Solucionario Final Eco
Solucionario Final Eco
Solucionario Final Eco
1. Preguntas
P1.
Los turistas llegan en auto a una ciudad de playa de acuerdo a un pro-
ceso de Poisson de intensidad λ y permanecen un tiempo Z con distribución
P (Z ≤ t) = G(t).El tiempo de permanencia de cada auto es independiente
del proceso de llegadas y de los otros tiempos de permanencia. Si se conside-
ran solo los autos que llegan a partir de un instante fijo t = 0,llamamos X(t)
al número de autos de turistas que se encuentran en la ciudad en el instante t.
Solución:
a) Un auto que llega en el instante s está en la ciudad en el instante t > s
con probabilidad
P (Z > t − s) = 1 − G(t − s)
Dado que N (t) = n los tiempos de llegada τ1 , τ2 , ..., τn de los n autos a la
ciudad tienen distribución uniforme en [0, t] y son independientes. Para el
cálculo que queremos hacer el orden de las llegadas no es importante. Por lo
tanto la probabilidad de que uno cualquiera de los n autos que llegaron en
[0; t] todavı́a esté en la ciudad es
Z t
1 t
Z
1
p(t) = (1 − G(t − s)) ds = (1 − G(s))ds
0 t t 0
Como los tiempos de permanencia son independientes entre si y del proceso,
n
P (X(t) = i | N (t) = n) = (p(t))i (1 − p(t))n−i , i = 0, 1, ..., n.
i
1
Usando la ley de la probabilidad total
X∞
P (X(t) = i) = P (X(t) = i | N (t) = n)P (N (t) = n) (1)
n=i
∞
(λt)n −λt
X n
= (p(t))i (1 − p(t))n−i e (2)
i n!
n=i
∞
−λt
X n!
=e (λtp(t))i (λt(1 − p(t)))n−i (3)
n=i
i!(n − i)!n!
∞
(λtp(t))i λt X 1
= e (λt(1 − p(t)))n−i (4)
i! n=i
(n − i)!
∞
(λtp(t))i λt X 1
= e (λt(1 − p(t)))n (5)
i! n=0
n!
(λtp(t))i λt λt(1−p(t))
= e e (6)
i!
(λtp(t))i λtp(t)
= e (7)
i!
de modo que X(t) tiene distribución de poisson con parámetro λtp(t).
c) Si Z ∼ Exp(α) entonces:
1 t
Z Z t
1
p(t) = (1 − G(s))ds = e−αs ds = (1 − e−αt )
t 0 0 αt
y
λ
µ(t) = (1 − eαt )
α
Observamos que cuando:
λ
t → ∞, µ(t) →
α
2
P2.
Suponga que la agencia de protección ambiental (APA) es quien establece
los estándares para Garantizar la calidad de las emisiones de aire por parte
de las empresas. El lı́mite máximo Permitido de cobre en las emisiones es
de 10 partı́culas por millón y usted trabaja en una empresa Donde el valor
medio en sus emisiones es de cuatro partı́culas por millón.
λ=4
P (x > 10)
1 − P (x ≤ 10)
= 1 − [P (x = 0) + P (x = 1) + P (x = 2) + ... + P (x = 9) + P (x = 10)]
Fórmula de poisson:
3
Por lo tanto:
1 − [0,9972] = 0,0028
La probabilidad, pues, de ser multado es muy baja,
o.oo28
a) La distribución normal.
b) La distribución exponencial.
c) La distribución Chi-Cuadrado.
d ) La distribución de Poisson.
4
Respuestas
1. b
2. d
3. a
P3.
Sesgo de selección, un reconocimiento al premio nobel ganado por Heck-
man : Heckman ganó el premio nobel por criticar a los modelos que no
consideraban el sesgo de selección, siguiendo lo expuesto en clase se le pide
los siguiente:
El procedimiento sugerido por Heckman para trarar con este tipo de pro-
blemas es conocido como el método de dos etapas.
Heckman parte de dos ecuaciones , una ecuacion de interés que correspon-
de a la ecuación del investigador y la ecuacion de seleccion o participa-
cion(regresion auxiliar).
5
y2i = zi δ + ν2i (8)
u2 ∼ N (0, 1) (11)
−zδ
= xβ + ρσ1 λ[ ]
1
φ(−zδ)
= xβ + ρσ1
1 − Φ(−zδ)
φ(zδ)
= xβ + ρσ1
Φ(zδ)
asi la magnitud del sesgo dependera de la correlacion entre los errores(ρ
), la varianza del error y la severidad del truncamiento( la razon inversa de
Mills)
6
Ahora, para explicar la solución de Heckamn, primero , estimamos el modelo
de Heckman:
7
" #
∞ν2i − σρ1 (y1i − xi β)
Z
1 y1i − x1 β
= φ p dν2i
σ1 σ1 −zi σ 1 − ρ2
" !#
zi σ + σρ1 (y1i − xi β)
1 y1i − x1 β
= φ 1−Φ p
σ1 σ1 1 − ρ2
" !#
zi σ + σρ1 (y1i − xi β)
1 y1i − x1 β
= φ Φ p
σ1 σ1 1 − ρ2
Aquellas donde yi no es observada para lo cual sabemos que se cumple
que y2 < 0 del manera, no tenemos información independiente para y1 .
=φ(−zi ).δ
=1-φ(−zi ).δ
∞ ∞ ρ
X X y1i−x1 .β zi .δ + (y
σ1 1i
−x
logL(β, δ, σ1, datos) = log(1−φ(zi δ))+ [−log(σ1 )+log(φ). +log(φ). √
n n
σ 1
P4.
Modelando los beneficios de un conjunto de empresas con Datos de Panel
Estático y Dinámico: El siguiente ejercicio ha sido tomado de Novales(2002).
Con el objeto de preveer el margen de beneficios de un conjunto de empre-
sas productoras de un mismo bien, un investigador ha propuesto el siguiente
8
modelo:
9
El estimador intragrupos consiste en utilizar MCO con las varibales de
(11) transformadas en desviaciones con respecto a sus promedios indi-
viduales, es decir, cálculados a tráves del tiempo. A diferencia del caso
estático, en el caso dinámico este estimador es inconsistente debido a la
correlación entre las variables transformadas: yeit−1 = 1 ∗ yit−1 − y it−1 y
eit−1 = 1 ∗ µit−1 − µit−1 . Bajo determinados supuestos , el sesgo asintótico
µ
es positivo para β > 0 y aumenta con σα2 ; es de orden 1/T, por lo que
disminuye al aumentar la dimensión temporal del panel, pero, habitual-
mente , T es muy pequeño en paneles microeconómicos, por lo que el
sesgo del estimador intragrupos es importante. Por lo anterior el estima-
dor intragrupos es mas adecuado para paneles macroeconómicos con T
grandes.
Explicado de manera similar, al igual que en otros modelos econométricos
la utilización del estimador MCO directamente es inconsistente, debido a
la autocorrelación entre αi y yit−1 y también αi y yit−2 , pudiendo demos-
trar que su sesgo asintótico no tiende a cero y es negativo para valores
βi > 0.
10
Pero nos encontramos con que ahora ∆yit−1 y ∆µit−1 estan correlaciona-
dos. También observamos que como el sesgo en muestras finitas de este
estimador(primeras diferencias) no depende del tamaño muestral y, por
consiguiente, no tiende a cero; de hecho, puede probarse que al tender T a
infinito, se tiene plı́m(βb − β) = −(1 + β)/2, que es negativo cuando β > 0,
lo que implica que se subestima la estructura dinámica del modelo de la
ecuación (8)
11
Laboratorio (12 ptos.)
Aqui expondremos sólo una parte de lo ya presentado en el trabajo de
Laboratorio incluı́do en el exámen Final
Procedimiento
12
Paso 2: Se construye la matriz de vecindad o de pesos, cuyas filas y
columnas representan las observaciones y cuyas celdas representan la
distancia entre regiones, definidas del siguiente modo:
13
Regresores plausibles:
POBLA 2015: Población por distrito en 2015.
PV 2015: Precio del metro cuadrado de vivienda por distrito en 2015.
POL 2015: Número de efectivos policiales por distrito en 2015.
DELITO 2015
14
POBLA 2015
15
PV 2015
Figura 6: I de Moran para Precio del metro cuadrado de vivienda por distrito
en 2015.
16
POL 2015
17
Resultados
Como se menciona anteriormente, un objetivo de esta investigación es
corroborar la autocorrelación espacial. Para tal motivo hemos utilizado un
modelo de datos de corte transversal, la información corresponde a cada uno
de los 49 distritos de Lima Metropolitana incluyendo a la provincia constitu-
cional del Callao, según datos oficiales del Instituto Nacional de Estadı́stica
(INEI).
Estimación de parámetros
En esta sección se busca establecer las determinantes de la variable atributo
con base en el uso de variables regresoras.
18
A continuación se realiza el modelo espacial en los errores:
DELIT Oi = α + β1 ∗ P OBLA + β2 ∗ P V + β3 ∗ P OL + u
Donde: u ∼ ρW u + e; e ∼ N (0, σ 2 )
Donde se obtuvo :
19
Conclusiones
Figura 8: mapa del delito de Lima 2015 con diversas etiquetas generadas en
el spmap
20