NOTAS DE CLASES TEORÍA ECONOMÉTRICA. Raimundo Soto* Trabajo Docente Nº 78. Santiago, Mayo 2010

Tamaño: px
Comenzar la demostración a partir de la página:

Download "NOTAS DE CLASES TEORÍA ECONOMÉTRICA. Raimundo Soto* Trabajo Docente Nº 78. Santiago, Mayo 2010"

Transcripción

1 Versión impresa ISSN: Versión electrónica ISSN: PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE INSTITUTO DE ECONOMÍA Oficina de Publicaciones Casilla 76, Correo 17, Santiago NOTAS DE CLASES TEORÍA ECONOMÉTRICA Trabajo Docente Nº 78 Raimundo Soto* Santiago, Mayo 2010 *

2 Indice 1. Introducción Teoría de Probabilidades Noción de Probabilidad Axiomatización de las Probabilidades Variables Aleatorias Momentos de una Distribución Distribuciones Discretas de Uso Común Distribuciones Continuas de Uso Común Distribuciones Conjuntas Distribuciones Marginales Distribuciones Condicionales Apéndice A: Ejercicios Elementos de Inferencia Estadística Modelo probabilístico, modelo muestral y modelo estadístico Estadísticos muestrales Distribución de la media muestral Características deseables de los estimadores en muestra finita Límite de Cramer-Rao Elementos de teoría asintótica: convergencia Elementos de teoría asintótica: leyes débiles de grandes números Elementos de teoría asintótica: leyes fuertes de grandes números Propiedades de los distintos tipos de convergencia Teoremas del límite central Distribución asintótica Estimación asintóticamente eficiente (máximo verosímil) Tests de hipótesis Tres tests de hipótesis asintóticamente equivalentes Test de hipótesis no anidadas Criterios informacionales Apéndice A: Ejercicios Modelo Clásico de Regresión Lineal Lógica del modelo de regresión Análisis de los supuestos del modelo de regresión lineal Representación gráfica de la regresión lineal Derivación del estimador de mínimos cuadrados Propiedades del estimador de mínimos cuadrados en muestra finita Tests de hipótesis en el modelo multivariado Tests de hipótesis y modelo restringido Propiedades del estimador de mínimos cuadrados en muestra grande Transformaciones de estimadores: el método Delta Predicción Método generalizado de momentos Apéndice A: Ejercicios

3 Capítulo 5 Violación de los Supuestos del Modelo de Regresión Lineal 5.01 Problemas de Especificación I: Regresores Inadecuados Problemas de Especificación II: Cambio de Régimen Problemas de Especificación III: Datos erróneos Problemas de Especificación IV: Colinealidad Modelos de Varianza No Constante Heterocedasticidad Correlación de residuos Variables instrumentales Apéndice A: Ejercicios Capítulo 6: Modelos no lineales 6.01 Elementos de cálculo numérico Optimización no lineal Estimación de mínimos cuadrados no lineales Estimación de variables instrumentales no lineales No linealidad de la variable dependiente Interpretación de los parámetros de un modelo no lineal Tests de hipótesis Capítulo 7: Modelos con Datos de Panel Modelo canónico de datos de panel Modelación con datos de panel Modelos de panel dinámicos Tests de raíces unitarias en panel

4 Capítulo 1 Introducción Without data all you are is just another person with an opinion (Anónimo) Facts are stupid things (Ronald Reagan, 1978). Con frecuencia en el estudio de la economía -y de la econometría en particular se comete el error de empezar con el análisis de modelos económicos sin definir previamente lo que se entiende por modelo y sin explicar por qué es importante construir dichos modelos. Sims (1996) 1 señala que los avances en ciencias naturales y en gran medida en economía se refieren usualmente a descubrimientos sobre nuevos modos de comprimir datos con respecto a algún fenómeno con una mínima pérdida de información. Considere el siguiente ejemplo de la astronomía: Tycho Brahe ( ) acumuló durante muchos años datos confiables sobre los movimientos de los planetas. Su asistente, Johannes Kepler ( ), sin embargo, observó que podían ser modelados como elipses con el sol en uno de sus focos, logrando una notable compresión de información. 2 Los modelos en economía, y en econometría en particular, buscan el mismo objetivo: transmitir información sobre las regularidades que caracterizan a la economía de modo eficiente (máxima compresión) y seguro (menor pérdida). Dichas regularidades al igual que en las ciencias naturales tienen nombres más bien pintorescos (p.e., ley de oferta y demanda, propensión marginal a consumir ) pero poseen el atributo de generalidad que les hace particularmente útiles: cuando se menciona que un fenómeno queda razonablemente descrito por una ecuación de recta (es decir un modelo), el auditor instruido inmediatamente deduce las propiedades de dicho modelo y, a la vez, sabe que para cada situación específica en la que dicho fenómeno se verifique habrá una recta particular que le describe. Uno de los primeros y más famosos econometristas Francis Galton señaló que The object of statistical science is to discover methods of condensing information concerning large groups of allied facts into brief and compendious expressions suitable for discussion (Inquiries into Human Faculty and its Development, Macmillan: London,1883, pp.55). Otra manera de ver el rol de un modelo o teoría es provisto por S. Hawking A theory is a good theory if it satisfies two requirements: it must accurately describe a large class of observations on the basis of a model that contains only a few arbitrary elements, and it must make definite predictions about the results of future observations (A Brief History of Time, New York, 1988). Debiera añadirse que los modelos deben cumplir una restricción adicional, derivada de la célebre sentencia de William de Occam ( ) Essentia 1 C. Sims, Macroeconomics and Methodology, Journal of Economic Perspectives, 10 (Winter): , Desilusionado con la incapacidad del modelo de Ptolomeo (85-165) para describir la trayectoria de los planetas, Copernico enunció su teoría heliocéntrica en 1543 pero sin proveer soporte empírico alguno. La contribución de Brahe fue hacer mediciones precisas del movimiento de los planetas que hicieron posible a Kepler la modelación del fenómeno. La superioridad del modelo de Kepler produjo fuerte agitación social pues la Iglesia la consideró «contraria a las Sagradas Escrituras». El 26 de febrero de 1615, el cardenal jesuita Bellarmino inició el juicio contra Galileo e incluyó los libros de Copernico De revolutionibus, Kepler Mysterium cosmographicum, y Galileo Discorsi en el Indice de Libros Prohibidos donde permanecieron hasta 1835.

5 non sunt multiplicanda praeter necessitatem, es decir, que los elementos de un modelo no deben ser aumentados más allá de lo necesario. La simplicidad es un objetivo de la modelación. Objetivamente, los economistas aún no somos capaces de desarrollar teorías que sean capaces de describir la enorme heterogeneidad de los fenómenos económicos. Recientemente, se ha desarrollado una línea de investigación sobre la pregunta de cuáles son las formas, causas, y consecuencias de las complejidad de los sistemas económicos. Rosser (2004) 3 clasifica la complejidad que enfrenta un agente económico en tres áreas fundamentales. Primero, complejidad en la estructura dinámica y posiblemente no lineal de los fenómenos económicos, es decir, el hecho frecuente que una pequeña perturbación en un sistema económico tenga repercusiones y ramificaciones dinámicas en la economía de gran impacto (p.e., un cambio en un precio clave de la economía como la tasa de interés). Segundo, la complejidad lógica y computacional que enfrenta un agente económico al tomar una decisión cuando existe un gran número de mercados, oferentes y demandantes. En particular la noción de equilibrio de los modelos económicos es muy compleja: por ejemplo, un equilibrio Walrasiano le exige al agente económico la computación de un número enorme de precios relativos, el equilibrio de Nash exige una gran capacidad de análisis lógico para anticipar las reacciones de los otros jugadores frente a diferentes alternativas de decisión. Tercero, la complejidad en la aprehensión del fenómeno económico, es decir, el problema adicional al que el proceso de aprehender la realidad económica es, en sí, también muy complejo y no puede ser llevado a cabo sin costos excesivamente altos. Al problema de la complejidad se le suman las restricciones que enfrenta el análisis económico en términos de información sobre los fenómenos de interés y sus causas. Tradicionalmente las ciencias naturales le han otorgado poco valor al análisis probabilístico de los fenómenos. Ello se debe a que muchos de dichos fenómenos pueden ser replicados en laboratorios bajo condiciones experimentales controladas. En la mayoría de los problemas económicos no resulta factible realizar un análisis experimental en circunstancias absolutamente controladas. Por ejemplo, no es posible pedirle a un grupo de individuos que vuelva a estudiar una carrera profesional para estimar cómo habría sido su perfil de ingreso en estas nuevas circunstancias. En este sentido, los economistas usamos los datos disponibles para inferir probabilísticamente la capacidad de una teoría para comprimir información pertinente sobre un determinado más fenómeno o la congruencia con la que lo hace. Algunas de las ramas de la física o la química han adoptado recientemente el esquema metodológico de la economía: por ejemplo, la astronomía no cuenta salvo honrosas excepciones con muestras de fenómenos de gravitación universal, sino con un fenómeno único. 4 La física subatómica 3 J. Barkley Rosser, Jr. (2004) Epistemological Implications Of Economic Complexity, mimeo, Department of Economics, James Madison University. 4 S. G. Djorgovski reporta que el volumen de observaciones disponibles en astronomía se dobla en aproximadamente cada año y medio. En cada noche, se produce aproximadamente 1 Terabyte de datos adicionales (equivalente a la colección completa de la biblioteca PUC). Ello exige una modelación probabilística de los datos. Virtual Astronomy, Information Technology, and the New Scientific 1.2

6 no puede observar directamente un fenómeno sino sus efectos, de los cuales debe inferir la validez de una hipótesis teórica. En ambos casos el análisis es frecuentemente probabilístico. Es por estas razones complejidad del fenómeno y restricciones de información que la economía se basa en el desarrollo y análisis de modelos de comportamiento validados empíricamente mediante métodos cuantitativos, en especial, los métodos econométricos que se discuten en lo siguientes capítulos. 5 La modelación econométrica propiamente tal comienza de manera significativa a principios del siglo XX con los trabajos de los fundadores de la disciplina (Galton, Pearson, Neyman, Fischer, Frisch, etc.) que desarrollaron la base estadística de gran parte de los tests básicos que se usan en la actualidad. Pero no fue si no hasta los años 1950 que se masificó el uso de modelos econométricos como base del análisis de políticas económicas y para la verificación de diversos postulados teóricos. El gran empuje de mediados del siglo XX proviene principalmente del desarrollo de un fundamento teórico sólido para la econometría en general y para los modelos econométricos de gran escala en particular. Estos últimos se beneficiaron de la aparición de bases de datos adecuadas (p.e., cuentas nacionales) y de una creciente capacidad de computación. El éxito de la econometría como base del análisis empírico es indudable. Ciertamente los modelos empíricos cometerán errores en la descripción de los fenómenos que nos interesa modelar; sin embargo, en este contexto se aplica la célebre frase del padre de la computación Charles Babbage ( ) Errors using inadequate data are much less than those using no data at all. El diseño de modelos analíticos y sus contrapartidas empíricas son, en realidad, dos caras de una más moneda: el modo como avanza nuestro conocimiento es mediante la continua contrastación de teoría y evidencia. En términos pedagógicos, sin embargo, en este libro nos ocuparemos principalmente de los modelos econométricos, los cuales serán desarrollados sobre la base de una serie de supuestos que nos permitirán derivar estimadores que cumplen con requisitos de calidad y los tests estadísticos asociados a dichos estimadores. Luego invalidaremos de manera paulatina dichos supuestos para estudiar qué efectos tiene una violación de uno o más supuestos sobre las características de dichos estimadores. El capítulo 2 realiza una revisión de distintos elementos de probabilidades y desarrolla con algún detalle el enfoque axiomático de Kolmogorov (1933) 6 que es la base de la estadística moderna. Este enfoque ofrece una formalización axiomática de la noción de probabilidad, cuyas ventajas radican en proveer una teoría completa (todas las Methodology, en Computer Architectures for Machine Perception, eds. V. Di Gesu & D. Tegolo, IEEE press (2005). 5 The sciences do not try to explain, they hardly even try to interpret, they mainly make models. By a model is meant a mathematical construct which, with the addition of certain verbal interpretations, describes observed phenomena. The justification of such a mathematical construct is solely and precisely that it is expected to work. John von Neumann. 6 Grundbegriffe der Wahrscheinlichkeitsrechnung, Ergebnisse der Mathematik und ihrer Grenzgebiete, J. Springer eds

7 proposiciones de la teoría se derivan de los axiomas), no-redundante (ningún axioma puede ser derivado de otros), y congruente. El objetivo es que el alumno tenga una sólida base de análisis probabilístico y, más importante aún, que pueda conectar los distintos componentes de la teoría de probabilidades con los componentes básicos del análisis econométrico: entre ellos, el experimento aleatorio, las funciones de distribución conjunta, condicional y marginal, y la noción de la independencia entre variables aleatorias. En particular, esta sección busca que el estudiante entienda cómo los econometristas enfrentan el problema de la complejidad del fenómeno que se desea modelar. El capítulo 3 usa la estructura anterior para enfrentar el segundo problema del análisis econométrico: la limitación de información. La principal adición al modelo de probabilidades desarrollado en el capítulo 2 es la restricción derivada del uso de muestras estadísticas y la inevitable necesidad de usar métodos de inferencia estadística para emitir juicios informados respecto de alguna hipótesis. El capítulo busca que el alumno entienda cómo se transforma la incertidumbre respecto de más los resultados de un experimento aleatorio en incertidumbre sobre los parámetros que caracterizan dicho experimento, y cuáles son las ventajas y limitaciones de dicha transformación. Adicionalmente, se presenta la maquinaria de teoría asintótica que será fundamental en el análisis del modelo de regresión lineal del siguiente capítulo. El capítulo 4 desarrolla el modelo de regresión lineal, que ha sido una de las principales herramientas de análisis empírico de los economistas en los últimos 100 años. Este modelo, al que usualmente se le acopla el método de mínimos cuadrados como técnica de parametrización, permite enfrentar un número muy grande de preguntas en economía. A la vez, es suficientemente flexible como para permitir que, en caso que no se cumplan alguno de los supuestos que le sustentan, se desarrollen estimadores alternativos simples y poderosos. Las propiedades de los estimadores de la familia de mínimos cuadrados deben ser estudiadas tanto en muestra pequeña (finita) como grande (infinita) para entender a cabalidad el papel de los supuestos del modelo. Igualmente, se debe estudiar las propiedades de los tests que se construyen a partir de dichos estimadores de mínimos cuadrados, para determinar más su aplicabilidad en circunstancias prácticas. Finalmente, la técnica de mínimos cuadrados no es la única forma de parametrizar un modelo. En el capítulo se estudian dos alternativas adicionales de gran aplicación práctica: el estimador de máxima verosimilitud y el método generalizado de momentos. En el capítulo 5 se estudian los problemas derivados de la violación de los seis supuestos sobre los cuales se desarrolló el modelo de regresión lineal en el capítulo anterior. La lógica de operar es directa: en primer lugar se estudia el efecto de la violación sobre los estimadores de mínimos cuadrados y los diferentes tipos de tests. En segundo lugar, propondremos, si es posible, alguna solución, examinando el contexto en el que dicha solución es válida. En tercer lugar, se discuten los síntomas que delatan la violación de un supuesto y se desarrollan test formales de detección. Por razones 1.4

8 pedagógicas, en este capítulo se estudian los problemas de manera aislada, es decir, afectando un supuesto a la vez. El capítulo 6 extiende la tecnología anterior al área de los modelos no lineales. Esta es una literatura muy extensa y, posiblemente, aquella que se ha desarrollado con mayor interés en los últimos años como resultado del veloz desarrollo de la computación. La gran mayoría de los modelos no lineales se resuelven por medio de métodos de cálculo numérico debido a que no existen formas cerradas que permitan derivar expresiones matriciales simples para obtener los estimadores. En la primera parte de este capítulo se desarrolla el instrumental necesario para entender los métodos de optimización no lineal que se usan para la estimación de modelos no lineales. En la segunda parte se aplica dicho instrumental para derivar el estimador de mínimos cuadrados no lineales y los tests asociados. El capítulo 7 presenta una introducción a los modelos de datos de panel. Estos métodos combinan observaciones de corte transversal con observaciones de series de tiempo. Así, nos permiten responder preguntas que no pueden ser respondidas por modelos de corte transversal o series de tiempo por separado, porque usan información sobre una cohorte donde hay N individuos heterogéneos a los que se les observa repetidamente durante un periodo de tiempo T. La literatura de la econometría se expande de manera vertiginosa. Por ello, no tiene sentido intentar incluir un gran número de modelos, tests, estimadores y algoritmos de solución. Inevitablemente aparecerán mejores modelos, tests más precisos y estimadores más atractivos. El objetivo del libro es proveer al estudiante de una base sólida para entender las nuevas contribuciones que la econometría nos ofrece. 1.5

9 Capítulo 2 Teoría de Probabilidades 1 Por qué necesitamos estudiar teoría de probabilidades para analizar observaciones o datos de la realidad? Por qué no nos contentamos con hacer histogramas y usar medidas descriptivas? Supongamos que contamos con una muestra de datos de un fenómeno de interés. Podemos hacer un gráfico de frecuencias empíricas de los datos y derivar información útil. Figura 2.1 Inflación mensual en Chile, Aunque el gráfico anterior describe adecuadamente la distribución de una muestra para la inflación mensual en Chile en el periodo , los estadísticos descriptivos están confinados a dicha muestra. Cualquier pregunta respecto de la población de la cual se derivó la muestra no puede ser discutida. La esencia del trabajo econométrico es, en este sentido, proveer resultados generales a partir de muestras cuya información es limitada. La teoría de probabilidades provee un modelo matemático para la inferencia estadística que, al realizarse sobre una muestra de observaciones, permite estudiar fenómenos generales. Por eso, este capítulo repasa la principal teoría de probabilidades, en tanto que el siguiente revisa los fundamentos de la inferencia estadística clásica. 1 Probabilidad documentado por primera vez en francés en 1387 viene del latín probabilis y significa que puede ser probado.

10 Noción de Probabilidad El desarrollo de la noción de probabilidad procedió de manera intuitiva y asistemática hasta mediados del siglo 16. La siguiente definición de probabilidad que como veremos más adelante es insuficiente fue utilizada primero por Abraham De Moivre en y formalizada por Pierre-Simón de Laplace en : Def. 2.1: Si un experimento puede resultar en N resultados mutuamente excluyentes y equiprobables y si N A es uno de dichos resultados, entonces la probabilidad de A es: P A = N A N (2.1) Esta definición tiene dos problemas bastante obvios. Primero, se requiere que el número de posibles resultados sea finito. Segundo, y más importante, al usarse el concepto de equiprobable la definición de Laplace adolece de circularidad. Por ello se necesita una definición formal del concepto de probabilidad. Richard von Mises (1919) sintetiza una primera solución a los problemas anteriores, señalando que la noción de equiprobabilidad puede ser eliminada y, en su reemplazo, se puede hablar de frecuencia empírica de los datos. 4 Para que ésta sea de aplicación general, se requeriría: N A lim N =P A (2.2) N Así, por ejemplo, la probabilidad que al lanzar una moneda salga cara no es ½ porque de dos posibles eventos, cara es uno de ellos sino porque al repetir el experimento un número grande de veces se observa que cara sucede un 50% de los casos. Las limitaciones del enfoque frecuentista son también obvias. Entre ellas, qué significa límite cuando N tiende a infinito? Cómo generamos secuencias infinitas de eventos? Qué hacemos cuando no es posible generar secuencias arbitrarias de datos de un experimento? 2 "The probability of an Event is greater or less, according to the number of chances by which it may happen, compared with the whole number of chances by which it may either happen or fail." The Doctrine of Chances. 3 Théorie Analytique de Probabilités. Laplace expresa de forma sencilla el significado del cálculo de probabilidades: "En el fondo, la teoría de probabilidades es sólo sentido común expresado con números". 4 Grundlagen der Wahrscheinlichkeitsrechnung, Zeitschrift für Angewandte Mathematik und Mechanik, 5:52-99.

11 Lo que se necesita es una teoría de probabilidades con una sólida base matemática. Ella no estuvo disponible sino hasta los años Axiomatización de las Probabilidades El enfoque axiomático de probabilidades procede, naturalmente, de un conjunto de axiomas (verdades a priori) y ofrece una formalización matemática de la noción de probabilidad, cuyas ventajas radican en ser completo (todas las proposiciones de la teoría se derivan de los axiomas), no-redundante (ningún axioma puede ser derivado de otros), y congruente. 5 El trabajo fundacional para la econometría clásica en esta área es el de Andrei Kolmogorov (1933). 6 Existen otros trabajos fundacionales para la econometría Bayesiana. 7 El punto de partida es definir el experimento aleatorio, 8 que describe de manera idealizada y simplista el mecanismo que genera los datos (usualmente llamado proceso generador de los datos, PGD). En particular: Def. 2.2: Un experimento aleatorio, llamado E, es un experimento que satisface: I. Todos los posibles eventos resultantes son conocidos a-priori. II. En cada realización particular, el resultado no es conocido a-priori. III. Se puede repetir en idénticas condiciones. Un problema con la condición I es que es difícil de formalizar. Kolmogorov sugiere utilizar el conjunto S que contiene todos los posibles resultados de un experimento definidos antes de empezar el experimento. Así, 5 Con frecuencia se traduce erróneamente la palabra consistency por consistencia. El término correcto es congruencia (del Latín, coincidir), aunque el uso popular es inexacto como pasa con otras palabras (p.e., sofisticado). 6 Grundbegriffe der Wahrscheinlichkeitsrechnung, Ergebnisse der Mathematik und ihrer Grenzgebiete, J. Springer eds R. T. Cox, The Algebra of Probable Inference, Johns Hopkins University Press, Baltimore, MD, (1961). 8 El término aleatorio se popularizó a raíz del trabajo de Christiaan Huygens (De Ratiociniis in Ludo Aleae, 1657) sobre el cálculo de probabilidades en juegos de dados (aleae en latín). Aunque se considera que este es el primer libro de probabilidades de la historia, hay un libro anterior de Girolamo Cardano (Liber de Ludo Aleae, 1564) que está a mitad de camino entre manual de cómo apostar y libro de probabilidades. Huygens fue además un famoso astrónomo: descubrió la luna más grande de Saturno Titán y sus anillos (en 1655) y la nebulosa de Orión (en 1656).

12 2.4 Def. 2.3: El espacio muestral, llamado S, es el conjunto de todos los posibles resultados del experimento E. Los elementos de S se llaman eventos elementales. Por ejemplo, el experimento que consiste en lanzar una moneda al aire dos veces tiene como espacio muestral: {CC,CS, SC, SS }. Los elementos CC, CS, SC, SS son los eventos elementales. Por otro lado, al examinar la condición II notamos que el evento de interés no tiene por qué ser únicamente referido a eventos elementales y podría ser una función de ellos. Por ejemplo, el evento al menos una cara define el conjunto A 1 ={CC,CS,SC }, que no es un evento elemental. En esta lógica de definir conjuntos ( A 1, los eventos elementales, etc.), resulta natural incorporar los dos elementos clásicos de los conjuntos: el elemento vacío es en este contexto el evento imposible (denotado por ), en tanto que el mismo conjunto S es llamado el evento seguro. Un tercer problema es la noción de incertidumbre implícita en la definición de E. Es directo asociar probabilidad con evento elemental y, si sólo existieran éstos, no sería problema usar dicha asociación. La existencia de eventos no elementales complica el problema porque si A 1 es un evento que ocurre con P A 1, entonces A 1 =S A 1 también ocurre con alguna probabilidad cuando ocurre A 1. De hecho si existen dos eventos, A 1 y A 2, se deduce que A 1 A 2 y A 1 A 2 también ocurren. Entonces, habrá que imponer alguna estructura sobre dichas probabilidades con el fin que el modelo matemático sea congruente. Una alternativa sería usar el conjunto de todos los posibles A i y todas sus combinaciones y relaciones (es decir, el conjunto potencia de S). En el experimento de lanzar la moneda dos veces éste incluiría, aparte de los eventos elementales, eventos tales como que salga al menos una cara, que no salgan dos sellos, etc. Así, el conjunto potencia de este experimento es: F ={S,,CS,CC,SC,SS, SC,CS, SC, CC, SC, SS, CS,CC, CS,SS, CC,SS, CS, SC, CC, CS,SC, SS, CC,SS, SC, CC,SS,CS } (2.3) De esta manera incluiríamos en el espacio de los eventos, F, todas las posibles alternativas. De hecho, no importa cómo combinemos los elementos de F siempre obtenemos un elemento de F.

13 2.5 No obstante, cuando S es infinito es posible observar incongruencias (p.e., suma de probabilidades mayor que 1). 9 Así, debemos definir F independientemente de S o, lo que es lo mismo, debemos dotarlo de estructura matemática. Def. 2.4: Sea F un conjunto de sub-conjuntos de S. F es un σ-álgebra dado A F entonces A F (cerrado para el complemento) dado A i i =1, 2, entonces U i A i F (cerrado para uniones contables o enumerables) Ambas propiedades juntas implican que: S F (porque A A=S ) F (porque S= F ) A i F entonces U i A i F 10 si Dicho de manera más simple, cualquier operación (unión o intersección) de elementos de F produce un elemento de F. Obviamente el conjunto potencia de S es un σ-álgebra. Un resultado fundamental para nuestro análisis posterior de convergencia es que un σ-álgebra contiene todos los límites de secuencias de eventos, en tanto que un álgebra no necesariamente los contiene. Esta propiedad se deriva del hecho que el σ- álgebra es cerrado para uniones contables, en tanto que un álgebra es cerrado para uniones finitas solamente. Hasta aquí hemos resuelto el problema de incongruencias al postular la existencia de un σ-álgebra F asociado con un espacio muestral S (este par constituye un espacio medible). El último paso en la estrategia de Kolmogorov consiste en definir el concepto de probabilidad formalmente, para lo cual se usa el Teorema de Extensión de Constantin Caratheodory y la noción de medida de Henri Lebesgue 11. Empezamos primero con el caso más simple, en el cual S es finito. 9 Ejemplo, S={A 1, A 2, } tal que A 1 A 2 = i j y P A i =a 0, entonces P S = P A i = a 1. i =1 i =1 10 Algebra viene del título de un libro árabe Hisab al jabr w al muqâbalah escrito en 825 por Abu Ja'far Muhammad ibn Musa Al-Khwarizmi (de donde se deriva algoritmo ). De acuerdo a In Khoálsat al- Hisáh (Esencia de la Aritmética) escrito por Behá Eddin en Al-Jabr significa posiblemente reunión de partes quebradas (es decir, completación), en tanto que al-muqâbalah significa reducción o balanceo. El título se refiere a las operaciones de suma y resta necesarias para mantener balanceada una ecuación y resolverla. 11 Ver Probability Theory, S.R.S. Varadhan, Courant Lecture Notes #7, American Mathematical Society, 2001.

14 Def. 2.5: Probabilidad es una función conjunto en F que satisface los siguientes axiomas: Axioma 1: P A 0 para todo A F. Axioma 2: P S =1. Axioma 3: P U A i = P A i si {A i } es una secuencia de eventos mutuamente excluyentes en F (excluyentes significa que A i A j = i j ). 2.6 Es decir, probabilidad es una función conjunto con dominio en F y rango en el intervalo [0, 1]: P : F [0, 1] (2.4) La probabilidad es una medida en el sentido de Lebesgue. Medida es una función definida para un σ-álgebra del conjunto X y que toma valores en el intervalo [0, ] tal que se cumplen dos propiedades: (1) la medida del vacío es cero y (2) se cumple la aditividad contable (σ-aditividad), es decir, si tenemos una secuencia de conjuntos disjuntos, la medida total es la suma de las medidas individuales. Es conveniente notar que el axioma 2 opera simplemente como una normalización. Los dos primeros axiomas calzan tanto con la definición clásica de Laplace como con la frecuentista. El tercero es menos intuitivo, pero se resume en que la probabilidad de la unión de eventos no relacionados es la suma de las probabilidades individuales. Debido a su importancia, el trío S,F, P tiene un nombre particular: Def 2.6: Un espacio muestral S dotado de un espacio de eventos o σ-álgebra F y una función de probabilidades que satisface los axiomas 1 a 3 se llama espacio de probabilidades. Algunas propiedades interesantes de esta teoría de probabilidades son: P A =1 P A A F P =0 Si A 1 A 2 P A 1 P A 2 A 1, A 2 F P A 1 A 2 =P A 1 P A 2 P A 1 A 2

15 Si {A n } n=1 es una secuencia de eventos monótona (ordenada) en P lim n A n =lim n P A n F, entonces Un problema evidente de la construcción de probabilidades hecha de esta manera es que no puede usarse para enfrentar fenómenos con infinitos eventos. Por ejemplo, cómo le asignamos probabilidades al caso en que se tiran dos dados un número infinito de veces? Naturalmente, no podemos escribir el conjunto potencia como en la ecuación (2.3). De hecho, una pregunta crucial es si es posible construir una función que cumpla con las características que se le exige a la función de probabilidades cuando hay infinitos eventos. Usaremos dos elementos para extender el análisis al caso en cuestión: el teorema de extensión de Carathéodory y los álgebras de Borel. Un álgebra de Borel corresponde al siguiente conjunto. Supongamos que S es la recta de los reales R ={x : x } y que el conjunto de eventos de interés es J =B x : x R donde B x ={z : z x }=(,x ]. Es decir, el conjunto J incluye todos los intervalos de reales menores o iguales a x. Podemos construir un σ-álgebra en R? Usando la definición de σ-álgebra debiésemos partir de B x, luego añadir su complemento B x, e incluir todas las uniones enumerables de B x y B x. Con ello tendríamos el mínimo σ-álgebra generado por los eventos en B x, llamado J. Este es un conjunto verdaderamente grande, pues incluye todos los x, todos los (, x ], todos los (, x ), todos los x,, y todos los (x,z) tal que están ordenados, x<z. Esta álgebra es llamada álgebra de Borel, B, y permite incluir cualquier tipo de eventos, sean o no elementales, en R. 13 El teorema de extensión de Constantin Carathéodory prueba que para cualquier medida de probabilidad P(.) en el álgebra F puede extenderse de manera única al σ- álgebra generado por los reales. Note que esta medida extendida es única. La prueba de este teorema excede los objetivos del curso. Si aplicamos el teorema de extensión de Carathéodory al álgebra de Borel, entonces podemos dotar de una medida a cualquier conjunto de eventos. Si esta medida es la medida de probabilidad definida más arriba, podemos dotar de estructura de probabilidades a cualquier conjunto de eventos, pero al costo de generar álgebras verdaderamente complejas. 12 Usaremos esta propiedad frecuentemente más adelante. 13 Los conjuntos de Borel también se denominan conjuntos de Baire ( ).

16 Variables Aleatorias En la sección anterior hemos construido el enfoque axiomático de probabilidades sobre la base del trío S,F, P. Ahora usaremos este enfoque para estudiar variables, probabilidades de eventos y, al final, modelación de incertidumbre. El espacio de probabilidades fue sugerido como una formalización un tanto rígida de un experimento E. Intuitivamente la conexión entre los tres elementos queda descrita en la Figura 2.2. Evidentemente, es difícil pensar en funciones de probabilidades a partir de la Figura 2.2. Habría que tabular todos los elementos de F y luego construir un sistema congruente de P. Figura 2.2 (CC) (CS) (SC) (SS) Ф (CC) (CS) (SC) (SS) (CS,SC,CC) (CS,SC,SS) (SS,CC) S 0 ¼ ½ ¾ 1 S F P( ) Si los resultados del experimento fuesen descritos directamente por medio de atributos cuantificables, entonces tendríamos un enfoque mucho más flexible que S,F, P. Eso es, por lo demás, lo que sucede usualmente en economía. Ese es el papel que juegan las variables aleatorias. La variable aleatoria es una función X que mapea el conjunto S directamente en los reales, R, es decir: X : S R + (2.5)

17 y asigna a cada elemento de S un valor en los reales positivos, x i. Gráficamente, el conjunto de eventos obtener sellos al lanzar dos monedas corresponde a: 2.9 Figura 2.3 (CC) (CS) (SC) (SS) S X( ) R La pregunta que nos preocupa es, obviamente, si esta variable aleatoria es capaz de mantener la congruencia del análisis de probabilidades al haber eliminado F. La respuesta, no muy sorprendentemente, es no. Las probabilidades fueron asignadas a eventos en F, en tanto que X asigna valores a elementos de S. Así el problema radica en cómo escoger X tal que al asignar valores de S en R se preserve el orden impuesto en F, es decir, que preserve uniones, intersecciones y complementos. Ello es equivalente a pensar en que la (imagen) inversa de X debe ser un evento en F. De esta manera, una variable aleatoria será cualquier función que preserve el ordenamiento de los eventos para un σ-álgebra determinado, usualmente el álgebra de Borel, B Def. 2.7: Una variable aleatoria X es una función que toma valores reales y que mapea de S a R y que satisface la condición que para cada conjunto de Borel B B en R, el conjunto X 1 B ={ s : X s B,s S } es un evento en F.

18 2.10 Algunas implicaciones importantes de la definición anterior son: Una variable aleatoria está siempre definida relativa a un espacio de eventos, F. Al decidir si alguna función Y : S R es una variable aleatoria procedemos siempre de los elementos del espacio de Borel B al espacio de eventos, F y no viceversa. Una variable aleatoria no es variable ni aleatoria. Note que la pregunta es Z :S R una variable aleatoria? no tiene ningún sentido si no se especifica el espacio de eventos F asociado. En algunos casos habrá Z 14 que es una variable aleatoria para algunos F y no para otros. Para estos últimos siempre se puede general el mínimo σ-álgebra, tomando uniones, intersecciones y complementos. Es directo demostrar que estos mínimos σ-álgebras no tienen por qué calzar con F, pero que frecuentemente son subconjuntos de éste. Adicionalmente, si X 1 y X 2 están definidos para un mismo espacio de probabilidades y definimos operaciones con ellos, por ejemplo, Z=X 1 X 2, entonces los mínimos σ-álgebras generados por estas variables aleatorias son subconjuntos ordenados de F: X 1 Z F En términos prácticos, este último argumento sugiere que al estudiar una variable aleatoria nos estamos concentrando en una parte (el σ-álgebra asociado) del experimento completo F. Note que la variable aleatoria no es aleatoria en el sentido que la noción de probabilidad no entra en su definición sino que se le asigna para completar el modelo del experimento aleatorio. Y tampoco es una variable, sino que es una función de valor real. Como vemos, la definición popular de variable aleatoria (p.e., Greene 15 usa Función cuyo rango de valores es conocido ex-ante pero el valor que toma es sólo conocido expost) esconde la verdadera naturaleza de la variable aleatoria, porque menoscaba el concepto de función incluido en la definición y enfatiza el de variable. Recapitulando, una variable aleatoria X relativa a F mapea S en un subconjunto de la línea de los reales. El espacio de Borel B en R juega el papel que antes ocupaba F. 14 Esto no es tan extraño: en un experimento en el que hay hombres y mujeres, el género es una variable aleatoria. Pero si sólo seleccionamos hombres o mujeres, el género ya no es una variable aleatoria. 15 Econometric Analysis, Prentice Hall, Tercera Edición, 1997, p. 62.

19 Falta, por lo tanto, asignarle probabilidades a los elementos B de B, es decir, definir una función: P x :B [0,1] tal que P x B =P X 1 B P s : X s B, s S para todo B en B Note que no es necesario definir todos los elementos de B, porque cada uno de sus elementos puede ser escrito como un intervalo semi-cerrado del tipo (-,x]. Así, eligiendo los intervalos de manera adecuada, podemos construir fácilmente la función de probabilidad de X. Por ejemplo, en el caso del lanzamiento de dos monedas descrito en el Cuadro 2.1. Cuadro 2.1 S X 1 X 2 X {C,C} {C,S} {S,C} {S,S} las probabilidades son simplemente: P x ({0})=¼ P x ({1})=½ P x ({2})=¼ P x ({0} {1})=¾ P x ({0} {2})=½ P x ({1} {2})=¾ P x ({0} {1} {2})=1 P x ({0} {1})=0 P x ({0} {2})=0 P x ({1} {2})=0 P x ({0} {1} {2})=0 Note que no es necesario asignarle a cada elemento de la recta real una probabilidad sino que definimos el problema por intervalos: ] =[ 0 x 0 ] P x (, x ¼ 0 x 1 (2.6) ¾ 1 x x

20 2.12 Recapitulando, empezamos con un experimento 16 E definido en el espacio de probabilidades S,F,P y luego hemos definido la variable aleatoria X definida en un espacio de probabilidades equivalente ( R, B, P x ). La ventaja de este último es que es más fácil manejar elementos en la recta real que elementos en conjuntos arbitrarios. Gráficamente: Figura 2.4 (CC) (CS) (SC) (SS) Ф (CC) (CS) (SC) (SS) (CS,SC,CC) (CS,SC,SS) (SS,CC) S 0 ¼ ½ ¾ 1 S F P( ) R B P x ( ) Lo último que falta es definir apropiadamente P x. Hasta el momento esta función sigue siendo arbitraria en un subconjunto de los R +, pero lo que se requiere es una función punto (es decir, que mapee punto a punto). Recordemos que todos los elementos del espacio de Borel pueden ser descritos como intervalos (, x] lo que permite definir la función F : R [0,1] de la siguiente manera: P x (,x ] =F x F =F x (2.7) 16 Tal vez el énfasis en la noción de experimento pueda parecer exagerada. R.A. Fisher nos ofrece una contundente visión de la importancia del diseño del experimento To call in the statistician after the experiment is done may be no more than asking him to perform a postmortem examination: he may be able to say what the experiment died of (Indian Statistical Congress, Sankhya, 1938).

TEORIA DE LA PROBABILIDAD

TEORIA DE LA PROBABILIDAD TEORIA DE LA PROBABILIDAD 2.1. Un poco de historia de la teoría de la probabilidad. Parece evidente que la idea de probabilidad debe ser tan antigua como el hombre. La idea es muy probable que llueva mañana

Más detalles

Introducción a la Teoría de Probabilidad

Introducción a la Teoría de Probabilidad Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

Las Matemáticas En Ingeniería

Las Matemáticas En Ingeniería Las Matemáticas En Ingeniería 1.1. Referentes Nacionales A nivel nacional se considera que el conocimiento matemático y de ciencias naturales, sus conceptos y estructuras, constituyen una herramienta para

Más detalles

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales

Más detalles

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones

Más detalles

5. DISTRIBUCIONES DE PROBABILIDADES

5. DISTRIBUCIONES DE PROBABILIDADES 5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

Apuntes sobre algunos teoremas fundamentales de análisis complejo, con 20 ejemplos resueltos (2007-08)

Apuntes sobre algunos teoremas fundamentales de análisis complejo, con 20 ejemplos resueltos (2007-08) Variable Compleja I (3 o de Matemáticas) Apuntes sobre algunos teoremas fundamentales de análisis complejo, con ejemplos resueltos (7-8) En estos apuntes, consideraremos las funciones anaĺıticas (holomorfas)

Más detalles

Tema 3 Probabilidades

Tema 3 Probabilidades Probabilidades 1 Introducción Tal vez estemos acostumbrados con algunas ideas de probabilidad, ya que esta forma parte de la cultura cotidiana. Con frecuencia escuchamos a personas que hacen afirmaciones

Más detalles

Curso. Análisis Estadístico de Datos Climáticos

Curso. Análisis Estadístico de Datos Climáticos Curso I-1 Análisis Estadístico de Datos Climáticos Distribuciones de Probabilidad Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Montevideo, Uruguay 2011 I-2 DISTRIBUCIONES DE PROBABILIDAD

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

PROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT 6 10 3 2 5

PROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT 6 10 3 2 5 PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal

Más detalles

Notas de Probabilidades

Notas de Probabilidades 1 Introducción Notas de Probabilidades En la vida cotidiana nos encontramos con frecuencia con situaciones que producen varios resultados conocidos, sin poder determinar con exactitud cual de ellos ocurrirá.

Más detalles

Clase 2: Estadística

Clase 2: Estadística Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

Clase 8: Distribuciones Muestrales

Clase 8: Distribuciones Muestrales Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas

Más detalles

Clase 2: Estadística

Clase 2: Estadística Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea

Más detalles

Definición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral.

Definición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral. Capítulo 2 Probabilidades 2. Definición y propiedades Al realizar un experimento aleatorio nuestro interés es obtener información sobre las leyes que rigen el fenómeno sometido a estudio. El punto de partida

Más detalles

2. Probabilidad. Estadística. Curso 2009-2010. Ingeniería Informática. Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24

2. Probabilidad. Estadística. Curso 2009-2010. Ingeniería Informática. Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24 2. Probabilidad Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24 Contenidos 1 Experimentos aleatorios 2 Algebra de sucesos 3 Espacios

Más detalles

Teoría de Probabilidad

Teoría de Probabilidad Matemáticas Discretas L. Enrique Sucar INAOE Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para las que no existe

Más detalles

Propiedades de Muestras Grandes y Simulación

Propiedades de Muestras Grandes y Simulación Propiedades de Muestras Grandes y Simulación Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Esquema 1 Propiedades en muestras grandes (W App C3) 2 3 Las propiedades

Más detalles

Métodos y Diseños utilizados en Psicología

Métodos y Diseños utilizados en Psicología Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

CONTENIDOS MÍNIMOS BACHILLERATO

CONTENIDOS MÍNIMOS BACHILLERATO CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5

Más detalles

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una

Más detalles

Tests de hipótesis estadísticas

Tests de hipótesis estadísticas Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para

Más detalles

I.E.S.MEDITERRÁNEO CURSO 2015 2016 DPTO DE MATEMÁTICAS PROGRAMA DE RECUPERACIÓN DE LOS APRENDIZAJES NO ADQUIRIDOS EN MATEMÁTICAS DE 3º DE E.S.O.

I.E.S.MEDITERRÁNEO CURSO 2015 2016 DPTO DE MATEMÁTICAS PROGRAMA DE RECUPERACIÓN DE LOS APRENDIZAJES NO ADQUIRIDOS EN MATEMÁTICAS DE 3º DE E.S.O. PROGRAMA DE RECUPERACIÓN DE LOS APRENDIZAJES NO ADQUIRIDOS EN MATEMÁTICAS DE 3º DE E.S.O. Este programa está destinado a los alumnos que han promocionado a cursos superiores sin haber superado esta materia.

Más detalles

MATEMÁTICA NM4 4º EM

MATEMÁTICA NM4 4º EM MATEMÁTICA NM4 4º EM UNIDADES TEMÁTICAS UNIDAD Nº 01: ESTADÍSTICA Y PROBABILIDAD Conceptos generales : Población, muestra, parámetro y estadístico Variables y su clasificación Medición y escalas Organización

Más detalles

Unidad Temática 1: Unidad 3 Probabilidad Temas 6 y 7

Unidad Temática 1: Unidad 3 Probabilidad Temas 6 y 7 Unidad Temática 1: Unidad 3 Probabilidad Temas 6 y 7 Definiciones: 1- La probabilidad estudia la verosimilitud de que determinados sucesos o eventos ocurran o no, con respecto a otros sucesos o eventos

Más detalles

Espacios Vectoriales

Espacios Vectoriales Espacios Vectoriales Departamento de Matemáticas, CCIR/ITESM 4 de enero de 2 Índice 3.. Objetivos................................................ 3.2. Motivación...............................................

Más detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS

DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS A) INTRODUCCIÓN Una distribución de probabilidad es una representación de todos los resultados posibles de algún experimento y de la probabilidad relacionada

Más detalles

BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL

BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL Ramón Mahía Febrero 013 Prof. Ramón Mahía ramon.mahia@uam.es Qué se entiende por Multicolinealidad en el marco

Más detalles

Tema 7: Capital, inversión y ciclos reales

Tema 7: Capital, inversión y ciclos reales Tema 7: Capital, inversión y ciclos reales Macroeconomía 2014 Universidad Torcuato di Tella Constantino Hevia En la nota pasada analizamos el modelo de equilibrio general de dos períodos con producción

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones

Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica

Más detalles

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA Eva Medina Moral (Febrero 2002) EXPRESIÓN DEL MODELO BASICO DE REGRESIÓN LINEAL La expresión formal del modelo

Más detalles

Socioestadística I Análisis estadístico en Sociología

Socioestadística I Análisis estadístico en Sociología Análisis estadístico en Sociología 1. INTRODUCCIÓN. Definición e historia. 1.1. Que es la Sociestadística?. La estadística es la ciencias de las regularidades que se observan en conjuntos de fenómenos

Más detalles

DIPLOMADO ACTUALIZACIO N EN MATEMA TICAS PARA PROFESIONALES DE BANCA Y SEGUROS

DIPLOMADO ACTUALIZACIO N EN MATEMA TICAS PARA PROFESIONALES DE BANCA Y SEGUROS DIPLOMADO ACTUALIZACIO N EN MATEMA TICAS PARA PROFESIONALES DE BANCA Y SEGUROS Objetivo y alcance del diplomado General Brindar al participante una actualización en diferentes temas de probabilidad y estadística,

Más detalles

TEMA 3: CONTINUIDAD DE FUNCIONES

TEMA 3: CONTINUIDAD DE FUNCIONES TEMA 3: CONTINUIDAD DE FUNCIONES. Valor Absoluto Trabajaremos en el campo de los números reales, R. Para el estudio de las propiedades de las funciones necesitamos el concepto de valor absoluto de un número

Más detalles

Ortogonalidad y Series de Fourier

Ortogonalidad y Series de Fourier Capítulo 4 Ortogonalidad y Series de Fourier El adjetivo ortogonal proviene del griego orthos (recto) y gonia (ángulo). Este denota entonces la perpendicularidad entre dos elementos: dos calles que se

Más detalles

Ejemplos: Sean los conjuntos: A = { aves} B = { peces } C = { anfibios }

Ejemplos: Sean los conjuntos: A = { aves} B = { peces } C = { anfibios } La Teoría de Conjuntos es una teoría matemática, que estudia básicamente a un cierto tipo de objetos llamados conjuntos y algunas veces, a otros objetos denominados no conjuntos, así como a los problemas

Más detalles

Subconjuntos destacados en la

Subconjuntos destacados en la 2 Subconjuntos destacados en la topología métrica En este capítulo, introducimos una serie de conceptos ligados a los puntos y a conjuntos que por el importante papel que juegan en la topología métrica,

Más detalles

Estudio comparativo de los currículos de probabilidad y estadística español y americano

Estudio comparativo de los currículos de probabilidad y estadística español y americano Estudio comparativo de los currículos de probabilidad y estadística español y americano Jaldo Ruiz, Pilar Universidad de Granada Resumen Adquiere las mismas capacidades en Probabilidad y Estadística un

Más detalles

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS 1) Reseña histórica Abrahan De Moivre (1733) fue el primero en obtener la ecuación matemática de la curva normal. Kart Friedrich Gauss y Márquez De Laplece (principios

Más detalles

Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier

Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier Andrés Felipe López Lopera* Resumen. Existe una gran similitud entre vectores y las señales. Propiedades tales como la

Más detalles

CÁLCULO PARA LA INGENIERÍA 1

CÁLCULO PARA LA INGENIERÍA 1 CÁLCULO PARA LA INGENIERÍA 1 PROBLEMAS RESUELTOS Tema 3 Derivación de funciones de varias variables 3.1 Derivadas y diferenciales de funciones de varias variables! 1. Derivadas parciales de primer orden.!

Más detalles

La suma y la resta. Introducción. Capítulo

La suma y la resta. Introducción. Capítulo Capítulo II La suma y la resta Introducción En el capítulo anterior, vimos que los números permiten expresar la cantidad de objetos que tiene una colección. Juntar dos o más colecciones, agregar objetos

Más detalles

Índice de materias. 1. Introducción. 2. Conceptos básicos de la probabilidad

Índice de materias. 1. Introducción. 2. Conceptos básicos de la probabilidad Índice de materias 1. Introducción 2. Conceptos básicos de la probabilidad Índice de materias 1. Introducción 2. Conceptos básicos de la probabilidad 3. Modelos de probabilidad elementales Índice de materias

Más detalles

IES CANARIAS CABRERA PINTO DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS 1º ESO SEPTIEMBRE 2015

IES CANARIAS CABRERA PINTO DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS 1º ESO SEPTIEMBRE 2015 CONTENIDOS MÍNIMOS 1º ESO SEPTIEMBRE 2015 UNIDAD 1: LOS NÚMEROS NATURALES. OPERACIONES Y RELACIONES El sistema de numeración decimal Estimación y redondeo de un número natural Las operaciones con números

Más detalles

Tema 10. Estimación Puntual.

Tema 10. Estimación Puntual. Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener

Más detalles

- se puede formular de la siguiente forma:

- se puede formular de la siguiente forma: Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no

Más detalles

Apuntes de Matemática Discreta 9. Funciones

Apuntes de Matemática Discreta 9. Funciones Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y

Más detalles

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J. Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma

Más detalles

Statgraphics Centurión

Statgraphics Centurión Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que

Más detalles

EJERCICIOS DEL CAPÍTULO I

EJERCICIOS DEL CAPÍTULO I EJERCICIOS DEL CAPÍTULO I 1. Un grupo es una tipo particular de Ω estructura cuando Ω es el tipo Ω = { } siendo una operación de aridad dos. Pero un grupo también es una Ω -estructura siendo Ω = {e, i,

Más detalles

ANÁLISIS DE DATOS NO NUMERICOS

ANÁLISIS DE DATOS NO NUMERICOS ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas

Más detalles

Conceptos Básicos de Probabilidad

Conceptos Básicos de Probabilidad Conceptos Básicos de Probabilidad Debido a que el proceso de obtener toda la información relevante a una población particular es difícil y en muchos casos imposible de obtener, se utiliza una muestra para

Más detalles

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR}

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR} Subespacios Capítulo 1 Definición 1.1 Subespacio Sea H un subconjunto no vacio de un espacio vectorial V K. Si H es un espacio vectorial sobre K bajo las operaciones de suma y multiplicación por escalar

Más detalles

Tema 7: Estadística y probabilidad

Tema 7: Estadística y probabilidad Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro

Más detalles

1. TEMPORALIZACIÓN POR EVALUACIONES DE LOS CONTENIDOS

1. TEMPORALIZACIÓN POR EVALUACIONES DE LOS CONTENIDOS 1. TEMPORALIZACIÓN POR EVALUACIONES DE LOS CONTENIDOS Primera Evaluación TEMA 1. NÚMEROS REALES Distintos tipos de números. Recta real. Radicales. Logaritmos. Notación científica. Calculadora. TEMA 2.

Más detalles

Definición 1.1.1. Sea K un cuerpo. Un polinomio en x, con coeficientes en K es toda expresión del tipo

Definición 1.1.1. Sea K un cuerpo. Un polinomio en x, con coeficientes en K es toda expresión del tipo POLINOMIOS 1.1. DEFINICIONES Definición 1.1.1. Sea K un cuerpo. Un polinomio en x, con coeficientes en K es toda expresión del tipo p(x) = a i x i = a 0 + a 1 x + a 2 x 2 + + a n x n + ; a i, x K; n N

Más detalles

Lecturas previas Cuando llegue a su primera sesión de laboratorio debe haber estudiado el contenido de la lectura que aparece a continuación.

Lecturas previas Cuando llegue a su primera sesión de laboratorio debe haber estudiado el contenido de la lectura que aparece a continuación. Laboratorio 1 Medición e incertidumbre La descripción de los fenómenos naturales comienza con la observación; el siguiente paso consiste en asignar a cada cantidad observada un número, es decir en medir

Más detalles

Notas sobre combinatoria y probabilidad [segunda parte]

Notas sobre combinatoria y probabilidad [segunda parte] Notas sobre combinatoria y probabilidad [segunda parte] Tercer artículo de una serie dedicada a la estadística y su aplicación en las aulas, el texto es la segunda parte de un análisis acerca del uso de

Más detalles

Estadística aplicada y modelización. 10 de septiembre de 2005

Estadística aplicada y modelización. 10 de septiembre de 2005 Estadística aplicada y modelización. 10 de septiembre de 005 SOLUCIÓN MODELO A 1. Una persona se está preparando para obtener el carnet de conducir, repitiendo un test de 0 preguntas. En la siguiente tabla

Más detalles

Simulación Computacional. Tema 1: Generación de números aleatorios

Simulación Computacional. Tema 1: Generación de números aleatorios Simulación Computacional Tema 1: Generación de números aleatorios Irene Tischer Escuela de Ingeniería y Computación Universidad del Valle, Cali Typeset by FoilTEX 1 Contenido 1. Secuencias pseudoaleatorias

Más detalles

Tema 3: El modelo de regresión lineal múltiple

Tema 3: El modelo de regresión lineal múltiple Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal

Más detalles

(x + y) + z = x + (y + z), x, y, z R N.

(x + y) + z = x + (y + z), x, y, z R N. TEMA 1: EL ESPACIO R N ÍNDICE 1. El espacio vectorial R N 1 2. El producto escalar euclídeo 2 3. Norma y distancia en R N 4 4. Ángulo y ortogonalidad en R N 6 5. Topología en R N 7 6. Nociones topológicas

Más detalles

ANÁLISIS DE DATOS CONTROL DE CALIDAD. Ing. Carlos Brunatti

ANÁLISIS DE DATOS CONTROL DE CALIDAD. Ing. Carlos Brunatti ANÁLISIS DE DATOS CONTROL DE CALIDAD Ing. Carlos Brunatti Montevideo, ROU, junio 2015 Control de calidad No resulta sorprendente que el hormigón sea un material variable, pues hay muchos factores involucrados

Más detalles

Desarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada

Desarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada MANEJO DE DATOS Analizar gráficos o diagramas de situaciones dadas para identificar información específica Recoger datos, dibujar los datos usando escalas apropiadas y demostrar una comprensión de las

Más detalles

1. Ecuaciones no lineales

1. Ecuaciones no lineales 1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar

Más detalles

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO Unidad 1 Números Reales Utilizar los números enteros, racionales e irracionales para cuantificar situaciones de la vida cotidiana. Aplicar adecuadamente

Más detalles

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como:

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como: TEMA 1: PRONÓSTICOS 1.1. Introducción Pronostico es un método mediante el cual se intenta conocer el comportamiento futuro de alguna variable con algún grado de certeza. Existen disponibles tres grupos

Más detalles

2 Métodos combinatorios

2 Métodos combinatorios 2 Métodos combinatorios Las pruebas pueden aplicarse de muchas maneras, es decir, existen diferentes formas de preparar casos de prueba. En este capítulo se presentan dos formas de prueba muy fáciles de

Más detalles

8. Estimación puntual

8. Estimación puntual 8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores

Más detalles

1. Números Reales 1.1 Clasificación y propiedades

1. Números Reales 1.1 Clasificación y propiedades 1. Números Reales 1.1 Clasificación y propiedades 1.1.1 Definición Número real, cualquier número racional o irracional. Los números reales pueden expresarse en forma decimal mediante un número entero,

Más detalles

FUNCIONES 1. DEFINICION DOMINIO Y RANGO

FUNCIONES 1. DEFINICION DOMINIO Y RANGO 1. DEFINICION DOMINIO Y RANGO FUNCIONES Antes de definir función, uno de los conceptos fundamentales y de mayor importancia de todas las matemáticas, plantearemos algunos ejercicios que nos eran de utilidad

Más detalles

guía para LOS PADRES APOYANDO A SU HIJO EN LA PREPARATORIA (HIGH SCHOOL) MATEMÁTICAS

guía para LOS PADRES APOYANDO A SU HIJO EN LA PREPARATORIA (HIGH SCHOOL) MATEMÁTICAS guía para LOS PADRES APOYANDO A SU HIJO EN LA PREPARATORIA (HIGH SCHOOL) MATEMÁTICAS HS Las escuelas de los Estados Unidos de América están trabajando para brindar una enseñanza de mayor calidad nunca

Más detalles

Tema 3. Problemas de valores iniciales. 3.1. Teoremas de existencia y unicidad

Tema 3. Problemas de valores iniciales. 3.1. Teoremas de existencia y unicidad Tema 3 Problemas de valores iniciales 3.1. Teoremas de existencia y unicidad Estudiaremos las soluciones aproximadas y su error para funciones escalares, sin que ésto no pueda extenderse para funciones

Más detalles

FACULTAD DE ENFERMERIA MAESTRÌA EN ENFERMERIA PROGRAMA DEL CURSO ESTADÌSTICA AVANZADA CODIGO MC1114 REQUISITOS EG2113 CREDITO: 4

FACULTAD DE ENFERMERIA MAESTRÌA EN ENFERMERIA PROGRAMA DEL CURSO ESTADÌSTICA AVANZADA CODIGO MC1114 REQUISITOS EG2113 CREDITO: 4 FACULTAD DE ENFERMERIA MAESTRÌA EN ENFERMERIA PROGRAMA DEL CURSO ESTADÌSTICA AVANZADA CODIGO MC1114 REQUISITOS EG2113 CREDITO: 4 REQUISITO LICENCIATURA EN ENFERMERÌA PROFESOR 1. Justificación. Se requiere

Más detalles

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7) Caracterización de las fuentes y formación de escalas de tiempo Rec. UIT-R TF.538-3 1 RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

Más detalles

Tema 1: Introducción a la Estadística

Tema 1: Introducción a la Estadística Tema 1: Introducción a la Estadística Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 1: Introducción a la Estadística Curso 2009-2010

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

PRUEBA ESTADÍSTICA DE HIPÓTESIS

PRUEBA ESTADÍSTICA DE HIPÓTESIS PRUEBA ESTADÍSTICA DE HIPÓTESIS Rodrigo PIMIENTA LASTRA* INTRODUCCIÓN En el presente trabajo se pretende destacar el concepto de hipótesis estadística, así como plantear e identificar tanto la hipótesis

Más detalles

El valor esperado de una variable aleatoria discreta se representa de la siguiente manera:

El valor esperado de una variable aleatoria discreta se representa de la siguiente manera: INTRODUCCIÓN AL VALOR ESPERADO Y VARIANZA (5 MINUTOS) Cuando nos hablan del promedio de que ocurra un evento, cómo sabemos con certeza qué tan cerca estamos de alcanzar ese promedio? Esta pregunta nos

Más detalles

UNIDAD EDUCATIVA INTERNACIONAL SEK-ECUADOR PROGRAMA DE MATEMÁTICAS NM

UNIDAD EDUCATIVA INTERNACIONAL SEK-ECUADOR PROGRAMA DE MATEMÁTICAS NM UNIDAD EDUCATIVA INTERNACIONAL SEK-ECUADOR PROGRAMA DE MATEMÁTICAS NM I. DATOS INFORMATIVOS: NIVEL DE EDUCACIÓN: Bachillerato. ÁREA: Matemáticas CURSO: Segundo de bachillerato (1º año de Diploma) PARALELO:

Más detalles

ESPACIO VECTORIAL ESPACIO VECTORIAL SUBESPACIO VECTORIAL BASE Y DIMENSIÓN N DE UN

ESPACIO VECTORIAL ESPACIO VECTORIAL SUBESPACIO VECTORIAL BASE Y DIMENSIÓN N DE UN Tema 5.- ESPACIOS VECTORIALES ESPACIO VECTORIAL SUBESPACIO VECTORIAL BASE Y DIMENSIÓN N DE UN ESPACIO VECTORIAL Fundamentos Matemáticosde la Ingeniería 1 Aunque históricamente el primer trabajo de Álgebra

Más detalles

Covarianza y coeficiente de correlación

Covarianza y coeficiente de correlación Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también

Más detalles

Tema 3. Concepto de Probabilidad

Tema 3. Concepto de Probabilidad Tema 3. Concepto de Probabilidad Presentación y Objetivos. El Cálculo de Probabilidades estudia el concepto de probabilidad como medida de incertidumbre. En situaciones donde se pueden obtener varios resultados

Más detalles

Grado en Finanzas y Contabilidad

Grado en Finanzas y Contabilidad Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece

Más detalles

FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M.

FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Una de las primeras necesidades que surgen en las Ciencias Experimentales es la de poder expresar los valores

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

Usamos que f( p) = q y que, por tanto, g( q) = g(f( p)) = h( p) para simplificar esta expresión:

Usamos que f( p) = q y que, por tanto, g( q) = g(f( p)) = h( p) para simplificar esta expresión: Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 2004-2005 Propiedades de las funciones diferenciables. 1. Regla de la cadena Después de la generalización que hemos

Más detalles

MATEMÁTICAS aplicadas a las Ciencias Sociales II

MATEMÁTICAS aplicadas a las Ciencias Sociales II MATEMÁTICAS aplicadas a las Ciencias Sociales II UNIDAD 1: SISTEMAS DE ECUACIONES. MÉODO DE GAUSS Sistemas de ecuaciones lineales Sistemas equivalentes. Transformaciones que mantienen la equivalencia.

Más detalles

PDF created with pdffactory Pro trial version www.pdffactory.com

PDF created with pdffactory Pro trial version www.pdffactory.com Universidad de Los Andes Facultad de Humanidades y Educación Escuela de Educación Departamento de Educación Física Cátedra Didáctica de la Educación Física RESUMEN DE LA TAXONOMIA DE LOS OBJETIVOS DE LA

Más detalles

Juan Antonio González Mota Profesor de Matemáticas del Colegio Juan XIII Zaidín de Granada

Juan Antonio González Mota Profesor de Matemáticas del Colegio Juan XIII Zaidín de Granada FUNCIONES CONTINUAS. La mayor parte de las funciones que manejamos, a nivel elemental, presentan en sus gráficas una propiedad característica que es la continuidad. La continuidad de una función definida

Más detalles

MÓDULO 9 DISTRIBUCIÓN DE PROBABILIDAD NORMAL

MÓDULO 9 DISTRIBUCIÓN DE PROBABILIDAD NORMAL MÓDULO 9 DISTRIBUCIÓN DE PROBABILIDAD NORMAL INTRODUCCIÓN En este módulo se continúa con el estudio de las distribuciones de probabilidad, examinando una distribución de probabilidad continua muy importante:

Más detalles

Curso de Estadística no-paramétrica

Curso de Estadística no-paramétrica Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació

Más detalles