Professional Documents
Culture Documents
. ) = var (
2 tras asumir los 5 (xi x )2 i =1
n
yi
= + xi , ui iid (0, 2 ) i .
= 10.
H0 ).
min
max .
H0
H0
H0
Estado de la naturaleza
es verdadera
no hay error
H0
es falsa
error tipo II
no hay error
error tipo I
Note que a mayor varianza, menos acotado se encuentra el rango de posibles valores del parmetro poblacional
H0 y H1 ? Ejemplos:
N (100; 20)
H0 ser que la
> 0
1. Se quiere saber si un medicamento particular aumenta la presin arterial de los pacientes (denotmosla con que esta se distribuye de acuerdo a Solucin:
X ). Se sabe
2. Se piensa que el ltimo terremoto disminuy el precio real del m precio se distribuye de acuerdo Solucin:
simplicada. Si es de inters
H0 : = 0 en lugar de
> 0 .
como hiptesis
H0 : = 40, H1 : < 40
N (40; 12)
< 0 .
3. Se piensa que la ltima crisis econmica cambi la demanda por cierto tipo de activo nanciero, pero no se sabe bien si aument o disminuy. LA distribucin anterior era Solucin:
1. H1 : > 0 , en cuyo caso la hiptesis nula implcita es < 0 2. H1 : < 0 , en cuyo caso la hiptesis nula implcita es > 0 3. H1 : = 0 , siendo explcita H0 .
7
H0 : = 10, H1 : = 10
N (10; 1, 25)
y se ve qu tan probable es rechazarla en dicho caso. Note tambin que la distribucin se puede desplazar a cualquier
H0 : = H 0 se disea de forma tal que represente una aseveracin conservadora y falseable. Habitualmente H0 : = 0.
La hiptesis nula
10
de un estimador es negativa.
H 0
o si
es muy cercano a
11
12
Cmo calcular la signicancia (o el intervalo de conanza) exactamente? Para obtener el valor p no basta con suponer que la varianza de los errores es
2.
distribucin). Antes de pasar a las consecuencias del supuesto de normalidad es til precisar dos supuesto adicionales.
13
n el nmero de
haber valores
Var (X ) > 0
Con ausencia de valores atpicos nos referimos a que no pueden
n>K
Para el modelo
xi
estimacin de la pendiente
yi
Por lo tanto
= + xi + ui , K = 2.
beta.
los parmetros a estimar son El supuesto de variabilidad se necesita para evitar estimar una pendiente innita. El supuesto de ausencia de valores atpicos lo estudiaremos en detalle ms adelante.
14
15
se distribuye de
2.
ui
N (0; 2 )
16
N ,
Si
2 n (x x 2 i =1 i ) 2 n (x x 2 i =1 i )
t.
ser
2 =
n2
n u 2 i =1 i
t ser
(1)
Estandarizando obtenemos:
t=
H 0
2 n (xi x )2 i =1
N (0, 1)
siendo
t=
H 0
n
2 (xi x )2 i =1
tnk 1
17
).
18
H0 : = 0
Figura : Signicancia estadstica reportada en Gretl
19
20
y P
La signicancia, tambin denominada alpha o valor P (ltima columna en Gretl), se calcula en base al estadstico de t Los errores estndar estimados (antepenltima columna en Gretl) corresponden as a correspondiente a la hiptesis nula columna):
H0 : = 0
(penltima
) = ( ee
) = Var (
)2 (xi x
Valor
t para H0 : i = 0
t= H 0 = ) ) ( ( ee ee
Recuerde que el valor P en ese caso representa la probabilidad de cometer un error del tipo I (rechazar cierta).
H0 cuando en realidad es
21
22
H0 : i = 0
i i
real es es cero.
es decir, cuando
tenemos
= = = = =
P (rechazar H0 cuando en realidad es cierta) i ))) ( P (rechazar H0 : i = 0 cuando i N (0, var i | icrit pese a que i N (0, var i ))) ( P (que se cumpla | nk ) P (| t | t/ 2 i )) en N (0, 1)) ( (transformamos a i en t y a N (0, var t 2 (1 Fnk (| t |))
23
de 10 %, 5 % o 1 %) son signicativamente
distintas de cero.
24
Apndice
Apndice
25
Apndice
Apndice
f (x ) =
Usamos la convencin
e 2
(x )2 2 2
X
normal con media
N ( ; )
y la desviacin estndar
Destacamos las
siguientes propiedades: 1. Es simtrica en torno a su media. 2. De forma aproximada, 68 % del rea bajo la curva se encuentra en el intervalo intervalo
, 3 .
95 % en el intervalo
y 97.7 % en el
26
27
Apndice
Apndice
y
Distribuciones de uso comn en la econometra 5. Teorema del lmite central: Sean X1 , X2 , ...Xn , n variables
aleatorias independientes y con la misma FDP (de
En la prctica
con la expresin
= x N (0; 1)
= X
Xi /n la media muestral. Entonces, a medida que el n, la distribucin converge hacia una normal
y varianza
y varianza
2.
Sea
2:
N X n
X z = / n
; n
combinacin lineal
) n (X N (0; 1).
es asintticamente
28
29
Apndice
Apndice
E (X )3 = 0 4 Curtosis: E (X ) = 3
Asimetra: la normalidad de una variable. 7. Si
(2) (3)
X eY
30
31
Apndice
Apndice
2
independientes, entonces
Z1 , Z2 , ..., Zk
Z
donde
k Z 2 2 , i =1 i k
2
con
2 k
representa la distribucin
grados de libertad.
2 2. La media de la distribucin es y su varianza es 2 . 2 2 3. Si 1 k , 2 k y [ ( 1 , 2 )] = 0, vale decir 1 y 1 2 2 2 son variables independientes con 1 y 2 grados de 2 libertad, entonces la suma 1 + 2 k +k . 1 2
k E COV Z Z Z Z
k.
32
33
Apndice
Sean
Apndice
t de Student (Student's t-distribution) Z1 una variable normal estndar y Z2 una variable 2 con k 2 grados de libertad, vale decir Z1 N (0, 1) y Z2 k , entonces
Distribucin
1 t = Z Z 2 /k
kZ1
Z2 tk .
de
grados de libertad.
son:
1. Es simtrica, de aspecto similar a la normal pero ms plana. 2. A medida que aumentan los grados de libertad se aproxima a la distribucin normal. 3. La media es cero y su varianza es
k /(k 2).
34 35
Apndice
Sean
Apndice
2 ,
3.
k2 /(k2 2), est denida solo para k2 > 2. La 2 (k +k 2) 2k2 1 2 varianza, denida para k2 > 4 es k1 (k2 2)2 (k2 4) . EL cuadrado de una variable aleatoria con distr. t con k grados de libertad sigue una distribucin F con 1 y k grados de
libertad:
2 =F tk 1,k
k2 , es
36
k1 F
2 k1
37
Apndice
t , 2
38