Estadística descriptiva.

Explique de manera sucinta cuál es la importancia de la

estadística descriptiva en la modelación econométrica y cuáles son los estadísticos más
importantes. ¿Cuál es la diferencia con la inferencia estadística?

La importancia del método estadístico descriptivo en la modelación de la econometría, es

para organizar y resumir datos numéricos de manera informativa. Por ejemplo, trata de la
tabulación de datos, su presentación en forma gráfica o ilustrativa y el cálculo de medidas
descriptivas.

La estadística descriptiva tiene varias técnicas que se aplican de manera amplia en diversos
temas por ejemplo presenta datos informativos de mercadotecnia, contabilidad, control de
calidad, estudios de consumidores, análisis de resultados en deportes, administración de
instituciones, en la educación, organismos políticos, en la medicina y en otras muy distintas
áreas como un auxiliar en la toma de decisiones.

Los estadísticos más importantes son: Muestra, Distribución de frecuencias, dedidas de

tendencia centra: Media

MUESTRA
Una muestra es una parte o una porción de un producto que permite conocer la calidad del
mismo. Por ejemplo: “Ayer solicité una muestra del nuevo perfume que publicitan en la
televisión”, “Me han pedido una nota de muestra para una revista mexicana”, “Necesito una
muestra de telas, por favor”.

Distribuciones de frecuencias

lista valores de datos (ya sea de manera individual o por grupos de intervalos), junto con sus
frecuencias (o conteos) correspondientes.

Cuando se trabaja con conjuntos grandes de datos, con frecuencia es útil organizarlos y
resumirlos por medio de la construcción de una tabla que liste los distintos valores posibles
de los datos (ya sea de forma individual o por grupos), junto con las frecuencias
correspondientes, es decir, el número de veces que ocurren dichos valores.

Media

La media Aritmética medida de tendencia central que se obtiene sumando los puntajes y
dividendo el total entre el número de puntajes.

La media (aritmética) generalmente es la más importante de todas las medidas numéricas

utilizadas para describir datos; constituye lo que la mayoría de la gente denomina promedio.
Mediana (de un conjunto de datos): medida de tendencia central que implica el valor que
está en medio, cuando los valores originales de los datos se presentan en orden de magnitud
creciente (o decreciente). La mediana suele denotarse con x, (se pronuncia “x con tilde”).

Moda (de un conjunto de datos, que suele denotarse como M): valor que ocurre con mayor
frecuencia.

● Cuando dos valores ocurren con la misma frecuencia y ésta es la más alta, ambos valores
son modas, por lo que el conjunto de datos es bimodal.

● Cuando más de dos valores ocurren con la misma frecuencia y ésta es la más alta, todos
los valores son modas, por lo que el conjunto de datos es multimodal.

● Cuando ningún valor se repite, se dice que no hay moda.

Media ponderada
En algunos casos los valores varían su grado de importancia, de modo que es posible que
queramos acomodarlos de acuerdo con ello. Después, será posible proceder al cálculo de una
media ponderada, que es una media que se obtiene asignando distintos pesos a los valores

Coeficiente de variación o CV de un conjunto de datos muestrales o poblacionales,

expresado como porcentaje, describe la desviación estándar relativa a la media, y está dada
de la siguiente forma:

Media Geométrica
La media geométrica es útil para calcular el promedio de porcentajes, razones, índices, y
tasas de crecimiento. Se utiliza cuando interesa calcular el cambio porcentual de variables
tales como el PIB, sueldos, ventas, etc.

Cuando algún 𝒙𝒊=𝟎, entonces la 𝑀𝑔se anula, y si toma valores negativos no queda
determinada.
Medidas de dispersión

Caracterizar una distribución solamente a través de una medida central no es apropiado; debe
ser complementada por una medida de dispersión. Ejemplo: Las distribuciones del ingreso
de dos departamentos con el mismo ingreso medio por hogar son muy distintas si una de ellas
tiene extrema pobreza y de riqueza, mientras que la otra tiene poca variación de ingresos
entre familias. Estamos interesados en la dispersión o variabilidad de los ingresos, además
de sus centros.

Estadística inferencial. Se define como aquellos métodos que permiten hacer estimación de
una característica de la población o de toma de decisiones respecto a una población, con base
solo en los resultados obtenidos de una muestra.

Inferencia estadística. Explique el objetivo de la inferencia estadística y su diferencia con

la Estadística Descriptiva y con los modelos de regresión. Asimismo, exponga brevemente
los principales instrumentos de la inferencia y su relación con la teoría de probabilidades.

Inferencia Estadística. Es un conjunto de métodos utilizados para conocer algo acerca de

una población (inferir características de la población), basándose en una muestra.

Población: conjunto de todos los posibles individuos, objetos o medidas de interés. Ejemplos:
Número de agencias de entidades financieras en el área rural; número de municipios en
Bolivia; número de establecimientos de educación secundaria; número de cajeros
automáticos, etc.

Muestra: Una porción o parte de la población de interés. Se acude a una muestra por costo
económico, ahorro de tiempo, etc.

Por otra parte, la estadística descriptiva organizar, resumir datos numéricos.

Correlación lineal

Un análisis de correlación nos permite cuantificar el grado de asociación lineal entre variables
continuas, indica la fuerza y dirección de la relación lineal entre dos o más variables. Cuando
exista dicha relación se podrá proceder a la obtención del modelo de regresión (simple o
múltiple) que veremos posteriormente (Pérez, 2014).
Existen diferentes tipos de correlación, la correlación simple, la correlación múltiple y la
correlación parcial. Utilizaremos la correlación simple cuando contemos con una sola
variable predictora para explicar una respuesta, y los coeficientes de correlación parcial y
múltiple cuando tengamos varios predictores.

Correlación lineal simple

Utilizamos la correlación lineal simple para estudiar el grado de variación conjunta entre dos
o más variables. Queremos detectar si la variación de una de las variables tiene conexión con
la variación de la otra, esperamos que si una variable de desvía de la media, la otra variable
se desvíe de la media de manera similar.
Una relación lineal positiva entre dos variables indica que los valores de las dos variables
varían de forma parecida: los sujetos que puntúan alto en una variable tienden a puntuar alto
en la otra y los que puntúan bajo en la primera tienden a puntuar bajo en la segunda, existe
una relación directa entre ambas variables.

Regresión lineal simple

Para el desarrollo de los siguientes tres apartados nos hemos servido esencialmente
de Sánchez (2011).
El caso de modelo de regresión más sencillo es la construcción de una recta que modelice la
relación que hay entre la variable respuesta, YY, y la variable predictora XX. El modelo tiene
la forma Y=β0+β1X+e,Y=β0+β1X+ee donde β0β0 y β1β1 se conocen como coeficientes de
regresión y son, respectivamente, la ordenada en el origen (punto de corte con el eje YY) y
la pendiente de la recta del modelo de regresión. En la ecuación ee es el error aleatorio,
representa la diferencia entre el valor ajustado por la recta y el valor real. Refleja la ausencia
de dependencia perfecta entre las variables, la relación está sujeta a incertidumbre.

Por ejemplo, en el consumo de gasolina de un vehículo, YY, influyen la velocidad XX y una

serie de factores como el efecto conductor, el tipo de carretera, las condiciones ambientales,
etc. Todos estos elementos quedarían englobados en el error ee.

Regresión lineal múltiple

En la regresión lineal simple predecíamos la variable resultado YY a partir de los valores

de XX, usando la ecuación de una linea recta. Con los valores que habíamos ido obteniendo
de XX e YY calculábamos los parámetros de la ecuación ajustando el modelo a los datos
mediante el método de mínimos cuadrados. La regresión múltiple es una extensión lógica de
esto a situaciones en las que hay más de una variable predictora. La nueva ecuación será
Yi=(β0+β1X1i+β2X2i+⋯+βnXni)+ei.Yi=(β0+β1X1i+β2X2i+⋯+βnXni)+ei.
Básicamente se trata de la misma ecuación que para la regresión simple excepto porque
hemos incluido predictores extra. Cada predictor tienen asociado su propio coeficiente y
predecimos la variable dependiente a partir de una combinación de todas las variables más
un residuo, eiei, la diferencia entre el valor ajustado y observado de YY en la i-ésima
observación.
Los coeficientes de regresión se pueden interpretar como:
 βiβi el efecto medio (positivo o negativo) sobre la variable dependiente al aumentar en
una unidad el valor de la predictora Xi,i=1,⋯,kXi,i=1,⋯,k.
 β0β0 el valor medio de la variable dependiente cuando las predictoras son cero

Exponga brevemente los principales instrumentos de la inferencia y su relación con la

teoría de probabilidades.
la inferencia estadística en las probabilidades es una herramienta vital para los economistas
y otras ciencias. Les permite comprender fenómenos sujetos a variaciones y predecirlos o
controlarlos eficazmente, evitando de esta manera errores ocasionados por fallas humanas o
por defectos del instrumental utilizado.
Muchas situaciones no se pueden describir con una mera observación o una simple medición.
Se necesitan técnicas algo más complejas.
la inferencia estadística de distribuciones en el muestreo de medias y proporciones. Con estos
elementos se pueden realizar algunas estimaciones puntuales y por intervalos de confianza.

los instrumentos de la inferencia estadística concepto. Muestreo Probabilística. Diferentes

tipos de muestreo. Muestreo Aleatorio Simple: Concepto. Deducción estadística. Inducción
estadística. Estimación puntual de la media poblacional y de la varianza. Propiedades.
Determinación del tamaño de la muestra. Distribución muestral de la media de la muestra.
Teorema del estimador insesgado.
Teorema del cálculo del error cometido al estimar la media poblacional con la media
muestral.
Test de Hipótesis: Concepto. Hipótesis: concepto. Hipótesis nula e hipótesis alternativa.
Forma de determinar las regiones de aceptación y de rechazo. Metodología para realizar una
prueba de hipótesis unilaterales y bilaterales. Error tipo I y tipo II. Potencia de un contraste.
Modelos de regresión. Explique qué es un modelo de regresión y cuál su relación con la
modelación econométrica. A continuación diga cuáles son las propiedades que debe
tener la regresión estimada para que sea considerada como “adecuada”. Y, por último,
explique cuál es la relación entre las pruebas estadísticas para la verificación de los
supuestos de un modelo de regresión con las propiedades estadísticas de los estimadores
mínimos cuadrados ordinarios.

El modelo de regresión es el análisis de Variables explicativas en una dos variables

independiente o dependiente con el objeto de estimar o predecir medias, como también valor
promedio (Poblacional), de la primera con valores conocidos o fijamdos (en muestras
repetidas) y su relación con la modelación econometría sirve para estimar y predecir los
valores futuros de la variable dependiente con base de valores conocidos o esperados para
las variables exploratorias.
¿Cuáles son las propiedades que debe tener la regresión estimada para ser considerada
adecuada?

S1: Especificación correcta, relación funcional apropiada.

S2: Homocedasticidad, varianza igual.
S3: Autocorrelación nula o cero.
S4: No multicolinealidad.

Por ultimo explique cuál es la relación entre prueba estadística para la verificación de
supuestos de los modelos de regresión de los estimadores de mínimos cuadrados ordinarios.

Estimadores de mínimos cuadrados

Hasta ahora el único modelo probabilista que hemos considerado para datos observados,
suponía que estos eran realizaciones de variables independientes de una misma ley. Esto
equivale a decir que los individuos en los cuales se tomaron los datos son intercambiables y
que las diferencias observadas entre ellos son imputables solamente al azar. En numerosas
situaciones, se busca explicar estas diferencias, es decir, atribuirlas a los efectos de otros
carácteres medidos en los mismos individuos. La modelación probabilista considerará que la
medición a explicar, realizada en un individuo dado, es una variable aleatoria cuya ley
depende de los valores observados, en ese individuo, de los carácteres explicativos,

considerados como deterministas. Si denota la variable aleatoria asociada al

individuo y son los valores que toman, para ese individuo, los
carácteres explicativos , se separará el efecto determinista y el efecto
aleatorio por un modelo del tipo:

donde es una -tupla de variables

aleatorias independientes con una misma ley. Hablamos entonces de un modelo de regresión.

La función depende de uno o varios parámetros desconocidos, que hay que estimar. Para
esto se busca minimizar el error cuadrático definido por:

En algunos casos clásicos, sabemos resolver explícitamente este problema de minimización

y la solución de estos está implementada en los logiciales de cálculo estadístico. Cuando una
solución explícita es imposible, recurrimos a algoritmos de minimización, como por ejemplo
el algoritmo del gradiente.

El caso más elemental es el de la regresión lineal simple, donde hay un único carácter

explicativo y la función es afín:

El error cuadrático está dado por:

Los valores de y que minimizan el error cuadrático se expresan en función de las

medias, varianzas y covarianzas empíricas de y de . Denotamos:

la media empírica de .

la varianza empírica de .
 la media empírica de .

la varianza empírica de .

la covarianza de y .

el coeficiente de correlación de y .

Proposición 2.4 Si (el carácter no es constante), la función admite

un mínimo para:

y
El valor de este mínimo es:

Las variables aleatorias y son los estimadores de mínimos cuadrados de los

parámetros y .

En un problema de ajuste, podemos emplear los estimadores de mínimos cuadrados para

estimar los parámetros de algunas leyes. Vamos a tratar, como ejemplo, las leyes normales y
las leyes de Weibull.