1◦ examen de Econometrı́a 1

Preparado por: Hebert Suarez Cahuana

Apellidos y nombres:...............................................................................................................................
Recomendaciones:

Utilice sus propios útiles.

Apague su celular.

1. El modelo poblacional es Yi = β1 Xi + ui , el estimador β̂1 de mı́nimos cuadrados de este modelo es:

n
X
Xi2 Yi
i=1
a) β̂1 = n
X
Xi2
i=1
n
X
Xi Yi2
i=1
b) β̂1 = n
X
Xi2
i=1
n
X
Xi Yi
i=1
c) β̂1 = n
X
Xi
i=1
n
X
Xi Yi
i=1
d ) β̂1 = n
X
Xi3
i=1
n
X
Xi Yi
i=1
e) β̂1 = n
X
Xi2
i=1
f ) Ninguna de las anteriores.
2. En la siguiente salida de Stata complete los valores a y b:

. regress calificacion rem,robust

Linear regression Number of obs = 420

F(1, 418) = 19.26
Prob > F = 0.0000
R-squared = 0.0512
Root MSE = 18.581

------------------------------------------------------------------------------
| Robust
calificacion | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
rem | -2.279808 .5194892 a 0.000 -3.300945 -1.258671
_cons | 698.933 10.36436 b 0.000 678.5602 719.3057
------------------------------------------------------------------------------

a) a= -4.39, b=67.44
 b) a= -4.39, b=60.44
c) a= a= -4.39, b=50.44
d ) a= -5.39, b=67.44
e) a= -2.39, b=67.44
f ) Ninguna de las anteriores.

3. En el modelo de regresión simple se sabe que (X̄ = 5.45, Ȳ = 75.9, β̂1 = −2.39) entonces β̂0 es igual a:
a) 88.9255
b) 98.9255
c) 62.8745
d ) 49.8581
e) 48.8827
f ) Ninguna de las anteriores.
4. En el modelo Yi = β0 + β1 Xi + ui , i = 1, ..., n para que los estimadores MCO sean eficientes y se cumpla el teorema
de Gauss-Markow se requiere hacer el supuesto:
a) El término del error ui tiene media condicional igual a cero dado Xi : E(ui /Xi ) = 0
b) (Xi , Yi ), i = 1, ..., n son i.i.d extraı́dos de una distribución conjunta.
c) Los valores extremos son improbables, Xi y Yi tienen momentos finitos de 4◦ orden no iguales a cero.
d ) var(ui /Xi = x)=constante para i = 1, ..., n en particular no depende de x.
e) ui se distribuye de manera normal.
f ) Ninguna de las anteriores.
5. En el modelo Yi = β0 +β1 Xi +ui , i = 1, ..., n si Yi representa la cantidad demandada y ofrecida del bien y (cantidad de
equilibrio) X representa el precio del bien (equilibrio), según la teorı́a económica las variables que también determinan
Yi pero que no son el precio y están contenidas en el término del error ui son: El ingreso, el precio del bien sustituto,
el precio del bien complementario, el precio de los factores de producción, la tecnologı́a.
Si se estima el modelo por MCO no se estarı́a cumpliendo el supuesto:
a) El término del error ui tiene media condicional igual a cero dado Xi : E(ui /Xi ) = 0
b) (Xi , Yi ), i = 1, ..., n son i.i.d extraı́dos de una distribución conjunta.
c) Los valores extremos son improbables, Xi y Yi tienen momentos finitos de 4◦ orden no iguales a cero.
d ) var(ui /Xi = x)=constante para i = 1, ..., n en particular no depende de x.
e) ui se distribuye de manera normal.
f ) Ninguna de las anteriores.
6. El estadı́stico t se calcula dividiendo:
a) El estimador MCO entre su error estándar.
b) La pendiente entre el error estándar de la variable explicativa.
c) El estimador menos su valor hipotético dividido todo entre el error estándar del estimador.
d ) La pendiente entre 1.96.
e) El valor hipotético menos el estimador dividido todo entre el error estándar del estimador.
f ) Ninguna de las anteriores.
\
7. Imagine que tiene el estadı́stico t para la pendiente de la lı́nea de regresión calif icación = 698 − 2.28 × rem fue de
4.28. ¿Cuáles son las unidades de medida del estadı́stico t?
a) Puntos del examen de calificación.
b) Número de estudiantes por profesor.
calif icación
c)
rem
d ) Desviaciones estándar.
e) Es un número puro (libre de unidades).
 f ) Ninguna de las anteriores.
8. El intervalo al 95 % de confianza para β1 es el intervalo:
a) β1 − 1.96ES(β1 ), β1 + 1.96ES(β1 )
b) β̂1 − 1.64ES(β̂1 ), β̂1 + 1.64ES(β̂1 )
c) β̂1 − 1.96ES(β̂1 ), β̂1 + 1.96ES(β̂1 )
d ) β̂1 − 1.96, β̂1 + 1.96
e) β̂1 − 1.64, β̂1 + 1.64
f ) Ninguna de las anteriores.
9. Una variable binaria también se denomina:
a) Variable dummy.
b) Variable dependiente.
c) Variable latente.
d ) Residuo.
e) Potencia de una prueba.
f ) Ninguna de las anteriores.
10. Si los errores son heteroscedásticos, entonces:
a) MCO es MELI.
b) MCP (mı́nimos cuadrados ponderados) es MELI si la varianza condicional de los errores es conocida y es un factor
constante de proporcionalidad.
c) Los estimadores MCO son consistentes.
d ) Los estimadores MCO son eficientes.
e) Los estimadores MCO son sesgados.
f ) Ninguna de las anteriores.
11. ¿Cuál de las siguientes afirmaciones NO es un supuesto del modelo lineal general?
Los regresores no son estocásticos.
La media condicional de las perturbaciones es cero.
La perturbación de la observación no está correlacionada con los regresores de la observación para todo.
I Los regresores no son estocásticos.
II La media condicional de las perturbaciones (errores) es cero.
III La perturbación i no esta correlacionada con la perturbación j para todo i 6= j
IV El modelo es lineal en los parámetros.
(Examen de selección del BCRP).
a) I.
b) II.
c) III.
d ) I y II.
e) Ninguna de las anteriores.
12. Asuma el siguiente modelo lineal y = Xβ + u, donde y es el vector de nx1 de la variable dependiente, X es una matriz
nxk con los k regresores del modelo, los cuales se asumen fijos en muestreo repetido y u es el vector de errores que se
distribuyen con N (0, Σ), entonces el mejor estimador lineal insesgado del vector de parámetros β es:
(Examen de selección del BCRP )
a) (X0 Σ−1 X)−1 (X0 Σ−1 y)
b) (X0 X)−1 (X0 y)
c) (X0 ΣX)(X0 Σy)
d ) (X0 ΣX)−1 (X0 Σ−1 y)
 e) (X0 Σ−1 X)−1 (X0 Σy)
f ) Ninguna de las anteriores.

13. Se dice que un estimador β̂ basado en una muestra de tamaño n, es consistente para el parámetro β si:
a) lı́m E(β̂) = β
n→∞

b) lı́m E(β̂) = β y lı́m var(β̂) = 0

n→∞ n→∞

c) E(β̂) = β
d ) lı́m var(β̂) = 0
n→∞
e) Ninguna de las anteriores.
14. Se tiene que n = 420, en el modelo Yi = β0 + β1 Xi + ui se encuentra que el error estándar del estimador de la pendiente
es 0.51 cuando se utiliza la formula robusta ante heteroscedasticidad, mientras que es 0.48 con la fórmula válida sólo
bajo homoscedasticidad. Para calcular el estadı́stico t, el procedimiento recomendado es:
a) Utilizar la fórmula válida bajo homoscedasticidad porque el estadı́stico t se vuelve grande.
b) Primero probar la homoscedasticidad de los errores y luego tomar una decisión.
c) Utilizar la fórmula robusta ante heteroscedasticidad.
d ) Tomar una decisión dependiendo de cuan diferentes son los estadı́sticos t de la pendiente bajo los dos procedi-
mientos.
e) Utilizar el error estańdar válido bajo homoscedasticidad porque el estadı́stico t se vuelve más pequeño.
f ) Ninguna de las anteriores.
15. Considere la siguiente ecuación estimada:

\
Calificación = 698, 9 − 2, 28 rem
(10,4) (0,52)

(1)

El estadı́stico trem es:

a) 4.38
b) 67.20
c) 0.52
d ) 1.76
e) 1.80
f ) Ninguna de las anteriores.
16. Considere la siguiente ecuación estimada con n = 50 en donde se estima la relación entre el cambio entre la tasa de
desempleo a partir del año anterior ∆un
[ y la tasa de crecimiento del PBI (gy ), los resultados siguientes:

n = 2.81 − 0.23 gy
uc
(0.12) (0,04)

(2)

R2 = 0.36, error estándar de la regresión= 0.78.

Suponiendo que el estimador tiene una distribución normal, el intervalo de confianza al 95 % para la pendiente es
aproximadamente:
a) (2.57, 3.05)
b) (-0.31, 0.15)
c) (-0.31, -0.15)
d ) (-0.33, -0.13)
e) (2.57, 4.05)
 f ) Ninguna de las anteriores.
17. Se utilizan 143 observaciones, suponga que ha estimado una función de regresión simple y que el estimador de la
pendiente es 0.04, con un error estándar igual a 0.01. Se desea probar si el estimador es estadı́sticamente significativo.
¿Cuál de las siguientes decisiones es la correcta?
a) Usted decide que como el coeficiente es pequeño entonces es muy probable que también sea cero en la población.
b) La pendiente es estadı́sticamente significativa puesto que esta cuatro errores estándar a partir del cero.
c) La respuesta de Y ante un cambio en X debe ser económicamente importante puesto que es estadı́sticamente
significativa.
d ) Puesto que la pendiente es muy pequeña, el R2 también debe ser pequeño.
e) Se debe utilizar el error estándar válido bajo homoscedasticidad.
f ) Ninguna de las anteriores.
18. Se ha extraı́do aproximadamente 5000 observaciones del censo de población y se estima la siguiente función de regresión:
d = 3.32 − 0.45 edad
sala
(1.00) (0,04)

(3)

R2 = 0.02, error estándar de la regresión= 8.66.

Donde sala es el promedio de salarios por hora y edad es la edad del individuo. Dada la especificación anterior, el
intervalo al 95 % de confianza para el efecto de un cambio de 5 años es aproximadamente:
a) (1.96, 2.54)
b) (2.32, 4.32)
c) (1.35, 5.30)
d ) (-0.33, -0.13)
e) (2.57, 4.05)
f ) Ninguna de las anteriores.
19. Un investigador , utilizando datos de una muestra aleatoria sobre 250 trabajadores hombres y 280 trabajadoras mujeres,
estima la siguiente regresión:

\ = 12.52 + 2.12 hombre

salario
(0.23) (0.36)
2
n = 250 R = 0, 06 SER = 4.2
(4)

hombre es una variable binaria. Se define la brecha de género salarial como la diferencia entre los salarios promedios
de los hombres menos el salario promedio de las mujeres.
¿Cuál es esta brecha? ¿Es estadı́sticamente significativa?
a) 2.12, estadı́sticamente significativa.
b) 2.12, no es estadı́sticamente significativa.
c) 14.64, estadı́sticamente significativa.
d ) 14.64, no es estadı́sticamente significativa.
e) 0.36, no es estadı́sticamente significativa.
f ) Ninguna de las anteriores.
20. Los supuestos de MCO en regresión simple:
El término del error ui tiene media condicional cero dada Xi : E(ui /Xi ) = 0. (Xi , Yi ), i = 1, ..., n son extracciones i.i.d.
Los valores extremos son improbables: Xi y Yi tienen momentos de cuarto orden finitos.
Estos supuestos sirven para:
a) Los estimadores MCO sean correctos.
b) Los estimadores MCO sean insesgados, consistentes y eficientes en muestras finitas.
c) Los estimadores MCO sean robustos en muestras finitas.
 d ) Los estimadores MCO sean insesgados, consistentes y eficientes en muestras grandes.
e) La distribución muestral de los estimadores MCO sea normal en muestras grandes.
f ) Ninguna de las anteriores.
21. Las variables dicotómicas:

a) Se utilizan para controlar los valores extremos en la muestra.

b) Pueden tener más de dos valores.
c) Excluyen ciertos individuos de la muestra.
d ) Puede tomar sólo dos valores.
e) Sirven para que se cumpla el supuesto de homoscedasticidad.
f ) Ninguna de las anteriores.
22. En el modelo de regresión simple: Yi = β0 + β1 Xi + ui
a) El intercepto por lo general es pequeño y no tiene importancia.
b) β0 + β1 Xi representa la función de regresión poblacional.
c) El valor absoluto de la pendiente por lo general esta entre 0 y 1.
d ) β0 + β1 Xi representa la función de regresión muestral.
e) β0 + β1 Xi representa el residuo.
f ) Ninguna de las anteriores.

23. El R2 es una medida de:

a) Si X es una causa o no de X.
b) La bondad de ajuste de la lı́nea de regresión.
c) Si se cumple o no que, la suma explicada al cuadrado es mayor que la suma total al cuadrado.
d ) El cuadrado del determinante de R.
e) La variación total explicada por el error.
f ) Ninguna de las anteriores.
24. En el modelo de regresión lineal simple, la pendiente de la regresión:

a) Indica en que porcentaje se incrementa Y , dado un incremento de 1

b) Cuando se multiplica por el valor de la variable explicativa se obtiene el valor predicho de Y .
c) Indica en cuantas unidades se incrementa Y , ante un incremento de una unidad en X.
d ) Representa la elasticidad de Y ante X.
e) Mide la media de X.
f ) Ninguna de las anteriores.
25. E(ui /Xi = 0) implica que:
a) Si se divide el error por la variable explicativa se obtiene cero (en promedio).
b) Los residuos de la función de regresión muestral no están relacionados con la variable explicativa.
c) La media muestral de X es mucho mayor que la media muestral de los errores.
d ) La distribución condicional del error dada la variable explicativa tiene media cero.
e) La distribución condicional de X dado el valor del error tiene media cero.
f ) Ninguna de las anteriores.

26. Suponga que usted recolecta una muestra de observaciones de 100 hogares y sus gastos de consumo e ingreso. Con
estos datos se estima la siguiente regresión Ci = β0 + β1 Yi + ui , donde C es el consumo y Y es el ingreso disponible.
El estimador de β1 representa:
∆Ingreso
a)
∆Consumo
b) La cantidad mı́nima de consumo que se necesita para sobrevivir.
 Cuadro 1

Y 12 14 10 13 17 12 11 15
X 5 11 7 8 11 7 6 9

Consumo
c)
Ingreso
∆Consumo
d)
∆Ingreso
∆Consumo
e)
Ingreso
f ) Ninguna de las anteriores.
27. ¿En cuál de las siguientes relaciones el intercepto tiene una interpretación del mundo real?

a) La relación entre el cambio en la tasa de desempleo y la tasa de crecimiento del PBI real (Ley de Okun).
b) La demanda de café y su precio.
c) La calificación en un examen y el tamaño de la clase.
d ) El peso y la estatura de un individuo.
e) Ninguna de las anteriores.
28. El residuo mı́nimo cuadrático ûi , es la contraparte muestral de:
a) La pendiente de la función de regresión poblacional.
b) Los errores.
c) Los valores predichos de la función de regresión.
d ) El intercepto de la función de regresión.
e) Los residuos.
f ) Ninguna de las anteriores.

29. Al cambiar las unidades de medidas, por ejemplo al medir el ingreso en miles de soles, ocurre todo los siguiente
EXCEPTO el cambio de:
a) Los residuos.
b) El valor numérico del estimador de la pendiente.
c) La interpretación del efecto de un cambio en X sobre un cambio en Y .
d ) El valor numérico del intercepto.
e) El error estándar de la regresión.
f ) Ninguna de las anteriores.
30. El cuadro 1 muestra la cantidad ofrecida de un bien Y a varios precios X, manteniendo todo lo demás constante. La
regresión de Y sobre X es:
a) Ŷ = 6.41176 + 0.823529Xi
b) Ŷ = 5.41176 + 0.823529Xi
c) Ŷ = 6.41176 − 0.823529Xi
d ) Ŷ = 6.41176 + 6.823529Xi
e) Ŷ = 6.41176 + 1.823529Xi
f ) Ninguna de las anteriores.
31. En el cuadro 1 El R2 de la regresión de Y sobre X es:

a) 0.940523
b) 0.740523
c) 0.340523
 d ) 0.040523
e) 0.640523
f ) Ninguna de las anteriores.

32. En referencia al cuadro 1 El error estándar de la regresión Y sobre X es:

a) 0.9405
b) 1.4686
c) 0.3405
d ) 0.0405
e) 0.6407
f ) Ninguna de las anteriores.
33. En referencia al cuadro 1 utilizando el método de mı́nimos cuadrados ordinarios, el valor predicho y el residuo para la
5◦ observación (Ŷ5 , û5 ) son:
a) (15.47,1.53)
b) (14.47,1.53)
c) (15.47,0.53)
d ) (10.47,1.53)
e) (15.47,0.43)
f ) Ninguna de las anteriores.

34. Si los supuestos del modelo lineal se cumplen, entonces en grandes muestras β̂0 y β̂1 tienen una distribución normal
conjunta normal. La distribución normal en grandes muestras de β̂1 es N (β1 , σβ̂2 ), donde la varianza de la distribución
1
σβ̂2 es:
1

1 var[(Xi − µX )ui ]
σβ̂2 ) =
1 n [var(Xi )]2
La distribución normal en grandes muestras de β̂0 es N (β0 , σβ̂2 ) donde:
0
 
1 var(H u
i i ) µX
σβ̂2 ) = donde Hi = 1 −
0 n [E(Hi2 )] E(Xi2 )
Este resultado se fundamenta debido a:
a) La ley de los grandes números.
b) El teorema de Slutsky.
c) El teorema del lı́mite central.
d ) El teorema de la función continua.
e) El teorema de la distribución exacta.
f ) Ninguna de las anteriores.
35. Suponga que (Yi , Xi ) cumplen los supuestos del MCO, se extrae una muestra aleatoria de n = 250 y se obtiene

Y
b = 5.4 + 3.2 X
(3.1) (1.5)
2
n = 250 R = 0, 026 SER = 6.2
(5)

Se desea probar H0 : β1 = 1 al 95 % de confianza:

a) No se rechaza la hipótesis nula.
b) Se rechaza la hipótesis nula.
c) No se rechaza la hipótesis alterna.
d ) Se comete un error tipo 1 con una probabilidad de 10 %.
e) Se comete un error tipo II con una probabilidad de 5 %.
 f ) Ninguna de las anteriores.
36. En un modelo de regresión simple Yi = β0 + β1 Xi + ui , si se cumplen los supuestos siguientes:
E(ui /Xi ) = 0 ∀i (Yi , Xi ) ∼ i.i.d 0 < E(Yi4 ) < ∞, 0 < E(Xi4 ) < ∞ var(ui /Xi ) = σu2
Se tiene la siguiente información:
Xn Xn n
X n
X n
X
Yi = 21.9 (Yi − Ȳ )2 = 86.9 (X − X̄)(Y − Ȳ ) = 106.4 Xi = 186.2 (X − X̄)2 = 215.4 n = 200
i=1 i=1 i=1 i=1 i=1

Con esta información determine β̂0 y β̂1

a) (0.3503811506, 0.493964716)
b) (−0.3503811506, −0.493964716)
c) (−0.3503811506, 3.493964716)
d ) (0.4503811506, 0.493964716)
e) (−0.3503811506, 0.493964716)
f ) Ninguna de las anteriores.
37. En un modelo de regresión simple Yi = β0 + β1 Xi + ui , si se cumplen los supuestos siguientes:
E(ui /Xi ) = 0 ∀i (Yi , Xi ) ∼ i.i.d 0 < E(Yi4 ) < ∞, 0 < E(Xi4 ) < ∞ var(ui /Xi ) = σu2
Se tiene la siguiente información:
Xn Xn n
X n
X n
X
Yi = 21.9 (Yi − Ȳ )2 = 86.9 (X − X̄)(Y − Ȳ ) = 106.4 Xi = 186.2 (X − X̄)2 = 215.4 n = 200
i=1 i=1 i=1 i=1 i=1

Con esta información determine ee(β̂0 ) y ee(β̂1 ) (en ese orden)

a) (0.02837646701, 1.03956213814)
b) (1.02837646701, 0.03956213814)
c) (0.03956213814, 0.02837646701)
d ) (0.02837646701, 6.03956213814)
e) (3.02837646701, 0.03956213814)
f ) Ninguna de las anteriores.

38. Con los siguientes datos:

X 0 1 4 5
Y 2 1 3 2

Las ecuaciones normales son:

a)

4β̂0 + 10β̂1 = 10
10β̂0 + 42β̂1 = 23

b)

4β̂0 + 10β̂1 = 8
10β̂0 + 42β̂1 = 23

c)

4β̂0 + 10β̂1 = 10
10β̂0 + 42β̂1 = 20

d)

4β̂0 + 13β̂1 = 10
13β̂0 + 42β̂1 = 23
 e)

4β̂0 + 13β̂1 = 8
13β̂0 + 42β̂1 = 23

f ) Ninguna de las anteriores.

39. En un modelo de regresión simple Yi = β1 Xi +ui , si se cumplen los supuestos siguientes: E(ui /Xi ) = 0 ∀i (Yi , Xi ) ∼ i.i.d
0 < E(Yi4 ) < ∞, 0 < E(Xi4 ) < ∞ var(ui /Xi ) = σu2 El estimador MCO de β1 es:
n
X Xi Yi
a)
i=1
Xi
n
X Yi
b)
i=1
Xi2
n
X Xi Y 2 i
c)
i=1
Xi2
n
X Xi Yi
d)
i=1
Xi0.5
n
X Xi Yi
e)
i=1
Xi2
f ) Ninguna de las anteriores.
40. En un modelo de regresión simple Yi = β1 Xi + ui , si se cumplen los supuestos siguientes:
E(ui /Xi ) = 0 ∀i (Yi , Xi ) ∼ i.i.d 0 < E(Yi4 ) < ∞, 0 < E(Xi4 ) < ∞ var(ui /Xi ) = σu2
El estimador de la varianza del estimador MCO de β1 es:
v
u σ2
u
a) u n u
uX
t Xi
i=1
v
u σ2
u
b) u n u
uX
t X2 i
i=1
v
σu2
u
c) u n
u
uX
t (Yi − Ȳ )2
i=1
v
u σ2
u
d) u n u
uX
t Xi Yi
i=1
v
σu2
u
e) u n
u
uX
t (Xi − X̄)2
i=1

f ) Ninguna de las anteriores.

41. En un modelo de regresión simple Yi = β0 + β1 Xi + ui , si se cumplen los supuestos siguientes:
E(ui /Xi ) = 0 ∀i (Yi , Xi ) ∼ i.i.d 0 < E(Yi4 ) < ∞, 0 < E(Xi4 ) < ∞ var(ui /Xi ) = σu2
Señale el estimador no-lineal de β̂1 :
n
X
Xi3 Yi
i=1
a) n
X
(Xi − X̄)2
i=1
 n
X
log(Xi )Yi
i=1
b) n
X
(Xi − X̄)2
i=1
Xn
Xi3 Yi
i=1
c) n
X
logXi
i=1
Xn
Xi3 logYi
i=1
d) n
X
(Xi − X̄)2
i=1

Ȳ
e)
X̄
f ) Ninguna de las anteriores.
42. En un modelo de regresión simple Yi = β0 + β1 Xi + ui , si se cumplen los supuestos siguientes:
E(ui /Xi ) = 0 ∀i (Yi , Xi ) ∼ i.i.d 0 < E(Yi4 ) < ∞, 0 < E(Xi4 ) < ∞
Se tiene una muestra aleatoria de tamaño 10 entonces la distribución muestral del estimador β̂1 es:

β̂1 − β1
a) ∼ N (0, 1)
ee(β1 )
β̂1 − β1
b) ∼ tn−2
ee(β1 )
β̂1 − β1
c) ∼ N (1, σu2 )
ee(β1 )
d ) No se conoce.
β̂1 − β1
e) ∼ χ2
ee(β1 )
f ) Ninguna de las anteriores.
x−µ
43. Sea x una variable aleatoria que tiene media µ y varianza σ 2 , sea z = x − , encuentre E(z) o la media de z.
σ
a) 0
b) 1
c) σ + 1
d) µ
e) µ − 1
f ) Ninguna de las anteriores.
x−µ h
2
i
44. Sea x una variable aleatoria que tiene media µ y varianza σ 2 , sea z = x − , encuentre E ((z − E(z)) o la
σ
varianza de z.
a) 1
b) (σ − 1)2
c) σ 2
d ) (σ + 1)2
e) σ 2 − µ
f ) Ninguna de las anteriores.
45. ¿Cuál(es) de las siguientes causas puede(n) hacer que los estadı́sticos t usuales de MCO no sean válidos (es decir, que
no tengan una distribución t bajo H0 ?
 a) Heteroscedasticidad.
b) Que exista un coeficiente de correlación muestral de 0.95 entre dos variables independientes del modelo.
c) Omitir una variable explicativa importante.
d ) Que el valor p sea menor que α.
e) Ninguna es causa de que los estadı́sticos t usuales no sean válidos.
f ) Ninguna de las anteriores.
46. En el teorema de Gauss-Markov la palabra “lineal” significa:
a) El modelo es lineal en los parámetros.
b) Las Ŷi son funciones lineales de los β̂j .
c) Los β̂j son funciones lineales de los Ŷi .
d ) Los β̂j es una función lineal de los Yi .
e) El modelo es lineal en los parámetros y las variables.
f ) Ninguna de las anteriores.
47. Se desea modelizar la religión como un factor que influye en la cantidad consumida de libros religiosos, sólo existen
católicos, budistas, musulmanes, protestantes y ateos. ¿Cuántas variables dicotómicas deben utilizarse?

a) 5
b) 4
c) 3
d) 2
e) 1
f ) Ninguna de las anteriores.
48. En el modelo Y = 2.3 + 0.02X + û, la aproximación exacta del efecto de un cambio unitario en X sobre Y es:
a) 2.02013403 %.
b) 3.02013403 %.
c) 4.02013403 %.
d ) 5.02013403 %.
e) Ninguna de las anteriores.
49. Si construimos un modelo que relacione el precio de los autos en función de sus caracterı́sticas y se obtiene para un
auto en particular, un residuo negativo, entonces:
a) Comprar el auto es una ganga.
b) Comprar el auto no es una ganga.
c) No es posible tomar una decisión de compra.
d ) La compra del auto depende de las preferencias personales.
e) Ninguna de las anteriores.
50. La consistencia de un estimador se asocia con el cumplimiento de:
a) La ley de los grandes números.
b) El teorema del lı́mite central.
c) El teorema de Slutsky.
d ) La homoscedasticidad.
e) La distribución normal de un estimador dado un tamaño de muestra.
f ) Ninguna de las anteriores.