epiCapitulo 4 inforencie estadiaice 429, ——____________crotito« tntrencn neice 29 En muchas aplicaciones, a covatianca de los dos gradientes R converge a cao, Nétee, por femplo,aue en el aso que acahamos de ver, R= SF went; Los dos sveaiuor, 0 6, deen ‘ata incorelacionados. Esto debe ser contrastado En un modelo espeific para este propio, ‘ero en tal esa. el ereerny ovate témino de Vf 3 emul aint. 9 10 que eee ee 0 ge simple VP =v, a vev,e¥, {Examinaremos algunas implicaciones adiionales de esta. denice (incluyendo wna apicacian mira del jap precedente) mas adelante. Quids la aplieacidn mis comin del etude de !ixima veresimlitud en dos ctapas en la literatura actual es le telacionada con la pecdcede de tuna variable determinada, quest inclye en sna fancisn que deere el lonionuanene ance, ‘atable. Esto es bastante habitual en andlss de eegresisn, Retomacem el caso particaay de lee ‘winimos euadradas en des etapa en et Capital 10. 47. ESTIMACION CONSISTENTE: EL METODO DE LOS MOMENTOS En algunas stuaciones. todo lo que se pretende encontrar es un estimador consistent de un ppaximetro, relegindose aun seaundo plano la prenindad de sciensie Ems otsos poses eae ‘mos el dl coeicente de corclacin de om proceso ARU, fa malt de covaiansas de a prior ‘in aleatoria de un modelo de miles ecuaciones, el coeficente de vorrlucin del thedele de selecrin de meses,» las vataneas dl crv em modelos de teprenion nelesoredoncs na ténicautiizada en muchos de fs casos anteriores, ela del metodo de lo momentos Este Imétodo se basa en la siguiente idea. En un mvesteo aleatoric, un estastien muctral coneergec ‘m probabitdad a una constante, As, por ejemplo, (in) 5. xf ennverpe en media cundraten sie cian mis of cuadrado de la media dle la dstribucié de x, Vata constants a 54 vee send una funeron de los pardmetrosdesconoeidos dela distribucion en cuestiOn Para enimar K parcels us» Oy caleulariamos K esiadisticos, my my cuyes limites en probabilidad son faneioner conocidas ce lax pardmetros. Esos K momentos we igualan a las Kioncones, De th poten jblenerse estimadores de los pardmettos como funeién de los momentos, Esckesimadoree even consistentes gracias al teorema de Slutsky (421) y Teorema 431, fn esa secciondesutrollaemos esta \éenica de estimaciSn en deta. en parte para estudiar su funcionamiento en profundidid. yen parte como inttoducién al andi postevon del etode ereralizad de hos momentos. MCIM Eo método de estimncion se sualisncenta Secon vee {Los resultados que veremos en esta seein han sido apicados a problemas lipsco de carat, 1k pardietzos de una ciera dstsibucign. Aplicaciones econvnnticas rucienien han extondds imétdo de lor mamontor a problemas devegreion af eo 8 oor talon mucho sade Soc te2dos que fos que veremos lo lrgo de este Hbro. La estimacin del tin MOM se tate ooo Capsato 1 an) Muestreo aleatorio y estimacién de parémetros de una distribucién Consideremos un muestreo aleatorio de una disribucién f(x10,. 0g) com momentos fnitos Ee}. La muestra onsite en w olmervaciones, Xu Xe La Resim “flae O momeale bone trades ee mini he Swotinyende 2, = sf, obtenemos el siguiente senltado & partir de (8-14) y del Teorema 441, Flo) AL]130 Andisis conomatico vwtwre vents ota Pore Teorema 43, > EL Sit 16) Be LO, = Delinimos, como s usual, = ELI = bn general serd una funcin de lon padeton de ditibsinsubyacnte Callin lo» _k momentos gvalindoloe 2 eat fncones de ls que hemos dicho que dependen ls, obene= show kecunionscuvas soluones nos proporcionan Tos estinadores Je los Karim» dseo- nocidos EJEMPLO Estimacin por el método de los momentos de una Nfs 771 424 Enel mucsteosleatore de una ditibuciin normal, pin! Ea ma = Vado pnd lind de ied de iu ten oss mew de ton 5, [Néese que 6 «un estimador sesgado, aunque ambos esimadores son consistent EJEMPLO Combinacign de disribucioes normales rae Guandty Ramsey (1987) nalzaron ct problema de la tins do sahe de ditboioncs normals. Entenderemos que una muestra prose de wna combi Gian Je distibuciones mormaes, cuando eada una de las observaciones prove de alguna de ‘dor disuibucioncs normale diferentes, La probuildad de que ui omervacion preweds Ob primera dstriueid, que es unt NT, fe 2, fade que prove de a segundos (0 = 4) Lat Frnein de densidad ot fle) = ANLuy of) +10 = AINDHn oH), OS KET A e PE vam a MERE os wabe ty 1 ya # ayta med nist y los momentos centrale desde of segue ants of unto oi roporcon i site de ins cons om es MSHS He HEE Freee natn ee tov ssn path es shite Ae Hear ees ae ms ty que my =a. Pact qe 9 eamvcrge en padi Ms tte on ee a onnte ra comes timo ey, se een peat Lam ‘com extinador de [Aungue fos ronments basides en povencias sev suponen aceten de Tos ardmetes,otas funciones de Hos datos también pueden ser de grant serirhos funchin eontina cualauiera independiente del amano de Ia muse, y= on YS ua & Lk. roms 43, os qs incrpetanse sy acts ke Be ato Nn el to pinay Ebststl ato 8 Ssuponganss ne (Dome algunos eh practise sco Pat cass hn alimettos » swine tenemos Ia siguientes eeuncions dé momentos, Ay sah NO eh Ine aes Wad = Bh ‘qve nos propocconn K ecaiones a K ings fh Sm unspat b esina Hear erode dc los moments ae obtenen al resolet el sistema de eeaciomes Pat 8, tila EJEMPLO (Contiouscin) eet [Grzperanzs sc la combing de dstibucones normatey wren als po jens amine eae done + puke tna suahyuier sas a canarias a eo Cana y Rass wie aan nem cing a eu eat nas pra is ots) wa tos stad para estimar tos partmestn, Len csciones Joo moment sa tA, = 0 A ee mola Petfenominaron como el métedo de las funclones generatrices de momentos. (Vésne el jeri sd 27 en el Capitulo 3)‘Como suger ef Ejemplo 425, puede que haya mds de un conjunto de momentos que pucden mplene jute stn ee yurdnties pede ue haya mi eeuacionee de momentos spent wes qe EJEMPLO Diswibucin garuma be commen pS gy MAO a tet we Pi 1a fancies 1) y PUP) se analizarén nla Seccidn 5.4.26, Cualguiera de estas funciones tu nara etimar 7¥ P. Fl mimero de ecuaciones, de hecho, puede sumentare sto ae ea ay fetes imams == | Gp : ae lini * Te a {en ta mayonia defo eas, los esimadores dl método de fos momentos no son eficientes. La cverpeion wcne daa pr e cso en que musron Mgstorkyprosede de ona Gitibackn def ania de dsrbucionesexpomencals. ‘exponeacal Una fala de dstrbuciones se dice que os expo- Drviwtens 415, Fa sels lentes dls fetes romeo assis ae Fran on tet ie In1191X) = aX) + 0) + 3! op onde mA 1, fay etibaroes que compan este fia seeptte ancineadinicn 133 Sic loaritmo de fa funcién de veresimilitud es de ta forma anterior, entonce ls funciones cf-}sedenominan esadiatico suficientes" Cuando exsten estadsticos suficientes, los estimadores Ge metodo de los momentos serdn funciones de ells. Adem, en ese caso, ls etimadores del Incod de lon momenton zed low erimadorer de radcina verosimiltndy-por lita sen efcen- tes: al menos asi ticarente EXEMPLO (Cootinuacio) 426) Fi loaritmo de la fncidn de verosimilitd de una dstribucién gamma ex nfPind ~ ior -~2 FFP = E tne, [Néese que se trata de un miembro de la familia exponencial de distibuciones, con (X) = 0, ‘iting iatur, dos estedtcos suficientes Ef, x,y £7, Ins, Low enimadores ‘Se mete te tos moments hasados en ess extadsticos scents sertan fos estimadores de ‘xsxima verosimilitud Para los datos de renta que figutan en Ia Tabla 4. los cuatro momentos que se mencionan = (31278, 1453957, 3221387, noseo1 41] Designemos ts paramettos estimador como @ =P. 2). Lan atimadores sel método de fox momentos dP 2 basados en los tomentosanierores son Tos siwientes Bom) = (209082 , UBSTSPR—_ Bm my = AOA, OO77OSIIN, Bho) TTI 00862399, Bw) = 2.4806. 0.079835, fo. mi) = (2.609045 , 0.080745), Oto’, m) = (3.0358, OLIOIBETSD {as esimaciones de maim verorimilitud son Bm) = (24097 . 040770413. 4.7.2. Céleulo de ta varianza del estimador del método de los momentos {En pocos casos puede obtenese la varanzaexacta del estimador del método de fos momentos. Por ipl. el muestro procede de una distribucign normal, la vasinza dees ?/n mientras que la vaso 0 [Un TaD Sette = 1) (Wéaur of Pyompl 44) Si el mucstico go seeealiza una Uisnibucign nor kx varanea exaca dela din muestra seguir sind /m,mintras que a ‘vrianaaasinlica dct estimador de los momentos de la varianza poblacional puede ealulare Sequin (4-42) Pero, dehomas tener en cuenta que ésus son caste panvolarmente scncitlon, Los {atimares del metodo de fos momentos son ormalmente mds complica, 427 Dos pardmos de erpecalwtiided son, Fe} Weta (1, = costicinte de asimetia ann si oe dn sn 9 i ebels 0, = coeficiente de kutosis = = Los valores muesrales dec) = my/in! y ¢3 ~ main menudo se eomparan eon les valores publecioncs en el cao dela datibacign normal, 0) 3. espetisanbonte pata entire Sigjan de los valores que resltarian para una normal (La cintiad M, Ves To quese conse oma sexceso de asimelin: wase la Socekin 12) Estos estalisticos estén baad en tes ‘momentos central (vease el jemplo 4 25} my ny ¥ my Para obtener wna matted covaes= 245 asii6tea de [c tenemos la matt de tovarlansae ni ft pati (3-94) de {i Seondn 393 y a partir de los resultados sobre fonciones no licaes dela Sein 4.4.4 se ‘obliene la matric Je covaranzas que buscamos, El siguiente resultado de Stuart y Ord 1983, 1230) nos sera de gran valu 4Asy Conny mI) = hn nCovkey ma] Fe ht Hatt eaten = Ree eso que ye trata se momento centrale my ~ ty #0. Pata hoses aren defy tk ea anterior expresion res Avy. Varn ' ‘any Varna) = 5 Ce 1b ~ Sats + 918 vy Nast) =~ HE Bat + Hr a-Cotepd=0,— Mh fay Gontmmal= fia ~ sate AND sys Confmy ma) = 8 is ~ ta #1 = ty — at ‘Ahora esimariams los elementos anteriores a parte Je fos momentos MMRSTSIS MM 9 formarfamos la matria 3 3 siguiente: Est Cov, An my Mel Por otra parte, neesitamos Ia matriz de derivadas nfe0eem, a0sfam, 00,/0m) _[ =31205 2H 02 PO, 204/8my204/9me)~ | = 205 ° Finalmente, la estimacign de a matrtz de covarianza asnticn de los extimadores de y serie V3"Hay cisos en los que 90s posible encontrar uma expreso expen ata Ta satan momentos muextales As en el emplo 425, cl elation nus tee 4M Ta vavianea eueta de M, solamente sens eonade st fasta um ease St mucstreoaleatorio, on estado conssente se a wna eM fest que M, cx fs meu must: Por tanto, podemes esti iplcand 1 por a sain: mestal eb Goscraciones de» También podemos oblener una estimaciin de fi covarianca de M, y M, ‘rediante Ia covaranza miestrll de Tos clement inlivnllcs partie por nk eons Pst C0, AMM AAT Count cst se com we ES tho viendo X; una observagiin de un vedtor de varios, una esti apropas she Ly mate be Sovran aio paca fa. a Pee eabetare & parr ck ma za ety estima Sh vii por m Fst nati sunstna e atey le evans san sikulo de a estiacsin J oy parameleos Prin “Teo dec ta mater de covarianzs mocstals de ‘bara complet feito, volvames ls econ’ de fig Ge TA tO BABB, Sea G be matric K = K engi fila ese yecor de fs ds pia B ‘ “ nde yl dl conju de ses ta apna ie es ena ea aot wn esp foun a fos verre ares hs pat 2s nO GIO or tant, UO) Me and Gia Lacaracterincidn del comportamiento asntotic det stint @ we rautiva co Copsilo & Det ‘Feowma 411 (orci cent del Umit) se deduce que 718) oe dintibuye wiicmente sere orial com vecoe de media Oy multi de eOvartants antic gual (1 aiphintal Bajo condiciones bastante gcueraes, podemos usar (387) pra calcula la varan7 sewn 498 Andisigeconoinion funciona tncaes, Por tani, la matiz de covarianzasasintten del eximador del método de tos fhuwmenters pe estinrse mediate vet Agy Vart dy = GG (630) EXEMELO (Comin ers Spates esis tn «| ee il ig) @.007, 0770137, 1.ason94, te fomsiin es IMF UPVAP = (FT PAVE, send ademas P= 24097, F nde ey Hee igcrane y P= mStaGa | ta mei W esta matrir de eovartanvas moe Iv vida form esi son 0715S 7155. 0023873 1 pet eb expres 868 fe idiy = [O27 ONSET 1 tims ls mais vetesinilito. te etimacidn de fs atti de eovarianyas b Mane O67 agMd6se 1 a ap (prde | 1 hessane tiene fos rss elementos que Gy pucsto que al usar estadiaticos sfrientes para Fae ee hes moments. ls gevaciones de Tos momentos que hemos diferenciado Toparitme def fei de verosimulitud con el sgno cambiad. Ts estima de fd “te SLINY ¥ COO0646S4 repectvamente, 10 qUE > A cma Ravtan a tas eatimaciones anteriores en Ta matiz de covarianaas asinistica, La Fee ech ai vaaaiad mcr puesto que se trata de wa muestra fini. cnc oe Ta ica ERVALOS. 48. ESTIMACION DE Anepoenennnte sos pias de wn estimador. In estimacn abtnida varia de muestra 2 je enim pad ser muy diferente de lo ques espera, rant porta nina infrmacién sobre eh atinoares, EL vonamiento ve rt esis po “yi wake atone pa Peale arstnrgen tH tae pas spear ne ees a verdad porn poet dou popstcien ik eat, eguvatenenente, en am determina vel Fo ee tae mays leat, yen ep tenes oe “Hehe intrsale commen po suahpocranucstra dds f verdadero pardmete.Copii 4 nfranciaeatadeica 487 ito tere 0 La tcora ela etimacn por interval se basa én valor iota de sin fan dt partmetro y de lt estimacisy puuntual con distribucién conocida, Veanws varios ‘ejemplos sobre ‘en ee ESEMPLO Intervals de conianza de la media de wna dstrbucion nore EXEMPLO tere ace nent de una ditibucisn normal con media ry devsincion estindat ¢, Jui oP one

You might also like

• It Ends with Us: A Novel

  

  From Everand

  It Ends with Us: A Novel

  Colleen Hoover

  Rating: 4.5 out of 5 stars

  4.5/5 (5751)
• The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  

  From Everand

  The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  Mark Manson

  Rating: 4 out of 5 stars

  4/5 (5794)
• The 7 Habits of Highly Effective People

  

  From Everand

  The 7 Habits of Highly Effective People

  Stephen R. Covey

  Rating: 4 out of 5 stars

  4/5 (353)
• • Magazines
  • Podcasts
  • Sheet music
• The Perfect Marriage: A Completely Gripping Psychological Suspense

  

  From Everand

  The Perfect Marriage: A Completely Gripping Psychological Suspense

  Jeneva Rose

  Rating: 4 out of 5 stars

  4/5 (1107)
• The Art of War: A New Translation

  

  From Everand

  The Art of War: A New Translation

  Sun Tzu

  Rating: 4 out of 5 stars

  4/5 (3044)
• The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  

  From Everand

  The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  Mark Manson

  Rating: 4.5 out of 5 stars

  4.5/5 (20013)
• Pride and Prejudice: Bestsellers and famous Books

  

  From Everand

  Pride and Prejudice: Bestsellers and famous Books

  Jane Austen

  Rating: 4.5 out of 5 stars

  4.5/5 (19653)
• The Handmaid's Tale

  

  From Everand

  The Handmaid's Tale

  Margaret Atwood

  Rating: 4 out of 5 stars

  4/5 (13186)
• The Hobbit

  

  From Everand

  The Hobbit

  J.R.R. Tolkien

  Rating: 4.5 out of 5 stars

  4.5/5 (25133)
• Art of War: The Definitive Interpretation of Sun Tzu's Classic Book of Strategy

  

  From Everand

  Art of War: The Definitive Interpretation of Sun Tzu's Classic Book of Strategy

  Stephen F. Kaufman

  Rating: 4 out of 5 stars

  4/5 (3321)
• Never Split the Difference: Negotiating As If Your Life Depended On It

  

  From Everand

  Never Split the Difference: Negotiating As If Your Life Depended On It

  Chris Voss

  Rating: 4.5 out of 5 stars

  4.5/5 (3272)
• Good Omens: A Full Cast Production

  

  From Everand

  Good Omens: A Full Cast Production

  Neil Gaiman

  Rating: 4.5 out of 5 stars

  4.5/5 (10905)
• And Then There Were None

  

  From Everand

  And Then There Were None

  Agatha Christie

  Rating: 4.5 out of 5 stars

  4.5/5 (8933)
• Remarkably Bright Creatures: A Novel

  

  From Everand

  Remarkably Bright Creatures: A Novel

  Shelby Van Pelt

  Rating: 4.5 out of 5 stars

  4.5/5 (5472)
• The Hobbit

  

  From Everand

  The Hobbit

  J.R.R. Tolkien

  Rating: 4.5 out of 5 stars

  4.5/5 (24585)
• Freakonomics Rev Ed

  

  From Everand

  Freakonomics Rev Ed

  Steven D. Levitt

  Rating: 4 out of 5 stars

  4/5 (7848)
• The 7 Habits of Highly Effective People: The Infographics Edition

  

  From Everand

  The 7 Habits of Highly Effective People: The Infographics Edition

  Stephen R Covey

  Rating: 4 out of 5 stars

  4/5 (2475)
• Habit 1 Be Proactive: The Habit of Choice

  

  From Everand

  Habit 1 Be Proactive: The Habit of Choice

  Stephen R. Covey

  Rating: 4 out of 5 stars

  4/5 (2556)
• American Gods [TV Tie-In]: A Novel

  

  From Everand

  American Gods [TV Tie-In]: A Novel

  Neil Gaiman

  Rating: 4 out of 5 stars

  4/5 (12520)
• American Gods: The Tenth Anniversary Edition

  

  From Everand

  American Gods: The Tenth Anniversary Edition

  Neil Gaiman

  Rating: 4 out of 5 stars

  4/5 (12945)
• Habit 3 Put First Things First: The Habit of Integrity and Execution

  

  From Everand

  Habit 3 Put First Things First: The Habit of Integrity and Execution

  Stephen R. Covey

  Rating: 4 out of 5 stars

  4/5 (2506)
• Habit 6 Synergize: The Habit of Creative Cooperation

  

  From Everand

  Habit 6 Synergize: The Habit of Creative Cooperation

  Stephen R. Covey

  Rating: 4 out of 5 stars

  4/5 (2499)
• The 7 Habits of Highly Effective People

  

  From Everand

  The 7 Habits of Highly Effective People

  Stephen R. Covey

  Rating: 4 out of 5 stars

  4/5 (2565)
• Good Omens

  

  From Everand

  Good Omens

  Neil Gaiman

  Rating: 4.5 out of 5 stars

  4.5/5 (12010)
• How To Win Friends And Influence People

  

  From Everand

  How To Win Friends And Influence People

  Dale Carnegie

  Rating: 4.5 out of 5 stars

  4.5/5 (6516)
• Wuthering Heights (Seasons Edition -- Winter)

  

  From Everand

  Wuthering Heights (Seasons Edition -- Winter)

  Emily Bronte

  Rating: 4 out of 5 stars

  4/5 (9486)
• The Iliad: A New Translation by Caroline Alexander

  

  From Everand

  The Iliad: A New Translation by Caroline Alexander

  Homer

  Rating: 4 out of 5 stars

  4/5 (5718)