1 Repaso Estadistico y Matricial

TEORÍA ECONOMÉTRICA I
REPASO DE ALGEBRA Y ESTADÍSTICA
APLICACIONES CON EVIEWS
Juan Carlos Abanto Orihuela

2
Teorı́a Econométrica I www.giddea.com

Repaso de Algebra y Estadı́stica [email protected]
Aplicado con Eviews
A Erica Moreno y Cristhinna Toledo, cuya administración y presión fue decisiva en la
realización de esta guı́a.
3
4

Aplicado con Eviews
Agradecimientos
El presente manual se realizó gracias a la cooperación y dedicación en su edición de

Leslie Melissa Guzman Esteban y Lisbeth Mabel Hidalgo Medina, alumnas de la Facultad
de Ingenierı́a Economica, Estadı́stica y Ciencias Sociales (FIEECS) de la Universidad
Nacional de Ingenierı́a.
5
6 AGRADECIMIENTOS

Aplicado con Eviews
Índice general
Agradecimientos 5
1. Introducción a la Econometrı́a 9
1.1. Concepto y Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.1. ¿Qué es la Econometrı́a? . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.2. Objetivo de la Econometrı́a . . . . . . . . . . . . . . . . . . . . . . . 11
1.2. Metodologı́a de la Econometrı́a . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3. Origen y evolución de la econometrı́a . . . . . . . . . . . . . . . . . . . . . . 15
1.3.1. Etapa pre-econométrica . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.2. Etapa de nacimiento de la Econometrı́a (1900-1930) . . . . . . . . . 16
1.3.3. Etapa de aportaciones básicas (1930-1945) . . . . . . . . . . . . . . . 18
1.3.4. Etapa de desarrollo de la Econometrı́a moderna (1945-1975) . . . . . 19
1.3.5. Crisis de los setenta y aportaciones recientes a la Econometrı́a . . . 20
2. Repaso Algebraico 23
2.1. Algebra de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.1. Tipos de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.2. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.3. Vector Canónico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.4. Relación entre matrices y sumatorias . . . . . . . . . . . . . . . . . . 25
2.1.5. Matriz de desvı́os . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.6. Geometrı́a de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.7. Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.8. Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.9. Sistema de Ecuaciones Lineales . . . . . . . . . . . . . . . . . . . . . 35
2.1.10. Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.1.11. Matrices Particionadas . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.1.12. Producto Kronecker . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1.13. Raices y vectores caracterı́sticos . . . . . . . . . . . . . . . . . . . . 42
2.1.14. Diagonalizacion y descomposicion de una matriz . . . . . . . . . . . 44
2.1.15. Derivadas y Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3. Repaso Estadı́stico 51
3.1. Sumatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2. Probabilidades y Variables Aleatorias . . . . . . . . . . . . . . . . . . . . . 51
3.2.1. Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.2. Variables Aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3. Distribuciones Importantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.3.1. Distribuciones Discretas. . . . . . . . . . . . . . . . . . . . . . . . . . 65
7
8 ÍNDICE GENERAL
3.3.2. Distribuciones Continuas. . . . . . . . . . . . . . . . . . . . . . . . . 65
3.3.3. Teorema del lı́mite central y teorı́a de los grandes números . . . . . 72

Aplicado con Eviews
Sesión 1
Introducción a la Econometrı́a
1.1. Concepto y Objetivo
1.1.1. ¿Qué es la Econometrı́a?

El concepto de Econometrı́a ha ido hallándose entre las múltiples interpretaciones en
el bagaje de la literatura económica; estas han ido variando desde algunas ciertamente
complejas hasta otras relativamente sencillas. A continuación, algunas de las definiciones
más trascendentes:
Frisch (1933a) 1 :
“La Econometrı́a implica la mutua penetración de Teorı́a Económica Cuantitativa y
Observación Estadı́stica” (p. 1).
(([...] no es lo mismo que la Estadı́stica Económica. Tampoco es idéntica a lo que lla-

mamos Teorı́a Económica General, [...]. Tampoco, deberı́a ser tomada como sinónimo
de la aplicación de las Matemáticas a la economı́a. La experiencia ha demostrado que
cada uno de esos tres puntos de vista, el de la Estadı́stica, el de la Teorı́a Económica
y el de las Matemáticas, es una condición necesaria pero no suficiente por sı́ mis-
ma para el entendimiento real de las relaciones cuantitativas en la vida económica
moderna. Es la unificación de las tres, una herramienta de análisis potente. Es esta
unificación la que constituye la Econometrı́a)) (p. 2).
Samuelson, Koopmans y Stone (1954) 2 :

(([...] la Econometrı́a puede ser definida como el análisis cuantitativo de los fenómenos
económicos reales, basado en el desarrollo simultáneo de la teorı́a y la observación,
relacionados mediante métodos apropiados de inferencia)).
Valavanis (1959):
((El objetivo de la econometrı́a es expresar las teorı́as económicas bajo una forma
matemática a fin de verificarlas por métodos estadı́sticos y medir el impacto de una
variable sobre otra, ası́ como predecir acontecimientos futuros y dar consejos de
polı́tica económica ante resultados deseables)).
1
Aunque Berndt (1991, p. iii) señala que el término Econometrı́a parece que fue utilizado por primera
vez por Ciompa (1910), Schumpeter (1982, p. 252, nota 2) indica que, como tal, el término “Econometrı́a”
se debe al profesor Frisch.
2
P.A. Samuelson, T. C. Koopmans y J. R. N. Stone. “Report of the evaluative comitee for Econome-
trica”, en Econometrica, vol. 22, núm. 2, abril de 1954, pp. 141-146.
9
10 1. Introducción a la Econometrı́a
Goldberger (1964) 3 :
((La Econometrı́a puede ser definida como la Ciencia social en la cual las herramientas
de la Teorı́a Económica, las Matemáticas y la Inferencia Estadı́stica son aplicadas al
análisis de los fenómenos económicos)) (p. 1).
Klein (1962) 4 :
((El principal objetivo de la Econometrı́a es dar contenido empı́rico al razonamiento
a priori de la Economı́a)).
Malinvaud (1966):
((El arte del económetra consiste en encontrar el conjunto de supuestos que sean
suficientemente especı́ficos y realistas, de tal forma que le permitan aprovechar de
la mejor manera los datos que tiene a su disposición)) (p. 514).
Griliches e Intriligator (1984): “La Econometrı́a es la aplicación de las Matemáticas

y los métodos estadı́sticos al análisis de los datos económicos” (p. xi).
Judge, Hill et al. (1988, p. 1) 5 :

((La Econometrı́a, utilizando Teorı́a Económica, Economı́a Matemática e Inferencia
Estadı́stica como fundamentos analı́ticos y los datos como fuente de información,
proporciona a la Ciencia Económica una base para:
1. Modificar, refinar o posiblemente refutar las conclusiones contenidas en el cuer-

po de conocimientos, conocido como Teorı́a Económica; y
2. Conseguir signos, magnitudes y proposiciones fiables acerca de los coeficientes
de las variables en las relaciones económicas, de modo que esta información
pueda servir de base para la toma de decisiones y la elección)).
Gujarati (1990, p. 2):

((La Econometrı́a es una amalgama de Teorı́a Económica, Economı́a Matemática,
Estadı́stica Económica y Estadı́stica Matemática. Sin embargo, es una disciplina que
merece ser estudiada separadamente [...]. La Econometrı́a proporciona el contenido
empı́rico a la mayorı́a de las teorı́as económicas; a la vez, se interesa primordialmente
por la verificación empı́rica de la teorı́a económica.)).
David F. Hendry 6 , un reputado econometrista de la Universidad de Oxford (1993):

(( [...] la teorı́a econométrica es el estudio de los procesos de generación de datos,
de las técnicas para analizar datos económicos, de los métodos de estimación de las
magnitudes numéricas de los parámetros con valores desconocidos y de los procedi-
mientos para contrastar hipótesis económicas; juega en las disciplinas básicamente
no experimentales un papel análogo al de la teorı́a estadı́stica en las ciencias expe-
rimentales inexactas[...])).
Maddala (1996):
((La Econometrı́a es la aplicación de métodos estadı́sticos y matemáticos al análisis de
datos económicos con el propósito de dar contenido empı́rico a las teorı́as económicas
y verificarlas o refutarlas)) (p. 1).
3
A. S. Goldberger. Econometrı́c history: John Wiley and Sons, Nueva York, 1964, p. 1.
4
Klein, Lawrence R. Econometric Analysis for Public Policy. Ames. Iowa: Iowa State College Press,
1958.
5
Fabiola Potrillo. Introducción a la Econometrı́a.2006. La autora resalta la definición de Econometrı́a
que ofrecen Judge, Hill et al. (1988, p. 1) , como una definición suficientemente completa.
6
David F. Hendry. Econometrics. Alchemy or science: Blackwell Pubüshers, Oxford, 1993.

Aplicado con Eviews
1.2. Metodologı́a de la Econometrı́a 11
Se puede observar, de forma permanente en las definiciones extraı́das, la necesidad de
la inclusión tanto de una base teórica como el de una base empı́rica. Sin embargo, aun
cuando la Econometrı́a es una disciplina desarrollada por y para las teorı́as económicas do-
minantes, sus planteamientos son de validez general, para las matemáticas, fı́sica, quı́mica,
y otras, si se satisfacen las condiciones y supuestos sobre los cuales se construyen.
1.1.2. Objetivo de la Econometrı́a

Schumpeter (1933) destaca en el primer número de Econometrica su propósito
cientı́fico, encaminado a la construcción de la Teorı́a Económica del futuro median-
te la incorporación de los métodos cuantitativos en el análisis de los fenómenos
económicos. Bajo este planteamiento sintético de teorı́a y realidad, la modelización
econométrica constituye la única vı́a existente para abordar el estudio riguroso de
los fenómenos económicos.
El eje central de la investigación econométrica, acorde a lo planteado por Samuel-

son 7 , vendrı́a a ser el planteamiento de una tabla de datos. Realizar esta tarea es
su primer objetivo. Esta tabla de datos, deberı́a contener unidades de observación,
variables y datos, estos últimos, precisamente, luego del proceso de observación y
recolección de datos. Las unidades, las variables y los datos dan origen a ecuaciones,
funciones o modelos que describen una situación actual que es de interés para el
investigador o le permiten realizar predicciones. Estos son los objetivos principales
de una investigación econométrica, brindar la posibilidad de describir una situa-
ción económica en particular, para verificar teorı́as o comprobar empı́ricamente las
mismas; y una vez realizada esa descripción, también ser utilizado para predecir o
realizar pronósticos sobre dicha situación.
Según Christ 8 : ((El objetivo de la Econometrı́a es la producción de proposiciones

cuantitativas que expliquen o describan las variaciones de variables ya observadas, o
que pronostiquen o predigan las variaciones aun no observadas, o que hagan ambas
cosas a la vez.))
1.2. Metodologı́a de la Econometrı́a

En el marco del concepto de Metodologı́a Moderna9 como un conjunto de reglas para
la evaluación de las teorı́as ya elaboradas, que nos permita concluir si éstas son cientı́fi-
camente aceptables o no lo son, es posible delimitar el lugar que ocupa la Econometrı́a
dentro del programa global de investigación de la Economı́a10 .
1. Procedimiento econométrico general

En el esquema propuesto por Intriligator (1978) (ver Figura 1.13.8), ilustra el papel
y el lugar que desempeña la Econometrı́a en la combinación de las teorı́as y los he-
chos económicos, facilitando un lenguaje de entendimiento entre los extremos de la
7
Samuelson, en su obra P. Curso de economı́a moderna. Editorial Aguilar 1972. p. 903. , expresa que
la investigación, la instrucción pública y el pleno empleo pueden acelerar el desarrollo económico de un
paı́s. Pero, refiriéndose concretamente a la investigación, observa que esta es la medida que suscita menos
controversias entre las destinadas a acelerar el crecimiento.
8
Christ, C. Modelos y métodos econométricos. Cowles Foundation for research in Economics at Yale
University. 1966. p. 28.
9
Según Imre Lakatos. Metodologı́a de los Programas de Investigación Cientı́fica. 1978
10
Siguiendo la estructura propuesta por Fabiola Potrillo. Introducción a la Econometrı́a.2006

Aplicado con Eviews
deducción y la inducción. Ası́, el análisis econométrico se materializará normalmente
en la estimación de un modelo econométrico. Este modelo debe ser el resultado de un
proceso que combine teorı́a y hechos mediante la utilización de técnicas econométri-
cas.
El punto de partida lo constituye la ((realidad económica)), esto es, el proceso genera-

dor de datos - al que habitualmente se denomina ((sistema económico)), integrado por
los ((hechos económicos)), junto con sus relaciones entre sı́ y con los entes externos
referidos al campo que se pretende investigar. Estos hechos por su naturaleza podrán
ser de tipo cuantitativo, cualitativo o de tipo mixto, pero para que puedan ser uti-
lizados en el enfoque econométrico deberán expresarse en forma numérica. Ası́, esta
expresión cuantitativa - numérica de los hechos constituyen los ((datos económicos)),
como el reflejo del mundo real y componente empı́rico del proceso de estimación
((base empı́rica)) 11 .
Dada la complejidad del mundo real, se plantea que el economista debe comenzar
efectuando una abstracción del mismo, ante un sistema o problema concreto, a partir
de la cual se formulan las ((teorı́as económicas)), expresadas generalmente mediante
((modelos)) de tipo general, que conllevan una serie de implicaciones o predicciones
y tratan de dar explicaciones de algún elemento del sistema. A su vez, dado que el
grado de aceptación de las teorı́as es evaluada mediante la ((confrontación)) de sus
implicaciones o hipótesis con la base empı́rica, es crucial el papel de la Econometrı́a,
ya que trata de suministrar las técnicas necesarias para llevar a cabo la mencionada
confrontación. Las hipótesis a verificar - o confrontar con los hechos - se sitúan en
el seno de los ((modelos económicos)), pero la Econometrı́a no trabaja con ellos di-
rectamente, sino hay que concretarlos y darles forma, es decir con los denominados
((modelos econométricos)). Éstos se definen como aquellos modelos económicos que
contienen el conjunto de hipótesis necesarias para su aplicación empı́rica. De esta
forma, los modelos econométricos constituyen, en suma, el instrumento que permite
conectar y confrontar teorı́a y realidad.
Ahora bien, el esquema representado en la Figura 1 (ver Figura 1.1 3.8), transmite
cierta imagen de proceso terminal, con un principio y un fin, cuando la realidad de
la práctica econométrica es diferente, lo que ha levantado importantes crı́ticas, prin-
cipalmente, desde los años setenta. Siguiendo a Maddala 12 , estas crı́ticas se resumen
en las siguientes cuestiones:
En primer lugar, la no existencia de un flujo de realimentación desde los resul-

tados que proporciona la aplicación del análisis econométrico hacia las teorı́as
económicas. La Econometrı́a no sólo sirve para contrastar las teorı́as económi-
cas, sino que también proporciona resultados valiosos para el desarrollo de la
teorı́a a partir de las progresivas confrontaciones de ésta con la realidad, como
11
En ocasiones los datos no podrán utilizarse de forma directa y deberán sufrir un tratamiento antes
de formar parte del modelo. Entre estos tratamientos y en el caso de series temporales se encontrarı́an los
cambios de base, interpolación, extrapolación, ajustes estacionales, mezcla, etc. Con los datos depurados
y la especificación se podrá iniciar la estimación del modelo con los métodos econométricos. José Vicéns
Otero. ECONOMETRÍA Y CONSTRASTACIÓN EMPÍRICA. CONCEPTO E HISTORIA. 1998
12
Según MADDALA, G.S. (1996.) en Introducción a la Econometrı́a

Aplicado con Eviews
1.2. Metodologı́a de la Econometrı́a 13
muestra la Figura 2 (ver Figura 1.21.2) .
Por otra parte, se ha objetado que la contrastación de hipótesis no deberı́a

limitarse a las hipótesis derivadas del modelo económico original, ya que estas
dependen de la especificación adoptada en el modelo econométrico. Por tanto,
serı́a necesario realizar además pruebas sobre la especificación del modelo para
contrastar su validez y, en caso necesario, abordar la reformulación del mismo
según el diagnóstico, en aras de un creciente refinamiento de la modelización
econométrica.
Figura 1.1: Principales elementos que integra la Econometrı́a y sus aplicaciones - Adaptado
de Intriligator (1978)
2. Etapas del procedimiento econométrico general

El procedimiento econométrico generalmente empleado conlleva las siguientes eta-
pas:
(i) Formulación del modelo econométrico basado en el modelo económico subyacen-
te, de manera que sea verificable empı́ricamente, pudiendo adoptar diversas formas
funcionales;
(ii) Estimación de sus parámetros desconocidos a partir de los datos;
(iii) Contrastación de hipótesis mediante métodos econométricos de inferencia; y
(iv) Uso de los resultados del modelo con fines analı́ticos, predictivos o de evaluación
de polı́ticas, tanto económicas como empresariales.
3. Etapa de especificación del modelo

La ((especificación)) constituye la primera etapa del análisis econométrico y consiste
en concretar y dar forma al modelo económico. En esta fase, que puede contener
elementos subjetivos del investigador, se identifican tres aspectos básicos:
(i) Formulación de la relación planteada mediante una forma funcional explı́cita (li-
neal, etc.).
(ii) Identificación de las variables que intervienen en el modelo y de los datos económi-
cos que permiten medir dichas variables.

Aplicado con Eviews
Figura 1.2: Adaptado de Maddala (1996)
(iii) Acotación de la realidad a la que serán aplicables los resultados.

En ocasiones, la especificación del modelo viene restringida por la propia disposición
de datos o por los resultados obtenidos previamente en la evaluación y el diagnóstico
del modelo. De este modo, se deberı́a seguir un proceso de realimentación desde estos
resultados a la especificación del modelo econométrico.
4. Etapa de estimación de los parámetros del modelo

Se determinará la magnitud estimada de los parámetros desconocidos del modelo,
requiriendo de datos empı́ricos, históricos sobre el fenómeno económico bajo estudio.
Es decir, observaciones de las variables que intervienen en el modelo, ası́ como la
utilización de métodos apropiados de estimación y de inferencia.
5. Etapa de validación del modelo

La aplicación de la inferencia estadı́stica a los datos recolectados permite abordar
la validación del modelo o ((contrastación)) de hipótesis, tanto relacionadas con la
especificación del modelo como con otros aspectos de interés en la confrontación de
las teorı́as con la realidad económica. Dicha contrastación debe realizarse a partir de
criterios previamente establecidos de rechazo o no de las hipótesis objeto de análisis.
6. Etapa de explotación del modelo

Si el modelo supera la etapa de ((validación)), puede ser empleado básicamente para
los siguientes fines:

Aplicado con Eviews
1.3. Origen y evolución de la econometrı́a 15
Análisis y descripción estructural del modelo. Es decir, mediante el análisis y
la descripción de la relación existente entre las variables (signo y magnitud
de los parámetros), se permite verificar teorı́as o comprobar empı́ricamente las
mismas.
Predicción de la variable de interés condicionada a los valores de las variables
explicativas (de la variable endógena).
1.3. Origen y evolución de la econometrı́a

El origen de Econometrı́a como disciplina cientı́fica es muy discutible. Con respecto a
ello existen dos tendencias: Una de ellas sitúa sus inicios con los trabajos de Economı́a
Matemática de Thünen, Cournot, Edgeworth, Jevons, Walras, Pareto, Wicksell. Y, la otra
tendencia considera a estos autores precursores de la Econometrı́a, argumentando que su
estilo de hacer Economı́a no es en esencia cuantitativo13 .
Ası́, el nacimiento de la Econometrı́a como disciplina cientı́fica tuvo sus antecedentes

en el siglo XVII con el surgimiento de la economı́a cuantitativa 14 . De esta manera, cabe
mencionar las etapas en la evolución de esta disciplina:
. Etapa pre econométrica, que se extiende hasta finales del siglo XIX.
. Etapa de nacimiento de la Econometrı́a, que abarca el primer tercio del siglo XX.
. Etapa de aportaciones básicas, que se desarrolla entre 1930 y 1945.
. Etapa de desarrollo de la Econometrı́a moderna, que concluye con la crisis de los setenta
y de aportaciones recientes a la Econometrı́a.
A continuación se presentan las caracterı́sticas más relevantes de cada una de las etapas
mencionadas.
1.3.1. Etapa pre-econométrica

En la etapa pre-econométrica, los desarrollos de la Estadı́stica y la Economı́a sentaron
las bases que posteriormente servirı́an de fundamento para el nacimiento de la Econo-
metrı́a. Sus inicios se sitúan entre los siglos el siglo XVI y XVII con el nacimiento de la
economı́a cuantitativa y este con los trabajos denominados “Polı́ticos-Aritméticos” por
parte de Gregory King, Charles Davenant y especialmente William Petty.
Davenant utiliza las figuras para sus deducciones y define la aritmética polı́tica como
el arte de razonar con figuras sobre cuestiones relacionadas con el gobierno. Petty y King
son los pioneros en una aproximación teórica- cuantitativa a la economı́a y demuestran
su preocupación por la medición estadı́stica de los hechos económicos. Siendo especı́ficos,
Gregory King se centró en el estudio de la agricultura y el análisis de las relaciones entre la
oferta de cereales y el precio. King no solamente efectuó una recogida y análisis de los da-
tos, sino que incluso llegó a aproximarse a una regresión entre cambios de precio y cambios
13
ver Akerman, 1933
14
ver Morgan, 1990

Aplicado con Eviews
de cantidades, lo que podrı́a calificarse de primicia econométrica 15 . Básicamente, estos pri-
meros trabajos de Economı́a Cuantitativa trataban de encontrar leyes de comportamiento
económico análogas a las que se observaban en las ciencias naturales, especialmente en
la Fı́sica, intentando aplicar sus mismos métodos y con una filosofı́a claramente determi-
nista. Para poder aligerar de determinismo el enfoque de la ciencia económica, tuvo que
esperarse a los siglos XVIII y XIX ya que es aquı́ en donde la Estadı́stica y la Economı́a
evolucionaron notablemente (aportan los conceptos de incertidumbre y probabilidad ne-
cesarios para la comprensión de los fenómenos económicos).
De esta manera, en el ámbito del pensamiento económico destacan las aportaciones de

autores como François Quesnay (1758), cuyo “Tableau Economique” constituye un análisis
empı́rico del principio de interdependencia general de los elementos esenciales que intervie-
nen en un sistema económico, Antoine A. Cournot (1838), cuya interpretación funcional
de la oferta y la demanda abrió una de las lı́neas de investigación más fecundas en el
ámbito de la Economı́a Aplicada Cuantitativa, y asimismo Clement Juglar (1862), por sus
estudios empı́ricos acerca de las regularidades temporales de los ciclos económicos.
Por otra parte, en el campo de la Estadı́stica han sido esenciales los trabajos de Tho-
mas Bayes (1702-1861) sobre la teorı́a de la probabilidad y el análisis estadı́stico, con la
formulación del polivalente teorema de Bayes, Karl F. Gauss (1777-1855), por el desarro-
llo de la distribución estadı́stica normal y el tratamiento estadı́stico riguroso del método
de estimación mı́nimo-cuadrático aplicado al análisis de regresión, y William S. Gosset
(1876-1937), a quien se debe la especificación de la distribución t de Student, entre otras
aportaciones. Asimismo, destacan en este periodo las contribuciones de Andrei A Mar-
kov (1856-1922) y Karl Pearson (1857-1936) al desarrollo de la teorı́a de la probabilidad
y al análisis de la correlación estadı́stica, respectivamente. Por último, a Ronald A. Fis-
her (1890-1962) se debe el desarrollo de métodos de estimación adecuados para muestras
pequeñas, el descubrimiento de la distribución de numerosos estadı́sticos muestrales y la
invención del análisis de la varianza y del enfoque de máxima-verosimilitud, por lo que es
considerado uno de los pioneros de la Estadı́stica moderna.
Este enorme progreso de los métodos estadı́sticos, permitió aplicar el análisis de re-
gresión y la contratación de hipótesis a los modelos económicos, ya en los inicios del siglo
XX.
1.3.2. Etapa de nacimiento de la Econometrı́a (1900-1930)

Rápidamente, los avances de la Estadı́stica moderna se incorporan al análisis económico
y, en esta lı́nea, constituyen ejemplos destacados las aplicaciones del análisis de correlación
estadı́stica que realizan Yule (1895, trabajo dirigido a la pobreza ) y Hooker(1901, 1905 -
dirigido a las relaciones entre tasa de matrimonio y nivel de prosperidad).
En este contexto, Benini (1907) habı́a llevado a cabo la primera aplicación de la re-
gresión múltiple, concretamente, a la estimación de la demanda de café en función de su
precio y del precio de un bien complementario. Seguidamente, en 1914, se publica el tra-
bajo de Henry L. Moore “Economic Cycles: Their Law and Cause”, en el que este autor
presenta una estimación de las leyes estadı́sticas de la demanda de cereales desde plan-
teamientos deterministas. Este trabajo es generalmente considerado el primer estudio de
15
ley de King, véase Creedy 1986

Aplicado con Eviews
carácter eminentemente econométrico.
Estos primeros estudios de economı́a cuantitativa estuvieron enfocados principalmente

a dos grandes áreas. El estudio de la demanda y el estudio de los ciclos. De alguna forma
estos estudios previos, caracterizan lo que han sido y son las dos grandes lı́neas de inves-
tigación de la economı́a cuantitativa aplicada: El análisis de relaciones de causalidad en
economı́a entre las variables económicas y el análisis de series económicas con el fin de
determinar regularidades temporales que aparecen con las fluctuaciones de la actividad
económica.
Dos hechos fundamentales marcan el nacimiento de la econometrı́a con los rasgos bási-
cos con que se caracteriza en la actualidad. La econometrı́a, vinculada al análisis estruc-
tural de las relaciones económicas, también denominada ’tradicional’, surge como conse-
cuencia de la constitución de la Sociedad de Econometrı́a y los trabajos de la Cowles
Commission, en la década de los años treinta.
Constitución de la sociedad de la econometrı́a
Después de los intentos sin éxito de Irving Fisher en 1912 para organizar una asociación
para promover la investigación en economı́a cuantitativa desde la Universidad de Yale. Y
ante lo que se acontecerı́a en 1929, Ross y Frisch propusieron a Fisher la organización de
una sociedad internacional que unificara los puntos de vista estadı́stico, económico teórico
y matemático, para el estudio cuantitativo de los hechos económicos . A pesar del escepti-
cismo de Fisher debido a las dificultades surgidas en su primer intento, el 29 de diciembre
de 1930, en el tercer congreso de la sección k de la Asociación Americana para el avance de
la ciencia, se fundó en Cleveland, Ohio, la Sociedad Econométrica27 .El grupo organizador
estaba formado por doce americanos y cuatro europeos e incluı́a importantes economis-
tas(como Keynes), estadı́sticos y matemáticos. La sociedad se extendió rápidamente y dos
años más tarde fundo la revista Econométrica, cuya contribución fue importante para la
difusión de la econometrı́a.
Por tanto, el objetivo de la Sociedad Econométrica fue crear una Sociedad que moti-
vara el estudio cuantitativo de la economı́a, pero haciendo mucho hincapié en la necesidad
de que estos estudios se llevaran a cabo por métodos cientı́ficos ya que los economistas
de esta época aspiraban a encontrar leyes (modelos) similares a los que dominaban en
las ciencias naturales y veı́an en la estadı́stica y las matemáticas las herramientas que
les permitirı́an verificar las teorı́as y predecir fenómenos futuros. De manera explı́cita, la
Sociedad Econométrica buscaba promover la unión de la capacidad deductiva del análisis
matemático con la capacidad inductiva de la estadı́stica, mediante la integración de mo-
delos estadı́stico-matemáticos y el análisis estadı́stico de los datos económicos.
Fundación de la “Cowles Commission”
Una figura importante que contribuyó notablemente al desarrollo de la Sociedad Eco-

nométrica fue Alfred Cowles, que en 1931 ofreció fondos para la edición de una revista y
para la creación de una comisión de investigación dentro de la sociedad. Ası́, en el año
1932 fue fundada la Cowles commission for Research in Economics, en Colorado Spring .
Cowles Commission tenı́a como función principal centralizar las investigaciones sobre la
nueva disciplina. En 1939 se trasladó a la Universidad de Chicago, a la que estuvo unida
hasta 1955, fecha en que los directivos de la comisión se adscribieron al departamento de

Aplicado con Eviews
economı́a de la Universidad de Yale, donde continúa con sus actividades actualmente. La
comisión ha supuesto un motor importantı́simo para el desarrollo de la econometrı́a, espe-
cialmente con la publicación de monografı́as que recopilaban los avances más importantes
que se habı́an producido en la materia y donde participaban los mejores económetras del
momento. El objetivo general de esta institución es promover la investigación sobre los
principales problemas de la Economı́a, con particular referencia a la aplicación de la Es-
tadı́stica y las Matemáticas en la solución de dichos problemas.
1.3.3. Etapa de aportaciones básicas (1930-1945)

A partir de la constitución de la Econometric Society y de la Cowles Commission, la
Econometrı́a inicia una etapa de aportaciones básicas que habrı́a de ser seguida por un pro-
gresivo desarrollo de sus métodos y aplicaciones. Esta etapa, que concluye con la Segunda
Guerra Mundial, se caracteriza por el estudio de los principales problemas econométricos,
tales como la identificación y estimación de los modelos de ecuaciones simultáneas, ası́ co-
mo los fundamentos metodológicos de esta disciplina.
Jan Tinbergen concluye un ambicioso proyecto para la League of Nations, en el cual

se desarrolla por primera vez un modelo de ecuaciones simultáneas para una economı́a
completa, que permite efectuar estudios sobre teorı́as alternativas de los ciclos económicos
y estimar las principales elasticidades . Previamente, Tinbergen (1937) habı́a planteado
y estimado un modelo de 22 ecuaciones aplicado a la economı́a holandesa, abordando el
problema de la identificación. Ambos estudios abrieron un nuevo campo en la investigación
econométrica de gran desarrollo en las siguientes décadas 16 .
Haavelmo (1944) propone adoptar el enfoque probabilı́stico como fundamentación me-

todológica de la Econometrı́a. En este sentido, argumenta que para la aplicación del en-
foque probabilı́stico a los datos económicos es necesario considerar las observaciones dis-
ponibles como una muestra fruto de la realización de un hipotético proceso generador de
datos. De este modo, al caracterizar dicho proceso mediante una determinada función de
probabilidad, resulta posible abordar la contrastación de hipótesis o realizar inferencia
estadı́stica, sobre la base de la ley de probabilidad postulada a priori. Siendo el resultado
práctico más importante del planteamiento de Trygve Haavelmo: el enfoque probabilı́stico
proporciona una estructura que permite abordar la contrastación de las teorı́as económi-
cas, marcando un cambio sustancial en la investigación econométrica(Morgan).
El más inmediato y, posiblemente, el más importante efecto de los trabajos de Tinber-

gen y Haavelmo es su influencia en el programa de investigación de la Cowles Commission.
Jacob Marschak, entonces director de esta fundación, decide dedicar todos los recursos de
la Cowles al estudio y desarrollo de los modelos de ecuaciones simultáneas, adoptando el
enfoque probabilı́stico.
En sı́ntesis, el programa de investigación que la Cowles Commission defiende es una

aproximación cientı́fica a la Economı́a, a partir del desarrollo del enfoque probabilı́stico y
los modelos estructurales 17 . Este método, conocido como “método de la Cowles”, cons-
tituye un procedimiento para ofrecer explicaciones causales de los fenómenos económicos.
Desde este punto de vista, la Econometrı́a consistirı́a en el estudio estadı́stico de las teorı́as
16
ver Epstein, 1987
17
ver Malinvaud, 1988

Aplicado con Eviews
económicas, que plantean las relaciones fundamentales que se establecen entre los diferen-
tes agentes en un sistema económico. Dicho estudio, según argumenta Koopmans (1947),
carece de sentido sin la especificación y estimación de un modelo estructural adecuado,
que permita analizar y controlar la Economı́a.
Ahora bien, la Segunda Guerra Mundial produce un cambio en los intereses a corto pla-
zo de la Cowles Commission, que interrumpe temporalmente su programa de investigación
a largo plazo y destina sus esfuerzos, junto con el National Bureau of Economic Research
(NBER), al estudio teórico y empı́rico de un sistema eficaz de control de precios y salarios.
1.3.4. Etapa de desarrollo de la Econometrı́a moderna (1945-1975)
La propuesta de Haavelmo (1944) marca el final del periodo de aportaciones básicas en

Econometrı́a y el inicio de su etapa de madurez, que se extiende hasta aproximadamente
la primera crisis del petróleo (1973). Esta etapa de desarrollo de la Econometrı́a moder-
na se caracteriza por la profundización teórica en los métodos necesarios para solventar
algunos de los principales problemas econométricos, como la identificación y estimación
de los modelos de ecuaciones simultáneas, la multicolinealidad y las perturbaciones no
esféricas. Además de esto, proliferó la investigación aplicada, resultado de la confluencia
de varios factores, como la disponibilidad de series temporales relativas a las magnitudes
de la Contabilidad Nacional, el desarrollo de la informática y la aceptación generalizada
de la teorı́a keynesiana.
En las dos primeras décadas de esta etapa de la Econometrı́a, los económetras centra-
ron sus esfuerzos en profundizar en los aspectos teóricos y metodológicos de esta disciplina,
con respecto a los métodos matemáticos e inferencia estadı́stica. En estos años, por tan-
to, los avances realizados en el campo de la Econometrı́a aplicada fueron relativamente
escasos. De manera contraria en la década de los sesenta llega la aceptación general de
los modelos econométricos en la mayorı́a de los paı́ses desarrollados y, especialmente, en
Estados Unidos. Ası́ pues, los desarrollos de la econometrı́a empı́rica en estos años son
numerosos, sus aplicaciones son múltiples y se abre un gran mercado que abarca tanto el
sector público como la empresa privada. Los modelos econométricos son entendidos como
un nuevo instrumento útil y válido para la planificación.
El importante desarrollo alcanzado por la Econometrı́a era evidente a principios de los

años setenta. En esta década, se multiplicó el número de estudios publicados de Econo-
metrı́a teórica y aplicada, muchos de ellos producto de los alumnos que habı́a tenido esta
joven disciplina en la década precedente. A diferencia de la etapa anterior, estos estudios
se centraron en los problemas de estimación e inferencia en ecuaciones aisladas, más que
en los grandes modelos de ecuaciones simultáneas. Por ejemplo, el modelo de Brookings
o el Wharton, fue propuesto fundamentalmente para realizar simulación y predicción, y
sufrieron consecuencias producto de la primera crisis del petróleo y el gran cambio estruc-
tural que se derivó de ella. Si bien en los años setenta se siguieron manteniendo muchos de
los grandes modelos macroeconómicos existentes y se desarrollaron otros nuevos, se redujo
en gran medida el interés que despertaron en los económetras en décadas anteriores, que
centraron su atención en otros modelos de menor dimensión y más directamente relacio-
nados con los desarrollos de la Teorı́a Económica.

Aplicado con Eviews
1.3.5. Crisis de los setenta y aportaciones recientes a la Econometrı́a
Las crisis producidas por la elevación de los precios energéticos configura el nuevo es-
cenario mundial de la década de los setenta, afectando de forma directa al planteamiento
y pensamiento económico general, y en consecuencia, al desarrollo posterior de la econo-
metrı́a ya que este contexto puso de manifiesto las limitaciones de los grandes modelos
macroeconómicos a la hora de proporcionar herramientas útiles para el diseño de polı́ticas
económicas, precisamente cuando más se necesitaban. De esta manera, Lucas (1976) y
Malinvaud (1981), entre otros autores, apuntan que con las crisis del petróleo la investiga-
ción econométrica quedó cuestionada al no poder desarrollar un objetivo esencial: proveer
al polı́tico económico de estimaciones acuradas sobre las trayectorias temporales de las
principales variables económicas de interés, correspondientes a las distintas alternativas
polı́ticas.
Ahora bien, la crı́tica no colapsó el avance de la econometrı́a sino sirvió de base para
una reacción de la econometrı́a hacia la incorporación más intensa de datos y relaciones
microeconómicas, dando lugar a la llamada microeconometrı́a.
Entre los principales desarrollos alcanzados en el área de la microeconometrı́a cabe

señalar los siguientes:
. Modelos con variable dependiente cualitativa. Se rompe el planteamiento tradicional

dado a las variables discretas en econometrı́a, normalmente explicativas de tipo ficticio,
y se desarrollan los modelos logit y probit.
. Modelos con datos de panel. Se plantea el uso conjunto de datos históricos y de corte
transversal, obtenidos normalmente desde un panel fijo en el tiempo. La consecuencia
inmediata es la necesidad de variar los parámetros entre agentes económicos y/o el
tiempo, y de aquı́ sus conexiones con la modelización con parámetros cambiantes.
. Modelos experimentales. La experimentación en economı́a y la disposición de datos de

esta naturaleza, siempre ha supuesto una ambición para los economistas. Esta posibili-
dad se abre en el contexto microeconométrico, al poder simular condiciones que a nivel
macro serı́a imposible.
. Modelos de micro-macro simulación. En los que se combinan los tradicionales modelos

macroeconómicos con modelos empresariales, estableciendo interconexiones entre ellos
al objeto de determinar las repercusiones que producen en el mundo micro (empresarial)
las decisiones macros y viceversa. Asimismo se busca un proceso de convergencia con
una solución única para el bloque macroeconómico y los modelos de empresa.
Tras el fracaso de los grandes modelos macroeconométricos como instrumentos útiles

de predicción en este periodo de rápidos cambios económicos, surgen como alternativas
diversas técnicas especializadas de análisis de series temporales, entre las que cabe desta-
car el análisis espectral, los modelos Box-Jenkins (ARIMA), la metodologı́a de vectores
autorregresivos (VAR) y la cointegración 18 .
Finalmente, la Econometrı́a ha protagonizado un enorme progreso, tanto desde el pun-

to de vista teórico como empı́rico. Este importante progreso ha favorecido el desarrollo
18
ver Granger y Newbold, 1974

Aplicado con Eviews
de distintos enfoques metodológicos, especialmente en las últimas dos décadas, que han
permitido avanzar en nuevas lı́neas de la investigación econométrica y, por tanto, ampliar
nuestro conocimiento sobre los fenómenos económicos.

Aplicado con Eviews

Aplicado con Eviews
Sesión 2
Repaso Algebraico
2.1. Algebra de Matrices

Una matriz Am×n , es un arreglo rectangular de m × n elementos dispuestos en m filas
y n columnas. Dichos elementos se denotan por Aik con i = 1, 2, . . . , m ; j = 1, 2, . . . , n.
El primer ı́ndice denota la fila y el segundo la columna de la matriz A.
Am×n = [aij ] = [Am×n ]ij
2.1.1. Tipos de Matrices

. Cuadrada
Una matriz es cuadrada si m = n. En este caso A es una matriz cuadrada de orden
n.
Ann = [aij ]
. Simétrica
Sea la matriz cuadrada Ann = [aij ] Ann = [aij ], A es simétrica si, y solo si, A = A0
Ann ⇒ aij = aji
. Diagonal
La matriz cuadrada Ann = [aij ] es:
DIAGON AL ⇔ aij = 0 , ∀ i 6= j y ∃ i , aij 6= 0 , 1 ≤ i ≤ n
. Escalar
La matriz diagonal Ann es ESCALAR, si sus elementos son iguales
⇒ Diagonal ∧ aii = a
. Identidad
La matriz Ann es la matriz IDENTIDAD: ⇔ Ann es Escalar ∧ a = 1
. Triangular
La matriz cuadrada Ann es :
(
T.superior ⇔ aij = 0 ∀ i > j
Ann ⇒
T.inf erior ⇔ aij = 0 ∀ i < j
. Idempotente
La matriz cuadrada Ann = [aij ] es idempotente ⇔ A2 = A
23
24 2. Repaso Algebraico
2.1.2. Operaciones con matrices
. Igualdad
Las matrices Amn = [aij ] ∧ Bmn = [bij ] son iguales ⇔ aij = bij
∀i, j; 1 ≤ i ≤ m, 1 ≤ j ≤ n
. Transpuesta
Sean las matrices Amn = [aij ] y Bnm = [bij ]. Diremos que B es la
TRANSPUESTA de A ⇔ bij = aji ∀ 1 ≤ i ≤ m , 1 ≤ j ≤ n , ∀ i , j y denotamos
B = A0 ∗ Si A = A0 ⇒ (A0 )0 = A ⇒ A es una matriz simétrica
* Si B = A0 × A ⇒ B es una matriz simétrica

 
5 1 3
Sea la matriz A = −1 2 4, construyendo la matriz simétrica B.
4 0 1
Aplicación en Eviews: Matriz simétrica
wf u 100
matrix(3,3) A
A.f ill(b = r) 5,1,3,-1,2,4,4,0,1
matrix B = @transpose(A) ∗ A
. Suma
Amn + Bmn = Cmn ⇒ aij + bij = cij , ∀ 1 ≤ i ≤ m , 1 ≤ j ≤ n
A+0=A
A+B=B+A
A+(B+C)=(A+B)+C
( A + B )’ = A’ + B’
. Multiplicación
El producto de Amn = [aij ] por Bnp = [bij ] se define del siguiente modo:
n
X
Amn Bnp = Cmp = [cij ] / cij = aik bkj , ∀ 1 ≤ i ≤ m , 1 ≤ j ≤ p
1
∗ Sean Amn , Bnp , Cpm ⇒ tr(ABC) = tr(CBA) = tr(BCA)

Donde la traza (tr) de una matriz cuadrada es la suma de los elementos de su diagonal
principal.
Producto interno
n
X
a1n , bn1 ⇒ a0 b = a1 b1 + a2 b2 + . . . + an bn = ai bi
1
Producto externo
a1n , bn1 ⇒ a b 0

Aplicado con Eviews
2.1. Algebra de Matrices 25
Producto de matrices
  
a11 a12 . . . a1n b11 b12 . . . b1k
 a21 a22 . . . a2n   b21
  b22 . . . b2k 
An×n Bn×k = C =  . ..  =
 
.. .. ..   .. .. ..
 .. . . .  . . . . 
an1 an2 . . . ann bn1 bn2 . . . bnk
a01 b1 a01 b2 . . . a01 bk

   
c11 c12 . . . c1k
 a0 b1 a0 b2 . . . a02 bk   c21 c22 . . . c2k 
 2 2
..  =  ..
  
 .. .. .. .. .. .. 
 . . . .   . . . . 
a0n b1 a0n bn2 . . . a0n bk cn1 cn2 . . . cnk
A × B = C = [Cij ] cij = ai 0 bj
A B 6= B A
(
Sistema de Ecuaciones
C = Ab =
Combinación lineal



Cada columna de C es una combinación lineal de las columnas

de A con ponderadores igual a las columnas de B (El número
C = AB =


de combinaciones lineales es igual al número de columnas de B).

Cada fila de C es una combinación lineal de las filas de B.
2.1.3. Vector Canónico

Sea ek un vector canónico de orden kx1,
 
 
1
 
0
 
0 0
0 1 0 0
 
 
0
 
0
 
1  .. 
.
e1 = 0 , e2 = 0 , e3 = 0 , . . . ek = 
      
      1
. . .  
 ..   ..   ..  0
 
0 0 0 ..
.
Dada la matriz Ank ⇒ A ek = ak
2.1.4. Relación entre matrices y sumatorias
N
X
( x0 x ) = xi x0i
1
   
1 x1
1 N
X  x2 
i = . xi = x1 + x2 + xN = i0 x x =  . 
   
 ..  1
 .. 
1 xN

Aplicado con Eviews
N
X
a = na
1
N
X
xi = i0 x = i0 ai = ai0 i = an
1
i0 i = n
 
1 ... 1
ii0 =  ... . . . ... 
 
1 ... 1
PN
i0 x xi
= 1
= x ⇒ i0 x = nx
n n
EJEMPLO:
    
c11 c12 . . . c1n a11 a12 . . . a1n b11 b12 . . . b1n
 c21 c22 . . . c2n   a21 a22 . . . a2n   b21 b22 . . . b2n 
..  =  ..
    
 .. .. . . .. . . ..   .. .. . . .. 
 . . . .   . . . .  . . . . 
cn1 cn2 . . . cnn an1 an2 . . . ann bn1 bn2 . . . bnn
     
c11 a11 a1n
 c22   a21   a2n 
⇒  .  = b12  .  + . . . + bn2  . 
     
 ..   ..   .. 
cnn an1 ann

c11 c12 a11 a12 b11 b12 a11 b11 + a12 b21 a11 b12 + a12 b22
= =
c21 c22 a21 a22 b21 b22 a21 b11 + a22 b21 a21 b12 + a22 b22

c11 a a
= b11 11 + b21 12
c21 a21 a22

c21 c22 = a21 b11 b21 + a22 b12 b22
n
X
Xi = i0 X
1
N
X
Xi Yi
1
X 0 X = [X 0 X]ik
N
X
X 0X = Xi Xi0 ; n = N o f ilas
1

Aplicado con Eviews
 
x11
x12 
Donde Xi es la f ila i − esima de X =  . 
 
 .. 
x1k

x11 x12 x11 x21
X = X1 = , X2 =
x21 x22 x12 x22
x211 + x221

0 x11 x21 x11 x12 x11 x12 + x21 x22
XX = =
x12 x22 x21 x22 x12 x11 + x22 x21 x212 + x222
2
X x11 x
Xi Xi0 X1 X10 X2 X20 x11 x12 + 21 x21 x22

= +
x12 x22
1
x211
2
x11 x12 x21 x21 x22
+
x21 x11 x212 x22 x21 x222
x211 + x221

x11 x12 + x21 x22
x12 x11 + x22 x21 x212 + x222
2.1.5. Matriz de desvı́os
M 0X = X 0
M 0 A = A0
Donde M 0 es la matriz que desvı́a la información del vector X o de la matriz A respecto
de su media.
   
x1 x1 − x
 x2   x2 − x 
M 0X = M 0  .  =  . 
   
 ..   .. 
xk xk − x
0
An×k = M 0 a1 a2 . . . ak = a1 − a1 a2 − a2 . . . ak − ak

Mn×n
M 0 = I − n1 ii0

1 − n1 − n1

0 1 0 1 1 1
M2×2 = − =
0 1 n 1 1 − n1 1 − n1
1 − 12 − 12

⇒ (n = 2) =
− 21 1 − 12

Aplicado con Eviews
..
.
  P 
1 − n1 − n1 − n1 x1 − Pnxi
   
... x1 x1 − x
 −1 1 − n1   x2   x2 − nxi    x2 − x 
 
0  n   
Mn×n =  . = =
.. ...   ...   .. . 
 
 .. . P   .. 
   
. 

− n1 . . . 1 − n1 xn xn − nxi xk − x
1. Propiedades
M 0i = 0
Prueba
1 0 1 i
M 0 i = (I − ii )i = i − ii0 i = i − n = i − i = 0n×1
n n n
Pn
1 (xi − x) = i0 M0 X
M 0 esSimétrica e Idempotente
Prueba
- Simétrica (M 0 )0 = M 0
ii0 0 (ii0 )0 ii0

(M 0 )0 = (I − ) = I0 − = I − = M0
n n n
- Idempotente M 0 M 0 = M 0
ii0 ii0 ii0 ii0 ii0 ii0 ii0 ii0 ii0

(M 0 )(M 0 )0 = (I −
)(I − ) = I − − + 2 = I − − + = M0
n n n n n n n n
Pn 2
Pn 2 2 0 0
1 (xi − x) = 1 xi − nx = (M0 X) (M0 X) = X M0 X
2.1.6. Geometrı́a de matrices

. Espacio vectorial:
Conjunto cerrado de vectores definido por:
(i) Multiplicación por un escalar (si se multiplica por un escalar, el resultado perte-
nece al conjunto)
(ii) Aditividad (si se suman los vectores, el resultado pertenece al conjunto)
Figura 2.1: Espacio vectorial

Aplicado con Eviews
. Vectores base
Conjunto de vectores de un espacio vectorial, que a través de la multiplicación por
un escalar y adición, es posible generar otro vector del mismo espacio vectorial.
EJEMPLO:

→
− 1 →
− 0 →
− 2
a = , b = ; a , b ∈ <2 c = 2→
−
a + b = ; c ∈ <2
0 1 1
Figura 2.2: Vectores base
Considerando a los vectores a,b,c como un sistema de ecuaciones:

a1 b c
, 1 , 1
a2 b2 c2

c1 α1 a1 α2 b1 a1 b
= + = α1 + α2 1
c2 α1 a2 α2 b2 a2 b2
a2 c1 − b1 c2 a1 c2 − b1 c2
∃ ! αi 6= 0 α1 = , α2 =
a1 b2 − b1 a2 a1 b2 − b1 a2
⇒ a1 b2 − b1 a2 6= 0
a1 b2 6= b1 a2
a1 b1
6=
a2 b2
. Vectores linealmente dependientes

Un conjunto de vectores es linealmente dependiente si cualquiera de sus vectores
puede ser escrito como combinación lineal de los demás:

c1 a1 b
= α1 + α2 1
c2 a2 b2

a1 b1 a1 b c
si a, b son tal que 6 = ⇒ , 1 , 1 son L.D
a2 b2 a2 b2 c2
EJEMPLO:

Aplicado con Eviews

Xn×n ⇒ i x 1 x2 . . . x n
α1 i + α1 x1 + . . . + αn xn = 0 no puede ocurrir
Un grupo de vectores es LI (Linealmente Independiente) si la solución de α1 a1 +

α2 x2 + . . . + αn xn = 0 es:
α1 = α2 = . . . = αn = 0 única y trivial
. Base de un espacio vectorial

Va a etar determinado por un conjunto de vectores L.I. Si k vectores son base de un
espacio vectorial de dimensión k, si se le agrega un vector más, los k + 1 vectores
serán linealmente dependientes.
. Sub espacio vectorial
Figura 2.3: Sub espacio vectorial
. Vectores generadores
Sea E un conjunto de vectores e1 , e2 , . . . , en . El conjunto de todas las combinacio-
nes lineales de e1 , e2 , . . . , en se denomina espacio vectorial generado por E (“spaned
space”)
. Sub espacio
     
a1 b1 c1
a = a2  , b = b2  ∈ <3 ⇒ c = c2  ∈ <3
0 0 0
Espacio F, donde F es un plano (sub espacio en <3 ), F no es <2 dado que <2 es un
espacio generado por 2 vectores base <2 no es un subespacio de <3
Las dimensiones se asocian a las coordenadas.
Si F ∈ a un espacio de 3 dimensiones pero se sabe que existe una dimensión igual
a cero ⇒ F solo tiene 2 dimensiones.
2.1.7. Rango de una matriz

El espacio columna de una matriz es el espacio generado por las columnas L.I de la
matriz.

Aplicado con Eviews
La dimensión del espacio vectorial es el N o de columnas L.I
EJEMPLO:
 
1 5 2
A = 2 6 8 R(A) = 2 como máximo
7 1 8
 
1 2 3
5 4 5
B = 
6 1 5
 R(B) = 3 como máximo
3 1 4
     
1 2 3
5 4 5
  = α   + β   ∃ α , β 6= 0 que sean solución
6 1 5
3 1 4
Verificando los rangos de las matrices:
Aplicación en Eviews: Rango de una matriz
wf u 100
matrix(3,3) A
A.f ill(b = c) 1, 2,7,5,6,1,6,8,8
scalar rangoA = @rank(A)
matrix(4,3) B
B.f ill(b = r) 1, 2,3,5,4,5,6,1,5,3,1,4
scalar rangoB = @rank(B)
. Rango de filas
El espacio generado por el rango filas es el mismo generado por el rango columnas.
. Rango corto
Rang(An×n ) = n0 < n
. Resultados
Rang(AB) = min {Rang(A) , Rang(B)}
. Corolario
Am×n , Bn×n , Rang(B) = n

⇒ Rang(AB) = Rang(A)
EJEMPLO:
AB = C

Aplicado con Eviews

a11 a12 b11 c11
, =
a21 a22 b12 c12

a11 a12 b b12 c11 c12
, 11 =
a21 a22 b12 b22 c12 c22

a11 b11 + a12 b21 a11 b12 + a12 b22 c11 c12
=
a21 b21 + a22 b22 a21 b12 + a22 b22 c12 c22

a11 a a11 a12 c11 c12
b11 + b21 12 b12 + b22 =
a21 a22 a21 a22 c12 c22
Donde cada columna de C es combinación lineal de las columnas de A

b11 1 b12
Si =
b21 2 b22
⇒ La segunda columna de C es un múltiplo de la primera columna de C
Rang(A) = 2 Rang(B) = 1 ⇒ Rang(AB) = Rang(C) = 1
Rang(A) = Rang(A0 A) = Rang(AA0 )
EJEMPLO 1: Y = Xβ + µ
Trampa de dummys
Rang(X4×3 ) = 3 < 3
N 0 de columnas ⇒ X no tiene rango completo por columnas.
. Propiedades de rango
Rang(An×k ) = Rang(A0n×k ) ≤ {n, k} Rang(AB) ≤ min{Rang(A), Rang(B)} Rang(An×k ) =

Rang(A0k×n ) = Rang(A0k×n A) = Rang(An×n A0 ) Si k < n , A es de dimensión k
EJEMPLO 2: Modelo de Regresión Lineal
Rang(Xn×k ) = k
Donde X tiene rango completo por columnas
Rang(X 0 X) = k
2.1.8. Determinante
. Notación
Sea An×n ⇒ |A|, det (A)
. Proposición
det(A)6= 0 si la matriz tiene rango completo

Aplicado con Eviews
 
2 4 3
Sea la matriz C = −1 3 4, Calculando el determinante:
3 0 1
Aplicación en Eviews: Determinante de una matriz
wf u 100
matrix(3,3) C
C.f ill(b = r) 2,4,3,-1,3,4,3,0,1
matrix determinante = @det(C)
. Menor de una matriz

Sea An×n = [aij ]
Definamos la matriz Aij como la matriz que se obtiene al eliminar la fila i, columna j
de la matriz original
Figura 2.4: Menor de una matriz
Aij = menori, j
. Cofactor
Sea An×n , el cofactor (i,j) de A será igual a cij
cij = (−1)(i+j) |Aij |
donde Aij = menor(i, j)

El determinante de An×n se puede obtener usando una expresión del cofactor, fila-
columna
n
X n
X
(i+j)
|A| = aij (−1) |Aij | = aij cij
1 1
n
X n
X
(i+j)
|A| = aij (−1) |Aij | = aij cij
1 1
 
1 2 0
EJEMPLO: A = 0 1 1
1 0 1

1 1
menor(1, 1) = 1 = , cof(1, 1) = (−1)(1+1) menor(1, 1)
0 1

Aplicado con Eviews

0 1
menor(1, 2) = −1 = , cof(1, 2) = (−1)(1+2) menor(1, 2)
1 1

0 1
menor(1, 3) = −1 = , cof(1, 3) = (−1)(1+3) menor(1, 3)
1 0
n
X
|A| = aij cof (i + j)
j=1
|A3×3 | + ai1 cof (i + 1) + ai2 cof (i + 2) + ai3 cof (i + 3)
. Propiedades
Qn
a) Matriz Diagonal |Dn×n | = 1 aij
b) Sea Bn×n , |A| =
6 0,c ∈ R
|CB| = C n |B|
c) Sea An×n , Bn×n |AB| = |A||B|
d ) |A| = |A0 |
. Aplicación MCO
Expresar un vector yn como combinación lineal de vectores de la matriz Xn×k
a) y ∈ col(Xn×k )
donde col(Xn×k )es el espacio generado por las columnas de X, donde cada columna
tiene n componentes.
La dimensión de un espacio = N 0 col LI = N 0 vectores LI = k
Es posible encontrar un b : y = Xb
b) Si y ∈
/ col(Xn×k )
y = Xb+e
      
1 6 1 2 b1 1
1 = −1 −1 3 b2  + −1
2 0 0 0 b3 2
X 0e = 0
Figura 2.5:

Aplicado con Eviews
2.1.9. Sistema de Ecuaciones Lineales
    
a11 a12
. . . a1k x1 0
 a21 a22
. . . a2k  x2  0
   
An×k Bk×1 = 0n×1 ⇒ . ..   ..  =  .. 
 
..
..
 .. . . .   .  .
an1 an2 . . . ank xk 0
¿En qué casos existe solución no trivial para estas ecuaciones?
∃ ! X 6= 0 cuando Rang(A) < k A no tiene rango completo por columnas

EJEMPLO:
1.
A = [1] AX = 0 A tiene rango completo
X = [x] X = 0 ⇒ X = 0 y la solución es trivial
2.
x1
A = [1, 2] X = Rang(A) = 1 < 2 = k
x2
AX = 0
x1 + 2x2 = 0
X tiene infinitas soluciones a parte la trivial.
3.
1 1 x1 0
A = := Rang(A) = 2 6< < 2 = k
1 −1 x2 0
⇒ x1 + x2 = 0
⇒ x1 − x2 = 0
Lo que serı́a imposible a menos que (x1 , x1 ) = (0, 0)
An×n Xn×1 = bn×1
Tipos de Sistemas de Ecuaciones
1. Homogéneas AX = 0
2. No Homogéneas AX = b , b 6= 0
. Sistemas de Ecuaciones Homogéneas
An×n Xn×1 = 0
Para que exista solución (x 6= 0) el Rang(A) < n
Si existe una solución, entonces es posible escribir una columna como combinación
lineal de los otros

a1 a2 . . . an x1 x2 . . . xn = 0
a1 x1 + a2 x2 + . . . + an xn = 0

Aplicado con Eviews
1
ak = (a1 x1 + a2 x2 + . . . + an xn )
xk
Si
Rang(An×n ) < n ⇔ |A| = 0
. Sistemas de Ecuaciones no Homogéneas
An×n Xn×1 = bn×1 b 6= 0

Si (x 6= 0) es solución, b es escogido arbitrariamente a partir de una combinacion
lineal de las columnas de A.
¿Cual es la solución de A que asegura que se tiene solución? Dado que bn×1 ,
X 6= 0 existe si las columnas de A generan todo el espacio <n
⇔ Si las columnas de A son base de <n
⇔ Si las columnas de A son L.I
⇔ |A| =6 0
2.1.10. Inversa de una matriz

Definición: Sea Anxn . La inversa de A es una matriz Bnxn
BA = In =⇒ B = A−1
Si,
BA = I
AB = I
=⇒ B = A−1
Tenemos: Si A−1 A = I =⇒ AA−1 = I ,

Demostración: AA−1 = I =⇒ AA−1 A = AI ⇐⇒
AA−1 A = IA = A
AA−1 AA−1 = AA−1 = I

AA−1 = I
Si la inversa existe, es única:

Por contradicción asumamos que A tiene 2 inversas B y C.
=⇒ CAB = CAB
(CA)B = CAB
IB = C(AB)
B = CI
B=C
Por lo tanto, AX = b =⇒ A−1 AX = A−1 b =⇒ X = A−1 b

Aplicado con Eviews
Cálculo de la inversa:

a11 a12
A=
a21 a22

−1 1 a11 −a12
A =
|A| −a21 a22
Si A es singular |A| = 0 =⇒ A−1 no existe.
Forma general:
Sea Anxn = [aixj ]
Cji
A−1 = [aixj ]0 , aixj = , Cji = (−1)j+i |Aji |
|A|
1 1
A−1 = (matriz C)0 = Adjunta(A)
|A| |A|
Caso particular:
 
α1 0 ... 0
0 α2 . . . 0 
D= .
 
.. . . . 
 .. . . .. 
0 0 . . . αn
 1 
α1 0 ... 0
0 1
−1 α2 ... 0 
D = .
 
.. .. ..
 ..

. . . 
1
0 0 ... αn
Propiedades:
. |A−1 | = 1
|A|
. (A−1 )−1 = A
. (A−1 )0 = (A0 )−1
. Si A es simétrica (A0 = A), entonces A−1 es simétrica.
. Si |A| =
6 0, |B| =
6 0, |A| =
6 0 entonces:
(AB)−1 = B −1 A−1
(ABC)−1 = C −1 B −1 A−1
EJEMPLO:
Condición de primer orden del problema MCO.

Aplicado con Eviews
Min (y − xb)0 (y − xb)
x0 y = (x0 x)b
(x0 x)−1 (x0 y) = (x0 x)−1 (x0 x)b
b = (x0 x)−1 x0 y, es unica condicion ya que
(x0 x)−1 6= 0
⇐⇒ |x0 x| =
6 0
⇐⇒ Rang(x0 x) es completo
⇐⇒ Rang(xnxk ) es completo por columna = k
⇐⇒ las columnas de xnxk son linealmente independientes.
2.1.11. Matrices Particionadas

Pr Ps
Sean A ∈ M( mxn), m1 , . . . , mr n1 , . . . , ns ∈ Naturales con i=1 mi =my j=1 nj =
n. La matriz A puede representarse como:
 
A11 · · · A1s
A =  · · · · · · · · · 
Ar1 ··· Ars
Donde Aij ∈ Mmij xnj

Se dice que A está¡ particionada en rs bloques por: (m1 , . . . , mr ; n1 , . . . , ns )
Suma y Multiplicación:
Las submatrices deben de tener las misma dimensión

A11 A12 B11 B12
M= ±
A21 A22 B21 B22

A11 A12 B11 B12 A11 B11 + A12 B21 A11 B12 + A12 B22
N= =
A21 A22 B21 B22 A21 B11 + A22 B21 A21 B12 + A22 B22
Donde A11 tiene igual ] de columnas que ] de filas de B11
Casos frecuentes:
.
0
A1 0 0
A1 A2 = A1 A2 A1 A2
A2
 
1 2
 1 0 
A1 = 
 1

1 
2 3

Aplicado con Eviews

0 1 1 1 2
A1 =
2 0 1 3
.
0 0 0
A11 0 A11 0 A11 0 A11 0 A11 A11 0
= 0 = 0
0 A22 0 A22 0 A22 0 A22 0 A22 A22
EJEMPLO:
y = xβ + µ
 
β1
 β2 
 
. . . x k  β3  + µ

y = i x 2 x3
 
 .. 
.
βk
y = iβ1 + β2 x2 + β3 x3 + . . . + βk xk + µ
   
β1
 β2  
  
 β3  
  
 ..  
 .  
y = X1 X2 
 +µ
βk
 1 

 βk +1 
 1 
 . 
 .. 
βk

B1
y = X1 X2 +µ
B2
Donde: X1 es de orden k1 , X2 es de orden k − k1
Determinantes de matrices:

A11 0
= |A11 ||A22 |
0 A22

Aplicado con Eviews

A11 A12
= |A22 ||A11 − A12 A−1
22 A21 |
A21 A22
= |A11 ||A22 − A21 A−1
11 A12 |
Inversa:
−1
A11 (I + A12 F2 A21 A−1 −1

A11 A12 11 ) A11 A12 F2
=
A21 A22 −F2 A21 A−1
11 F2
Donde: F2 = (A22 − A21 A−1

11 A12 )
−1
EJEMPLO: Desviación respecto a la media.
Yi = β1 + β2 Xi + µ , donde i = 1, · · · n
     
y1 1 x1 µ1
 y2  1 x2   µ2 
 β1
 ..  =  .. ..  + . 
    
 .  . .  2 β  .. 
yn 1 xn µn

β1
y= i x +µ
β2

β̂1 0 −1 0
= (X 0 X)−1 X 0 y = [i x]

[i x] i x y
β̂2
" 0 −1 #−1 0

β̂1 i i
= 0 i x 0 y
β̂2 x x
0 0 −1 0 0 −1 0
β̂1 ii ix ii ix iy
= 0 0 0 0 0
β̂2 xi xx xi xx xy
Si me interesa encontrar solo β̂2
β̂2 = F2 = (A22 − A21 A−1

11 A12 )
−1

Aplicado con Eviews
0 0 0 0
F2 = (x x − x i(i i)−1 i x)−1
0 0 1 0
F2 = (x x − x i i x)−1
n
" 0
#−1
0 ii
F2 = x (I − )x
n
0
F2 = (x M0 x)−1
0 0
β̂2 = (x M0 x)−1 x y
0 0 0
= (x M0 M0 x)−1 x y
P 0
xy
= P
(xi − x)2
2.1.12. Producto Kronecker

Se llama producto de Kronecker, denotado con ⊗, a una operacion sobre dos matrices
de tamano arbitrario que da como resultado una matriz bloque.
Sea Anxn y Bpxq entonces el producto de Kronecker A⊗B es la matriz bloque mp ×nq
 
a11 B a12 B . . . a1m B
 .. .. 
 . a22 B . . . . 
A⊗B =
 .. .. .. .. 

 . . . . 
an1 B an2 B . . . anm B nxm
Propiedades:
. (A ⊗ B)−1 = A−1 ⊗ B −1
. Sea Amxm , Bnxn matrices ⇒ |A ⊗ B| = |A|n |B|m
0 0 0
. (A ⊗ B) = A ⊗ B
. T r(A ⊗ B) = T r(A)T r(B)
. (A ⊗ B)(C ⊗ D) = AC ⊗ BD
Aplicación en Eviews
Sea A, una matriz de orden 3x3 y B una matriz de orden 3x3
wf u 100
matrix(3, 3)A
A.f ill(b = r)2, 4, 3, −1, 3, 4, 3, 0, 1
B.f ill(b = c)1, 2, 4, −1, 2, 5, 3, −6, 9
matrixf inal = @kronecker(A, B)

Aplicado con Eviews
2.1.13. Raices y vectores caracterı́sticos
Sea el sistema de ecuaciones: Ac = λc. Si ∃!c = 0 tal que Ac = λc ⇒ para algun λ ⇒ λ
es raı́z caracteristica o valor propio y c, vector caracteristico.
⇒ solución: λ1 cnx1
0
⇒ normalizar c c = 1 equivalente a (ci 2 )1/2 = 1 : norma euclideana.
P
⇒ necesitamos (n − 1) vectores c
Ecuacion caracteristica:
Ac = λc
(A − λI)c = 0, siAc = 0
si |A − λI| , ∃!c 6= 0⇒ ∃ una solución.
observaciones:
. Las raices no son reales necesariamente.

. Si A es simetrica ⇒ los ceros (λ) son reales.
0
. Los λ s pueden ser iguales.
0
Vector caracteristico: (A − λI)c = 0, donde c es único, si c c = 1
Resultados Generales:
. Akxk es simetrica, tiene k vectores caracteristicas, sin embargo los λ1 , λ2 , . . . , λk

pueden ser iguales.
. Los vectores caracteristicos son ortogonales.
sea:
ci asociado a λi
cj asociado a λj
Entonces:
0
ci cj = 0
. Sea:
Matriz caracteristica:

c = c1 c2 . . . ck
Matriz diagonal asociada a A:

 
λ1 0 . . . 0
 0 λ2 . . . 0 
Λ= .
 
. .. . . .. 
. . . .
0 0 . . . λk
Luego el conjunto de soluciones para Ac = λc

Aplicado con Eviews
Donde


Ac1 = λ1 c1

Ac2 = λ2 c2

Ac = λc = .. .


 . = ..

Ack = λk ck

 
λ1 0 . . . 0
 0 λ2 . . . 0 


A c1 c2 . . . ck = c1 c2 . . . ck  . . . .
 .. .. . . .. 

0 0 . . . λk

Ac1 Ac2 . . . Ack = λ1 c1 λ2 c2 . . . λk ck
. Adicionalmente:
Se sabe que
0
ci cj = 0 (por ortogonalidad)
0
ci ci = 1 (norma)
luego:
 0  0 
c1 c1 c1 0 ... 0
0 0
0 c2   0 c2 c2 . . . 0 
0  
c c = c1 c2 . . . ck c1 c2 . . . ck =  .  c1 c2 . . . ck =  . ..  = I

. . .
. . .
 .   . . . . 
0 0
ck 0 0 . . . ck ck
Teorema:
Rango de una matriz simetrica es igual al numero de raices caracteristicas o valores pro-
pios diferentes de cero.
 
λ1 0 ... 0
0 λ2 . . . 0 
 
 .. .. . . .. 
. . . .
0 0 . . . λk
Teorema:
0
Rango de una matriz no cuadrada Anxk es igual al ]λ 6= 0 que contiene A Akxk
Si
0
Rang(Anxk ) = Rang(A A) = k

Aplicado con Eviews
EJEMPLO: Analisis de Multicolinealidad
Condicion de numero de una matriz:

1 x1 . . . xk
donde xi es combinacion lineal de algun otro vector.
0
(x x)−1 no existe.
0
|x x| = 0
correlación entre dos columnas:
λmax 1/2
γ = |( )|
λmin
si |A| = 0 ⇒ algun λ = 0
si ↑ γ ⇒ λmax >> λmin ≈ 0 ⇒ |A| ≈ 0 (cuasi multicolineal)
En la practica γ > 20 (multicolinealidad).
2.1.14. Diagonalizacion y descomposicion de una matriz

0
Λ = x Ax (diagonalizacion)
Ac = cΛ
0 0 0
c Ac = c cΛ , si A es simetrica y c c = I
0
c Ac = Λ
0
Descomposicion Espectral: A = cΛc
Observaciones:
Si Anxn no es simetrica, entonces:
0
Λ = c Ac
0
A = c Ac−1
Si Anxn es simetrica, entonces:
Rang(Λnxn ) = Rang(A)
0
Rang(c Ac) = Rang(A)
Teorema:
Rango de una matriz simetrica es igual al numero de raices caracteristicas o valores propios
diferentes de cero.
 
λ1 0 . . . 0
 0 λ2 . . . 0 
 
 .. .. . . .
. . . .. 
0 0 . . . λk
Teorema:
0
El rango de una matriz no cuadrada Anxk es igual al ]λ 6= 0 que tiene A Akxk
0
Si Rang(Anxk ) = Rang(A A) = k

Aplicado con Eviews
Traza:
Propiedades:
Pn
. T r(Anxn ) = 1 aij , Donde A es simetrica.
. Tr(CA) = CT r(A).
0
. T r(A ) = T r(A).
. T r(A + B) = T r(A) + T r(B).
. T r(±K) = K.
. T r(AB) = T r(BA).
. T r(ABC) = T r(BCA) = T r(CAB).
0 0 0
. T r(a a) = a a = T r(aa )
Teorema:
T r(Anxn ) = λ1 + λ2 + . . . + λn
0
Λ = C AC
0
T r(Λ) = T r(C AC)
0
T r(Λ) = T r(ACC )
T r(Λ) = T r(A)
X X
T r(Λ) = aij = xi = T r(Λ)
Determinante:
Sea Anxn simetrica ⇒ |Anxn | = λ1 λ2 λ3 . . . λn
0
Λ = C AC
0
|Λ| = |C AC|
0
|Λ| = |C ||A||C|
0
|Λ| = |C ||C||A|
0
|Λ| = |C C||A|
|Λ| = |A| = πλi
De aqui se puede afirmar que Anxn es singular |A = 0| ⇔ al menos un lambdai = 0

Aplicado con Eviews
Potencia de una matriz:
.
0 0
AA = A2 = (CΛC )(CΛC )
0 0
AA = A2 = (CΛC CΛC )
0
AA = A2 = (CΛ2 C )
.
A0 = I
6 0) y λi = 0 ∀i, la potencia puede ser un numero negativo.
. Si A es no singular (|A| =
.
0
A−1 = (CΛC )−1
0 −1
A−1 = C Λ−1 C −1
0 0
Luego, si C −1 = C , C C = I
A−1 = (C −1 )−1 Λ−1 C −1

0 0
A = CΛ−1 C , solo cuando λi 6= 0
Teorema:
Si A−1 existe, entonces:

. Las raices caracteristicas de A−1 son λ−1
i (de la matriz original).
. Los vectores caracteristicos son los mismos que los de A.
Teorema:
Sea Anxn una matriz simetrica, ademas |A| =6 0
0 0
Luego: si A = CΛC ,entonces Ak = CΛk C , ∀ k ∈ número enteros.
Raiz cuadrada de una matriz:

0
Si λi > 0 ⇒ A1/2 = CΛ1/2 C
Independencia Lineal:
v1 a1 + v2 a2 6= 0 ∀a1 , a2 6= 0
Dependencia Lineal:
v1 a1 + v2 a2 = 0
−a2
v1 = v2
a1
Caso usual: A es definida positiva.

Aplicado con Eviews
1. Anxn positiva semidefinida ⇒ |A| =
6 0, |A| ≥ 0
No se cumple lo contrario
Contraejemplo:
−1 0
0 −2
donde: λ1 = −1 , λ2 = −2 por lo que A seria negativa semidefinida.
Ademas: |A| = 2 > 0
2. A p.d ⇒ A−1 p.d

0
A = cΛc (descomposicion espectral) para λi > 0 ∀i = 1 . . . n
0
A−1 = cΛ−1 c
3.

1 0
I=
0 1
Donde: λi = 1, ∀i = 1 . . . n
Por lo tanto: I es p.d
4. Sea: Anxk , n > k Rang(Anxk ) = k

0
. A A es p.d
0
. AA es p.s.d
0 0
. Se desea demostrar que ∀x 6= 0, x APAx > 0
0 0 0 0
∀x 6= 0 xPA Ax = (Ax) Ax = ξ ξ = ξi 2 > 0
0
∀x 6= 0 ξi 2 = ξ ξ = 0 si ξ = 0
0 0 0
ξ = Ax 6= 0 Rang(Anxk ) = K x A Ax = ξi 2 > 0 por lo tanto, A A es p.d
P
0 0
5. Si A es p.d y |B| =
6 0 ⇒ B AB es p.d
0 0 0
∀x 6= 0 X (B AB )X > 0
⇒ ∀x 6= 0
0 0 0
X B ABX = (BX) A(BX)
0
ξ Aξ > 0 ⇒ ξ 6= 0 , ademas:BX 6= 0 , |B| =
6 0
0
Se cumple: si A es p.d ⇒ ∀ξ 6= 0, ξ Aξ > 0
Formas cuadraticas idempotentes:
. Anxn simetrica e indempotente siempre es p.s.d

λi = 1 ∀xi = 0 ⇒ A p.s.d por los menos sera p.d solo en el caso de Inxn
0 P5 2
. Anxn , simetrica e indempotente, ademas Rang(A) = 5, ⇒, ∀x, x Ax = 1 yi .
∀x 6= 0,
0 0 0
x Ax = x cΛc x

Aplicado con Eviews
0 0 0 0
x Ax = (c x) Λ(c x)
n j
0 0
X X
x Ax = y Λy = λi yi2 = (yi )2
1 1
Donde: T r(A) = j, hay (n − j) ceros.
EJEMPLO:
β̂mco = (x0 x)−1 x0 y

β̂mcg = (x0 λ−1 x)−1 x0 λ−1 y, donde λ−1 es p.d y simetrica.
v(β̂mco ) − v(β̂mcg ) > 0
2.1.15. Derivadas y Matrices

Formulas: Sean Anxn , xnx1 , anx1
.
0
∂a x
=a
∂x
.
∂Ax 0 ∂Ax
=A, =A
∂x ∂x0
.
0
∂x Ax 0
= Ax + A x
∂x
0
si A = A ⇒
0
∂x Ax
= 2Ax
∂x
Vector Gradiente:
Sea: F (x1 , x2 , . . . , xn )
 ∂F 
∂x1
∂F  ∂F 
 ∂x 
∆Fx = =  .2 
∂x  .. 
∂F
∂xn

Aplicado con Eviews
Matriz Hessiana:
 ∂F 
∂2F ∂2F ∂2F
 
∂x1
∂x1 ∂x1 ∂x1 ∂x2 ... ∂x1 ∂xn
∂2F ∂ ∂F ∂  ∂F  .. .. ..
  ∂x2  .. 
= 0 = 0  .  = 
 . . . . 
∂x∂x ∂x ∂x ∂x  ..  .. ..

∂2F
∂F . . ... ∂x2n
∂xn
Teorema: Rango de una producto
Sea Amxn cualquier matriz y Bmxm , Cnxn tal que |B| =

6 0, |c| =
6 0 ⇒ Rang(BAC) =
Rang(A)
Rang(BAC) = Rang [(BA)C] = Rang(BA)

Recordar: Rang(AB) = Ran(B) = n
0 0 0
⇒ Rang(BA) = Rang(A B ) = Rang(A ) = Rang(A)

Aplicado con Eviews

Aplicado con Eviews
Sesión 3
Repaso Estadı́stico
3.1. Sumatorias
La sumatoria o la operación de suma, es un operador matemático que permite repre-
sentar sumas de muchos sumandos, n o incluso infinitos sumandos. Se expresa con la letra
griega sigma ( Σ ), y se define como:
n
X
xi = xm + xm+1 + xm+2 + · · · + xn
i=m
Propiedades:
Pt Pt
. n=s C · f (n) = C · n=s f (n), donde C es una constante.
Pt Pt Pt
. n=s f (n) ± n=s g(n) = n=s [f (n) ± g(n)].
P P P
. Xi · Yi 6= Xi · Yi .
P 2
Xi 6= ( Xi )2
P
.
Pn
Xi fi
. X= i=1
n . Donde fi son las frecuencias de cada Xi
3.2. Probabilidades y Variables Aleatorias

3.2.1. Probabilidades
La probabilidad de un evento es la razón entre el número de casos (sucesos) favorables
y el número total de casos posibles. Siempre que todos los casos sean igualmente posibles.
Sea: N (Ω) = n, el numero de elementos del espacio muestral (número total de sucesos)
y N (A) = nA , es el número de elementos del evento A (o número de sucesos favorables);
la probabilidad del evento A, denotado por “P [A]” es la razón de N(A) a N(Ω), o sea:
N (A) n(A) numero de casos f avorables

P [A] = = =
N (Ω) n numero de casos posibles
Axiomas
. 0 ≤ P (A) ≤ 1 (la probabilidad de un evento cualquiera A está comprendido entre

0 y 1.
51
52 3. Repaso Estadı́stico
. P (Ω) = 1
. Si A1 , A2 , A3 , . . . es una secuencia numerable de eventos mutuamente excluyentes
definidos en Ω , entonces P [A1 ∪ A2 ∪ A3 . . .] = P [A1 ] + P [B1 ] + . . .
Propiedades
. si φ es el evento imposible, entonces P[φ] = 0

. Para cada evento A, se cumple que: P (Ac ) = 1 − P (A)
. Si A ⊆ B entonces P(A) ≤ P(B)
. P(A ∪ B)= P(A) + P(B) - P(A ∩ B)
. P(A ∪ B ∪ C )= P(A) + P(B) + P(C) - P(A ∩ B) - P(A ∩ C) - P(C ∩ B) + P(A
∩ B ∩ C)
Probabilidad condicional
Sea A y B dos eventos en un espacio muestral Ω. La probabilidad condicional de B

dado A es el número P(B/A) que se define por:
si P (A) > 0
P (A ∩ B)
P (B/A) =
P (A)
NOTAS:
. Si P (A) = 0, se define P (B/A) = 0

. Observe que (A∩B) ⊂ A luego, cada vez que se calcula P (B/A) estamos realmente
calculando P(B) con respecto al espacio muestral reducido A. Por esto, P(B/A) se
interpreta también como la actualizacion de P(B) cuando el evento A ha ocurrido.
. En particular si A y B son dos eventos de un espacio muestral finito equiprobable
Ω, la probabilidad condicional de B dado A se calcula por.
si ]A > 0
]P (A ∩ B)
P (B/A) =
]P (A)
. Si (A ∩ B) = ∅, entonces, P (B/A) = 0
. Si (A ⊂ B), entonces, P(B/A)= P(A/A)=1
P (B)
. Si B ⊂ A, entonces, P(B/A)= P (A)
Teorema de Bayes
1. Particion de un espacio muestral.
Se dice que la colección de eventos B1 , B2 , B3 , . . . , Bk del espacio muestral Ω

representa una partición del espacio muestral Ω, si cumple las siguientes condi-
ciones:(ver grafico 3,1)

Aplicado con Eviews
3.2. Probabilidades y Variables Aleatorias 53
Figura 3.1: Particion del espacio muestral
. Bi ∩ Bj , i6= j, i, j = 1, 2, 3, . . . , k (Los eventos B1 , B2 , B3 , . . ., Bk son mu-

tuamente excluyentes)
. ki=1 Bi = Ω (Los eventos B1 , B2 , B3 , . . ., Bk son colectivamente exhaustivos)
S
. P [Bi ] ≥ 0, i = 1, 2, 3, . . . , k
2. Teorema de probabilidad total
Sea B1 , B2 , B3 , . . . , Bk una particion del espacio muestral Ω, entonces para cual-

quier evento A en Ω, se cumple:
k
X
P [A] = P [Bi ]P [A/Bi ] = P [B1 ]P [A/B1 ] + P [B2 ]P [A/B2 ] + . . . +
i=1
P [Bk ]P [A/k2 ]
Figura 3.2: Relacion entre el evento A en Ω y la particion de Ω
3. Teorema de Bayes
Si los eventos B1 , B2 , B3 , . . . , Bk forman una partición del espacio muestral Ω

y para cualquier evento A de Ω, tal que P (A) > 0 se tiene que:
P (A) x P (B/Ai )
P (Ai /B) = , para cada i = 1, 2, . . . , k
P (B)
EJEMPLO:
De 2000 usuarios de “TV cable”, 1000 tienen el paquete completo (P1 ) de 120 canales
de TV, 600 tienen el paquete intermedio (P2 ) de 50 canales y el resto el paquete básico

Aplicado con Eviews
(P3 ) de 25 canales. De los registros de pagos se sabe que son morosos el 3 %,4 % y el 5 %
de los usuarios respectivamente en cada paquete. Si se elige un usuario al azar de la lista
de los usuarios respectivamente en cada paquete. Si se elige un usuario al azar de la lista
de los usuarios de “TV cable”.
Hallar la probabilidad de que sea un usuario moroso.
Hallar la probabilidad de que tenga el paquete intermedio, si el usuario es moroso.
Solución:
Sean los eventos:
Ai = “El usuario tiene el paquete Pi ”, i = 1, 2, 3.
B = “El usuario es moroso”
Las probabilidades P (Ai ) y P (B/Ai ) se ubican en el digrama de árbol que sigue, donde:
P (A1 ) = 1000/2000 = 0,5, P (A2 ) = 600/2000 = 0,3, P (A3 ) = 400/2000 = 0,2
P (B/A1 ) = 0,03, P (B/A2 ) = 0,04, P (B/A3 ) = 0,05
Figura 3.3: Diagrama de arbol
a) La probabilidad de que el usuario sea moroso, es la probabilidad total:
P (B) = P (A1 )P (B/A1 ) + P (A2 )P (B/A2 ) + P (A3 )P (B/A3 )

P (B) = 0,5(0,03) + 0,3(0,04) + 0,2(0,05) = 0,037
b) La probabilidad de que el usuario tenga el paquete intermedio, es por Bayes:
P (A2 P (B/A2 ) 0,3 ∗ 0,04

P (A2 /B) = = = 0,3243
P (B) 0,037

Aplicado con Eviews
3.2.2. Variables Aleatorias
Una variable estadı́stica es una caracteristica (cualitativa o cuantitativa) que se mide
u observa en una poblacion. si la población es aleatoria y la caracterı́stica es cuantitativa,
entonces, la variable estadı́stica es denominada variable aleatoria. Por lo tanto, la variable
aleatoria es un concepto particular del concepto general que es la variable esdı́stica. Final-
mente la variable aleatoria es una variable estadı́stica cuantitativa definida en un espacio
muestral Ω.
Clasificación:
Las variables aleatorias son variables cuantitativas, por lo tanto, se clasifican en dis-
cretas y continuas.
Variable aleatoria discreta

La variable aleatoria discreta es aquella entre cuyos valores posibles no admite otros.
Su rango es un conjunto finito o infinito numerable de valores. Si la variable aleatoria
X es discreta, su rango se expresará en general por:
Rx = {x1 , x2 , x3 , . . . , xk , . . .}
1. Función de probabilidad de una variable aleatoria discreta.
Sea X una variable aleatoria discreta. Se denomina función de probabilidad de

x a la función f(x) definidia por f (x) = P [X = x] en todo x número real y que
satisface las siguientes condiciones:
P ≥ 0 ∀x ∈ <
i) f(x)
ii) xi ∈<x (f (xi )) = 1
La condicion ii) se desarrolla como:

k
X
f (xi ) = 1, cuando Rx = {x1 , x2 , x3 , . . . , xk } es f inito.
i=1
∞
X
f (xi ) = 1, cuando Rx = {x1 , x2 , x3 , . . . , etc} es f inito
i=1
NOTAS:
. Si A ⊂ Rx , entonces, la probabilidad de A es el número:

X X
P (A) = P [X = xi ] = f (xi )
xi ∈A xi ∈A
. La función de probabilidad de una variable aleatoria X se representa usual-
mente en una tabla(ver grafico ). Tambien se representa gráficamente, esta
grafica consiste de segmentos verticales continuos o punteados de longitud
proporcional a la probabilidad respectiva en cada valor xi de la variable (ver
grafico ).

Aplicado con Eviews
Figura 3.4: Representación tabular de la distribución de probabilidad
Figura 3.5: Representación Gráfica de la distribución de probabilidad
2. Función de distribución de una variable aleatoria discreta.
La función de distribución es llamada también función de distribución acumu-

lativa ya que se consideran eventos de la forma:
[X ≤ x] y su probabilidad inducida P [X ≤ x]
La función de distribución acumulativa de probabilidades de la variable alea-
toria discreta X, cuya función de probabilidad de f(x), se define en todos los
números reales por:
X X
F (x) = P [X ≤ x] = P [X = k] = f (k), para − ∞ < x < ∞.
k≤x k≤x
EJEMPLO:
Sea x la variable aleatoria que se define como el número de caras obtenidas al lanzar
un moneda 4 veces.
a) Obtenga y gráfique la función de distribucion acumulativa F(x).

b) Aplicando la función F(x), calcule la probabilidad P [0 < X < 2].
Solución:
a) La distribución de probabilidades de la variable aleatoria X se resume en la siguiente

tabla:
La función de distribución acumulativa, se define para todo número real como sigue:
Si x < 0, entonces, F (x) = 0

Si 0 ≤ x < 1, entonces, F (x) = F (0) = f (0) = 1/16

Aplicado con Eviews
Figura 3.6: Distribucion de probabilidades
Si 1 ≤ x < 2, entonces, F (x) = F (1) = f (0) + f (1) = 1/16 + 4/16 = 5/16

Si 2 ≤ x < 3, entonces, F (x) = F (2) = f (0) + f (1) + f (2) = 11/16
Si 3 ≤ x < 4, entonces, F (x) = F (3) = f (0) + f (1) + f (2) + f (3) = 15/16
Si x ≥ 4, entonces, F (x) = F (4) = f (0) + f (1) + f (2) + f (3) + f (4) = 1
Por tanto, la función de distribución acumulativa está dada por:
Figura 3.7: Distribucion de probabilidades
La gráfica de esta función de distribución acumulativa es siguiente figura, que describe

una forma de escalera con “saltos” en los valores de x=0,1,2,3,4 (Ojiva discreta).
Figura 3.8: Funcion de distribucion acumulada de variable discreta
b) P[0 < X ≤ 2] = P[X ≤ 2] - P[x ≤ 0] = F(2) -F(0) =11/16 -1/6=10/16.
Variable aleatoria continua

Si el rango Rx , de una varable aleatoria X es un intervalo sobre la recta de los
nUmeros reales, se llama variable aleatoria continua.
1. Función de densidad de probabilidad.

Aplicado con Eviews
Sea X una variable aleatoria continua con rango Rx , donde la masa total de
la probabilidad está repartida de modo continuo sobre un intervalo de la recta
real. La función de densidad de probabilidad asociado a la variable alea-
toria , es una función f (x) integrable que satisface las siguientes condiciones:
1. fR (x) ≥ 0 : ∀ x ∈ <R( o f (x) > 0 : , x ∈ Rx

+∞
2. Rx f (x)dx = 1 ( o −∞ f (x)dx)
2. Función de distribución.
Sea X una variable aleatoria continua con función de densidad f (x). La función
de distribución (o función de distribución acumulada) de la variable
aleatoria X, denotado por “F (x)00 , se define por:
Rx Rx
F (x) = P [X ≤ x] = −∞ dF (x) = −∞ f (x)dx, ∀x ∈ <, donde dF (x) = f (x)dx
EJEMPLO:
Sea X una variable aleatoria con función de densidad definida por

(
3x
(2 − x), si 0 ≤ x ≤ 2
f (x) = 4
0, de otra forma
a) Hallar la función de distribución de X y su gráfica.

b) F(1)
Solución:
a) La función de distribución F(x) está definida para todo x ∈ <, entonces se

tienen los siguientes casos:
Rx
1. Si x < 0, F (x) = P [X ≤ x] = −∞ 0dt =0
Rx R0 Rx 3
2. Si 0 ≤ x < 1, F (x) = P [X ≤ x] = −∞ f (t)dt = −∞ 0dt + 0 4 t(2 − t)dt =
3 x
0 + 3 (t2 − t ) = 3 x2 (1 − x )
4 3 0 4 3
Rx R2 3
Rx
3. Si 0 ≤ x ≤ 2, F (x) = P [X ≤ x] = −∞ f (t)dt = 0+ 0 4 t(2−t)dt+ 2 0dt =1
De(1),(2) y (3) la función de distribución de la variable aleatoria es:

0,
 si x < 0
F (x) = 43 x2 (1 − x3 ), si 0 ≤ x < 2

1, si x ≥ 2

A continuación, se muestra la gráfica de F(x):

(b) F (1) = P [X ≤ 1] = 34 (1)2 (1 − 13 ) = 21

Aplicado con Eviews
Figura 3.9: Función de distribución de F(x)
Conceptos:
. Momentos poblacionales con respecto al origen
Los momentos deRorden 1, 2, ... con respecto al origen se definen por:

+∞
µr = E(X r ) = −∞ xr dF (x) =
(P
r
x∈Rx xi p(x) (si X es v.a discreta)
R +∞ r
−∞ x f (x)dx (si X es v.a continua)
. Esperanza matemática
La esperanza matemática de X, es el momento poblacional con respecto al origen de

orden 1, se llama también, media de la variable aleatoria, y suele denotarse por µ
µ = E(x)
Sea X una v.aleatoria e Y = H(X) una función de X. El valor esperado de la función

H(X), denotado por “E[H(x)]00 , se define por:
(P
x∈Rx H(x)p(x) (si X es discreta)
R +∞
−∞ H(x)f (x)dx (si X es v.a continua)
Propiedades
Si X es una v.aleatoria, a y b constantes:
a) E(a) = a
b) E[aH(X)] = aE[H(X)] = aµ
c) E[aH(x) + b] = aE[H(x)] + b = aµ + b
d) E[aH(x) + bG(x)] = aE[H(x)] + bE[G(x)]
. Momentos poblacionales con respecto a la media

Aplicado con Eviews
Al existir la esperanza matemática se una v.a, pueden definirse asimismo momentos con
respecto a dicha esperanza por medio de:
mr = E[(x − µr )] =
(P
r
x∈Rx (xi − µ) p(x) (si X es v.a discreta)
R +∞ r
−∞ (x − µ) f (x)dx (si X es v.a continua)
El momento m1 es igual a cero para toda v. aleatoria: m1 = E[(x − µ)] E(x) − µ = 0
. Varianza y desviación de una variable aleatoria
La varianza de X, es el momento poblacional con respecto a la media de orden 2, suele

denotarse por V ar(x) o σ 2
V ar(x) = σ 2 = E[(x − µ)2 ]

(P
2
x∈Rx (xi − µ) p(x) (si X es v.a discreta)
R +∞ 2
−∞ (x − µ) f (x)dx (si X es v.a continua)
La desviación tı́pica σ se define como la raı́z cuadrada, con signo positivo, de la varianza
de la variable aleatoria.
Propiedades de la varianza
Si X es una v.aleatoria con media µ, a y b constantes:

a) V ar(a) = 0
b) V ar(X) = σ 2 = E(X 2 ) − [E(X)]2 = E(X 2 ) − µ
Demostración:
V ar(X) = E[(X − µ)2 ]
= E(X 2 − 2Xµ + µ2 )
= E(X 2 ) − 2µE(X) + µ2 )
= E(X 2 ) − µ2 , (E(X) = µ)
c) V ar(aX) = a2 V ar(X)
d ) V ar(aX + b) = a2 V ar(X)
Demostración:
V ar(aX + b) = E[(aX + b)2 ] − [E(aX + b)]2
= E([a2 X 2 + 2abX + b2 ])
= a2 E(X 2 ) + 2abE(X) + b2 − [a2 [E(X)2 + 2abE(X) + b2 ]
= a2 [E(X 2 ) − [E(X)]2 ]
= a2 V ar(X)
. Asimetrı́a y curtosis

Aplicado con Eviews
AsimetrIa
Se llama asimetrı́a o sesgo de una variable aleatoria X a la relación:
E[(X − µ)3 ] µ3
Sk = 3
= 3
σ σ
La medida Sk es positiva, negativa o cero. Si:
Sk > 0 ⇒ la distribuciOn estA sesgada a la derecha (asimetrı́a positiva)
Sk < 0 ⇒ la distribución estA sesgada a la izquierda (asimetrı́a negativa)
Sk = 0 ⇒ la distribución es simEtrica con respecto a la media.
Curtosis
Se llama curtosis o coeficiente de curtosis de una variable aleatoria X a la relación:
E[(X − µ)4 ] µ4
Ck = 4
= 4
σ σ
. Desigualdad de Chebyshev
Si la variable aleatoria X tiene esperanza matemática µ y varianza σ 2 finitas, es decir

existen:
1
P [|X − µ| ≥ kσ] ≤ 2 , ∀ k > 1
k
. Variables aleatorias bidimensionales
Si Ω es el espacio muestral asociado a un experimento aleatorio , y X e Y dos funciones,

que asigna un nUmero real x = X(ω), y = Y (ω) a cada uno de los elementos ω ∈ Ω;
el par (X,Y) se llama variable aleatoria bidimensional o vector bidimensional.
a) Variable aleatoria bidimensional discreta
Si los posibles valores de (X,Y) son finitas o infinito numerable, entonces (X,Y) se
llama variable aleatoria bidimensional discreta. Es decir, los posibles valores
de (X,Y) se puede representar por,
(xi , yi ), i = 1, 2, . . . , n ; j = 1, 2, . . . , m con rango RX×Y . A cada posible resultado
(x,y) de (X,Y), se le asocia un número,
p(x, y) = P [X = x, Y = y]
llamado función de probabilidad conjunta, que cumple las siguientes condicio-
nes,
P y) ≥ 0 ∀P
* p(x, (x, y)
* (x,y) ∈ RX×Y p(x, y) = 0
Los valores [(x, y), p(x, y)] para todo (x, y) ∈ RX×Y , se denomina distribución
de probabilidad conjunta.
La función de distribución acumulada de la variable aleatoria bidimensional está de-
finida por,
x
X y
X
F (x, y) = P [X ≤= x, Y ≤= y] = p(u, v)
u=−∞ v=−∞

Aplicado con Eviews
La función de probabilidad individual para X e Y se llaman distribuciones de
probabilidad marginal o funciones de probabilidad marginal.
La Distribución Marginal para X, está dado por,

X X
pX (x) = P [X = x] = P [X = x, Y = y] = p(x, y)
y∈RY |X=x y∈Ry |X=x
donde y ∈ Ry |X = x es el rango de valores para Y, dado que X = x.
La Distribución Marginal para y, está dado por,

X
pY (y) = P [Y = y] = p(x, y)
y∈RX |X=x
b) Variable aleatoria bidimensional continua

Si los posibles valores de (X,Y) son todos los valores de un conjunto no numerable
del plano Euclediano, entonces (X,Y) se denomina variable aleatoria bidimen-
sional continua.
. Función de densidad de probabilidad condicional
La relación entre dos variables aleatorias puede verse hallando la distribución de cada
una de ellas, dado por el valor de la otra.
Recordando, la probabilidad condicional de A dado B:
P [A ∩ B]
P [A|B] =
P [B]
tenemos:
Variables aleatorias discretas

a) Función de densidad de probabilidad condicional de v.a discretas
Sean X e Y variables aleatorias discretas. Se define la función de densidad de
probabilidad condicional de X dado Y = y como sigue:
P [X = x, Y = y]
fX|y (x|y) = P [X = x, Y = y] =
P [Y = y]
∀ y / P [Y = y] > 0
b) Función de distribución condicional de v.a discretas
La función de distribución condicional de X dado Y = y, se define como:
X
FX|y (x|y) = P [X ≤ x, Y = y] = fX|y (x|y)
k≤x
∀ y / P [Y = y] > 0
c) Valor esperado condicional de v.a discretas
El valor esperado condicional de X dado Y = y, se define como:
X
E(X|Y = y) = xfX|y (x|y) ∀ y / P [Y = y] > 0
x

Aplicado con Eviews
EJEMPLO:
La distribución de probabilidad conjunta de las variables aleatorias X e Y está da-

da por la siguiente tabla:
y/x -1 1
1 1/8 1/4
2 1/2 1/8
X X
E(X|Y = 1) = xfX|y (x|y) = xP [X = x|Y = 1]
x∈Rx x∈Rx
(−1)P [X = x|Y = 1] + (1)P [X = x|Y = 1]

1 2 1
(−1)( ) + (1)( ) =
3 3 3
Ya que,
P [X = −1|Y = 1] 1/8 1
P [X = −1|Y = 1] = = =
P [Y = 1] 3/8 3
y
P [X = 1|Y = 1] 1/4 2
P [X = 1|Y = 1] = = =
P [Y = 1] 3/8 3
Variables aleatorias continuas
a) Función de densidad de probabilidad condicional para v.a con fdp conjunta f
Sean X e Y variables aleatorias con función de densidad de probabilidad con-
junta f. Se define la función de densidad de probabilidad condicional de X dado
Y = y como sigue:
f (x, y)
fX|y (x|y) =
fY (y)
∀ y / fY (y) > 0
b) Función de distribución condicional para v.a con fdp conjunta f
La función de distribución condicional de X dado Y = y, se define como:
Z x
FX|y (x|y) = P [X ≤ x, Y = y] = fX|y (t|y)dt
−∞
∀ y / fY (y) > 0
c) Valor esperado condicional para v.a con fdp conjunta f
El valor esperado condicional de X dado Y = y, se define como:
Z ∞
E(X|Y = y) = xfX|y (x|y)dx ∀ y / fY (y) > 0
−∞
. Varianza condicional
Sean X e Y variables aleatorias,la varianza condicional de X dado Y = y, se define
como:
σY |X 2 = E = [(X − E(X|y))2 |y]
Propiedades de varianza y esperanza (valor esperado) condicional

Aplicado con Eviews
a) E[a|Y ] = a
b) E[aX + bZ|Y ] = aE[X|Y ] + bE[Z|Y ]
c) E[X|Y ] ≥ 0 si x ≥ 0
d) E[X|Y ] = E[X] si X e Y son independientes
e) E[Xg(Y )|Y ] = g(Y )E[X|Y ]
f) E[X|Y, g(Y )] = E[X|Y ]
g) E[E(X|Y, Z)|Y ] = E[X|Y ]
h) V (X) = E[V (X|Y )] + V (E[X|Y ])
. Covarianza
Sean X e Y dos variables aleatorias con media µX y µY , respectivamente. La covarianza
de X e Y, denotado por “Cov(X, Y )00 , “σX,Y00 , se define por
Cov(X, Y ) = σX,Y = E[(X − µX )(Y − µY )] =

⇒ Cov(X, Y ) = E(X, Y ) − µX µY
Propiedades de distribuciones bidimensionales:
* E(aX + bY ) = aE(X) + bE(Y ) * Si X e Y son variables aleatorias independientes,
⇒ Cov(X, Y ) = 0
Demostración:
Cov(X; Y ) = E[(X − E(X))(Y − E(Y ))] = [E(X − E(X))][E(Y − E(Y ))] = [E(X) −
E(X)][E(Y ) − E(Y )] = 0
⇒ V ar(X + Y ) = V ar(X − Y ) = V ar(X) + V ar(Y )
* V ar(aX + bY ) = a2 V ar(x) + b2 V ar(Y ) + 2abCov(X, Y )
* Cov(aX, bY ) = abCov(X, Y )
* Con respecto a esperanza condicional, Cov[X, E(X|Y )] = Cov(X, Y )
E[g(X)Y − E(Y |X)|X] = 0
. Coeficientes de correlación (Pearson, Markowitz, Fisher)
Coeficiente de correlación de Markowitz

Sean X e Y variables aleatorias con desviación estAndar σX y σY respectivamente. El
coeficiente de correlación de X e Y, denotado ρ(X, Y ), se define por,
Cov(X, Y )
ρ(X, Y ) =
σX σY
Propiedades del coeficiente de correlación ρ:
0≤ρ≤1
ρ(X, Y ) = ρ(Y, X)
Si X e Y son independientes, entonces ρ = 0
Si ρ = + ± 1, entonces entre X e Y existe una dependencia funcional lineal.
Si Y = aX + b, donde a y b son constantes.
* Si a > 0, entonces ρ(X, Y ) = 1;
* Si a < 0, entonces ρ(X, Y ) = −1
Si a,b,c,d son constantes, a > 0 y b > 0, entonces,
ρ(aX + c, bY + d) = ρ(X, Y )
[?]

Aplicado con Eviews
3.3. Distribuciones Importantes. 65
3.3. Distribuciones Importantes.
3.3.1. Distribuciones Discretas.
Distribución binomial
 !
 n px (1 − p)n−x , si x = 0, 1, ..., n

P r(x, n, p) = x

0, de otra forma

∀0 ≤ p ≤ 1
Distribución de Poisson
mx e−m
(
x! , si x = 0, 1, ..., n
P r(x, m) =
0, de otra forma
∀m>0
Distribución de Pareto
(ak a )
f (x, k, a) = ; 0≤k ≤x, m>0
xa+1
3.3.2. Distribuciones Continuas.

Distribución Normal
1 2
f (x) = (2Π)−1/2 e(−1/2)[(x−µ)/σ] , ∀ − ∞ < x < ∞
σ
Distribución Normal Estándar
2 /2 x−µ
f (z) = (2Π)−1/2 e−z , ∀ − ∞ < x < ∞ donde z =
σ
Distribución log-normal
1 2 2
f (x, m, s) = (2Πs2 )−1/2 e−(log x−m) /(2s ) , x > 0 , 0 < m < ∞ , s > 0
x
Distribución de Weibull
a
f (x, m, a) = am−a xa−1 e−(x/m) , 0 < x < ∞ , m, a > 0
Distribución uniforme
1
f (x) = , a<x<b; b>a
b−a

Aplicado con Eviews
Distribucion Exponencial
Sea x una variable aleatoria contı́nua. Se dice que x tiene una distribución exponen-
cial con parámetro real m, si su función de densidad está dado por:
Para x ≥ 0, y m > 0
e−x/m
f(x,m)= m
Distribucion Beta
Una variable aleatoria continua x se dice que tiene una distribución Beta, con para-
metros a,b > 0 si su función de densidad está dada por:
Para a,b > 0, donde B es la función beta
xa−1 (1−x)b−1
f(x,a,b) = B(a,b)
Distribucion Gamma
Una variable aleatoria continua x se dice que tiene una distribución gamma, con
parametros r,b > 0 si su función de densidad está dada por:
Cuando x ≥ 0
−x
b−r xr−1 e b
f(x,b,r) = Γ(r)
Distribucion Chi-cuadrado
Se dice que la variable aleatoria continua X tiene distribución chi- cuadrado con v
grados de libertad, si su funcion de densidad es:
Cuando x ≥ 0,y v>0 Tengase en cuenta que los grados de libertad de parámetros
no tienen que ser un número entero
v −x
x 2 −1 e 2
f(x,v)= v
2 2 Γ( v2 )
Distribucion T-student
Se dice que la variable aleatoria continua x se distribuye según el modelo de pro-
babilidad t-student con v grados de libertad , si su función de densidad está dada por:
−(v+1)
Γ( v+1 ) 2
f(x,v)= 2
(vπ)1/2 Γ( v2 )
(1 + ( xv )) 2

Aplicado con Eviews
Para −∞ < x < ∞, y, v > 0.
Distribucion Fisher
Se dice que la variable aleatoria continua x se distribuye según el modelo de proba-
bilidad F con v1 y v2 grados de libertad , si su función de densidad está dada por:
v1 v2
v12 v22 (v1 −2)/2 (v
f (x, v1 , v2 ) = B(v1 /2,v2 /2) x 2 + v1 x)−(v2 +v1 )/2
Cuando x ≥ 0, y v1 , v2 > 0
Donde B es la función beta.
Tengase en cuenta que los grados de libertad de parámetros no tienen que ser un
número entero

Aplicado con Eviews
Aplicación en Eviews: Distribuciones
wf u 1000
’Distribución Chi2
series chi1= @rchisq(1)
group g1 chi1 chi2 chi3 chi4

freeze(grafo1) g1.distplot(s) kernel
grafo1.setelem(2) legend(”chi2 − (gl = 1)”)
grafo1.legend position(2.9,0.9) -inbox

grafo1.addtext(t) ”Distribución Chi2”
’Distribución Gamma(b,r) = Gamma(theta, k)

series gam1= @rgamma(2, 1)
series gam5= @rgamma(0,5, 9)
group g2 gam1 gam2 gam3 gam4 gam5

grafo2.setelem(2) legend(”gamma − (theta = 2, k = 1)”)
grafo2.setelem(10) legend(”gamma − (theta = 0,5, k = 9)”)
grafo2.setelem(4) lpat(dash2) symbol(diagcross) lwidth(1)

grafo2.addtext(t) ”Distribución Gamma(theta,k)”

Aplicado con Eviews
Aplicación en Eviews: Distribuciones
’Distribución Beta(a,b)
series bet1= @rbeta(5, 2)
group g3 bet1 bet2 bet3 bet4 bet5

grafo3.setelem(2) legend(”beta − (a = 5, b = 2)”)

grafo3.setelem(5) lpat(dash2) symbol(circle) lwidth(1)
grafo3.addtext(t) ”Distribución Beta(a,b)”
’Distribución Weibull(m,a)
series weib1= @rweib(1, 0,5)
series weib2= @rweib(1, 1)
series weib3= @rweib(1, 1,5)
group g4 weib1 weib2 weib3 weib4 weib5

grafo4.setelem(2) legend(”W eibull − (m = 1, a = 0,5)”)
grafo4.setelem(4) legend(”W eibull − (m = 1, a = 1)”)
grafo4.setelem(6) legend(”W eibull − (m = 1, a = 1,5)”)

grafo4.addtext(t) ”Distribución Weibull(m,a)”

Aplicado con Eviews
Figura 3.10: Distribución Chi-cuadrado
Figura 3.11: Distribución Gamma

Aplicado con Eviews
Figura 3.12: Distribución Beta
Figura 3.13: Distribución de Weibull

Aplicado con Eviews
3.3.3. Teorema del lı́mite central y teorı́a de los grandes números
Teorema del lı́mite central
Si x1 , x1 , . . . , xk son k variables aleatorias independientes idénticamente distribuidas

con media µ y varianza σ 2 , entonces, cuando k tiende al infinito, la distribución de la
variable aleatoria estándar:
Pn
Yn −µYn Xi −nµ
Zk = σYn = i=1 √
σ n
, tiende a la distribución normal N (0, 1)
Sea x1 una variable aleatoria distribuida uniformemente,v1 una serie que acumula las
medias de x1 que se extraen gracias a las 10000 simulaciones.
wf u 10000
series v1
F OR !k = 1 to 10000
series x1 = rnd
v1(!k) = @mean(x1)
next
x1.hist
v1.hist
conclusión: La media de la variable x1 converge a una normal.
Teorema de los grandes números

La ley de los grandes números nos dice que la frecuencia relativa de las obtenciones de
un experimento de carácter aleatorio se estabilizan en un número que coincide con la
probabilidad, cuando el experimento se realiza muchas veces.
Dentro de la ley de los grendes números podemos encontrar la Ley Débil y la Ley Fuerte.
i)La Ley Débil:

La ley débil de los grandes números establece que si X1 , X2 , X3 , . . . es una sucesión infinita
de variables aleatorias independientes que tienen el mismo valor esperado µ y varianza σ 2 ,
entonces el promedio:
X n = (X1 + · · · + Xn )/n converge en probabilidad a µ. En otras palabras, para cual-

quier número positivo ? se tiene:

lı́m P X n − µ < ε = 1.
n→∞
ii)La Ley Fuerte:

La ley fuerte de los grandes números establece que si X1 , X2 , X3 , . . . es una sucesión
infinita de variables aleatorias independientes e idénticamente distribuidas que cumplen
E(|Xi|) < ∞ y tienen el valor esperado µ, entonces:

P lı́m X n = µ = 1,
n→∞

Aplicado con Eviews
es decir, el promedio de las variables aleatorias converge a ? casi seguramente (en un
conjunto de probabilidad 1).
Aproximación de la Chi-cuadrado a la Normal
Si la variable X tiende aproximadamete a una Chi-cuadrado con r grados de li-

bertad, entonces
√ por el TLC, para r suficientemente √ grande (r≥ 30), la variable
aleatoria 2X tiene
√ aproximadamente distribucion N( 2r − 1, 1)(distribucion nor-
mal con media 2r − 1 y varianza 1) . √
√ consecuencia, por el teorema del limite central, la variable estandar, Z = 2X −
En
2r − 1 tiende a una distribucion normal con media 0 y varianza 1 y la probabilidad:
h √ √ i
P [X ≤ a] = P Z ≤ 2X − 2r − 1
Sea x1 una variable aleatoria que tiene una distribucion chi-cuadrado con 31 grados de
libertad
wf u 10000
series x1 = @rchisq(31)
series x2 = @sqrt(2 ∗ x1)
x1.hist
x2.hist
Conclusión: La raı́z cuadrada del doble de la variable x1 converge a una normal.
La primera simulación muestra como trabaja la LGN, dado que se incrementa N, la

distribución de la media muestral concentra la mayor masa de probabilidad alrededor
de E(y) = 1; lo cual refleja que al aumentar el número de observaciones muestreadas,
provenientes de la misma distribución, nos brinda más información para caracterizar a la
variable aleatoria. Además, dado que la V ar(ȳ) = 1/N , cuando N aumenta, la dispersión
de las diferentes realizaciónes de ȳ alrededor de E(ȳ) = 1 se amortigua. En el lı́mite,
conforme N → ∞, la V ar(ȳ) tendera a cero, por lo que ȳ dejará de ser aleatoria. En la
gráfica de la derecha, se observa que la distribución muestral de ȳ colapsa a una masa de
probabilidad igual a 1, ubicada en E(ȳ) = E(y), tal como lo predice la ley débil de grandes
números.
Figura 3.14: Ley de Grandes Números y TLC

Aplicado con Eviews
!N = 200
!rep = 100000
wf u !rep
matrix(!rep, 5) s2
smpl 1 !N
F OR !k = 1 T O !rep
series y1 = 1 + N RN D
s2(!k, 1) = @mean(y1)
N EXT
!gl = 1
!j = 2
F OR !N = 50 T O 200 ST EP 50
smpl 1 !N
series y!j = @rchisq(!gl)
s2(!k, !j) = @mean(y!j)
N EXT
!j =!j + 1
N EXT
f reeze( graf o1) s2.distplot(s) kernel
graf o1.setelem(2) legend(“N ormal − (u = 1; s2 = 1; N = 200)00 )
graf o1.setelem(4) legend(“Chisq − (k = 1; N = 50)00 )
graf o1.legend position(2,5, 0,1) − inbox
graf o1.addtext(t) “Distribución muestral de la media de y”
√
La grafica de la derecha, muestra la distribución muestral de N (ȳ − µ) para una χ2
con 1 grado de libertad y para diferentes valores de N. A diferencia con lo ocurrido con la
distribución de ȳ, las distribuciones muestrales
√ no colapsan conforme N → ∞. La razón
es que la multiplicación de ȳ − µ por N , estabiliza la varianza del promedio,
√ evitando
que ésta tienda a cero. En otras palabras, para todo N se tiene que V ar( N ȳ) = 1. Luego
de estabilizar la varianza y mantener la media, se aprecia que mayores valores de N van
llevando las distribuciones cada vez más cercanas a una normal estandar. Ésta es la idea
principal del TLC. Es importante destacar que mientras la LGN alude a un lı́mite proba-
bilı́stico (una esperanza), el TLC describe el comportamiento de la distribución lı́mite de
una variable aleatoria.

Aplicado con Eviews
’matrix que guarda los resultados del TLC matrix(!rep, 5) s1
smpl 1 !N
series y1 = 1 + N RN D
s1(!k, 1) = @sqrt(!N ) ∗ (@mean(y1) − 1)/@stdev(y1)
N EXT
!gl = 1
!j = 2
F OR !N = 50 T O 200 ST EP 50
smpl 1 !N
series y!j = @rchisq(!gl)
s1(!k, !j) = @sqrt(!N ) ∗ (@mean(y!j)−!gl)/(2∗!gl)
N EXT
!j =!j + 1
N EXT
f reeze( graf o2) s1.distplot(s) kernel

graf o2.setelem(2) legend(”N ormal − (u = 1; s2 = 1; N = 200)”)
graf o2.setelem(4) legend(”Chisq − (k = 1; N = 50)”)
graf o2.legend position(0, 0,1) − inbox √
graf o2.addtext(t) “Distribución muestral de la media de” N (ȳ − µ)
’Finalmente se muestran los resultados de las simulaciones

graphgph1.merge graf o1 graf o2

Aplicado con Eviews

Aplicado con Eviews
Bibliografı́a
[1] Rufino Moya - Estadı́stica Descriptiva.
[2] Rufino Moya; Saravia, Gregorio. -Probabilidad e Inferencia Estadı́stica.
[3] Jeffrey Wooldridge - Introducción a la Econometrı́a - Cuarta Edición.
[4] Greene (2003), Análisis Econométrico - Quinta Edición.
[5] Damodar Gujarati (2004)- Econometrı́a - Cuarta Edición.
[6] Alfonso Novales Cinca - Econometrı́a - Segunda Edición.
[7] Johnston, J. and DiNardo, J. - Métodos Econométricos - Cuarta Edición.
[8] Juan Francisco Castro y Rivas Llosa: Econometrı́a Aplicada - Vol 1.
[9] Abanto, J. - Análisis Económico con EViews - 2012.
77

1 Repaso Estadistico y Matricial

Cargado por

Copyright:

Formatos disponibles

1 Repaso Estadistico y Matricial

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

1 Repaso Estadistico y Matricial

Cargado por

Copyright:

Formatos disponibles

TEORÍA ECONOMÉTRICA I

REPASO DE ALGEBRA Y ESTADÍSTICA

APLICACIONES CON EVIEWS

Juan Carlos Abanto Orihuela

Teorı́a Econométrica I www.giddea.com

Teorı́a Econométrica I www.giddea.com

El presente manual se realizó gracias a la cooperación y dedicación en su edición de

Teorı́a Econométrica I www.giddea.com

Teorı́a Econométrica I www.giddea.com

1.1. Concepto y Objetivo

1.1.1. ¿Qué es la Econometrı́a?

(([...] no es lo mismo que la Estadı́stica Económica. Tampoco es idéntica a lo que lla-

Samuelson, Koopmans y Stone (1954) 2 :

Griliches e Intriligator (1984): “La Econometrı́a es la aplicación de las Matemáticas

Judge, Hill et al. (1988, p. 1) 5 :

1. Modificar, refinar o posiblemente refutar las conclusiones contenidas en el cuer-

Gujarati (1990, p. 2):

David F. Hendry 6 , un reputado econometrista de la Universidad de Oxford (1993):

Teorı́a Econométrica I www.giddea.com

1.1.2. Objetivo de la Econometrı́a

El eje central de la investigación econométrica, acorde a lo planteado por Samuel-

Según Christ 8 : ((El objetivo de la Econometrı́a es la producción de proposiciones

1.2. Metodologı́a de la Econometrı́a

1. Procedimiento econométrico general

Teorı́a Econométrica I www.giddea.com

El punto de partida lo constituye la ((realidad económica)), esto es, el proceso genera-

En primer lugar, la no existencia de un flujo de realimentación desde los resul-

Teorı́a Econométrica I www.giddea.com

Por otra parte, se ha objetado que la contrastación de hipótesis no deberı́a

2. Etapas del procedimiento econométrico general

3. Etapa de especificación del modelo

Teorı́a Econométrica I www.giddea.com

Figura 1.2: Adaptado de Maddala (1996)

(iii) Acotación de la realidad a la que serán aplicables los resultados.

4. Etapa de estimación de los parámetros del modelo

5. Etapa de validación del modelo

6. Etapa de explotación del modelo

Teorı́a Econométrica I www.giddea.com

1.3. Origen y evolución de la econometrı́a

Ası́, el nacimiento de la Econometrı́a como disciplina cientı́fica tuvo sus antecedentes

. Etapa de aportaciones básicas, que se desarrolla entre 1930 y 1945.

1.3.1. Etapa pre-econométrica

Teorı́a Econométrica I www.giddea.com

De esta manera, en el ámbito del pensamiento económico destacan las aportaciones de

1.3.2. Etapa de nacimiento de la Econometrı́a (1900-1930)

Teorı́a Econométrica I www.giddea.com

Estos primeros estudios de economı́a cuantitativa estuvieron enfocados principalmente

Constitución de la sociedad de la econometrı́a

Fundación de la “Cowles Commission”

Una figura importante que contribuyó notablemente al desarrollo de la Sociedad Eco-

Teorı́a Econométrica I www.giddea.com

1.3.3. Etapa de aportaciones básicas (1930-1945)

Jan Tinbergen concluye un ambicioso proyecto para la League of Nations, en el cual

Haavelmo (1944) propone adoptar el enfoque probabilı́stico como fundamentación me-

El más inmediato y, posiblemente, el más importante efecto de los trabajos de Tinber-

En sı́ntesis, el programa de investigación que la Cowles Commission defiende es una

Teorı́a Econométrica I www.giddea.com

1.3.4. Etapa de desarrollo de la Econometrı́a moderna (1945-1975)

La propuesta de Haavelmo (1944) marca el final del periodo de aportaciones básicas en