Académique Documents
Professionnel Documents
Culture Documents
Ejercicios de Montecarlo
25 de enero de 2012
Ejercicios de Montecarlo
ndice
Ejercicios de Montecarlo
ndice
Ejercicios de Montecarlo
Qu hace la econometra?
Ejercicios de Montecarlo
Formar grupos de 3 personas Llenen todos los detalles que se les piden en la hoja En sus grupos, estimen (NO ADIVINEN) la edad de la persona en la foto El mejor gana puntos de trabajos Recuerde el nmero de su grupo Obviamente las edades son nmeros enteros.
Ejercicios de Montecarlo
FOTO 1.
Ejercicios de Montecarlo
FOTO 2.
Ejercicios de Montecarlo
FOTO 3.
Ejercicios de Montecarlo
FOTO 4.
Ejercicios de Montecarlo
FOTO 5.
Ejercicios de Montecarlo
FOTO 6.
Ejercicios de Montecarlo
FOTO 7.
Ejercicios de Montecarlo
FOTO 8.
Ejercicios de Montecarlo
FOTO 9.
Ejercicios de Montecarlo
FOTO 10.
Ejercicios de Montecarlo
ndice
Ejercicios de Montecarlo
FOTO 1.
38
Ana Mara Daz Ejercicios de Montecarlo
FOTO 2.
15
Ana Mara Daz Ejercicios de Montecarlo
FOTO 3.
30
Ana Mara Daz Ejercicios de Montecarlo
FOTO 4.
48
Ana Mara Daz Ejercicios de Montecarlo
FOTO 5.
15
Ana Mara Daz Ejercicios de Montecarlo
FOTO 6.
67
Ana Mara Daz Ejercicios de Montecarlo
FOTO 7.
27
Ana Mara Daz Ejercicios de Montecarlo
FOTO 8.
63
Ana Mara Daz Ejercicios de Montecarlo
FOTO 9.
51
Ana Mara Daz Ejercicios de Montecarlo
FOTO 10.
25
Ana Mara Daz Ejercicios de Montecarlo
Pasos
Complete las columnas Creen que los hombres son mejores que las mujeres en adivinar? Algn grupo siempre sobrestimo/subestimo? Quienes denitivamente no parecan de su edad? Conaran ciegamente en el ganador?
Ejercicios de Montecarlo
ndice
Ejercicios de Montecarlo
La Estimacin (Puntual)
Sacar una muestra de la poblacin y estimar el valor del parmetro es equivalente a disparar un slo tiro al blanco: Parmetro de inters: Centro Estimador: La pistola Estimacin: donde cay la bala
Ejercicios de Montecarlo
Podramos concluir que es un excelente francotirador? Querran ustedes sostener el tablero mientras se dispara el segundo tiro? Evidentemente, no decidiramos que el hombre es un tirador experto basados en tan escasa evidencia!!! Si un milln de tiros sucesivos dan en el centro: podramos tener suciente conanza en el tirador?
Ejercicios de Montecarlo
Podramos concluir que es un excelente francotirador? Querran ustedes sostener el tablero mientras se dispara el segundo tiro? Evidentemente, no decidiramos que el hombre es un tirador experto basados en tan escasa evidencia!!! Si un milln de tiros sucesivos dan en el centro: podramos tener suciente conanza en el tirador?
Ejercicios de Montecarlo
Podramos concluir que es un excelente francotirador? Querran ustedes sostener el tablero mientras se dispara el segundo tiro? Evidentemente, no decidiramos que el hombre es un tirador experto basados en tan escasa evidencia!!! Si un milln de tiros sucesivos dan en el centro: podramos tener suciente conanza en el tirador?
Ejercicios de Montecarlo
Podramos concluir que es un excelente francotirador? Querran ustedes sostener el tablero mientras se dispara el segundo tiro? Evidentemente, no decidiramos que el hombre es un tirador experto basados en tan escasa evidencia!!! Si un milln de tiros sucesivos dan en el centro: podramos tener suciente conanza en el tirador?
Ejercicios de Montecarlo
Moraleja
No podemos evaluar qu tan acertado es un procedimiento de estimacin puntual bsandonos en una sola estimacin. Quisiramos, poder repetir el procedimiento muchas veces y as poder evaluar si nuestra estimacin es correcta o no. En realidad solo vamos a observar una muestra de la poblacin y obtener parmetros y realizar inferencias a partir de esta muestra.
Ejercicios de Montecarlo
Ejemplo
La Universidad
La universidad est preocupada por el bajo rendimiento de los estudiantes en los primeros semestres: Decide pedirles a los estudiantes de economa que traten de evaluar las causas de este bajo rendimiento. Tenemos la siguiente informacin de 45 estudiantes: las horas semanales de estudio (el promedio acumulado, por polticas institucionales no pueden darlo)
Ejercicios de Montecarlo
Tenemos:
y = x +
Donde
(1)
es el error con una media igual a cero y una varianza igual a 2. es el parmetro desconocido (la pendiente de x )
Ejercicios de Montecarlo
Propuestas:
Profesor A A = y x
Profesor B B = xy x2
Ejercicios de Montecarlo
Propuestas:
Profesor A A = y = 1,94 x
Profesor B B = xy = 2,34 x2
Ejercicios de Montecarlo
Ejercicios de Montecarlo
Qu encontraron?
Profesor B
B xy x2 x = + x2 =
= +
Ejercicios de Montecarlo
(2)
y = x +
Asumamos que: =2 N (0, 4). Reemplazando en las formulas de los profesores A y B tenemos que: Profesor A
A = + x = 2+ x
Ana Mara Daz
Profesor B
B x2 x = 2+ x2 = +
Ejercicios de Montecarlo
Proceso:
1
Escogemos 45 observaciones de una variable aleatoria que tenga una distribucin N (0, 4) Tomamos los 45 valores de las horas estudiadas x que nos entreg la universidad Calculamos los valores de y usando la siguiente formula:
y = 2x +
4
Estimamos con estos nmeros los parmetros usando las formulas de cada profesor:
A = y / x = 2 + / x B = xy / x 2 = 2 + x / x 2
Ana Mara Daz Ejercicios de Montecarlo
Proceso:
1
Escogemos 45 observaciones de una variable aleatoria que tenga una distribucin N (0, 4) Tomamos los 45 valores de las horas estudiadas x que nos entreg la universidad Calculamos los valores de y usando la siguiente formula:
y = 2x +
4
Estimamos con estos nmeros los parmetros usando las formulas de cada profesor:
A = y / x = 2 + / x B = xy / x 2 = 2 + x / x 2
Ana Mara Daz Ejercicios de Montecarlo
Proceso:
1
Escogemos 45 observaciones de una variable aleatoria que tenga una distribucin N (0, 4) Tomamos los 45 valores de las horas estudiadas x que nos entreg la universidad Calculamos los valores de y usando la siguiente formula:
y = 2x +
4
Estimamos con estos nmeros los parmetros usando las formulas de cada profesor:
A = y / x = 2 + / x B = xy / x 2 = 2 + x / x 2
Ana Mara Daz Ejercicios de Montecarlo
Proceso:
1
Escogemos 45 observaciones de una variable aleatoria que tenga una distribucin N (0, 4) Tomamos los 45 valores de las horas estudiadas x que nos entreg la universidad Calculamos los valores de y usando la siguiente formula:
y = 2x +
4
Estimamos con estos nmeros los parmetros usando las formulas de cada profesor:
A = y / x = 2 + / x B = xy / x 2 = 2 + x / x 2
Ana Mara Daz Ejercicios de Montecarlo
En Stata:
Primero jamos el nmero de observaciones: set obs 45 set seed 1324654 Generamos : generate epsilon = rnormal(0,2) sum epsilon Variable
Obs 45
Mean 0.1836
Min -3.92
Max 3.55
Ejercicios de Montecarlo
Stata
Como no tenemos x , en este momento, podemos crearlo de la siguiente manera: generate x = runiform()*10 Generamos y gen y = 2x+epsilon Calculamos x egen sumx = total(x)=190.08 (sumatoria de todos los x) Calculamos x 2 gen x2 = x*x egen sumx2 = total(x2) =1095.97 Calculamos egen sumeps = total(epsilon) =8.2641
Ana Mara Daz Ejercicios de Montecarlo
Primer Disparo:
Ahora si tenemos toda la informacin necesaria para reemplazar en nuestras formulas Profesor A
A = 2 + x = 2,0434
Profesor B
B = 2+ x x2
= 2,0075
Ejercicios de Montecarlo
Obs 45
Mean 0.7470
Min -4.007
Max 5.253
Ejercicios de Montecarlo
Segundo Disparo:
Ahora si tenemos toda la informacin necesaria para reemplazar en nuestras formulas Profesor A
A = 2 + x = 2,1768
Profesor B
B = 2+ x x2
= 2,0306
Ejercicios de Montecarlo
Obs 45
Mean 0.4702
Min -3.5827
Max 4.6316
Ejercicios de Montecarlo
Tercer Disparo:
Ahora si tenemos toda la informacin necesaria para reemplazar en nuestras formulas Profesor A
A = 2 + x = 2,1768
Profesor B
B = 2+ x x2
= 2,0306
Ejercicios de Montecarlo
program dene betas, rclass syntax [, obs(integer 1)] capture drop epsilon sumeps generate epsilon = rnormal(0,2) egen sumeps = total(epsilon) sum sumeps scalar sumeps = r(mean) return scalar beta_A = 2 + sumeps/sumx return scalar beta_B = 2 + sumeps/sumx2
Ejercicios de Montecarlo
Resultados
Variable
A B
Ejercicios de Montecarlo
Distribucin Muestral
Distribucin Muestral 2000 Repeticiones
20 Beta A Beta B
0 1.4
Densidad 10
15
1.6
1.8 Betas
2.2
2.4
Ejercicios de Montecarlo
Ambos estimadores son insesgados A tiene mayor varianza que B Entonces el mejor estimador es aquel propuesto por el Profesor B
Ejercicios de Montecarlo
Otro Ejemplo
y = +x +
La nica diferencia con el proceso anterior es que ahora incluimos intercepto (en este caso que quiere decir el intercepto?) Si remplazamos en la formula del Profesor B tenemos:
B xy x2 x ( + x + ) = x2 x x = + + x2 x2 =
x . x2
Ejercicios de Montecarlo
(x x )(y y ) C = (x x )2
(Ejercicio: Demostrar que el estimador es insesgado: sugerencia reemplazar y) ComoB es sesgado y C no lo es:
Deberamos escoger C
Ejercicios de Montecarlo
En Stata
Podemos repetir el mismo ejercicio que el caso anterior, donde asumimos que el proceso generador de datos es el siguiente:
= +x + = 1 + 2x +
donde N (0, 4)
2 3 4
Escogemos 45 observaciones de una variable aleatoria que tenga una distribucin N (0, 4) Tomamos los valores de x dados por la universidad. Calculamos y usando el proceso generador de datos Calculamos usando los estimadores del Profesor B y del Profesor C. Repetimos 2000 veces el mismo proceso
Ana Mara Daz Ejercicios de Montecarlo
El Programa
capture program drop betas program dene betas, rclass capture drop epsilon sumeps y ymean ydem num_betac num den generate epsilon = rnormal(0,2) egen sumeps = total(epsilon) sum sumeps scalar sumeps = r(mean) gen y = 1 +2*x+epsilon sum y gen ymean = r(mean) gen ydem = y - ymean gen num_betac = xdem*ydem egen num = total(num_betac) egen den = total(xdem2) return scalar beta_B = 2 + alpha*(sumx)/(sumx2)+ sumeps/sumx2 return scalar beta_C = num/den end simulate beta_hat_B=r(beta_B) beta_hat_C=r(beta_C), reps(2000) : betas
Ana Mara Daz Ejercicios de Montecarlo
Resultados
Variable
B C
Ejercicios de Montecarlo
Distribucin Muestral
Distribucin Muestral 2000 Repeticiones
40 Beta B Beta C
0 1.6
10
Densidad 20
30
1.8
2 Betas
2.2
2.4
Ejercicios de Montecarlo
Ejercicios de Montecarlo
En ocasiones podemos tolerar cierto sesgo a cambio de una varianza reducida ECM es un criterio que nos permite decidir cuando podemos:
tolerar cierto sesgo + una varianza pequea
ECM ( )
= = = = =
Criterio de Seleccin
En este caso elegimos el estimado que minimice el ECM. Elegimos el estimador que busque el menor error en la estimacin En nuestro ejemplo tenemos lo siguiente: Estimador
B C Var ( ) Sesgo ( 2 )
ECM
0.02394 0.01088
0.00093 0.01087
0.02384 0.00001
Ejercicios de Montecarlo