Está en la página 1de 13

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS ECONOMICAS


Curso: Econometría I
Profesora: Mg. Beatriz Castañeda S.

Solucionario - Práctica 1

1. Para los siguientes modelos, interpretar el coeficiente 


a) yi =  +  xi + i,
donde Y: Gastos en bienes importados, X:Ingreso personal disponible.

β mide el cambio absoluto en los gastos en bienes importados ocasionados


por un cambio absoluto en el ingreso personal disponible. Hay una relación
directa entre los gastos de bienes importados y el ingreso disponible
𝑐𝑎𝑚𝑏𝑖𝑜 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜 𝑒𝑛 𝑌 𝜕𝑦𝑖
β = =
𝑐𝑎𝑚𝑏𝑖𝑜 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜 𝑒𝑛 𝑋 𝜕𝑥𝑖

Grupo 4: Alvarez Torres Fabiola , Calderón Campusano, Rosa; Guzmán


Anaya, Renzo , Saavedra Tapia, Pierina; Sercado Vilcapoma, Karen.

b) lnyi =  +  xi + i, donde Y: PBI ; X: Tiempo (años)

Diferenciando parcialmente la ecuación:

𝜕 ln 𝑌𝑖
=𝛽
𝜕𝑋𝑖
𝜕𝑌𝑖 Δ𝑌𝑖
𝑌𝑖 𝑌𝑖
⟹ =𝛽 ≅ =𝛽 (1. 𝑏. 1)
𝜕𝑋𝑖 Δ𝑋𝑖

Entonces, β mide el cambio relativo o proporcional en el PBI ante un cambio


absoluto en el tiempo.
Además, si multiplicamos por 100 a (1. 𝑏. 1):

Δ𝑌𝑖
𝑌𝑖 × 100
= 𝛽 × 100
Δ𝑋𝑖

Δ%𝑌𝑖
= 𝛽 × 100
Δ𝑋𝑖

Lo que nos dice que 𝛽 × 100 representa el cambio porcentual o la tasa de


crecimiento instantánea en el PBI a causa de una variación unitaria absoluta en
el tiempo. Este término también se le conoce como semielasticidad del PBI
respecto tiempo. Durante el periodo analizado el PBI se incrementa a una tasa
de 100β%.
Grupo 2: Enríquez Puma, Gustavo; Ferreyra Espinoza, Germán; Tafur Arévalo,
Ciro; Huanchi Gutiérrez, Olivia; Alcántara Rufasto, Henry.
c) yi =  +  lnxi + i, donde Y: PNB ; X: Oferta monetaria

𝜕𝑦 cambio absoluto en Y
⟹ 𝜕𝑙𝑛𝑥 =  = cambio relativo en X

: Representa el cambio absoluto en el PNB cuando hay un cambio relativo


en el valor de la Oferta Monetaria. Si este cambio relativo se multiplica por
100, el coeficiente estimado quedaría dividido por 100 y se podría interpretar
como el cambio absoluto producido en el PNB ante un cambio porcentual en
la Oferta Monetaria.

Grupo1: Maribel Violeta Balboa Rojas

Grupo 3: Aley Aparcana Kevin Erick ; Leiva Santillán Gianfranco Omar;


Medina Valenzuela Alejandro.

2. Sea el siguiente modelo que relaciona el gasto en educación (E t) con la


renta disponible (Rt)
𝐸𝑖 = 𝛽1 + 𝛽2 𝑅𝑖 + 𝜀𝑖
De la información de una muestra de 10 familias se han obtenido los
siguientes resultados:
10 10 10

𝐸̅ = 7 𝑅̅ = 50 ∑ 𝑅𝑖2 = 30,650 ∑ 𝐸𝑖2 = 622 ∑ 𝑅𝑖 𝐸𝑖 = 4,345


𝑖=1 𝑖=1 𝑖=1
Se pide:
a) Obtenga una estimación de β1 y β2.
Por el método de mínimos cuadrados: Obteniendo las ecuaciones
normales:

∑Et = nβ1 + β2 ∑R i
b)
∑Et R i = β1 ∑R i + β2 ∑R2i
c)
Reemplazando los valores en las anteriores ecuaciones:
(× 50) … 70 = 10β1 + 500β2

4345 = 500β1 + 30650β2


3500 = 500β1 + 25000β2

d)
845 = 5650β2
Resolviendo el sistema de ecuaciones obtenemos los valores de:

β2 = 0.1496
β1 = −0.4779
e)
Et = −0.4779 + 0.1496R i + εi

Grupo 5: Arévalo Rufasto Isabel Milagros; Aquino Orihuela, Liliana Paola; Huaira
Pérez, Jazmín Kennia; Limaco Ochoa, George Mijael; Pérez lavado, Jardith
Quelina.

b) Estime la elasticidad en educación-renta para el promedio de las familias


en la muestra.

Grupo 6: Caballero Huayhua Leslie

c) Descomponga la varianza total del gasto en educación de la muestra en


varianza explicada y varianza residual.

Se sabe que :
𝐸𝑖 = 𝐸̂𝑖 + 𝑒
V ( Ei )  V ( Eˆi )  V (e)

(𝐸𝑖 − 𝐸̅ ) = (𝐸𝑖 − 𝐸̂𝑖 ) + (𝐸̂𝑖 − 𝐸̅ )

10 10 10
2 2
∑(𝐸𝑖 − 𝐸 ̅ )2 = ∑(𝐸𝑖 − 𝐸̂𝑖 ) + ∑(𝐸̂𝑖 − 𝐸̅ )
𝑖=1 𝑖=1 𝑖=1

𝑺𝑻𝑪 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹

Hallamos la varianza residual SCE:


10 10
2
∑(𝐸𝑖 − 𝐸̂𝑖 ) = ∑ 𝑒𝑖 2 = 𝑒 ′ 𝑒 = 𝑆𝐶𝐸
𝑖=1 𝑖=1
̂ 𝑅′𝐸
𝑒 ′ 𝑒 = 𝐸 ′ 𝐸 − 𝛽′

𝐸1
′ … 𝐸10 ]1×10
𝑒 𝑒 = [𝐸1 [ ⋮ ]
𝐸10 10×1
𝐸1
1 … 1
− [𝛽̂1 𝛽̂2 ]1×2 [𝑅 ] [ ⋮ ]
1 … 𝑅10 2×10
𝐸10 10×1
10

10 ∑ 𝐸𝑖
𝑒 ′ 𝑒 = ∑ 𝐸𝑖 2 − [𝛽̂1 𝛽̂2 ]1×2
𝑖=1
10
𝑖=1
∑ 𝐸𝑖 𝑅𝑖
[ 𝑖=1 ]2×1
−54 169 70
𝑒 ′ 𝑒 = 622 − [ ][ ]
113 1130 4345
139301
𝑒 ′ 𝑒 = 622 − [ ]
226
1271
𝑒 ′𝑒 =
226
𝑒 ′ 𝑒 = 5.623893805
𝑺𝑪𝑬= 𝟓. 𝟔𝟐𝟑𝟖𝟗𝟑𝟖𝟎𝟓
Hallamos la varianza total SCT:
10 10

∑(𝐸𝑖 − 𝐸 ̅ )2 = ∑ 𝐸𝑖 2 − 𝑛𝐸̅ 2
𝑖=1 𝑖=1
𝑆𝐶𝑇 = 622 − 10(7)2
𝑺𝑪𝑻 = 𝟏𝟑𝟐
Hallamos la varianza explicada SCR:
𝑆𝐶𝑇 = 𝑆𝐶𝑅 + 𝑆𝐶𝐸
𝑆𝐶𝑅 = 𝑆𝐶𝑇 − 𝑆𝐶𝐸
𝑆𝐶𝑅 = 132 − 5.623893805
𝑺𝑪𝑹 = 𝟏𝟐𝟔. 𝟑𝟕𝟔𝟏𝟎𝟔𝟐

Grupo8: Alarcón Alvarez, Dévora Mabel; Cañari Maza, Edith Lucía; Espinoza Vega,
Whinny Daise; Paúcar Ramírez, Ibeth del Rosario; Pichihua Tenorio, Flor María

d) Calcule el coeficiente de determinación.

𝑆𝑅𝐶
𝑅2 = 1 −
𝑆𝑇𝐶

5.6238938
𝑅2 = 1 −
132

∴ 𝑅 2 = 0.9573948
Grupo 7: Nuñez Díaz, Irving Adolfo; Panduro Chávez, Raúl Mesias; Álvarez Tovar,
Christian Manuel; Coello Martínez, Adrián Manuel; Cámac Yaya, Manuel Jesús
(delegado
e) Estime la varianza de las perturbaciones.

𝐸 ′ 𝐸 − 𝛽̂ ′ (𝑅′ 𝐸)
𝑉(𝜀𝑖 ) = 𝜎̂𝜀2 = 𝑆𝑒2 =
𝑛−𝑘

𝑑𝑜𝑛𝑑𝑒: 𝑛 = 10 𝑦 𝑘 = 2
10

𝐸 𝐸 = ∑ 𝐸𝑖2 = 622

𝑖=1

10

∑ 𝐸𝑖
𝑖=1 70
𝑅′𝐸 = 10 = [ ]
4,345
∑ 𝑅𝑖 𝐸𝑖
[ 𝑖=1 ]

𝛽̂ ′ = [𝛽
̂1 ̂2 ] = [−0.4778 0.1495]
𝛽

70
𝛽̂ ′ (𝑅′ 𝐸) = [−0.4778 0.1495] [ ] = [616.1315]
4,345

622 − 616.1315
𝑆𝑒2 = = 0.7335
10 − 2

Grupo 11: Ccaccya BautistaDiana; Chian Nuñez Arturo Benjamin; Moreno


GómezLizeth; Zambrano ChavezSheyla Solange.

f) Contraste si la renta disponible tiene o no una influencia significativa


sobre el gasto en educación.

Tendríamos que probar si la afirmación es correcta.


Dado que ˆ 2 refleja el impacto de la venta disponible en el gasto en
Educación, si no tuviera influencia sería ˆ 2 = 0, entonces
probamos esta hipótesis.

Ho : 2 = 0
H1 : 0  0

Tenemos una prueba de hipótesis bilateral dado que necesitamos


saber si influye.
La venta disponible al gasto en educación ya sea esta influencia
negativa o positiva.
El gasto de significancia que escojamos será 5%
Entonces tenemos
tn-2 = t8 = 2,306
ahora hallando el t estimado.

ˆ2   2 ˆ2  0 0,1496 0,1496


    13,41
t = ˆ ˆ 0,8385 0,01115
ˆ 2
10 5,650
 ( R  R)
i L
i
2

 como /t/ > /t8/2/; es decir, como /13,41/ > /2,306/ se rechaza la
hipótesis nula.

0,0255 0,025

-2,306 0 2,306 13,41

Grupo 11: Colqui Segama, Sally Jasmin; Beraun Tapia, Jose Carlos; Herbas Pariona,
Percy; Perez Condor, Enrique.

g) Para E = 7 y R = 50, contraste si la elasticidad gasto en educación-renta


disponible es o no superior a 1.

*Recordemos cómo se halla la elasticidad:

𝑅 50
𝜀𝐸⁄ = 𝛽2 𝑥 = 𝛽2 𝑥
𝑅 𝐸 7
*Si: 𝜀𝐸⁄ = 1
𝑅
𝛽2 𝑥50
1 =
7
𝛽2 = 0.14

Es decir si queremos contrastar lo hacemos con respecto a 𝛽2 .

 Veamos la hipótesis nula y la hipótesis alternativa:

*H0: 𝜷𝟐 = 𝟎. 𝟏𝟒
*H1: 𝜷𝟐 > 𝟎. 𝟏𝟒

El estadístico para el contraste es el siguiente:

β̂2 − β 20 0.1496−0.14
t= ̂ ̂β 2
= = 0.8610
𝜎 0.01115
 Regla de decisión:

*Aplicamos un nivel de significación del 5 % como en el anterior ejercicio


y contrastamos.

n = tamaño de la muestra→ 10
𝛼
* Aplicamos en la tabla T de Student. 𝑡𝑛−2 = 𝑡80.05 = 1.860
 Gráfica de decisión:

 Conclusión: No se puede aceptar la hipótesis alternativa, ya que 0.86


cae en la región de aceptación y la hipótesis nula es la que se acepta,
con un nivel de significación del 5%, podemos decir que la elasticidad
gastos en educación-renta disponible es igual a 1 en el punto (E=50; R=7)
y no que es mayor a 1 (como dice la hipótesis alternativa).

Grupo13: Delgado Aragon, Rodrigo; Ibañez Campos, Marcia; Nolasco


Saldarriaga, Karen Danitza; Pampas Ogosi, Liliana Elizabeth.

1. Se estima una ecuación de regresión lineal entre el tiempo de duración de


un proceso y una variable de control X1, con una muestra de 21 datos
obteniendo la ecuación:
yˆ  2  X1; Se2  1; S 2y  5
a) Calcular el R2

Haciendo memoria de las formulas conocidas y remplazando los datos:


n n

 ei2  (Y  Y )
i
2

Se 2  i 1
y Sy 2  i 1
entonces:
nk n 1

n n n

 ei2 n  (Yi  Y )2  (Y  Y )
i
2
n
1 i 1
  ei2  19 y Sy 2  i 1
5 i 1
  (Yi  Y )2  100
19 i 1 n 1 20 i 1

Remplazamos en la sgte. Formula:


n

SCE e 2
i
19
R2  1   1 n
i 1
 1  0.81
 (Y  Y )
SCT 2 100
i
i 1
Grupo 15: Carlos Javier Encalada Encalada; Cesar Daniel TavaraAquije

b) Analice la significancia del modelo

1. Planteamiento de la hipótesis

𝐻0 = El modelo no es significativo
𝐻1 = El modelo sí es significativo

2. Prueba F

(𝑛 − 𝑘) ∙ 𝑅 2
𝐹=
(𝑘 − 1)(1 − 𝑅 2 )

(21 − 2) ∙ 0.81
𝐹=
(2 − 1)(1 − 0.81)

𝐹 = 81

3. Hallando el valor de F

𝐹(𝑘,𝑛−𝑘)1−𝛼

𝐹(2,19) 0.95 = 3.52

Como el F calculado se encuentra en la región de rechazo, se rechaza 𝑯𝟎 a


favor de 𝑯𝟏 de este modo concluimos que el modelo si es significativo .

Grupo 17: Felix Escalante, YdaniaRosemery; García Cusis, Natalia; Mendoza Caballero,
Víctor Manuel; Pacara Yupanqui, María del Rosario; Reyes Quispe, Manuel Alberto.

c) Para mejorar el modelo se incluyeron dos variables X2 y X3,


obteniéndose la ecuación de regresión múltiple.

yˆ  2  1.05 X 1  0.3 X 2  0.1 X 3 ; S e2  0.5; S y2  5


( S ˆ  0.1) ; ( S ˆ  0.54) ; ( S ˆ  0.2)
2 3 4

Calcular el R2 y el R2 ajustado y justificar si este modelo es mejor o no


que el anterior. Son significativas las variables adicionadas.
Calculemos nuevamente el R2: Consideremos los datos ahora n=21 y k=4

∑ 𝑒𝑖2 ∑ 𝑒𝑖2
𝑆𝑒2 = 0.5 ˄ 𝑆𝑒2 = 𝜎̂𝜀2 = → 0.5 = ∴ ∑ 𝑒𝑖2 = 8.5
𝑛−𝑘 21 − 4
Ahora hallamos el valor necesario:

∑(𝑦𝑖 − 𝑦̅)2
𝑆𝑦2 = → 𝐶𝑜𝑚𝑜: 𝑆𝑦2 = 5 → ∑(𝑦𝑖 − 𝑦̅)2 = 5 ∗ (21 − 1) ∴ ∑(𝑦𝑖 − 𝑦̅)2 = 100
𝑛−1

Ahora es fácil conocer que R2 es:

𝑆𝐶𝑅 ∑ 𝑒2𝑖 8.5


𝑅2 = = = 1− ∴ 𝑅2 = 0.915
𝑆𝐶𝑇 ∑(𝑦𝑖 − 𝑦̅)2 100

Ahora encontraremos el valor del R2 ajustado determinado por:

𝑛−1 21 − 1
𝑅̅ 2 = 1 − ( ) (1 − 𝑅2 ) → 1 − ( ) (1 − 0.915) ∴ 𝑅̅2 = 0.9
𝑛−𝑘 21 − 4

Con este resultado es sencillo observar que al ser nuestro indicador ajustado mayor que
el indicador anterior este nuevo modelo, con nuevas variables agregadas, es mejor que
el anterior.

Ahora nos compete conocer si estas variables agregadas son significativas o no. Para
esto tomaremos nuevamente las pruebas de hipótesis pero esta vez para las variables
agregadas y consideraremos la distribución t.

Para cada uno:

 H0: β2 = 0 Que nuestra variable endógena i no afecte de ninguna


manera a nuestra variable exógena.

 H1: β2 ≠ 0 Que nuestra variable endógena i si afecte en alguna manera a


nuestra variable exógena.

Para cada uno tendremos los siguientes resultados: Evaluando solo para las dos nuevas
variables adicionadas (X2 y X3)

𝛽̂𝑖
𝑇=
𝑆𝛽̂𝑖

𝛽̂3 0.3 𝛽̂4 0.1


𝑇3 = = = 0.55 𝑇4 = = = 0.5
𝑆𝛽̂3 0.54 𝑆𝛽̂4 0.54

De esta manera el valor de nuestra distribución t con (n-k) grados de libertad en nuestra
tabla será t(21-4) = t(17) = 2.110. Esto nos demostrará entonces que nuestros valores se
encontrarán dentro de la zona de aceptación lo que concluye que nuestras variables
adicionadas no son significativas.
2. Suponga que usted es la máxima autoridad monetaria de su país, en donde
se tiene las siguientes observaciones históricas expresadas en miles de
millones de unidades monetarias.

Año Cantidad de dinero Renta Nacional


1983 6.5 16.50
1984 5.5 16.75
1985 7.9 17.00
1986 8.7 17.50
1987 8.1 17.60
1988 9.5 17.85
1989 9.9 18.20
1990 10.7 18.50
1991 11.1 18.85
1992 11.5 19.00

a) Estimar la regresión lineal de la renta nacional con respecto a la


cantidad de dinero. Proporcionar el R² y Se2.

A)

 𝑅𝑁 = 14.00426 + 0.421783𝑀

 𝑅 2 = 0.927125

 𝑆𝑒 2 = 0.2479912 = 0.061499

Grupo22: Joseph Requena Bada; Luis Gutierrez Huayhua

b) Interprete los resultados obtenidos en a) y analice la significancia del


modelo estimado.
𝑌̂ = 14.0042633 + 0.4217826285𝑋 ⋯ (1)
𝑟 2 = 0.9271252298 ⋯ (2)
𝑆𝑒2 = 0.0614995 ⋯ (3)
De (1): Ante un aumento de 1 u.m (en miles de millones) en la cantidad de
dinero que circula en la economía, la renta nacional aumentará en 0.4218 u.m
(en miles de millones). Aproximadamente 14 mil millones de u.m de la renta
nacional no dependen de la cantidad de dinero que circula en la economía.

De (2): El 92.71% de las variaciones en la renta nacional es explicado por las


variaciones en la cantidad de dinero.
De (3): La varianza del termino de error (e) es mide la fluctuación de la variable
renta nacional que el modelo no es capaz de explicar.

Analizando la significancia del modelo estimado:

𝐻0 : 𝛽2 = 0

𝐻1 : 𝛽1 ≠ 0

Usando la distribución F con α = 0.05, de donde 1- α = 0.95, k-1=1 y n-k=10-


2=8

𝐹(0.95,1,8) = 5.32 Valor en tabla

Usando el estadístico F para la prueba de significancia:

𝑅2
𝑘−1
𝐹= 1−𝑅2
𝑛−𝑘

0.9271252298
1
𝐹= 1−0.9271252298
8

𝐹 = 101.7773152

El valor hallado es mucho mayor al valor en tabla por lo que la hipótesis nula se
rechaza; es decir, el modelo es significativo.

Grupo26: Justo Cornejo Juan Pablo; Morales Ortiz Renzo; Morillo Torres
Milagros, Vera Pérez Carlos Alberto
c) Si usted controla la oferta de dinero y desea conseguir que la renta
nacional en 1993 sea de 20,000 millones de unidades monetarias, a qué
nivel fijaría la cantidad de dinero? Construya un intervalo de predicción
de la renta en tales condiciones con una confianza del 95%

*En mi modelo:

𝑹𝒆𝒏𝒕𝒂 = 𝜷𝟏 + 𝜷𝟐 (𝑪𝒂𝒏𝒕𝒊𝒅𝒂𝒅 𝒅𝒆 𝒅𝒊𝒏𝒆𝒓𝒐)

Sabiendo que:
Renta = Y
Cantidad de dinero = X
Renta = Ŷ= 20

𝒀 = 𝜷𝟏 + 𝜷𝟐 𝑿
*Reemplazando los datos:

𝟐𝟎 = 𝟏𝟒. 𝟎𝟎𝟒𝟐𝟔𝟑𝟑 + 𝟎. 𝟒𝟐𝟏𝟕𝟖𝟐𝟔𝟑𝑿

𝑿 = 𝟏𝟒. 𝟐𝟏𝟓𝟐𝟐𝟗𝟎𝟔

*Respuesta: La cantidad de dinero que se fijaría para obtener el nivel de Renta


Nacional deseado para 1993 seria aproximadamente de 14.26 (en miles de
millones).

*Ahora construimos un intervalo de predicción para la Renta:

̂ ± 𝒕 𝜶 √𝑿𝑽
𝑳=𝒀 ̂ )𝑿
̀ (𝜷
𝟏−
𝟐

̂) :
*Hallando 𝑽(𝜷

∑𝟏𝟎
𝒊=𝟏 𝒆𝒊
𝟐
̂ ) = 𝑺𝟐𝒆 (𝐗̀ 𝐗)−𝟏 =
𝑽(𝜷 (𝐗̀ 𝐗)−𝟏
𝒏−𝒌
𝟎. 𝟒𝟗𝟏𝟗𝟗𝟓𝟕𝟗 𝟐. 𝟑𝟕𝟏𝟓𝟖𝟗𝟑𝟔 −𝟎. 𝟐𝟓𝟒𝟎𝟗𝟐𝟕𝟕
̂) =
𝑽(𝜷 [ ]
𝟖 −𝟎. 𝟐𝟓𝟒𝟎𝟗𝟐𝟕𝟕 𝟎. 𝟎𝟐𝟖𝟒𝟐𝟐𝟎𝟏

̂ ) = [ 𝟎. 𝟏𝟒𝟓𝟖𝟓𝟏𝟓
𝑽(𝜷
−𝟎. 𝟎𝟏𝟓𝟔𝟐𝟔𝟓𝟕𝟐
]
−𝟎. 𝟎𝟏𝟓𝟔𝟐𝟔𝟓𝟕 𝟎. 𝟎𝟎𝟏𝟕𝟒𝟕𝟗𝟑𝟗

*Hallando 𝑺𝟐(𝒚̂𝒊) :
̂ )𝑿
𝑺𝟐(𝒚̂𝒊) = 𝐗̀ 𝑽(𝜷
*Reemplazando los datos:

𝟎. 𝟏𝟒𝟓𝟖𝟓𝟏𝟓 −𝟎. 𝟎𝟏𝟓𝟔𝟐𝟔𝟓𝟕𝟐 𝟏


𝑺𝟐(𝒚̂𝒊 ) = [𝟏 𝟏𝟒. 𝟐𝟏𝟓𝟐𝟐𝟗𝟎𝟔] [ ][ ]
−𝟎. 𝟎𝟏𝟓𝟔𝟐𝟔𝟓𝟕 𝟎. 𝟎𝟎𝟏𝟕𝟒𝟕𝟗𝟑𝟗 𝟏𝟒. 𝟐𝟏𝟓𝟐𝟐𝟗𝟎𝟔

𝟎. 𝟏𝟒𝟓𝟖𝟓𝟏𝟓 −𝟎. 𝟎𝟏𝟓𝟔𝟐𝟔𝟓𝟕𝟐 𝟏


𝑺(𝒚̂ ) = √[𝟏 𝟏𝟒. 𝟐𝟏𝟓𝟐𝟐𝟗𝟎𝟔] [ ][ ]
𝒊 −𝟎. 𝟎𝟏𝟓𝟔𝟐𝟔𝟓𝟕 𝟎. 𝟎𝟎𝟏𝟕𝟒𝟕𝟗𝟑𝟗 𝟏𝟒. 𝟐𝟏𝟓𝟐𝟐𝟗𝟎𝟔

𝑺(𝒚̂ ) = √𝟎. 𝟎𝟓𝟒𝟕𝟗𝟏𝟕𝟏𝟒


𝒊

𝑺(𝒚̂ ) = 𝟎. 𝟐𝟑𝟒𝟎𝟕𝟔𝟏𝟕𝟔
𝒊

*Calculando 𝑻(𝟏−∝ ,𝒏−𝒌)


𝟐

𝑻(𝟎.𝟗𝟕𝟓𝟏𝟕 ;𝟖) = 𝟐. 𝟑𝟎𝟔


*Calculando los límites:

̂ ± 𝒕 ∝ 𝑺(𝒚̂ )
𝐋=𝐘 𝟏− 𝒊
𝟐

*Límite inferior

̂ − 𝒕 ∝ 𝑺(𝒚̂ )
𝐋𝐢 = 𝐘 𝟏− 𝒊
𝟐

𝐋𝐢 = 𝟐𝟎 − (𝟐. 𝟑𝟎𝟔)( 𝟎. 𝟐𝟑𝟒𝟎𝟕𝟔𝟏𝟕𝟔)

𝐋𝐢 = 𝟏𝟗. 𝟒𝟔𝟎𝟐𝟐𝟎𝟑

*Límite superior

̂ + 𝒕 ∝ 𝑺(𝒚̂ )
𝐋𝐬 = 𝐘 𝟏− 𝒊
𝟐

𝐋𝐬 = 𝟐𝟎 + (𝟐. 𝟑𝟎𝟔)( 𝟎. 𝟐𝟑𝟒𝟎𝟕𝟔𝟏𝟕𝟔)

𝐋𝐬 = 𝟐𝟎. 𝟓𝟑𝟗𝟕𝟕𝟗𝟕

*Respuesta: Por lo tanto los límites de predicción para la Renta Nacional a un


nivel de confianza del 95% se encuentran en el intervalo
[𝟏𝟗. 𝟒𝟔𝟎𝟐𝟐𝟎𝟎𝟓 , 𝟐𝟎. 𝟓𝟑𝟗𝟕𝟕𝟗𝟗𝟓].

Grupo 29: Delgado Aragon, Rodrigo ; Ibañez Campos, Marcia; Nolasco Saldarriaga,
Karen Danitza; Pampas Ogosi, Liliana Elizabeth; Querhuayo Huamaní, Jessica