1) Claramente podemos ver que la distribucin no es simtrica, lo que se observa grficamente (valores muy altos al principio ) y despus muy

bajos y el coeficente Skewness no es cercano a 0 , adems la kurtosis no es de 3 como debera esperarse en caso de normalidad.

20 Series: Y2005 Sample 1 90 Observations 90 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0 4000 8000 12000 16000 20000 5617.489 3484.500 19723.00 412.0000 5386.775 1.032695 2.756531 16.21917 0.000301

16

12

2) Dependent Variable: Y2005 Method: Least Squares Date: 03/13/12 Time: 18:49 Sample: 1 90 Included observations: 90 Variable POBL QUAL INFR C Y1980 R-squared Coefficient -941.4650 152.7626 235.1922 4923.890 1.073342 0.868632 Std. Error 274.2567 36.00145 91.83482 2258.840 0.104144 t-Statistic -3.432787 4.243235 2.561036 2.179831 10.30633 Prob. 0.0009 0.0001 0.0122 0.0320 0.0000 5617.489

Mean dependent var

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.862450 1997.830 3.39E+08 -809.1159 2.172028

S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

5386.775 18.09146 18.23034 140.5098 0.000000

Podemos ver que que las variables ocupadas son estadsticamente significativas al 5% y podemos tambin notar que el aumento de la poblacin incide negativamente en el crecimiento, el ajuste est muy bien (cerca de 1)

3)

20000 15000 10000 10000 5000 0 5000 -5000

-5000 10 20 30 40 50 Actual 60 70 80 90

Residual

Fitted

Los errores mayores tienden a concentrarse en el centro, puede notarse la aparente existencia de heterocedasticidad 4) Una de las razones es que la varianza depende del numero de observaciones, por ende como estamos frente a datos de muchos pases la varianza individual de cada pas se vera afectada por la poblacin con lo que se producira el efecto de heterocedasticidad, las consecuencias es que nuestros estimadores puedan ser poco eficientes y que tengamos que ocupar otro mtodo de estimacin como el MCG