Universidad Carlos III de Madrid

Csar Alonso
ECONOMETRIA

ANEXO I: INFERENCIA CON GRANDES MUESTRAS*

ndice
1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Consistencia de un estimador . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.1. Ley de los Grandes Nmeros . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Propiedades del PLIM . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3. Normalidad asinttica de un estimador . . . . . . . . . . . . . . . . . . . . 4
3.1. Teorema Central del Lmite . . . . . . . . . . . . . . . . . . . . . . . 4

*
Este material est basado en material previo elaborado por Mara Arrazola y Jos de Hevia.
1. Introduccin
Vamos a estudiar las propiedades de un estimador cuando el tamao muestral
es grande.

2
Supongamos que nuestro parmetro de inters es (puede ser , o cualquier
otro). Llamaremos bn al estimador de , basado en una muestra aleatoria
{Y1 ; : : : ; Yn } de tamao n.

2. Consistencia de un estimador
bn es un estimador consistente de , si para todo " > 0,
n o
l m Pr bn >" =0
n!1

Decimos entonces que es el lmite en probabilidad de bn , lo que expresamos

como:
p l m bn =

Si se cumple que:

l m Sesgo(bn ) = 0;
n!1

l m V (bn ) = 0;
n!1

entonces bn es un estimador consistente de (es una condicin suciente pero

no necesaria).

1
Ejemplo:
Dada una muestra aleatoria fY1 ; : : : ; Yn g de una variable aleatoria Y con E(Y ) =
2
y, V (Y ) = .
1
Pn
Sea Y = n i=1 Yi un estimador de , es consistente?
Dado que sabemos que:

E(Y ) = ;
2
V (Y ) = ;
n

se cumplir que

l m Sesgo(Y ) = 0;
n!1

l m V (Y ) = 0;
n!1

Por tanto, Y es un estimador consistente de .

Si bn es un estimador consistente de signicaque para muestras grandes es

poco probable que se aleje de .

Cuando un estimador no es consistente, decimos que es inconsistente.

En ese caso, nos puede interesar conocer su lmite en probabilidad y comprobar
si est muy alejado de , es decir, conocer su sesgo asinttico.

Sesgo asinttico(bn ) = p l m(bn )

2
2.1. Ley de los Grandes Nmeros

Sean Y1 ; : : : ; Yn variables aleatorias idntica e independientemente distribuidas

con media . Entonces, se cumple que:

pl mY =

es decir: La media muestral es un estimador consistente de la media

poblacional.

Los momentos muestrales son estimadores consistentes de sus anlogos pobla-

cionales.

Es muy til para saber si un estimador es consistente, ya que muchos esti-

madores son funciones de medias muestrales.

2.2. Propiedades del PLIM

Si es un estimador consistente de y g() es una funcin continua:

p l m g(bn ) = g(p l m bn ) = g( )

Si b1n es un estimador consistente de 1 y b2n es un estimador consistente de

2, entonces:

(a) pl m(b1n + b2n ) = 1 + 2

(b) pl m(b1nb2n ) = 1 2

(c) pl m(b1n =b2n ) = 1= 2 si 2 6= 0.

3
3. Normalidad asinttica de un estimador
Sea G1 ; : : : ; Gn una sucesin de estadsticos, cada uno de ellos dependientes
de su correspondiente muestra Y1 ; : : : ; Yn . Se dice que Gn es asintticamente
normal cuando, para n grande, su funcin de distribucin es una N (0; 1). Es
decir,
l m Pr fGn zg = (z); 8z,
n!1

siendo (z) la funcin de distribucin de una N (0; 1).

Habitualmente, se expresa este hecho como:

Gn !d N (0; 1)

o
Gn e N (0; 1)

3.1. Teorema Central del Lmite

Sean Y1 ; : : : ; Yn variables aleatorias idntica e independientemente distribuidas

2
con media y varianza . Entonces, se cumple que:
p
n(Y )
e N (0; 1),

lo que permite decir que:

2
Y e N( ; =n),

El TCL justica que se emplee la distribucin normal para construir intervalos

de conanza y realizar contrastes sin necesidad de conocer el proceso que genera
los datos.