The aim of the paper is to obtain MCO estimators in a linear regression with strong-mixing explanatory variables and trend. Strong-mixing process offers a greater degree of generalization given that stationary and non-stationary regressors can be included. To obtain the asymptotic distribution results from real analysis and probability theory for dependent processes are used. Unlike classical results for estimators in linear models the derived asymptotic distribution is not normally standard and depends on the parameters of the variables.

El presente trabajo tiene el propósito de obtener la distribución asintótica de los estimadores de mínimos cuadrados ordinarios en el modelo de regresión lineal donde los regresores siguen procesos estocásticos strong-mixing y tendencia, el uso de procesos strong-mixing permiten obtener resultados más generales dado que se incluye variables tanto estacionarias como no estacionarias. En la derivación de la distribución asintótica se utilizan resultados de la teoría de la probabilidad y análisis real para procesos dependientes. La distribución obtenida difiere de las distribución normal standard y depende de los parámetros de las variables.

La presente tesis estudia la relación entre la desigualdad de los ingresos y la actividad macroeconómica para la economía peruana en el período 1997-2013. Para lograr tal cometido primero se deriva de manera rigurosa cada una de las variables bajo estudio y se analiza sus propiedades estadísticas haciendo uso de simulaciones bootstrap para posteriormente aplicar diversos modelos econométricos que permitan determinar la existencia de tal relación para la economía peruana.

Trata de obtener la distribución asintótica de los estimadores de mínimos cuadrados ordinarios (MCO) en regresiones de series temporales con variables explicativas que siguen procesos estocásticos strong-mixing y tendencia. De modo que puedan ser usados para hallar relaciones causales válidas entre las variables y poder así dar respuestas válidas a los problemas de interés que tengan los investigadores en los diversos campos de investigación que hacen uso intensivo de series temporales.