PREGUNTAS PARTE 1

1.1 Datos transversales, de series temporales y de panel

• Los datos transversales consisten en múltiples entidades observadas en un solo

período de tiempo.
• Los datos de series de tiempo consisten en una sola entidad observada en
múltiples períodos de tiempo.
• Los datos del panel (también conocidos como datos longitudinales) constan de
varias entidades, donde cada entidad se observa en dos o más períodos de
tiempo.
2.1 Valor esperado y media
Suponga que la variable aleatoria 𝑦 toma k valores posibles 𝑦1,… 𝑦𝑘 , donde 𝑦1 denota
el primer valor, 𝑦2 denota el segundo valor, y así sucesivamente, y que la
probabilidad de que 𝑦 adopte 𝑦1 es 𝑃1 la probabilidad de que 𝑦 adopte 𝑦2 es p2𝑃2 y
así sucesivamente.
El valor esperado de 𝑦, denotado 𝜀(𝑦), es

𝜀(𝑦) = 𝑦1 𝑝1 + 𝑦2 𝑝2 + ⋯ + 𝑦𝑘 𝑝𝑘 = ∑ 𝑦𝑖 𝑝𝑖
𝑖=1

Donde la notación ∑𝑘𝑖=1 𝑦𝑖 𝑝𝑖̇ significa "la suma de 𝑦𝑖 𝑝𝑖 para i que va de 1 a k".
El valor esperado de Y también se denomina media de 𝑦 o la expectativa de 𝑦 y se
denota 𝜇𝑦 .

2.2 Varianza y desviación estándar

La varianza de la variable aleatoria discreta 𝑦 , denotada 𝜎𝑦2 , es

2 𝑘 2
𝜎𝑦2 = 𝑉𝑎𝑟(𝑦) = 𝜀 [(𝑦 − 𝑢𝑦 ) ] = ∑ (𝑦𝑖 − 𝜇𝑦 ) 𝑝𝑖 (2.5)
𝑖=1

La desviación estándar de 𝑦 es 𝜎𝑦 , la raíz cuadrada de la varianza.

Las unidades de la desviación estándar son las mismas que las unidades de 𝑦 .

2.3 Medias, variaciones y covarianzas de sumas de variables aleatorias

Sean X, Y y V variables aleatorias, sean 𝑢𝑥 y 𝜎𝑥2 la media y la varianza de

X, sea 𝜎𝑥𝑦 la covarianza entre X e Y (y así sucesivamente para las otras variables),
y sean a, b y c constantes. Las ecuaciones (2.29) a (2.35) se derivan de las
definiciones de media, varianza y covarianza:

𝜀(𝑎 + 𝑏𝑥 + 𝑐𝑦) = 𝑎 + 𝑏𝑢𝑥 + 𝑐𝑢𝑦 (2.29)

𝑣𝑎𝑣(𝑎 + 𝑏) = 𝑏 2 𝜎𝑦2 (2.30)
𝑣𝑎𝑟(𝑎𝑥 + 𝑏𝑦) = 𝑎2 𝜎𝑥2 + 2𝑎𝑏𝜎𝑥𝑦 + 𝑏 2 𝜎𝑦2 (2.31)
𝜀(𝑦 2 ) = 𝜎𝑦2 + 𝑢𝑦2 (2.32)
cov(𝑎 + 𝑏𝑥 + 𝑐𝑣, 𝑦) = 𝑏𝜎𝑥𝑦 + 𝑐𝜎𝑣𝑦 (2.33)
 𝜀(𝑥𝑦) = 𝜎𝑥𝑦 + 𝑢𝑥 𝑢𝑦 (2.34)
|corr(𝑥, 𝑦)| ≤ 1 𝑎𝑛𝑑 |𝜎𝑥𝑦 | ≤ √𝜎𝑥2 𝜎𝑦𝑧 (2.35)

2.4 Cálculo de probabilidades que involucran variables aleatorias normales

Supongamos que Y está normalmente distribuida con media μ y varianza σ2; en
otras palabras, Y está distribuida como N (μ, σ2). Por tanto, Y se estandariza
restándole su media y dividiendo por su desviación típica, es decir, calculando
Z = (Y - μ)/ σ.

Sean c1 y c2 dos números con c1 < c2 y sea d1 = (c1 - μ)/ σ y

d2 = (c2 - μ)/ σ. Entonces:

Pr(Y ≤ 𝑐2 ) = Pr(Z ≤ 𝑑2 ) = Φ(𝑑2 ), (2.38)

𝑃𝑟(𝑌 ≥ 𝑐1 ) = 𝑃𝑟(𝑍 ≥ 𝑑1 ) = 1 − 𝛷(𝑑1 ), (2.39)
𝑃𝑟(𝑐1 ≤ 𝑌 ≤ 𝑐2 ) = 𝑃𝑟(𝑑1 ≤ 𝑍 ≤ 𝑑2 ) = 𝛷(𝑑2 ) − 𝛷(𝑑1 ). (2.40)

La función de distribución normal acumulada Φ está tabulada en la Tabla 1 del

Apéndice.

2.5 Muestreo aleatorio simple e i.i.d. Variables aleatorias

En una muestra aleatoria simple, se extraen 𝑛 objetos al azar de una población y es

igualmente probable que se extraiga cada objeto. El valor de la variable aleatoria 𝑦
para el i-ésimo objeto dibujado al azar se denota 𝑦𝑖 Debido a que cada objeto tiene
la misma probabilidad de ser dibujado y la distribución de 𝑦𝑖 es la misma para todo
i, las variables aleatorias 𝑦1,… 𝑦𝑛 se distribuyen de forma independiente e idéntica
(i.i.d.); es decir, la distribución de Yi es la misma para todo i = 1,…, n y 𝑦1 se
distribuye independientemente de 𝑦2,… 𝑦𝑛 y así sucesivamente.

2.6 Convergencia en probabilidad, consistencia y ley de grandes números

La media muestral 𝑌̅ converge en probabilidad a μY (o de forma equivalente, 𝑌̅ es

consistente) si la probabilidad de que 𝑌̅ se encuentre en el rango (𝜇𝑌 − 𝑐) a (𝜇𝑌 +
𝑐) se hace arbitrariamente cercana a 1 cuando n aumenta para cualquier constante
𝑐 > 0. La convergencia en probabilidad de 𝑌̅a μY se expresa mediante 𝑌 ̅ 𝑝 𝜇𝑌.
La ley de los grandes números establece que si 𝑌𝑖, 𝑖 = 1, . . . , 𝑛 son independientes
e idénticamente distribuidas con 𝐸(𝑌𝑖 ) = 𝜇𝑌 y si los valores atípicos elevados
resultan improbables (técnicamente, si,
2
var(Y𝑖 ) = 𝜎𝑌 < ∞), entonces 𝑌 ̅ 𝑝 𝜇𝑌
PREGUNTAS PARTE 2
FIGURA 2.1 Distribución de probabilidad del número de computadoras Choques
La altura de cada barra es la probabilidad de que la computadora falle el indicado
número de veces. La altura de la primera barra es 0.8, entonces la probabilidad de 0
fallos informáticos es 80%. La altura del la segunda barra es 0,1, por lo que la
probabilidad de que una computadora se bloquee es del 10%, y así sucesivamente para
las otras barras.

FIGURA 2.1
Distribución de probabilidad del número de fallas
informáticas
0.9
0.8
0.7
PROBABILIDAD

0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4
NÚMERO DE FALLAS

Elaboración propia
FIGURA 2.2 Funciones de distribución acumulativa y densidad de probabilidad del
tiempo de desplazamiento

Probabilidad1.0

Pr (tiempo de traslado <20)=0.78

0.8

0.6

Pr (tiempo de traslado < 15)=0.20

0.4

0.2

0.0 10 15 20 25 30 35 40

Tiempo de viaje (minutos)

(a) Función de distribución acumulativa del tiempo de desplazamiento

Densidad pob. Pr (tiempo de traslado < 15)=0.20

0.15 Pr (tiempo de traslado < 20)=0.58

0.12

0.09

Pr (tiempo de traslado >20)=0.22

0.06

0.03

10 15 20 25 30 35 40

Tiempo de viaje (minutos)

(a) Función de densidad de probabilidad del tiempo de desplazamiento

La figura 2.2a muestra la distribución de probabilidad acumulada (o c.d.f.) de los tiempos de
desplazamiento. La probabilidad de que un El tiempo de viaje diario es menos de 15 minutos es
0.20 (o 20%), y la probabilidad de que sea menos de 20 minutos. es 0,78 (78%).

La figura 2.2b muestra la función de densidad de probabilidad (o p.d.f.) de los tiempos de

desplazamiento. Se dan las probabilidades por áreas bajo el p.d.f. La probabilidad de que un
tiempo de viaje sea de entre 15 y 20 minutos es de 0,58 (58%) y es dado por el área bajo la curva
entre 15 y 20 minutos.

FIGURA 2.6 Cálculo de la probabilidad de que 𝒀 ≤ 𝟐 si Y es 𝑵(𝟏, 𝟒)

𝐏𝐫(𝐘 ≤ 𝟐)

N (1,4) distribución

(a) N (1,4) 1.0 2.0

𝐏𝐫( 𝒁 ≤ 𝟎. 𝟓)
0.691 N (0,1) distribución

(b) N (0,1) 0.0 0,5

Para el cálculo de 𝑃𝑟(𝑌 ≤ 2), Y se estandariza, posteriormente se utilizan las tablas de

la distribución normal estándar. Y se estandariza restándole su media (𝜇 = 1) y
dividiendo por su desviación típica (𝜎 = 2). La probabilidad de que 𝑌 ≤ 2 se muestra
en la Figura 2.6a, y la probabilidad correspondiente tras estandarizar Y se muestra en
la Figura 2.6b. Como la variable aleatoria estandarizada (𝑌 − 1)/2, es una variable
𝑦−1 𝑦−1
aleatoria normal estándar (Z), Pr(Y ≤ 2) = 𝑝𝑣 ( 2 ≤ 2 ) = Pr(Z ≤ 0,5) De la Tabla
1 del Apéndice 𝑃𝑟(𝑍 ≤ 0,5) = 𝛷(0,5) = 0,691.
PREGUNTAS PARTE 3
2.4 Una clase de econometría tiene 80 estudiantes y el peso medio de los estudiantes
es 145 libras. Se selecciona una muestra aleatoria de 4 estudiantes de la clase, y se
calcula su peso medio. ¿El peso promedio de los estudiantes de la muestra será igual
a 145 lb? ¿Por qué o por qué no? Usa este ejemplo para explicar por qué el promedio
de la muestra, Ȳ, es una variable aleatoria.
SOLUCION
El peso promedio de los estudiantes en la muestra no será necesariamente igual a 145
lb, debido a la variación del muestreo. Diferentes grupos de 4 estudiantes pueden tener
diferentes promedios de muestra, por lo tanto, 𝑌̅ es una variable aleatoria.
2.5 Suponga que 𝑦1,… 𝑦𝑛 son i.i.d. Variables aleatorias con distribución 𝑁 (1, 4). Dibuje
la densidad de probabilidad de Ȳ cuando 𝑛 = 2. Repite esto para 𝑛 = 10 y 𝑛 = 100.
En palabras, describa cómo difieren las densidades. ¿Cuál es la relación entre tu
respuesta y la ley de los grandes números?
SOLUCION
Cuando 𝑛 = 2 ∶
2
𝐸(Ȳ) = 1, 𝜎 2 (Ȳ) = = 0.63
√10

Cuando 𝑛 = 100 ∶
2
𝐸(Ȳ) = 1, 𝜎 2 (Ȳ) = = 0.2
√100

Esencialmente la diferencia en las densidades es que es más ajustada alrededor de la

media 1 cuando n=100 ya que 𝜎 2 (Ȳ) es menor cuando aumenta. A medida que
𝑛 aumenta Ȳ se acerca a cero por lo que la densidad se colapsa alrededor de la media.
Otra forma de decir esto es que la distribución de Ȳ se vuelve más y más concentrada
alrededor 𝑢𝑦 va a 1.

PREGUNTAS PARTE 4
2.2 Utilice la distribución de probabilidad dada en la tabla 2.2 para calcular
(a) 𝐸 (𝑌) y𝐸(𝑋)

(b) 𝜎𝑥2 y 𝜎𝑌2

(c) 𝜎𝑥𝑦 y corr(𝑥, 𝑦).

Datos:
Tabla 2.2
Distribución conjunta de las condiciones meteorológicas y
los tiempos de desplazamiento

Lluvia (x=0) no lluvia(x=1) total

viaje largo (y=0) 0.15 0.07 0.22
viaje corto (y=1) 0.15 0.63 0.78
total 0.3 0.7 1
Solución (a)
Sabemos de la tabla 2.2
𝑃𝑟(𝑌 = 0) = 0.22
Pr(𝑌 = 1) = 0.78
Pr(𝑋 = 0) = 0.30
𝑃𝑟(𝑋 = 1) = 0.70.
Entonces:
𝝁𝒀 = 𝑬(𝒀) = 0 × 𝑃𝑟(𝑌 = 0) + 1 × 𝑃𝑟(𝑌 = 1) = 0 × 0.22 + 1 × 0.78 = 0.78
𝝁𝑿 = 𝑬(𝑿) = 0 × 𝑃𝑟(𝑋 = 0) + 1 × 𝑃𝑟(𝑋 = 1) = 0 × 0.30 + 1 × 0.70 = 0.70
Solución (b)
𝜎𝑥2 = 𝐸(𝑋 − 𝜇𝑋)2

𝜎𝑥2 = (0 − 0.70)2 × 𝑃𝑟(𝑋 = 0) + (1 − 0.70)2 × 𝑃𝑟(𝑋 = 1)

𝜎𝑥2 = (−0.70)2 × 0.3 + 0.32 × 0.7 = 0.21

𝜎𝑦2 = 𝐸(𝑌 − 𝜇𝑌)2

𝜎𝑦2 = (0 − 0.78)2 × 𝑃𝑟(𝑌 = 0) + (1 − 0.78)2 × 𝑃𝑟(𝑌 = 1)

𝜎𝑦2 = (−0.78)2 × 0.22 + 0.222 × 0.78 = 0.1716

Solución (c)
𝑦
𝜎𝑥 = 𝑐𝑜𝑣(𝑋, 𝑌) = 𝐸[(𝑋 − 𝜇𝑋)(𝑌 − 𝜇𝑌)]

= (0 − 0.7)(0 − 0.78) × Pr(𝑋 = 0, 𝑌 = 0)

+ (1 − 0.7)(1 − 0.78) × Pr(𝑋 = 1, 𝑌 = 1)
+ (1 − 0.7)(0 − 0.78) × 𝑃𝑟(𝑋 = 1, 𝑌 = 0)
+ (1 − 0.7)(0 − 0.78) × 𝑃𝑟(𝑋 = 0, 𝑌 = 1)
𝑦
𝜎𝑥 = 0.546 × 0.15 + 0.546 × 0.63 + 0.546 × 0.07 + 0.546 × 0.15 = 0.546

𝑉(𝑥) = 1.4 − 0.70 = 0.7

𝑉(𝑦) = 1.56 − 0.78 = 0.78
0.546
𝐶𝑜𝑟𝑟(𝑥, 𝑌) = = 0.7389
√0.78 + √0.70
2.3 Usando las variables aleatorias X e Y de la Tabla 2.2, considere dos nuevas
variables aleatorias 𝑊 = 4 + 8𝑋 y 𝑉 = 11 − 2𝑌. Calcule (a) 𝐸 (𝑊) y 𝐸 (𝑉); (b) 𝑗𝑤2 y
𝑗𝑣2 ; 𝑦 (𝑐) 𝐽𝑤𝑉 y corr(𝑤, 𝑣).
SOLUCION
a) E(W) y E(V)
- Dado: dos nuevas variables aleatorias:
𝑾 = 𝟒 + 𝟖𝑿
𝑽 = 𝟏𝟏 − 𝟐𝒀
𝐸(𝑊) = 𝐸(4 + 8𝑋)
𝐸(𝑊) = 4 + 8𝐸(𝑋)
𝐸(𝑋) = 0.70(𝐸𝑙 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑋 = 1)
𝐸(𝑊) = 4 + (8 × 0.70)
𝐸(𝑊) = 9.60

𝐸(𝑉) = 𝐸(11 − 2𝑋)

𝐸(𝑉) = 11 − 2𝐸(𝑋)
𝐸(𝑌) = 0.78(𝐸𝑙 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑌 = 1)
𝐸(𝑉) = 11 − (2 × 0.78)
𝐸(𝑉) = 9.44

b) 𝑱𝟐𝑾 y 𝑱𝟐𝑽 :
La respuesta usa la varianza de una función lineal de una variable aleatoria y la
varianza de un Bernoulli aleatorio.
Dado que la varianza es una suma de términos al cuadrado, cualquier valor del
multiplicador se elevará al cuadrado al ajustar la varianza. Además, la varianza
no se ve afectada con el valor de la suma o la resta, ya que son valores
constantes.
2
𝐽𝑊 = 82 𝜎𝑋2
2
𝐽𝑊 = 82 (0.70)(0.30)
2
𝐽𝑊 = 13.44

𝐽𝑉2 = 22 𝜎𝑌2

𝐽𝑉2 = 22 (0.78)(0.02)

𝐽𝑉2 = 0.0624
c) JWV y corr(W, V).

Lluvia (W=4) no lluvia(W=012) total

viaje largo (V=11) 0.15 0.07 0.22
viaje corto (V=9) 0.15 0.63 0.78
total 0.3 0.7 1
Elaboración propia
 Entonces:
𝜇𝑊 = 9.6
𝜇𝑉 = 9.44
𝑘
𝑙

𝜎𝑊𝑉 = ∑ ∑(𝑤𝑗 − 𝜇𝑊 )(𝑣𝑖 − 𝜇𝑉 )𝑃𝑟 (𝑊 = 𝑤𝑗 , 𝑉 = 𝑣𝑖 )

𝑗=1
𝑖=1

𝜎𝑊𝑉 = (4 − 9.6)(11 − 9.44) + (4 − 9.6)(9 − 9.44) + (12 − 9.6)(11 − 9.44) + (12 − 9.6)(9 − 9.44)
𝜎𝑊𝑉 =-3.584
𝜎𝑊𝑣 −3.584
𝑐𝑜𝑟𝑟(𝑊, 𝑉) = =
𝜎𝑊 𝜎𝑉 √13.44√0.0624

𝑐𝑜𝑟𝑟(𝑊, 𝑉) = −3.9136

2.9 𝑋 e 𝑌 son variables aleatorias discretas con la siguiente distribución conjunta:

Valor de y
Valor de x

2 4 6 8 10
3 0.04 0.09 0.03 0.12 0.01 0.29
6 0.1 0.06 0.15 0.03 0.02 0.36
9 0.13 0.11 0.04 0.06 0.01 0.35
0.27 0.26 0.22 0.21 0.04 1
Elaboración propia

Es decir, 𝑃𝑟(𝑋 = 3, 𝑌 = 2) = 0.04 y así sucesivamente.

a. Calcule la distribución de probabilidad, la media y la varianza de Y.

y P(Y) E(Y) E(Y2)

2 0.27 0.54 1.08
4 0.26 1.04 4.16
6 0.22 1.32 7.92
8 0.21 1.68 13.44
10 0.04 0.4 4 MEDIA 4.98
4.98 30.6 VARIANZA 5.7996

b. Calcule la distribución de probabilidad, la media y la varianza de Y dado 𝑋 = 6.

0.1 0.06 0.15 0.03 0.02

𝑴𝑬𝑫𝑰𝑨 = 2+ 4+ 6+ 8+ 10 = 4.94
0.36 0.36 0.36 0.36 0.36

0.1 2 0.06 2 0.15 2 0.03 2 0.02 2

𝑽𝑨𝑹𝑰𝑨𝑵𝒁𝑨 = 2 + 4 + 6 + 8 + 10 = 29.67
0.36 0.36 0.36 0.36 0.36
 c. Calcule la covarianza y la correlación entre 𝑋 e 𝑌.

𝑬(𝑿𝒀) = (3 × 2 × 0.04 + 3 × 4 × 0.09 + 3 × 6 × 0.3 + 3 × 8 × 0.12

+3 × 10 × 0.01
+6 × 2 × 0.1 + 6 × 4 × 0.06 + 6 × 6 × 0.15 + 6 × 8 × 0.03 + 6 × 10 × 0.02
+9 × 2 × 0.13 + 9 × 4 × 0.11 + 9 × 6 × 0.04 + 9 × 8 × 0.06
+9 × 10 × 0.01)= 34.26
𝑬(𝑿) = (3 × 0.29) + (6 × 0.36) + (9 × 0.35) = 𝟔. 𝟏𝟖

𝑬(𝒀) = (2 × 0.27) + (4 × 0.26) + (6 × 0.22) + (8 × 0.21) + (10 × 0.04) = 𝟒. 𝟗𝟖

𝑪𝑶𝑽(𝑿, 𝒀) = 34.26 − (6.18 × 4.98) = 𝟑. 𝟒𝟖

𝑬(𝑿𝟐) = (32 × 0.29) + (62 × 0.36) + (92 × 0.35) = 𝟒𝟑. 𝟗𝟐

𝑽(𝑿) = 43.92 − 6.18 = 𝟑𝟕. 𝟕𝟒

𝑬(𝒀) = (2 × 0.27) + (4 × 0.26) + (6 × 0.22) + (8 × 0.21) + (10 × 0.04) = 𝟒. 𝟗𝟖

𝑬(𝒀𝟐) = (22 × 0.27) + (42 × 0.26) + (62 × 0.22) + (82 × 0.21) + (102 × 0.04) = 30.6

𝑽(𝑿) = 30.6 − 4.98 = 𝟐𝟓. 𝟔𝟐

𝐶𝑂𝑉(𝑋,𝑌) 3.48
𝑪𝒐𝒓𝒓(𝑿, 𝒀) = = = 0.111915
√𝑉(𝑋)×√𝑉(𝑌) √37.74×√25.62

2.14 En una población 𝜇𝑦 = 50 y 𝐽𝑦2 = 21 Utilice el teorema del límite central para
responder las siguientes preguntas:
a. En una muestra aleatoria de tamaño n = 50, encuentre 𝑝𝑟 (𝑦̅ ≤ 51)
b. En una muestra aleatoria de tamaño n = 150, encuentre 𝑝𝑟 (𝑦̅ > 49)
c. En una muestra aleatoria de tamaño n = 45, encuentre 𝑝𝑟 (50.5 ≤ 𝑦̅ ≤ 51)

SOLUCIÓN:
̅ ≤ 51).
a) En una muestra aleatoria de tamaño n=50, hallar Pr(𝒀

𝑌̅ − 50 51 − 50 1
𝑃𝑟 (𝑌̅ ≤ 51) = 𝑃𝑟 ≤ = 𝑃𝑟 (𝑧 ≤ ) = 𝑃𝑟 (𝑧 ≤ 1.543034)
0.648074
√21 √21
( 50 50 )
𝑃𝑟 (𝑌̅ ≤ 51) = 0.0618

̅ > 49).
b) En una muestra aleatoria de tamaño n=150, hallar Pr(𝒀

𝑌̅ − 50 49 − 50 −1
𝑃𝑟 (𝑌̅ > 49) = 𝑃𝑟 ≤ = 𝑃𝑟 (𝑧 ≤ ) = 𝑃𝑟 (𝑧 ≤ −2.672612)
0.374165
√ 21 √ 21
( 150 150 )
𝑃𝑟 (𝑌̅ > 49) = 0.0038
 ̅ ≤ 51).
c) En una muestra aleatoria de tamaño n=45, hallar Pr(50.5 ≤ 𝒀

50.5 − 50 𝑌̅ − 50 51 − 50
𝑃𝑟 (50.5 ≤ 𝑌̅ ≤ 51) = 𝑝𝑟 ≤ ≤
√21 √21 √21
( 45 45 45 )
0.5 1
= 𝑝𝑟 ( ≤𝑧≤ )
0.683130 0.683130
𝑃𝑟 (50.5 ≤ 𝑌̅ ≤ 51) = (0.731925 ≤ z ≤ 1.463850 )

𝑃𝑟 (50.5 ≤ 𝑌̅ ≤ 51) = (0.2327 ≤ z ≤ 0.0721 )

𝑃𝑟 (50.5 ≤ 𝑌̅ ≤ 51) = (0.2327 − 0.0721 )

𝑃𝑟 (50.5 ≤ 𝑌̅ ≤ 51) = 0.1606