Solucionario del Capítulo 2 de Pindyck.

2.1.
10
Series: RPP_RENT_NO
Sample 1 32
8 Observations 32

Mean 138.1694
6 Median 140.0000
Maximum 285.0000
Minimum 50.75000
4 Std. Dev. 47.11476
Skewness 1.017093
Kurtosis 4.787223
2
Jarque-Bera 9.776104
Probability 0.007536
0
50 100 150 200 250 300

8
Series: RENT
7 Sample 1 32
Observations 32
6
Mean 318.1562
5
Median 280.0000
4 Maximum 880.0000
Minimum 100.0000
3 Std. Dev. 177.7987
Skewness 1.706563
2 Kurtosis 5.693617

1 Jarque-Bera 25.20666
Probability 0.000003
0
100 200 300 400 500 600 700 800 900

1
 20
Series: NO
Sample 1 32
16 Observations 32

Mean 2.437500
12 Median 2.000000
Maximum 6.000000
Minimum 1.000000
8 Std. Dev. 1.318296
Skewness 1.382017
Kurtosis 4.452845
4
Jarque-Bera 13.00086
Probability 0.001503
0
1 2 3 4 5 6

Por lo tanto, RPP = 138.1694 y RENT / NO = 318.1562 / 2.437500 = 130.5256205 . Por lo

tanto, no son iguales.

⎛ −8 ⎞ 1 ⎛ 60 ⎞ 1
2.2. E (Y X ) = ⎜ ⎟ + ⎜ ⎟ = 16.
⎝ −4 ⎠ 2 ⎝ 2 ⎠ 2
⎡ 1 1⎤ ⎡ 1 1⎤
E (Y ) E ( X ) = ⎢ −8 + 60 ⎥ ⎢ −4 + 2 ⎥ = 26 / ( −1) = −26.
⎣ 2 2⎦ ⎣ 2 2⎦

2.3. Asuma que RPP está distribuida normalmente con media μ RPP y varianza σ RPP
2
. Testee
la hipótesis de que μ RPP = 135 al nivel de significancia del 5% si (a) σ RPP
2
= 2,150 y (b)
σ RPP
2
es desconocida. Preste particular atención a la elección de su estadístico de testeo.

Solución.
(a) En este primer caso, se conoce la varianza poblacional σ RPP
2
= 2,150 por lo que el
estadístico de muestreo será también normal.

El estadístico de muestreo está dado por

β − β RPP − 135 138.1694 − 135
= = = 0.387.
σ β2 2,150 32 8.196798155
N
Dado que la P ( −1.96 ≤ Z ≤ 1.96 ) = 0.05 desde la tabla normal, y 0.387 se encuentra en la
zona de aceptación de la nula, no podemos rechazar la hipótesis nula de que μ RPP = 135.

2
Una forma alternativa es construir el intervalo de confianza de la siguiente manera:
⎛ σ σ ⎞
P ⎜ μ RPP − 1.96 RPP ≤ μ RPP ≤ μ RPP + 1.96 RPP ⎟ ∼ 0.95
⎝ n n ⎠
Construimos el intervalo de confianza con un nivel de significancia del 5% con la tabla
normal
⎛ 46.37 46.37 ⎞
P ⎜135 − 1.96 ∗ ≤ μ RPP ≤ 135 + 1.96* ⎟ ∼ 0.95
⎝ 32 32 ⎠
P ( −118.93 ≤ μ RPP ≤ 151.06 ) ∼ 0.95
Vemos que 135 cae dentro de este intervalo por lo que no podemos rechazar la hipótesis
nula de que μ RPP = 135.

(b) En este segundo caso, se desconoce la varianza poblacional σ RPP

2
por lo que es
necesario estimarla con los datos de la muestra. En este caso el estadístico muestral
se distribuye como una distribución t.

El estadístico de muestreo está dado por

β −β RPP − 135 138.1694 − 135
= = = 0.381.
s 2
2, 219.80061 32 8.328791573
N
Como sustituimos la varianza poblacional por la varianza estimada del parámetro a
partir de los datos de la muestra, el estadístico de muestreo se distribuye como una
distribución t.

La P ( −2.042 ≤ t ≤ 2.042 ) = 0.05 de la tabla de la distribución t, 0.381 cae en la zona de

aceptación de la nula, por lo que no podemos rechazar la hipótesis nula de que
μ RPP = 135.

También podemos hacerlo con EViews de la siguiente forma:

Hypothesis Testing for RPP_RENT_NO

Date: 09/04/09 Time: 10:11
Sample: 1 32
Included observations: 32
Test of Hypothesis: Mean = 135.0000
Assuming Std. Dev. = 46.36809

Sample Mean = 138.1694

Sample Std. Dev. = 47.11476

Method Value Probability

Z-statistic 0.386660 0.6990
t-statistic 0.380532 0.7061

3
 Los valores del estadístico Z y t coinciden con los que hemos calculado previamente y
los valores de probabilidad reportados son los p-valores, o nivel de significancia
marginal, en contra de la alternative de ambos lados. Si esta probabilidad es menor que
el nivel de significancia del test, en el ejercicio 5%, rechazamos la hipótesis nula. En
este caso, como el valor-p es mayor que el 5% no podemos rechazar la hipótesis nula
planteada.

El test de la media con EViews lleva adelante el test de hipótesis de que la media μ de
la serie X es igual a un valor especificado m en contra de la alternativa de ambos lados
de que no es igual a m :

H0 : μ = m
H1 : μ ≠ m.

2.4. Ahora asumamos que RPP entre los hombres está distribuido normalmente con
y varianza (σ RPP ) . RPP entre mujeres es también asumido que se
2
media μ RPP
m m

y varianza (σ RPP ) . Testee la hipótesis de que

2
distribuye normalmente con media μ RPP
f f

μ RPP
m
= μ RPP
f
al 5% de nivel de confianza cuando a usted se le da como dato que
σ RPP = σ RPP = 1, 681.
2f 2m

Solución.
Inferencias acerca de dos medias: muestras independientes y grandes.

Al probar hipótesis respecto a dos medias de población y construir intervalos de

confianza para la diferencia entre dos medias de población, supondremos lo siguiente
para los métodos que emplearemos en esta sección.

1. Las dos muestras son independientes.

2. Las dos muestras son grandes. Esto es, n1 > 30 y n2 > 30 .

Una conclusión del teorema central del límite es que las medias de muestra tienden a estar
distribuidas normalmente. Más adelante en esta sección justificaremos esta importante
( )
propiedad: las diferencias entre las medias de muestra x1 − x 2 también tienden a estar
distribuidas normalmente. Utilizando estas propiedades y los supuestos antes mencionados,
obtenemos la estadística de prueba siguiente que usaremos para probar hipótesis hechas
acerca de las medias de dos poblaciones. Esta estadística de prueba es muy similar a varias
de las estadísticas de prueba que ya hemos visto. Observe que el formato básico es el
mismo:

4
 ( estadística de muestra ) − ( parámetro de población aseverado )
( desviación estándar de las estadísticas de muestra )
De tal modo que la estadística de prueba para dos medias (independientes y muestras
grandes) es la siguiente:

z=
( )
x1 − x 2 − ( μ1 − μ2 )
σ 12 σ 22
+
n1 n2

Test for Equality of Means of RPP_RENT_NO

Categorized by values of SEX
Date: 09/04/09 Time: 16:30
Sample: 1 32
Included observations: 32

Method df Value Probability

t-test 30 2.236119 0.0329

Anova F-statistic (1, 30) 5.000229 0.0329

Analysis of Variance

Source of Variation df Sum of Sq. Mean Sq.

Between 1 9830.931 9830.931

Within 30 58982.88 1966.096

Total 31 68813.81 2219.800

Category Statistics

Std. Err.
SEX Count Mean Std. Dev. of Mean
0 22 126.3523 47.41099 10.10806
1 10 164.1670 36.17711 11.44021
All 32 138.1694 47.11476 8.328791

En este caso y con estos datos calculados a partir de EViews podemos computar

5
 z=
(x − x ) − (μ − μ )
1 2 1 2

σ 12 σ 22
+
n1 n2
126.35 − 164.17
z= = −2.42
1681 22 + 1681 10

Usando una tabla normal, como -2.42 cae en la zona de rechazo de la hipótesis nula de
la igualdad de las medias, lo hacemos, es decir rechazamos la hipótesis de igualdad de
las medias para ambos grupos.

2.5. Repita el ejercicio 2.4. asumiendo que σ RPP

2f
= σ RPP
2m
pero que su valor común es
desconocido.

En este caso, utilizamos la siguiente estadística de prueba (que es válid para muestras
independientes pequeñas y varianzas iguales):

t=
(x − x ) − (μ − μ )
1 2 1 2

2 2
s s
p
+ p

n1 n2

donde s 2p =
( n1 − 1) s12 + ( n2 − 1) s22
( n1 − 1) + ( n2 − 1)
y los grados de libertad están dados por gl = n1 + n2 − 2.

Aplicando esta estadística de prueba a nuestros datos tenemos,

t=
(x − x ) − (μ − μ )
1 2 1 2

2 2
s s
p
+ p

n1 n2
( n1 − 1) s12 + ( n2 − 1) s22 ( 22 − 1)( 47.41099 ) + (10 − 1)( 36.17711)
2 2

donde s 2
= = = 312.04
p
( n1 − 1) + ( n2 − 1) ( 22 − 1)(10 − 1)
y los grados de libertad están dados por gl = n1 + n2 − 2 = 22 + 10 − 2 = 30.

t=
(126.35 − 164.17 ) = −5.61
312.04 312.04
+
22 10

6
El valor del t en la distribución teórica para 30 grados de libertad es 2.042. Por lo tanto,
P ( −2.042 ≤ t ≤ 2.042 ) = 0.05 . Por lo tanto, el estadístico de prueba cae en la zona de
rechazo de la nula (esto es rechazamos la hipótesis de la igualdad de las dos varianzas).

2.6. En la parte a) del ejercicio 2.3 asumimos que la RPP estaba distribuida en forma
normal con media desconocida μ RPP y varianza conocida σ RPP
2
= 2,150 .
Asumiendo, como lo hicimos en la parte b), que σ RPP
2
se desconoce, pruebe con un
nivel de significancia del 5% que σ RPP
2
= 2,150. Sugerencia: Bajo la hipótesis de

que σ RPP
2
= 2,150, encuentre la distribución
( N − 1) s 2 , donde:
2,150

( )
n
1
∑
2
s2 = RPPi − RPP .
N − 1 i =1
En este caso se utiliza la siguiente estadística de prueba,

χ =
2 ( n − 1) s 2
2
σ
donde:
n = tamaño de la muestra
s 2 = varianza de la muestra
σ 2 = varianza de la población (dada en la hipótesis nula).
Por consiguiente, aplicado a nuestros datos tenemos que la estadística de prueba es:

V=
( n − 1) s 2 ( 32 − 1) * 2, 219.80061
= = 32.0063274
σ2 2,150
Usando la tabla de la chi-cuadrado, encontramos que para 30 grados de libertad, al 5% de
significancia, el valor crítico es 43.773, y el valor crítico para 40 grados de libertad, es
55.758, por lo que el estadístico no cae en la zona de rechazo de la nula. Por lo tanto,
fracasamos en rechazar la hipótesis nula.

2.7. En el ejercicio 2.6, asumimos que (σ RPP ) = (σ RPP ) . Pruebe esta igualdad con un
m f 2 2

nivel de significancia del 5%.

s X2
Si deseamos probar que σ X2 = σ Z2 , podemos calcular la estadística . Si X y Z son
sZ2

independientes, entonces
( N1 − 1) s X2 está distribuida como una chi-cuadrada con
σ X2

N1 − 1 grados de libertad y
( N 2 − 1) sZ2 está distribuida como una chi-cuadrada con N 2 − 1
σ Z2
grados de libertad. Entonces, usando el resultado 13, sabemos que el cociente

7
 ⎡ ( N1 − 1) s X2 σ X2 ⎤ ⎡ ( N 2 − 1) sZ2 σ Z2 ⎤
⎢
⎣ ( N1 − 1) ⎥⎦ ⎢
⎣ ( N 2 − 1) ⎦
⎥

s X2
estará distribuido como una distribución F. Nótese que si σ X2 = σ Z2 , esto se reduce a
sZ2
y el cociente de las varianzas estimadas sigue una distribución F con N1 − 1 y
N 2 − 1 grados de libertad.

La estadística F siempre se tabula con el estimado mayor de la varianza en el

numerador y el estimado menor en el denominador. El cociente resultante siempre es
mayor que 1, y proporciona información respecto a la cola superior de la distribución F.
Entre mayor es la diferencia entre las dos varianzas, es mayor la estadística F. Por tanto,
un valor grande de F implica que es improbable que las dos varianzas de error sean
iguales. En la práctica, la prueba se lleva a cabo eligiendo un nivel de significancia y
luego buscando el valor crítico de la distribución F en una tabla estándar de F.

Aplicando este esquema a los datos de este problema tenemos:

2m
sRPP 2, 247
F= 2f
= = 1.71
sRPP 1,308
Este estadístico muestral sigue una distribución teórica F con 21,9 grados de libertad.
Buscamos en la tabla el valor crítico de esta F, que es 2.94. Por consiguiente,
fracasamos en rechazar la nula.

2.8. Suponga que X es una variable aleatoria distribuida en forma normal con media
⎛ X − μX ⎞
μ X y varianza σ X2 . Supongamos que Z = ⎜ ⎟ es una variable aleatoria nueva.
⎝ σX ⎠
Demuestre que Z está distribuida en forma normal con media 0 y una varianza de
1
.
N

Solución.

Tomamos la esperanza matemática de la nueva variable Z :

⎛ X − μX ⎞ 1
E (Z ) = E ⎜
σ
⎟=
σ ⎣ ( )
⎡ E X − E ( μ X )⎤
⎦
⎝ X ⎠ X

1 1
= [ μ X − μ X ] = 0 = 0.
σX σX
Tomamos la varianza de la variable aleatoria Z :

8
 ( )
⎡ X − μX ⎤
Var ( Z ) = Var ⎢
⎢ σX ⎥ σX ⎣
( )
⎥ = 12 ⎡Var X − Var ( μ X ) ⎤
⎦
⎣ ⎦
1 ⎡ σ X2 ⎤ 1
= 2 ⎢
− 0⎥ = .
σX ⎣ N ⎦ N
X 1 + ... + X N
Sabemos que X ∼ N ( μ X , σ X2 ) y sabemos también que X = o sea que X es
N
una suma ponderada de variables aleatorias normales con medias y varianzas idénticas,
luego de acuerdo con el Resultado 10, Z ∼ N ( 0,1) .

2.9. Suponga que X está distribuida en forma normal con media 10 y varianza 625.
Encuentre la probabilidad de que X ≥ 30.

Solución.

Se procede a estandarizar a X o sea:

X − μX 30 − 10
= = 0.8
σ 2
X
625
Necesitamos calcular la Pr ( X ≥ 0.8 ) . Buscamos esto en la tabla normal y encontramos que
Pr ( X ≥ 0.8 ) = 0.2119.

2.10. Una moneda es lanzada seis veces. Usted desea probar la hipótesis de que la
1
probabilidad de caras=probabilidad de cruces= . ¿Cómo procedería?
2

Solución.

Utilizaremos un ejemplo para explicar los pasos. Supongamos que desde un conjunto
grande de pelotas verdes y amarillas, se eligen tres pelotas y se colocan en una urna. Sea
p la fracción de pelotas que son verdes. A una persona se le permite hacer 5 extracciones
desde la urna; ella debe reemplazar cada pelota extraída antes de que la siguiente sea
extraída.

Supongamos que se le cuenta que el número de pelotas verdes en la urna es 1 ó 2; esto es

1 2 1
que p = ó que p = . La hipótesis de que p = debe ser testeada contra la alternativa de
3 3 3
2
que p = .
3

Sea R el número de pelotas verdes que se extraen en 5 extracciones. R es una variable

binomial cuya distribución es mostrada en la siguiente tabla para los únicos dos valores
posibles de p.

9
 Distribución de probabilidad de la Variable Binomial R
Valor de R Probabilidad, Pr ( R )
r
1 2
p= p=
3 3
0 32 1
243 243
1 80 10
243 243
2 80 40
243 243
3 40 80
243 243
4 10 80
243 243
5 1 32
243 243

El problema consiste en decidir si, después de observar el resultado muestral, la hipótesis

1
p = es o no verdadera. Si uno concluye que es verdadera, uno acepta la hipótesis; de otra
3
manera, uno rechaza la hipótesis. Uno debe elegir una regla que indica para cada posible
1
resultado si aceptaremos o rechazaremos la hipótesis p = . Especificar una regla tiene el
3
efecto de dividir el espacio muestral en dos regiones: si el resultado está en la región crítica,
2
la hipótesis es rechazada a favor de p = ; si el resultado está en la región no crítica o de
3
1
aceptación, la hipótesis p = es aceptada. Por ejemplo, una regla razonable sería aceptar
3
1
p = si menos que la mitad de las pelotas extraídas son verdes; de otra manera rechazar
3
1
p = . La región crítica para esta regla consiste de los valores 3,4 y 5 de R.
3

Cualquiera sea la regla que uno siga, las decisiones pueden posiblemente estar equivocadas.
Incluso si la hipótesis que se está testeando es correcta, todavía habrá una probabilidad
positiva de obtener un resultado en la región crítica; consecuentemente, uno puede, con
probabilidad positiva, rechazar una hipótesis que es en realidad verdadera. Este tipo de
error es conocido como el error Tipo I. En nuestro ejemplo, la región crítica consiste de
51
R = 3, 4, ó,5, entonces la probabilidad de un error tipo I es . Similarmente, si la
243
1
hipótesis p = es falsa, entonces hay una probabilidad positiva de que un resultado en la
3

10
 1
región de aceptación ocurra. Si ocurre, uno aceptará la hipótesis p = a pesar de que es
3
2
falsa. Este tipo de error es llamado error tipo II. Si, en nuestro ejemplo, p = , entonces un
3
error tipo II es hecho siempre que R = 0,1, ó, 2. La probabilidad del error tipo II es por lo
1 10 40 51
tanto + + = .
243 243 243 243

Aplicando estos principios al problema, sabemos que si arrojamos una moneda 6 veces, el
total de ocurrencias posibles es 26. Sea R una variable aleatoria binomial consistente en el
número de caras que se obtiene en las seis tiradas por lo tanto tendremos que

R = número de caras Pr ( R )
en seis tiradas
0 ⎛1⎞
6

⎜ ⎟
⎝2⎠
1 6! ⎛ 1 ⎞ ⎛ 1 ⎞
5 1

⎜ ⎟ ⎜ ⎟
! !⎝ 2 ⎠ ⎝ 2 ⎠
15
2 6! ⎛ 1 ⎞ ⎛ 1 ⎞
4 2

⎜ ⎟ ⎜ ⎟
2!4! ⎝ 2 ⎠ ⎝ 2 ⎠
3
4
5
6

1
Luego tendríamos que adoptar la regla. Por ejemplo, aceptar la hipótesis de que p = si el
2
número de caras obtenidas en seis tiradas es igual a 3 ó 4.

Lo mismo podríamos hacer para evaluar la probabilidad de cruces.

2.11. El coeficiente de correlación muestral entre dos variables X e Y se denota

( X , Y ) y está dado por:
∑( X )( )
n

i − X Yi − Y
rXY = i =1

∑( X ) ∑ (Y − Y )
n 2 n 2
i −X i
i =1 i =1

Muestre que si uno estima las regresiones

Y = a + bX
X = A + BY

11
 2
el producto de los estimadores para b y B será igual a rXY .

Solución.

En la primera regresión, el estimador b está dado por la expresión:

n

∑x y i i
b= i =1
n

∑x i =1
2
i

En la segunda regresión, el estimador B está dado por la expresión:

n

∑yx i i
B= i =1
n

∑y i =1
2
i

Por lo tanto, bB es igual a

n n

∑x y ∑y x
i i i i
bB = i =1
n
i =1
n
= rXY
2

∑x ∑y
i =1
2
i
i =1
2
i

como teníamos que mostrar.

2.12. Si X está distribuida en forma normal con media μ y varianza σ 2 ,

encuentre una transformación de X que tenga la distribución chi-cuadrada con 1
grado de libertad.

Solución.

⎛ X −μ ⎞ ⎛ X −μ ⎞
2

⎟ ∼ N ( 0,1) . Por consiguiente, ⎜ ⎟ ∼ χ1 . Esto está explicado por el Resultado

2
⎜
⎝ σ ⎠ ⎝ σ ⎠
11: la suma de los cuadrados de N variables aleatorias distribuidas independientemente en
forma normal (con media 0 y varianza 1) está distribuida como una chi cuadrado con N
grados de libertad.

Demuestre que E ( X ) = ( E ( X ) ) sólo ocurre si X toma un solo valor con

2 2
2.13.
probabilidad 1.

Solución.

12
En este caso, a 2 = a 2 para a el valor que puede tomar la variable aleatoria X con
probabilidad 1. En cualquier otro caso, no se dará la igualdad ya que
2
n
⎛ n ⎞
E ( X ) = ∑ X i2 Pr ( X i ) ≠ ( E ( X ) ) = ⎜ ∑ X i Pr ( X i ) ⎟ .
2 2

i =1 ⎝ i =1 ⎠

2.14. Suponga que ε1 y ε 2 son variables aleatorias independientes, cada una con
media 0 y varianza σ 2 . Suponga que observa a X 1 y X 2 , los cuales se relacionan
con ε1 y ε 2 como sigue:
X 1 = ε1 , X 2 = ρε1 + (1 − ρ )ε
2
2

donde ρ es una constante, −1 ≤ ρ ≤ 1.

a) ¿Cuál es la covarianza entre X 1 y X 2 ? ¿Cuál sería la correlación?

b) ¿Cuál es la media del promedio X =

( X1 + X 2 )
de X 1 y X 2 ?
2
c) ¿Cuál es la varianza del promedio X ? Evalúe la varianza de
1 1 1 1
ρ = −1, − , − , 0, , ,1. ¿Qué concluye acerca de la precisión de los promedios
2 4 4 2
muestrales cuando los datos subyacentes no son variables aleatorias independientes?

Solución.
a)

Para calcular la covarianza entre X 1 y X 2 necesitamos primero calcular las esperanzas de

estas nuevas variables.

Lo haremos a continuación. Primero, calcularemos la

E ( X 1 ) = E ( ε1 ) = 0.
Luego, calculamos
E ( X 2 ) = E ⎡ ρε1 +
⎢⎣ (1 − ρ )ε2
2
⎤ = E ( ρε ) + E
⎥⎦ 1 ( (1 − ρ )ε
2
2 )
= ρ E ( ε1 ) + (1 − ρ ) E (ε ) = 0 + 0 = 0.
2
2

Por lo tanto, la covarianza entre estas dos variables está dada por
Cov ( X 1 , X 2 ) = E ⎡⎣ X 1 − E ( X 1 ) ⎤⎦ ⎡⎣ X 2 − E ( X 2 ) ⎤⎦ = E ( X 1 X 2 ) =

((
= E ε1 ρε1 + (1 − ρ )ε 2
2 )) = E ( ρε ) + E (
2
1 (1 − ρ )ε ε
2
1 2 )=
= ρ E ( ε12 ) + (1 − ρ )E (ε ε ) = ρσ
2
1 2
2
+ (1 − ρ ) 0 = ρσ
2 2
.
El coeficiente de correlación lineal entre las variables X 1 y X 2 está dado por

13
 Cov ( X 1 , X 2 ) ρσ 2 ρ
ρX ,X = = = .
Var ( X 1 ) Var ( X 2 )
(ρ + (1 − ρ ) ) (ρ + (1 − ρ ) )
1 2

σσ 2 2

Var ( X 1 ) = σ 2 .

Var ( X 2 ) = ρσ 2 + (1 − ρ )σ
2 2
=σ2 ρ + ( (1 − ρ ) )
2

X1 + X 2
b) ¿Cuál es la media del promedio X = ?
2
⎛ X + X2 ⎞ 1
( )
E X = E⎜ 1
⎝ 2
⎟ = ⎡⎣ E ( X 1 ) + E ( X 2 ) ⎤⎦ = 0.
⎠ 2
d) ¿Cuál es la varianza del promedio X ?

⎛ X + X2 ⎞ 1
( )
Var X = Var ⎜ 1
⎝ 2
⎟ = ⎡⎣Var ( X 1 ) + Var ( X 2 ) + 2Cov ( X 1 , X 2 ) ⎤⎦ =
⎠ 4

4⎣⎢ ( ⎥ )
= ⎡σ 2 + σ 2 ρ + (1 − ρ 2 ) + 2 ρσ 2 ⎤ = σ 2 ⎡1 + ρ + (1 − ρ 2 ) + 2 ρ ⎤ .
1 1
⎦ 4 ⎢⎣ ( ⎥⎦ )
Por consiguiente, puede verse que la varianza del promedio X varía con la relación lineal
que existe entre las variables aleatorias X 1 y X 2 . De ahí que queremos que los datos
muestrales sean independientes entre sí. Aquí X 1 no es independiente de X 2 .

2.15.
a)
7
Series: P
6 Sample 1988 1997
Observations 10
5
Mean 3.619764
4 Median 3.488849
Maximum 4.310262
Minimum 3.403195
3
Std. Dev. 0.293981
Skewness 1.496360
2
Kurtosis 4.033846
1 Jarque-Bera 4.177171
Probability 0.123862
0
3.25 3.50 3.75 4.00 4.25 4.50

b) Fácil, para practicar, posible tema de exámen.

2.16.

14
 10
Series: RPP_RENT_NO
Sample 1 32
8 Observations 32

Mean 138.1694
6 Median 140.0000
Maximum 285.0000
Minimum 50.75000
4 Std. Dev. 47.11476
Skewness 1.017093
Kurtosis 4.787223
2
Jarque-Bera 9.776104
Probability 0.007536
0
50 100 150 200 250 300

El estadístico Jarque-Bera aquí calculado es 9.776104 y sigue una distribución teórica chi
cuadrado con dos grados de libertad. El valor crítico al 5%, con dos grados de libertad, es
5.991, por consiguiente 9.77 se encuentra en la zona de rechazo de la nula que en este caso
es de normalidad. Por lo tanto, los datos muestrales son inconsistentes con una distribución
normal de esta variable. Los demás estadísticos están contenidos en la salida de EViews.

15