1

Modelos de Demanda 2012

Prof: Angelo Guevara
Comentarios Correccin Estudio de Caso 0

Puntuacin:
60 puntos por la parte 1 (Estudio de Caso) y 40 por la parte 2 (Problemas
adicionales). Los puntos fueron otorgados de acuerdo al porcentaje indicado
en la primera hoja.

En el Estudio de Caso Se descont 3 puntos por errores menores (como no
declarar bien los supuestos) y 6 por problemas mayores. Cada pregunta de
los problemas adicionales vala 10 puntos (y las sub-preguntas, el peso
proporcional respectivo). La puntuacin en cada caso fue 10, 5 0.
La nota final se calcul como 1+(Puntos/100)*6

Reporte del estudio de caso:
Slo un par de alumnos presentaron un informe de nivel profesional,
detallando principalmente el anlisis realizado en pocas pginas. Varios
otros entregaron slo muchas tablas, con un par de lneas de comentarios. En
esos casos descont los aspectos que no podan deducirse del texto.

Muy pocos alumnos respondieron las preguntas adicionales. Adjunto a una
pauta para que estudien para la Prueba.

Cifras Significativas: Las cifras significativas reportadas deben ser
consistentes. Por ejemplo:

0.000325
0.458
21.3

Tienen la misma cantidad de cifras significativas. Ruego poner cuidado en
esto para futuros informes.

No se dieron puntos negativos por problemas de estilo. Sin embargo, para
los siguientes casos, si tratar de entender el documento pasa a ser
tremendamente difcil (como fue en algunos casos esta vez), me voy a rendir
despus de 30 minutos.


2
Problemas con la generacin de datos en el estudio de caso

En cuanto a la generacin de datos de dos problemas aparecieron.

En primer lugar algunos estudiantes consideraron la variable dummy de
Camping como independiente de la de Ciudad. La forma correcta de generar
esta variable puede se utilizando, por ejemplo, una variable aleatoria
uniforme de la siguiente manera:

Fue de Camping => Dummy CAMP= 1; Dummy CITY = 0 [rand () <0,2]
Fue a la Ciudad => Dummy CAMP= 0; Dummy CITY = 1 [0,5> Rand ()>
0.2]
Fue a otro lugar => Camping CAMP = 0; Dummy CITY = 0 [rand ()> 0,5]

Un segundo problema se observ en el uso de unidades. En el enunciado se
establece claramente que los ingresos estn en en miles de pesos en el
modelo. A algunas personas se les olvid esto y estimaron el modelo
directamente con el ingreso en pesos, lo que se tradujo en valores
inconsistentes par el gasto diario. Por esta vez no se descont puntaje por
esto, pero en la prctica es obviamente MUY RELEVANTE.

Tests de hiptesis

Algunos informes presentaros problemas con el reporte de tests de hiptesis.
Se descont 3 puntos por esto. El problema es que varios usaron
directamente la distribucin normal para obtener los valores crticos, pero
considerando a la desviacin standard de la muestra, en lugar de la
desviacin estndar de la poblacin. En ese caso debiera usarse la
distribucin t-student, o al menos decir que se aproximar por la normal.
Algunos alumnos se confundieron adems con los valores crticos a usar
entre tests de una cola y de dos colas.

El siguiente es un ejemplo de lo que se espera que reporten:

Ho: Ingreso = 25000
H1: Ingreso 25000
Ingreso promedio en la muestra = 30062
Desviacin standard en la muestra = 13.533
N 97
T-student test de dos colas 95% confidence
3
t
0.025
(97-1) ~ 1.985
t-test = |(30062-25000)/(13.533/97)|~3.684 > 1.985 => Ho rechazada


Problemas adicionales

Problema 1

( )

s s
=
otherwise , 0
2 0 ,
8
3
2
x x
x f
X

Dibujamos un crculo de radio X . Sea
2
X Y t = su rea. Debemos encontrar ( ) y f
Y
.

Evaluamos primero:
( ) ( ) ( ) ( )
( )
2
2
3
0
3
0
2
2 2
2 0 ,
8
1
3 8
3
8
3
Pr Pr Pr Pr
t
t
t t
t
t
t
t
s s
(
(

|
.
|

\
|
= = =
=
|
|
.
|

\
|
s =
|
.
|

\
|
s = s = s =
}
}

y
y x
dx x y F
dx x f
y
X
y
X y X y Y y F
y
y
Y
y
X Y

( )
( )
|
.
|

\
|
|
.
|

\
|
=
(
(

|
.
|

\
|
= =
t t t
1
2
3
*
8
1
8
1
2
1
2
3
y y
dy
d
dy
y dF
y f
Y
Y

( )

s s
=
contrario caso en , 0
4 0 ,
16
3
2
1
2
3
t
t
y y
y f
Y





Problema 2
( ) u
u
u < < = y
y
y f
Y
0 ,
2
;
2

Nuestra muestra es
n
Y Y Y ,..., ,
2 1
.

(a) Mostrar que Y W
2
3
= es un estimador insesgado de u .
Para que W sea un estimador insesgado de u , debemos mostrar que | | u = W E .
4
| | | | | |

= = =
=
(

=
(

= =
(

=
n
i
i
n
i
i
n
i
i
Y E
n
Y E
n
Y
n
E Y E Y E W E
1 1 1
2
3
2
3 1
2
3
2
3
2
3
.
Note que usamos el hecho de que tenemos una muestra aleatoria independiente.

| | ( ) u u
u u u u
u
u u
3
2
3
2
3
2 2 2
3
2
0
3
2
0
2
2
0
2
= = = = = =
} } }

y
dy y dy
y
y dy y f y Y E
Y i

Combinando ambas ecuaciones obtenemos:

| | u u =
(

=
3
2
2
3
n
n
W E , Lo que demustra que Y W
2
3
= es un estimador insesgado de u .

(b) Encontrar el lmite de Cramer-Rao.

El lmite de Cramer-Rao se define como:

( )
|
|
.
|

\
|
c
c

>
2
2
1

Var
u
u
L
E
.
( )

< <
=
otherwise , 0
0 ,
2
2
u
u
y
y
y f
Y

Construimos entonces la funcin de verosimilitud:
( )
[
=
=
n
i
i Y
y f L
1
*
, donde, gracias a que
i
y son independientes, se tiene que:
[ [
= =
=
n
i
i n
n n
i
i
y y
1
2
1
2
2 2
u u
.
Tomamos luego el logaritmo, para obtener la log-verosimilitud:

=
+ = =
n
i
i
y n n L L
1
*
ln ln 2 2 ln ln u
Calculamos luego la primera y segunda derivada:
u u u
n n L 2
0
2
0 = + =
c
c

2 2 2
2
2 1
2
u u u
n
n
L
=
|
.
|

\
|
=
c
c

Luego, el lmite de Cramer-Rao es:
n
n
dy
y n
n
E
L
E
2
2
1
2 2
1
2
1 1
2
2
2
0
2
2
2
2
u
u
u u
u
u
u
=

=
|
.
|

\
|

=
|
|
.
|

\
|
c
c

}

5
Notamos que obtuvimos un lmite de Cramer-Rao negative. Sin embargo, estamos
seguros de que podemos obtener un mejor lmite (cero), pues sabemos que la varianza no
puede ser negativa.

La razn para este resultado es que los lmites de j dependen del parmetro u , lo cual es
una violacin de los supuestos que se requieren para la existencia del lmite de Cramer-
Rao. Sea, en este caso NO se puede usar el lmite de Crammer Rao como una medida de
eficiencia.

(c) Comparar ( ) W Var con el lmite de Cramer-Raoy explicar.

( ) ( ) ( )
(

= |
.
|

\
|
=
|
.
|

\
|
=
|
.
|

\
|
=

= =
n
i
i
n
i
i
y
n
y
n
Y Y W
1
2
1
2
Var
1
4
9 1
Var
4
9
Var
2
3
2
3
Var Var
( ) ( ) ( ) Y
n
Y n
n
W Var
4
9
Var
4
9
Var
2
= =
La varianza se calcula de la siguiente forma:
( ) ( ) ( ) | |
2 2
Var Y E Y E Y =
( ) ( )
2 4
2
4
2 2 2
2 4
2
0
4
2
0
3
2
0
2
2 2 2
u u
u u u u
u
u u
= = = = = =
} } }

y
dy y dy
y
y dy y f y Y E
Y

Y de la parte (a), ( ) u
3
2
= Y E .
Luego:
( )
n n n n n
W
8 18
1
4
9
9
4
2
1
4
9
9
4
2 4
9
3
2
2 4
9
Var
2 2 2
2
2
2
2
u u u
u
u
u
u
= =
(

=
(

=
(
(

|
.
|

\
|
=
Ver la parte b) para una discusin de por qu el lmite de Cramer-Rao no se puede usar
en este caso..

Problema 3

Necesitamos encontrar el estimador mximo verosmil de u para la pdf
( )
( )
u u
u
> =

y e y f
y
Y
, ; . La funcin de verosimilitud es:

( )
[
=

=
n
i
y
i
e L
1
* u
,
y el log-verosimilitud es:

( )
( ) u u
u
n y y e L L
n
i
i
n
i
i
n
i
y
i
+ = =
(

= =
[
= = =

1 1 1
*
ln ln
Luego:
n
L
=
c
c
u
, que es independiente deu .
6
Necesitamos luego buscar maneras alternativas de maximizar L. Sabemos que
n i y
i MLE
,..., 2 , 1 ,

= s u .
Tambin, L es lineal en u , con un coeficiente positivo. Necesitamos encontrar luego el
u ms grande posible que cumpla con ser menor que el ms pequeo de los
i
y
observados:
( )
n MLE
y y y ,..., , min

2 1
= u .


Problema 4
( ) | | ( ) ( ) | | ( ) | | | | | |
( ) ( ) ( ) | |
| |
| | | | ( ) | | | |
| | | | ( ) | | | | | |
( ) | | ( ) ( )
( )
0
1
1
1
1
1
indep. que Dado /
1 1
que Dado /
que Dado / ,
2
2 2 2
2
2
2
2 2
2 2
2 2 2
=
+ + =
+ + =
= +
(

+
(

=
= =
+ =
+ =
= = =

o o

N N N
N
N
N
x E x Var
N
N
N
y E x E xy E x E x Var x
N
E x x
N
E
x E x E x Var x E x x E
x x x x x x E
x x x E
x E x E x x E x x x E x E x x x Cov
i i
i
i j
j i
i
i i
i
i i i i

Una forma equivalente de llegar lo mismo es usar las propiedades de las covarianzas:

,

donde la igualdad final usa el hecho de que X
i
y

son independientes y tienen
covarianza 0.