La Econometria como La Econometria como Herramienta en los Procesos Herramienta en los Procesos JudicialesJudiciales

Walter Sosa EscuderoWalter Sosa Escudero

Walter Sosa-Escudero, PhDProfesor Asociado y Director, Departamento de EconomiaUniversidad de San Andreswsosa@udesa.edu.ar

Preludio: Matematica y DerechoPreludio: Matematica y Derecho

“Only two things in life we are told are certain, death and taxes”

De todo lo que nos dicen, solo dos cosas son ciertas: la muerte y los impuestos

Colin Aitken, Profesor de Estadistica Forense y Director del Grupo de Trabajo sobre Estadistica y Derecho, Royal Statistical Society

Esta charlaEsta charla

►Explora la posibilidad de usar metodos y Explora la posibilidad de usar metodos y razonamientos estadisticos en cuestiones razonamientos estadisticos en cuestiones legales.legales.

► Ilustra problemas habituales en las Ilustra problemas habituales en las argumentaciones estadísticas.argumentaciones estadísticas.

►Motiva el uso de la estadistica y la Motiva el uso de la estadistica y la econometría como formas alternativas de econometría como formas alternativas de validacion o refutacion.validacion o refutacion.

Hoja de rutaHoja de ruta

1.1. Tres ejemplos, dos “ficticios”, uno real.Tres ejemplos, dos “ficticios”, uno real.2.2. El ámbito de la estadística y el de la El ámbito de la estadística y el de la

econometría.econometría.3.3. Los objetos centrales de la estadística: Los objetos centrales de la estadística:

estimar, decidir. Lidiar con la estimar, decidir. Lidiar con la incertidumbre.incertidumbre.

4.4. Falacias, artimañas y cómo mentir con Falacias, artimañas y cómo mentir con estadísticas.estadísticas.

5.5. Guia de lecturasGuia de lecturas

Contraindicaciones, advertencias, letra chicaContraindicaciones, advertencias, letra chica

► No soy un experto en derecho.No soy un experto en derecho.► Menos aún en derecho argentino.Menos aún en derecho argentino.► Matemática no es números (contabilidad es Matemática no es números (contabilidad es

números).números).► Estadistica tampoco.Estadistica tampoco.► Lo importante es la forma de razonamiento.Lo importante es la forma de razonamiento.► No es una clase de estadística. No usaré ninguna No es una clase de estadística. No usaré ninguna

formula.formula.

Tres EjemplosTres Ejemplos

Discriminacion por generoDiscriminacion por genero

►En una empresa las mujeres ganan más En una empresa las mujeres ganan más que los varones.que los varones.

►¿Es posible conjeturar que los hombres son ¿Es posible conjeturar que los hombres son discriminadosdiscriminados??

►¿Porqué no funciona comparar salarios de ¿Porqué no funciona comparar salarios de hombres y mujeres?hombres y mujeres?

““Fumar es beneficioso para la salud”Fumar es beneficioso para la salud”

►Estudio realizado a 100 personas elegidas Estudio realizado a 100 personas elegidas al azar.al azar.

►Encuentra una relacion Encuentra una relacion negativanegativa entre el entre el riesgo de muerte y la cantidad de cigarrillos riesgo de muerte y la cantidad de cigarrillos fumados por semana: mas cigarrillos, fumados por semana: mas cigarrillos, ¿¿menos menos riesgo de muerte? ¿Fumar es riesgo de muerte? ¿Fumar es beneficioso para la salud?beneficioso para la salud?

Paul F. Engler and Cactus Feeders,Paul F. Engler and Cactus Feeders,Inc., v. Oprah Winfrey et al.Inc., v. Oprah Winfrey et al.

““It has just stopped me cold from eating It has just stopped me cold from eating another burger”another burger”

Oprah Winfrey, 16 de abril de 1996

►El comentario de Oprah se hizo en el El comentario de Oprah se hizo en el contexto del problema del “mal de la vaca contexto del problema del “mal de la vaca loca”loca”

►La empresa Cattle Feeders (alimento para La empresa Cattle Feeders (alimento para ganado) demanda a Oprah por ganado) demanda a Oprah por $4,893,843.

►Sostienen que sus dichos provocaron inusuales caidas en el precio del alimento para ganado.

Precio de alimento, Cactus Feeders

Precios del mercado de futuros en Chicago

PreguntasPreguntas

►¿Qué significa “inusuales caidas”?¿Qué significa “inusuales caidas”?►¿Qué caidas son “usuales”?¿Qué caidas son “usuales”?►¿Qué significa “usuales”?¿Qué significa “usuales”?►¿Cuál es el rol de cualquier otro factor (no ¿Cuál es el rol de cualquier otro factor (no

causado por Oprah) en la determinacion de causado por Oprah) en la determinacion de precios?precios?

Estadística y Estadística y EconometríaEconometría

EstadisticaEstadistica► Cox-Hinkley (1974): los metodos estadisticos Cox-Hinkley (1974): los metodos estadisticos

intentan asistir en la interpretacion de datos intentan asistir en la interpretacion de datos sujetos a una aleatoriedad considerable. sujetos a una aleatoriedad considerable.

► Ejemplo 1:Ejemplo 1: edad de participantes de esta clase, en edad de participantes de esta clase, en base a un subconjunto.base a un subconjunto.

► Ejemplo 2:Ejemplo 2: billetes y monedas que una persona billetes y monedas que una persona lleva en su billetera, en base a toda la clase.lleva en su billetera, en base a toda la clase.

La naturaleza de lo aleatorioLa naturaleza de lo aleatorio

►Ejemplo 1:Ejemplo 1: el proceso que elige personas el proceso que elige personas que integran la muestra.que integran la muestra.

►Ejemplo 2:Ejemplo 2: el efectivo en sí mismo. el efectivo en sí mismo.

Lo aleatorio: como Lo aleatorio: como representaciónrepresentación de lo de lo desconocido. Mas alla de que hayan desconocido. Mas alla de que hayan fenomenos fortuitos o no.fenomenos fortuitos o no.

Estadistica descriptiva e inferencialEstadistica descriptiva e inferencial

►Descriptiva:Descriptiva: resaltar características de una resaltar características de una colección de referenciacolección de referencia La edad promedio de las personas La edad promedio de las personas

encuestadas.encuestadas. La diferencia de edades entre el mas joven y el La diferencia de edades entre el mas joven y el

mas viejos de los encuestados.mas viejos de los encuestados. El El cashcash promedio de los encuestados promedio de los encuestados La mayor cantidad de La mayor cantidad de cashcash de los encuestados. de los encuestados. Medias, varianzas, proporciones, maximos, Medias, varianzas, proporciones, maximos,

minimos, errores estandar, etc.minimos, errores estandar, etc.

► Inferencial:Inferencial: conocer caracteristicas conocer caracteristicas poblacionales a partir de una muestrapoblacionales a partir de una muestra ¿Cuál es la edad promedio de las personas en ¿Cuál es la edad promedio de las personas en

la clase?la clase? ¿Qué cantidad de cash lleva un argentino que ¿Qué cantidad de cash lleva un argentino que

vive en Buenos Aires?vive en Buenos Aires? ¿Qué edad tiene la persona mayor que vendria ¿Qué edad tiene la persona mayor que vendria

a esta Maestria?a esta Maestria? ¿Hay mas mujeres que hombres en esta ¿Hay mas mujeres que hombres en esta

Maestria? (¿Cuándo? ¿Ahora?)Maestria? (¿Cuándo? ¿Ahora?)

►La estadistica inferencial es una disciplina La estadistica inferencial es una disciplina compleja, en comparacion con la compleja, en comparacion con la descriptiva.descriptiva.

►Requiere explicitar el vínculo que hay entre Requiere explicitar el vínculo que hay entre la población y la muestra (usualmente, un la población y la muestra (usualmente, un modelo probabilistico).modelo probabilistico).

►Por ejemplo, en el contexto inferencial, la Por ejemplo, en el contexto inferencial, la edad promedio de los encuestados es una edad promedio de los encuestados es una estimación de la edad de la clase.estimación de la edad de la clase.

►¿Cuan confiable sera esta estimación?¿Cuan confiable sera esta estimación?►Depende de: 1) la cantidad de personas Depende de: 1) la cantidad de personas

encuestadas (todos: optimo, uno?), 2) cuan encuestadas (todos: optimo, uno?), 2) cuan heterogenea es la poblacion (???), 3) heterogenea es la poblacion (???), 3) ciertas caracteristicas del proceso de ciertas caracteristicas del proceso de estimacion (insesgadez?).estimacion (insesgadez?).

Estadistica y EconometriaEstadistica y Econometria

►Estadística:Estadística: desarrollada fundamentalmente desarrollada fundamentalmente para las ciencias experimentales.para las ciencias experimentales.

►Datos experimentales:Datos experimentales: proceden de un proceden de un “experimento controlable”. Aleatoriedad: “experimento controlable”. Aleatoriedad: error de medicion. Ejemplo: efecto de una error de medicion. Ejemplo: efecto de una droga en temperatura corporal.droga en temperatura corporal.

►Ciencias sociales: Ciencias sociales: datos observacionalesdatos observacionales. . Ejemplo: educacion y salarios.Ejemplo: educacion y salarios.

►Econometria:Econometria: uso de la estadística en uso de la estadística en cuestiones relacionadas con la economíacuestiones relacionadas con la economía

►¿Una disciplina aparte? La parte de la ¿Una disciplina aparte? La parte de la estadística integrada verticalmente a la estadística integrada verticalmente a la economía.economía.

►¿Por qué? Datos no experimentales, Leyes ¿Por qué? Datos no experimentales, Leyes no exactas, aleatoriedad como no exactas, aleatoriedad como “heterogeneidad no observable”, “heterogeneidad no observable”, dependencias, etc.dependencias, etc.

La esencia de la estadistica La esencia de la estadistica y la econometriay la econometria

La esencia de la estadistica 1: estimarLa esencia de la estadistica 1: estimar

►Estimación:Estimación: conjetura educada y en base a conjetura educada y en base a datos, acerca de una magnitud datos, acerca de una magnitud desconocida.desconocida.

►Ejemplo: cuantos argentinos están Ejemplo: cuantos argentinos están desempleados actualmente.desempleados actualmente.

►Método: Encuesta Permanente de Hogares. Método: Encuesta Permanente de Hogares. Proporcion de personas desempleadas en Proporcion de personas desempleadas en la encuesta.la encuesta.

Significatividad estadistica y variabilidad muestralSignificatividad estadistica y variabilidad muestral

► Un ejemplo: en una caja hay 10 bolitas negras y/o blancas.Un ejemplo: en una caja hay 10 bolitas negras y/o blancas.► Problema: ¿Cuál es la proporcion de blancas?Problema: ¿Cuál es la proporcion de blancas?► Estimador: proporcion de bolitas blancas en un una Estimador: proporcion de bolitas blancas en un una

muestramuestra► ¿Cuan confiable es la estimacion si sacamos: 1 bolita, 4 ¿Cuan confiable es la estimacion si sacamos: 1 bolita, 4

bolitas, 10 bolitas?bolitas, 10 bolitas?► Mas es mejor. Cuanto mas homogenea sea la poblacion, Mas es mejor. Cuanto mas homogenea sea la poblacion,

mejor.mejor.► Variabilidad muestral: cuán distintas pueden haber sido las Variabilidad muestral: cuán distintas pueden haber sido las

estimaciones. Ejemplo extremo: 10 bolitas? 1 bolita? estimaciones. Ejemplo extremo: 10 bolitas? 1 bolita? ¿Todas negras o blancas?¿Todas negras o blancas?

►Todas estimacion requiere alguna idea de Todas estimacion requiere alguna idea de la variabilidad muestralla variabilidad muestral

►Ejemplo:Ejemplo: En base a 10.165 personas En base a 10.165 personas encuestadas en el GBA, el 15,66% de las encuestadas en el GBA, el 15,66% de las personas es pobre. Un intervalo de personas es pobre. Un intervalo de confianza al 95% es (confianza al 95% es (14,95%-16,36%)14,95%-16,36%)

►¿Intervalo de confianza? ¿Al 100%?¿Intervalo de confianza? ¿Al 100%?

La Esencia de la Estadistica 2: La Esencia de la Estadistica 2: Evaluar HipotesisEvaluar Hipotesis

► Hipotesis:Hipotesis: aseveracion acerca de una magnitud aseveracion acerca de una magnitud desconocida.desconocida.

► Puede ser cierta o falsa.Puede ser cierta o falsa.► Test de hipotesis:Test de hipotesis: mecanismo estadistico que, en mecanismo estadistico que, en

base a datos, decide aceptar o rechazar la base a datos, decide aceptar o rechazar la hipotesis. hipotesis.

► Cuidado:Cuidado: no determina si es verdadera o falsa, no determina si es verdadera o falsa, sino nuestra postura al respecto.sino nuestra postura al respecto.

►Ejemplo:Ejemplo: Hipotesis “nula” (mantenida): una empresa Hipotesis “nula” (mantenida): una empresa

contrata por igual a hombres y mujeres.contrata por igual a hombres y mujeres. Hipotesis “alternativa”: la empresa discrimina en Hipotesis “alternativa”: la empresa discrimina en

contra de las mujeres, y tiende a preferir contra de las mujeres, y tiende a preferir hombres, por el simple hecho de ser hombres.hombres, por el simple hecho de ser hombres.

Test de hipotesis: en base a la proporcion de Test de hipotesis: en base a la proporcion de mujeres contratadas en sus busquedas, decidir mujeres contratadas en sus busquedas, decidir si se acepta o no la hipotesis “nula”.si se acepta o no la hipotesis “nula”.

Tests de hipotesis como herramientaTests de hipotesis como herramienta de prueba: siempre hay errores de prueba: siempre hay errores

VerdaderoVerdadero FalsaFalsa

AceptoAcepto OkOk Error “de tipo II”Error “de tipo II”

RechazoRechazo Error “de tipo I”Error “de tipo I” OkOk

► Optimamente: decidir sin errorOptimamente: decidir sin error► Problema I: no evidencia conclusiva, interviene Problema I: no evidencia conclusiva, interviene

cierta aleatoriedad. Ejemplo, las contrataciones cierta aleatoriedad. Ejemplo, las contrataciones tienen un componente fortuito. En nuestro tienen un componente fortuito. En nuestro ejemplo, el punto es contratan ejemplo, el punto es contratan significativamentesignificativamente menos mujeres que hombres. menos mujeres que hombres.

► Ergo, cualquier decision bajo incertidumbre esta Ergo, cualquier decision bajo incertidumbre esta sujeta a erroressujeta a errores

►Problema II: achicar un error implica Problema II: achicar un error implica agrandar el otro.agrandar el otro.

►Ejemplo: cine.Ejemplo: cine.►No es posible no cometer erroresNo es posible no cometer errores►Solucion “clasica”: diseñar un test de Solucion “clasica”: diseñar un test de

hipotesis que fije un maximo tolerable para hipotesis que fije un maximo tolerable para un tipo de error, y haga que el otro sea lo un tipo de error, y haga que el otro sea lo mas chico posible.mas chico posible.

►Ejemplo: en el caso de discriminacion, Ejemplo: en el caso de discriminacion, decidir que hay discriminacion si se decidir que hay discriminacion si se encuentra que la empresa contrato menos encuentra que la empresa contrato menos que el 40% de las mujeres. que el 40% de las mujeres.

►¿Cómo se determina el umbral “40%”?¿Cómo se determina el umbral “40%”?►En base a 1) cantidad de casos (personas) En base a 1) cantidad de casos (personas)

involucradas 2) proporcion de mujeres y involucradas 2) proporcion de mujeres y hombres en la poblacion de referenciahombres en la poblacion de referencia

IdeaIdea► Supongamos que al trabajo se postulan igual proporcion Supongamos que al trabajo se postulan igual proporcion

de hombres y mujeres.de hombres y mujeres.► En el proceso de selección intervienen factores fortuitos: En el proceso de selección intervienen factores fortuitos:

algunas personas rechazan la oferta, la suerte juega a algunas personas rechazan la oferta, la suerte juega a favor o en contra en las entrevistas, igualmente para favor o en contra en las entrevistas, igualmente para hombres y mujeres, etc.hombres y mujeres, etc.

► En ausencia de discriminacion deberiamos esperar que la En ausencia de discriminacion deberiamos esperar que la mitad de los contratados sean mujeres.mitad de los contratados sean mujeres.

► Habrá discriminacion si la proporcion de mujeres es Habrá discriminacion si la proporcion de mujeres es significativamente menor que 50%significativamente menor que 50%

► Un test de hipotesis clasico es un mecanismo Un test de hipotesis clasico es un mecanismo estadistico que fija optimamente estos umbrales, estadistico que fija optimamente estos umbrales, es decir, intentando que el error de tipo I (rechazar es decir, intentando que el error de tipo I (rechazar cuando verdadero) no supere cierto umbral, y que cuando verdadero) no supere cierto umbral, y que el tipo II (aceptar cuando falso) sea lo mas chico el tipo II (aceptar cuando falso) sea lo mas chico posible.posible.

► Cual es el máximo tolerable de error de tipo I? En Cual es el máximo tolerable de error de tipo I? En la practica, no mas de 10%la practica, no mas de 10%

► ““Significatividad”: 1-error de tipo I (90% en el caso Significatividad”: 1-error de tipo I (90% en el caso anterior). Es algo asi como la probabilidad de anterior). Es algo asi como la probabilidad de aceptar la hipotesis mantenida cuando es cierta.aceptar la hipotesis mantenida cuando es cierta.

► ¿Porque no 100% de significatividad?¿Porque no 100% de significatividad?► Error tipo I: rechazo cuando no hay discriminacion.Error tipo I: rechazo cuando no hay discriminacion.► Como evitar el error de tipo I? ¡Jamas rechazar! (jamas ir Como evitar el error de tipo I? ¡Jamas rechazar! (jamas ir

al cine)al cine)► Como? Discriminacion solo si la proporcion de mujeres es Como? Discriminacion solo si la proporcion de mujeres es

nula.nula.► Problema: jamas detecto discriminacion, aun cuando la Problema: jamas detecto discriminacion, aun cuando la

hubiesehubiese► Ergo: a fines de que el mecanismo detecte discrimine, hay Ergo: a fines de que el mecanismo detecte discrimine, hay

que aceptar error de tipo I (para no perderme peliculas que aceptar error de tipo I (para no perderme peliculas buenas, alguna mala tengo que soportar).buenas, alguna mala tengo que soportar).

Regresion: “el automovil de la Regresion: “el automovil de la estadistica moderna”estadistica moderna”

►Analisis de regresion:Analisis de regresion: la herramienta mas la herramienta mas utilizada en econometriautilizada en econometria

►Variable “dependiente”: salariosVariable “dependiente”: salarios►Variables “independientes”: educacion, Variables “independientes”: educacion,

experiencia, sexo, etc.experiencia, sexo, etc.►El analisis de regresion mide cuanto El analisis de regresion mide cuanto

contribuye cada variable independiente en contribuye cada variable independiente en determinar la dependiente.determinar la dependiente.

Ejemplo: efectos de la Ejemplo: efectos de la contaminacioncontaminacion

► Problema: ¿tiene algun impacto la Problema: ¿tiene algun impacto la contaminacion sobre el precio de las contaminacion sobre el precio de las viviendas?viviendas?

► Argumento I: las casas junto al Riachuelo Argumento I: las casas junto al Riachuelo son mas baratas que las que estan en son mas baratas que las que estan en Palermo.Palermo.

► Las casas en Palermo ademas de estar menos Las casas en Palermo ademas de estar menos expuestas a la contaminacion son 1) mas lindas, expuestas a la contaminacion son 1) mas lindas, 2) mas cercanas al centro, 3) mas seguras, etc., 2) mas cercanas al centro, 3) mas seguras, etc., etc., etc.etc., etc.

► El precio de una casa se determina por la El precio de una casa se determina por la contaminacion, la calidad, la cercania al centro, contaminacion, la calidad, la cercania al centro, cuan seguro es el bario, etc., etc.cuan seguro es el bario, etc., etc.

► Solucion: comparar casas identicas, que difieren Solucion: comparar casas identicas, que difieren solo en la cantidad de contaminacion. Imposiblesolo en la cantidad de contaminacion. Imposible

►Analisis de regresion: metodo estadistico Analisis de regresion: metodo estadistico para para aislaraislar el efecto de una variable del de el efecto de una variable del de otras variables concurrentes.otras variables concurrentes.

►En nuestro caso, aislar la contribucion de la En nuestro caso, aislar la contribucion de la contaminacion al precio, del de otros contaminacion al precio, del de otros factores (localizacion, calidad, vivienda, factores (localizacion, calidad, vivienda, etc.).etc.).

► Uso muy comun en litigios. Uso muy comun en litigios. ► Ejemplo: discriminacion. Los salarios pueden ser Ejemplo: discriminacion. Los salarios pueden ser

mas altos porque: una persona es mas productiva, mas altos porque: una persona es mas productiva, mas experimentada, tiene mas educacion, hay mas experimentada, tiene mas educacion, hay discriminacion.discriminacion.

► Analisis de regresion: aislar el efecto de genero Analisis de regresion: aislar el efecto de genero del de otros factores concurrentes.del de otros factores concurrentes.

► Discriminacion: el genero es una variable Discriminacion: el genero es una variable relevante, aun cuando los otros factores hayan relevante, aun cuando los otros factores hayan sido tenidos en cuenta.sido tenidos en cuenta.

Estadistica y derechoEstadistica y derecho

►Discriminacion por genero y raza.Discriminacion por genero y raza.►Antitrust, defensa de la competencia.Antitrust, defensa de la competencia.►Medicion de daños (contrafactuales y Medicion de daños (contrafactuales y

predictivos).predictivos).►Estadistica forense. Perfil de ADNEstadistica forense. Perfil de ADN►AuditoriaAuditoria

Falacias, artimañas y como Falacias, artimañas y como mentir con estadisticasmentir con estadisticas

EconometricksEconometricksSignificatividad estadistica vs. ConceptualSignificatividad estadistica vs. Conceptual

► En una empresa las mujeres en promedio ganan $5400 y los hombres, En una empresa las mujeres en promedio ganan $5400 y los hombres, $5401.$5401.

► En base a cierta muestra, se podria concluir que $5400 es En base a cierta muestra, se podria concluir que $5400 es significativamente distinto que $5401 (rechazamos la hipotesis nula de significativamente distinto que $5401 (rechazamos la hipotesis nula de que los hombres ganan lo mismo que las mujeres) (significatividad que los hombres ganan lo mismo que las mujeres) (significatividad estadistica)estadistica)

► Supongamos que nos enteramos que hay una regla que dice que las Supongamos que nos enteramos que hay una regla que dice que las mujeres de esta empresa deben ganar 1 peso menos que los mujeres de esta empresa deben ganar 1 peso menos que los hombres. ¿Hay discriminacion? (significatividad conceptual)hombres. ¿Hay discriminacion? (significatividad conceptual)

No confundir significatividad estadistica con conceptual.No confundir significatividad estadistica con conceptual.

Relacion y causalidadRelacion y causalidad

►De la existencia de una relacion estadistica De la existencia de una relacion estadistica no es posible inferir causalidadno es posible inferir causalidad

►Ejemplo: inversion en educacion.Ejemplo: inversion en educacion.►Falacia de la correlacionFalacia de la correlacion

Precedencia temporal y causalidadPrecedencia temporal y causalidad

►Tampoco de la predencia temporal es Tampoco de la predencia temporal es posible inferir causalidadposible inferir causalidad

►Ejemplos: paraguas y lluvia. Precio de Ejemplos: paraguas y lluvia. Precio de acciones.acciones.

Modelos chicos vs. grandesModelos chicos vs. grandes

► En general, los modelos chicos (que omiten En general, los modelos chicos (que omiten factores relevantes) tienden a ser sesgados.factores relevantes) tienden a ser sesgados.

► Ejemplo: fumar es beneficioso para la saludEjemplo: fumar es beneficioso para la salud► Los modelos grandes tienden a ser poco Los modelos grandes tienden a ser poco

conclusivos (“el que mucho abarca poco aprieta”)conclusivos (“el que mucho abarca poco aprieta”)► Ejemplo: demasiadas variables en contaminacion. Ejemplo: demasiadas variables en contaminacion.

Nada es importanteNada es importante

Toda estimacion merece un error estandarToda estimacion merece un error estandar

►Toda estimacion “puntual” requiere alguna Toda estimacion “puntual” requiere alguna idea de cuan imprecisa es (error de idea de cuan imprecisa es (error de muestreo, intervalo de confianza, cantidad muestreo, intervalo de confianza, cantidad de observaciones, etc.)de observaciones, etc.)

Aceptar una hipotesis no quiere decir que sea Aceptar una hipotesis no quiere decir que sea verdaderaverdadera

► Un test tiende a aceptar la hipotesis “nula” Un test tiende a aceptar la hipotesis “nula” cuando a) es verdadera, b) es falsa, pero el test cuando a) es verdadera, b) es falsa, pero el test no puede detectar su falsedad.no puede detectar su falsedad.

► Ejemplo: medicos malosEjemplo: medicos malos

Es importante garantizar la calidad del test y su uso Es importante garantizar la calidad del test y su uso apropiadoapropiado

Los casos: revisitadosLos casos: revisitados

► Discriminacion por genero:Discriminacion por genero: test de hipotesis en test de hipotesis en base a modelos de regresion. Problema: nivel de base a modelos de regresion. Problema: nivel de significatividad. Enorme industria en EEUU.significatividad. Enorme industria en EEUU.

► Efectos nocivos del tabaco:Efectos nocivos del tabaco: experimentos, experimentos, modelos de regresion aislando el efecto del modelos de regresion aislando el efecto del cigarrillo del de otros.cigarrillo del de otros.

► Oprah:Oprah: modelo de precios de acciones, permiten modelo de precios de acciones, permiten detectar comportamientos anómalos (outliers).detectar comportamientos anómalos (outliers).

Comentarios finales y Comentarios finales y lecturas sugeridaslecturas sugeridas

A modo de conclusionA modo de conclusion► Lempert (1985): Lex regis: “when econometrics or Lempert (1985): Lex regis: “when econometrics or

any other statistical speciality enters the any other statistical speciality enters the courtroom, the law is king”courtroom, the law is king”

► La aleatoriedad como nocion fundamental: La aleatoriedad como nocion fundamental: contemplarla no debe dar lugar a justificar contemplarla no debe dar lugar a justificar cualquier comportamiento. cualquier comportamiento.

► ““Lawyers and judges must understand not the Lawyers and judges must understand not the technicalities of statistical analyses, but the technicalities of statistical analyses, but the underlying logic of the descriptions adn tests that underlying logic of the descriptions adn tests that statisticians offer them. Members of each statisticians offer them. Members of each community must, in short, learn what it is to think community must, in short, learn what it is to think like a member of the other”.like a member of the other”.

►Area muy activa en el mundo anglosajonArea muy activa en el mundo anglosajon►¿Posibilidades para el ambito local?¿Posibilidades para el ambito local?►Desmitificar ambas disciplinas.Desmitificar ambas disciplinas.►Lo cuantitativo como forma de razonarLo cuantitativo como forma de razonar

Guia de lecturasGuia de lecturas

TextosTextos► Finkelstein, M., 2009, Finkelstein, M., 2009, Basic Concepts of Basic Concepts of

Probability and Statistics in the Law. Probability and Statistics in the Law. ► Ulen, T., 2010, Empirical Methods in LawUlen, T., 2010, Empirical Methods in LawLibros de casos y experienciasLibros de casos y experiencias► De Groot et al., 1994, Statistics and the Law, De Groot et al., 1994, Statistics and the Law,

Wiley, New York. Wiley, New York. ► Kadane, J., 2008, Statistics in the Law: A Kadane, J., 2008, Statistics in the Law: A

Practitioner's Guide, Cases, and Materials, Practitioner's Guide, Cases, and Materials, Springer, New York.Springer, New York.

ArticulosArticulos

► Rubinfeld, D., 1985, Econometrics in the Courtroom, Rubinfeld, D., 1985, Econometrics in the Courtroom, Columbia Law Review, 85, 5, 1048-1097.Columbia Law Review, 85, 5, 1048-1097.

► Lempert, R., 1985, Statistics in the Courtroom: Building on Lempert, R., 1985, Statistics in the Courtroom: Building on Rubinfeld, Columbia Law Review, 85,5, 1098-1116.Rubinfeld, Columbia Law Review, 85,5, 1098-1116.

► Kennedy, R., 1988, McCleskey v Kemp: Race, Capital Kennedy, R., 1988, McCleskey v Kemp: Race, Capital Punishment, and the Supreme Court, Harvard Law Review, Punishment, and the Supreme Court, Harvard Law Review, 101, 7, 1388-1443.101, 7, 1388-1443.

► Bassman, R., 2003, Statistical outlier analysis in litigation Bassman, R., 2003, Statistical outlier analysis in litigation support: the case of Paul F. Engler and Cactus Feeders, support: the case of Paul F. Engler and Cactus Feeders, Inc., v. Oprah Winfrey et al., Journal of Econometrics, 113, Inc., v. Oprah Winfrey et al., Journal of Econometrics, 113, 159-200.159-200.

Sobre lo cuantitativoSobre lo cuantitativo

► Thompson, C., 2010, Why should we learn the language of data, Thompson, C., 2010, Why should we learn the language of data, revista Wired, abril. revista Wired, abril. httphttp://www.wired.com/magazine/2010/04/st_thompson_statistics/://www.wired.com/magazine/2010/04/st_thompson_statistics/

► Paulos, J.A., 2007, El hombre anumerico, Tusquets, Buenos Aires.Paulos, J.A., 2007, El hombre anumerico, Tusquets, Buenos Aires.► Best, J., 2001, Damned Lies and Statistics: Untangling Numbers from Best, J., 2001, Damned Lies and Statistics: Untangling Numbers from

the Media, Politicians, and Activists, U. of California Press.the Media, Politicians, and Activists, U. of California Press.

Escribanme: wsosa@udesa.edu.ar