Académique Documents
Professionnel Documents
Culture Documents
'
n x si
n
1
0 x si
n
1
1
) x ( f
n
n
n
En este caso,
lim
n
Prob(x
n
0>)=0
Es decir, x
n
converge en probabilidad a 0. Por qu? La razn es que, a
medida que n aumenta, x
n
toma el valor de n con una probabilidad cada vez
menor (1/n converge a 0 a medida que n). Esto es, toda la masa de la
distribucin se concentra en aquellos puntos en la vecindad de 0
En general, si x
n
converge en probabilidad a c, escribimos
plim x
n
=c o c x
p
n
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 2
La convergencia en probabilidad se denomina convergencia dbil. En
contraste, la convergencia casi segura (almost surely o a.s) o con
probabilidad 1 se denomina convergencia fuerte. Esta se define de la
siguiente manera:
Prob{lim
n
x
n
()=x()} = 1
Esto es, la secuencia {x
n
} converge a x con probabilidad 1. Esto se
simboliza
x x
s . a
n
Ejemplos de convergencia fuerte son los siguientes:
i) Si {x
n
} es una secuencia de variables aleatorias independientes e
idnticamente distribuidas con E(x
n
)=<, entonces:
s . a
n
x
por la ley fuerte de los grandes nmeros.
ii) Prob{lim
n
x
n
=0} = 1 0 x
s . a
n
.
Nota: Es comn encontrar en libros avanzados de econometra las notaciones
O(1/n) y o(1/n). Se dice que c
n
es O(1/n) si plim (nc
n
) es una constante finita
distinta de cero. En tanto, se dice que c
n
es o(1/n) si plim (nc
n
)=0. Por ejemplo,
2
n
n
3
n
1
c + es O(1/n), dado que plim(nc
n
)=1
2
n
n
1
c es o(1/n), dado que plim(nc
n
)=0
2.- Convergencia en Media Cuadrtica
Si x
n
tiene media
n
y varianza
n
2
, tal que:
lim
n
n
= lim
n
n
2
=0
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 3
entonces decimos que x
n
converge en media cuadrtica (quadratic mean o
q.m) a . Esto se representa como:
m . q
n
x
Adems, se tiene que plim x
n
=.
Este ltimo resultado se basa en la desigualdad de Chebychev, la cual
establece que si x
n
es una variable aleatoria y c y son constantes, entonces
Prob(x
n
c>)E(x
n
c)
2
/
2
.
Si hacemos c=
n
, tenemos que Prob(x
n
n
)E(x
n
n
)
2
/
2
=
n
2
/
2
. Si
tomamos lmites en ambos lados de la desigualdad cuando n, tenemos:
lim
n
Prob(x
n
n
) lim
n
n
2
/
2
Lo cual implica que plim x
n
=, dado que lim
n
n
= y lim
n
n
2
=0.
Importante: Convergencia en media cuadrtica implica convergencia en
probabilidad, pero no viceversa. Utilicemos el Ejemplo 1 para ilustrar este
punto:
1 )
n
1
(1 0
n
1
n ) x ( E
n
+ ; n )
n
1
1 ( ) 1 0 (
n
1
) 1 n ( ) x ( Var
2 2
n
+
Entonces lim
n
E(x
n
)=1; lim
n
Var(x
n
)=. Sin embargo, plim x
n
=0.
3.- Estimador Consistente
Se dice que un estimador
=
Caso Particular: Consistencia de la Media Muestral
La media muestral x de cualquier poblacin con media finita y
varianza finita
2
es un estimador consistente de .
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 4
Veamos por qu:
Sabemos que
n
1 i
i
x
n
1
x , donde x
1
, ..., x
n
es una muestra de una
poblacin cuya distribucin tiene media y varianza finitas y
2
,
respectivamente. Entonces:
) n (
n
1
) x ( E
n
1
) x ( E
n
1 i
i
n
) n (
n
1
) x ( Var
n
1
) x ( Var
2
2
n
1 i
2
i
2
n
1 i
i i
)) x ( g ( E ) x ( g
n
1
plim
Demostracin
Sea y
i
=g(x
i
). El resultado se sigue de la consistencia de la media
muestral.
Ejemplo 2
Sea xN(,
2
). Entonces E(e
x
)=
2
5 . 0
e
+
y Var(e
x
)=
2 2
2 5 . 0 2
e e
+ +
.
En base al corolario anterior,
2
i
5 . 0
n
1 i
x
e e
n
1
plim
+
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 5
4.- Teorema de Slutsky
Para una funcin continua g(x
n
) que no es una funcin de n se tiene:
plim g(x
n
)=g(plim x
n
).
5.- Reglas de la Probabilidad Lmite
Estas son simplemente aplicaciones del teorema de Slutsky.
a) Escalares
Si x
n
e y
n
son variables aleatorias con plim x
n
=c y plim y
n
=d, entonces:
plim(x
n
+ y
n
)=c + d regla de la suma
plim(x
n
y
n
)=c d regla del producto
plim
d
c
y
x
n
n
,
_
n
1 i
i
x
n
1
plim x plim ,
2
n
1 i
2
i
2
) x x (
1 n
1
plim s plim
.
Entonces, por el teorema de Slutsky:
2
2
2
2
2
2
2
2
) s ( plim
)) x ( plim (
) s ( plim
) x ( plim
s
x
plim
,
_
'
no si 0
2
1
x si
2
1
1 x si
2
1
) x ( f
4
3
2
1
x
2
1
2
1
x 1 ) x ( E + .
Sea y=ln(x) una nueva variable aleatoria. Entonces:
'
no si 0
ln(2) - y si
2
1
0 y si
2
1
) y ( f
35 . 0 2 ln
2
1
x ) 2 ln(
2
1
x 0 ) y ( E
0
x
ln(x)
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 8
De lo anterior es fcil verificar que ln E(x)-0.29>E(ln(x))0.35
7.- Convergencia en Distribucin
x
n
converge en distribucin a una variable aleatoria x con funcin
distribucin acumulada (f.d.a) F(x) si:
lim
n
(F(x
n
)F(x))=0
en todos aquellos puntos de continuidad de F(x).
Esto se simboliza como x x
d
n
.
Reglas para la Distribucin Lmite
1.- Si x x
d
n
y plim y
n
=c, entonces:
cx y x
d
n n
Adems,
x c y x
d
n n
+ +
c
x
y
x
d
n
n
con c0
2.- Si x x
d
n
y g(x
n
) es una funcin continua, entonces ) x ( g ) x ( g
d
n
.
3.-Si plim(x
n
y
n
)=0, entonces x
n
e y
n
tienen la misma distribucin lmite.
Ejemplo 5
Supongamos una muestra de n observaciones i.i.d extradas de la
distribucin xN(0,
2
). Sabemos de los cursos de inferencia estadstica que:
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 9
1 n
t
n / s
x
donde
n
1 i
i
x
n
1
x ,
n
1 i
2
i
2
) x x (
1 n
1
s .
Bajo ciertas condiciones de regularidad, se tiene que plim s
2
=
2
y
) , 0 ( N x n
2 d
. Entonces
) 1 , 0 ( N x n
s
1
d
Importante
Convergencia en probabilidad implica convergencia en distribucin,
pero no viceversa. Es decir, el concepto de convergencia en probabilidad es
ms fuerte. Veamos por qu. En primer trmino, si )
( plim
n
, entonces
d
n
'
o n si 0
si 1
)
( f lim
n
n n
Grficamente
n=1000
n
f
n
n=100
n
'
+
+
2 x si
1 n
1
2
1
1 x si
1 n
1
2
1
) x ( f
n
n
n
Se tiene que x x
d
n
, donde
'
2 x si
2
1
1 x si
2
1
) x ( f
Es decir, x
n
converge a una variable aleatoria pero no a una constante
Las distintas formas de convergencia se pueden resumir en el siguiente
diagrama:
Fuente: Amemiya (1985)
p d q. m
a. s
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 11
Como veremos en las prximas secciones, una manera ms informativa
de describir un estimador cualquiera,
( n z
d
n
donde f(z) es una funcin distribucin de probabilidades bien definida, con
media y varianza finitas.
8.- Teorema del Lmite Central Univariado (Lindberg-Levy)
Si x
1
, x
2
, ..., x
n
constituye una muestra aleatoria de una distribucin de
probabilidad con una media finita y varianza
2
y
n
1 i
i n
x
n
1
x , entonces:
) , 0 ( N ) x ( n
2 d
n
9.- Teorema del Lmite Central con Varianzas Distintas (Lindberg-Feller)
Sea {x
i
}
i=1, ..., n
un conjunto de n variables aleatorias con medias y
varianzas finitas
i
y
i
2
, respectivamente. Defnase
n
1 i
2
i
2
n
n
1
.
Si 0
n
) ( max
lim
n
i
n
y
2 2
n n
lim
, entonces:
) , 0 ( N ) x ( n
2 d
n n
donde
n
1 i
i n
n
1
.
Estos dos teoremas tambin se pueden expresar en trminos matriciales
(ver Greene, captulo 4).
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 12
10.- Distribucin Asinttica de una Funcin de una Variable Aleatoria
Supongamos que ) , 0 ( N ) z ( n
2 d
n
. Entonces si g(z
n
) es una
funcin continua que no depende de n, se tiene que:
) )) ( (g' , 0 ( N )) ( g ) z ( g ( n
2 2 d
n
Un bosquejo de la demostracin es el siguiente. Por una expansin de
Taylor de primer orden se tiene que:
g(z
n
)g()+g()(z
n
)
De ello, ) )) ( (g' , 0 ( N ) z ( n ) ( g' )) ( g ) z ( g ( n
2 2 d
n n
Para analizar el caso multivariado, consideremos un vector z
n
de
variables aleatorias k x 1, tal que ) , ( N ) ( n
d
n
0 z . Si g(z
n
) es un
vector de J funciones continuas de z
n
que no dependen de n, entonces:
) ' , ( N )) ( ) ( ( n
d
n
C C 0 g z g ,
donde C es una matriz j x k cuya j-sima fila es el vector de derivadas
parciales de la j-sima funcin con respecto a z
n
, evaluado en :
,
_
,
_
kn
J
n 2
J
n 1
J
kn
2
n 2
2
n 1
2
kn
1
n 2
1
n 1
1
' n
n
n
2
n
1
z
) ( g
...
z
) ( g
z
) ( g
... ... ... ...
z
) ( g
...
z
) ( g
z
) ( g
z
) ( g
...
z
) ( g
z
) ( g
) ( g
...
'
) ( g
'
) ( g
z
z
z
C ,
,
_
kn
n 2
n 1
n
z
...
z
z
z
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 13
Aplicaciones: Consistencia y Normalidad Asinttica de Mnimos Cuadrados
Ordinarios (MICO)
Consideremos el modelo lineal clsico expresado en trminos
matriciales:
y=X + E( X)=0, E( )=
2
I, con
2
constante finita.
Asumamos que Q X X
'
n
1
lim
n
, matriz positiva definida e
invertible, donde, por simplicidad, se asume que X es una matriz de variables
no estocsticas.
El estimador MICO viene dado por:
) '
n
1
( ) '
n
1
( ' ) ' (
1 1
X X X Y X X X
+
Entonces:
) '
n
1
( plim ) '
n
1
( plim ) '
n
1
( lim
plim
1 1
n
X Q X X X
+ + ,
por las propiedades de probabilidad lmite descritas en secciones anteriores.
Pero
n
1 i
i
n
1 i
i i
n
1
n
1
'
n
1
w w x X ,
donde x
i
es el vector 1 x k correspondiente a la i-ava fila de la matriz X y
w
i
x
i
i
.
Se tiene que:
0 w w w
n
1 i
i i
n
1 i
i
) ( E
n
1
) ( E
n
1
) ( E
n
'
n
) ' ( E '
n
1
) ' ( E ) ( Var
2
2
X X
X X w w w
.
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 14
De ello, 0 Q
X X
w
,
_
,
_
1 -
n
2
n n
x 0
n
'
lim
n
lim ) ( Var lim .
Esto implica que w converge en media cuadrtica a 0 y, por lo tanto,
plim w=0. Es decir, plim 0 X '
n
1
.
En consecuencia,
+
0 Q
plim
1
.
Esto es, el estimador MICO es consistente.
El supuesto de X no estocsticos se puede relajar fcilmente. En verdad,
se reemplaza el supuesto Q X X
'
n
1
lim
n
por Q X X '
n
1
plim y se
procede de manera anloga.
Para establecer normalidad asinttica, notemos que la igualdad
) '
n
1
( ) '
n
1
(
1
X X X
+ puede ser reescrita como:
) '
n
1
( ) '
n
1
( )
( n
1
X X X
.
Dado que Q X X
'
n
1
lim
n
, necesitamos establecer la distribucin
lmite de w X n '
n
1
. Para ello, hacemos uso del teorema del lmite
central de Lindberg-Feller.
Notemos que
n
1 i
i i
n
1
x w es el promedio de n variables aleatorias
independientes x
i
i
con media 0 y varianza Var(x
i
i
)= x
i
Var(
i
) x
i
=
2
x
i
x
i
.
Por lo tanto,
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 15
n
'
'
n
) ( Var
n
1
) n ( Var ) '
n
1
( Var
2
i
n
1 i
i
2
n
1 i
i i
X X
x x x w X
2
Q
a medida que n.
Entonces ) , ( N n '
n
1
2 d
Q 0 w X .
Por propiedades de distribuciones lmites:
) , ( N ) ) ( , ( N ) '
n
1
( ) '
n
1
(
1 2 1 2 1 1 d 1
Q 0 Q Q Q 0 Q X X X
Entonces
) , ( N )
( n
1 2 d
MICO
Q 0
Para una discusin de la derivacin con X estocsticos, ver Greene,
captulo 6.
Nota: Consistencia y Normalidad Asinttica bajo Mnimos Cuadrados
Generalizados (MCG)
Recordemos que y X X X y X X X
* * *
1 1 1
*
1
MCG
' ) ' ( ' ) ' (
,
con X
*
=PX, y
*
=Py, P=C
1/2
, =C C, E( )=
2
, y=X + .
1) El estimador de mnimos cuadrados generalizado es consistente si:
*
)
n
'
( plim Q
X X
* *
es una matriz positiva definida e invertible.
Es decir, lo que necesitamos es que los datos transformados sean bien
comportados.
2) Se tiene
1 1 1 1 1 1
MCG
' ) ' ( ) ( ' ) ' (
+ + X X X X X X X
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 16
Entonces
n
'
)
n
'
( )
( n
1
1
1
MCG
X X X
.
Si
1
*
p 1
1
)
n
'
(
Q
X X
y ) , ( N
n
'
1
*
2 d
1
Q 0
X
, entonces:
) , ( N )
( n
1
*
2 d
MCG
Q 0 .
Resultados Utiles
1.- Consistencia de
2
. Consideremos nuevamente el modelo lineal clsico,
en el cual y=X + , E( )=
2
I. Recordemos que
'
k n
1
'
k n
1
M ,
donde =yX , error poblacional, M=IX(XX)
1
X,
X y , error
estimado.
(Por qu M ' ' ? Notemos que My y X X X X y X y
' ) ' (
1
,
entonces My y'
'
1 2
X X X X M
))
n
'
( )
n
'
)(
n
'
(
n
'
(
k n
n
1
X X X X
Tenemos que 0
X
)
n
'
( plim
,
1 1
)
n
'
( plim
Q
X X
, y 1
k n
n
lim
n
para un k fijo. Por ello,
n
1 i
2
i
2
n
1
plim
n
'
plim plim
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 17
Supongamos que los s son i.i.d. tal que E(
i
2
)=
2
y E(
i
4
)=<.
Entonces Var(
i
2
)= E(
i
4
)E
2
(
i
2
)=
4
<. De esto se deduce que:
2 2
i
n
1 i
2
i
2
) ( E
n
1
plim plim
Por lo tanto,
2
es un estimador consistente de
2
2.- Distribucin Asinttica del Estadgrafo t
2 / 1 1
kk
2
k k
k
) ) ' ( (
X X
donde (XX)
kk
-1
es el k-avo elemento de la diagonal de (XX)
-1
.
Dado que
2 2
plim y ) , ( N )
( n
1
kk
2 d
k
Q 0 , donde Q
kk
-1
es el k-avo elemento de la diagonal de Q
-1
, el estadgrafo ) 1 , 0 ( N t
d
k
3.- Distribucin Asinttica del Test de Restricciones Lineales
Supongamos que queremos contrastar un conjunto de J restricciones
lineales:
H
0
: R =q H
1
: R q,
donde R es una matriz J x k, es un vector k x 1 y q es un vector J x 1.
Por ejemplo,
1) Un subconjunto de los coeficientes es igual a cero:
H
0
:
1
=0,
2
=0,
3
=0.
k x 3
0 ... 0 1 0 0
0 ... 0 0 1 0
0 ... 0 0 0 1
1
1
1
]
1
R , q=
1 x 3
0
0
0
1
1
1
]
1
.
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 18
2) Varias restricciones al mismo tiempo: H
0
:
2
+
3
=1,
4
+
6
=0,
5
+
6
=0.
k x 3
0 ... 0 1 1 0 0 0 0
0 ... 0 1 0 1 0 0 0
0 ... 0 0 0 0 1 1 0
1
1
1
]
1
R , q=
1 x 3
0
0
1
1
1
1
]
1
.
Sabemos de cursos anteriores que dicho conjunto de J restricciones
puede ser contrastado con el siguiente estadgrafo:
J
)
(
F
1 1 2
q R R X X R q R
donde
( F x J
2 d 1 1 2
q R R X X R q R
Demostracin
Sabemos que ) , ( N )
( n
1 2 d
Q 0 . Entonces, dado que R es
una matriz de constantes,
) ' ) ( , ( N )
( n
1 2 d
R Q R 0 R
Pero R =q bajo H
0
. Entonces
) ' , ( N )
( n
1 2 d
R RQ 0 q R
Sea Z
Jx1
= )
( n q R y P
JxJ
=
2
RQ
-1
R, con P matriz positiva
definida. Sabemos que P se puede descomponer en P=T T, donde T es la
Apuntes Teora Economtrica I. Profesor: Viviana Fernndez 19
matriz de vectores propios de P y es una matriz diagonal con los valores
propios de P asociados a cada vector propio. Por lo tanto, P
-1/2
=T
-1/2
T.
Si ) , ( N
d
P 0 z , entonces
) , ( N ) )' ( , ( N
JxJ
2 / 1 2 / 1 d 2 / 1
I 0 P P P 0 z P
Sabemos, adems, que la suma de J variables i.i.d. normales estndar al
cuadrado se distribuye chi-cuadrado con J grados de libertad. (Cada variable
normal estndar al cuadrado se distribuye chi-cuadrado con un grado de
libertad).
Por lo tanto,
) J ( ' ) ( )' (
2 d 1 2 / 1 2 / 1
z P z z P z P
Ahora, dado que
1 1
)
n
'
( plim
Q
X X
y
2 2
plim , tenemos que
) J ( ' x F J
2 d 1
z P z
Referencias
Amemiya T.(1985), Advanced Econometrics. Harvard University Press
Davidson, J. y J. MacKinnon (1993), Estimation and Inference in
Econometrics. New York: Oxford University Press.
Greene W. (1997), Econometric Analysis. Prentice Hall, tercera edicin.
White, H. (1984), Asymptotic Theory for Econometricians. Academic Press