Universidad San Fran

is o de Quito
Nombre:

Kevin Sn hez / David Moro ho

Estadsti a y Probabilidad para Ingenieras

Proye to
12-1
a)
Se requiere hallar las e ua iones ne esarias para poder utilizar el mtodo de
minimos uadrados, y se bus a obtener una e ua in de la forma:

Y = 0 + 1 x1 + 2 x2 +

(1)

Para ello se utilizar la e ua in de mnimos uadrados:

La matriz

XX

1
b = (X X) X y

se obtiene interpretando la informa in que nos propor iona

el planteamiento:

Figure 1: Matriz

X X

Su inversa es:

Figure 2: Matriz

La matriz

X y

(2)

(X X)1

tambin se obtiene de la informa in dada.

Figure 3: Matriz

X y

Estas matri es al multipli arse onstituirn las onstantes

0 , 1 , 2 de

la

e ua in 1
b)
La resultante de

es:

Figure 4: Matriz del ve tor

Por lo tanto:

Y = 171.054 + 3.713x1 1.126x2

)
Si :

x1 = 18
x2 = 43
Enton es:

Y (18, 43) = 189.481

12-4
a) Como se pide ha er una regresin lineal enton es es preferible realizarlo
por medio de matri es en Matlab. Las variables de interes son: Passing Yards
(x2 ), Per ent rushing (x7 ) y Opponents' yards rushing
una matriz X omo se muestra en la Figura 1:

x8 .

Por lo tanto se ha e

Figure 5: Matriz X

lo mismo se ha e para la variable observada que son los partidos ganados

(y), su matriz est presentada en la Figura 2:

Figure 6: Matriz y

Para ha er el ajuste de regresin lineal de la forma de la e ua in (1):

Y = 0 + 1 x1 + 2 x2 + ... + k xk +

(3)

primero se apli a la e ua in de mnimos uadrados para hallar los valores

de la matriz

es de ir la e ua in (2):

Por lo tanto la matriz

1
b = (X X) X y

X X

(4)

esta dada en la Figura 3:

Figure 7: Matriz

X X

Por lo tanto se obtiene la inversa omo se muestra en la Figura 4:

Figure 8: Matriz inversa

(X X)

Luego se halla el produ to entre la transpuesta de X on los valores de y.

Los resultados se representa en la Figura 5:

Figure 9: Matriz

X y

Por ltimo, el produ to de ambas matri es va dar los valores de

y

3 .

0 , 1 , 2

Esta matriz se la observa en la Figura 6:

Figure 10: Matriz

de esta manera el modelo de regresin ajustada on los oe ientes queda:

b)

yb = 7.6345 + 0.004x2 + 0.2478x7 0.0039x8

Para estimar

donde

SSE

se utiliza la e ua in (3):

b2 =

SSE
np

(5)

es la suma residual de uadrados, n es el numero de datos y p el

numero de parmetros de la regresin lineal. Enton es se ha en lo respe tivos

l ulos omo se muestra en la Figura 7:

Figure 11: Suma residual de uadrados

Luego se tiene que p=k+1, omo se tiene hasta
2 va a ser

Enton es

por lo tanto p=4 y n=28.


b2 =

77.55
24

= 3.23

) Para en ontrar los errores estndar de los oe ientes se apli a la e ua in

(4):

se(j ) =
donde los valores de

Cjj

b2 Cjj

(6)

son las diagonales de la matriz

(X X)1 .

Por lo

tanto los errores estndar son:

se(0 ) =
b2 C00
p
se(0 ) = (3.23)(19.0698)=7.84
p
se(1 ) = (3.23)(1.57x107)=7.1204
p
se(2 ) = (3.23)(0.0025)=8.08x103
p
se(3 ) = (3.23)(5.198x107)=1.29x103
d) Se dan los valores de

x2 = 2000, x7 = 60%

x8 = 1800

yb = 7.6345 + 0.004(2000) + 0.2478(60) 0.0039(1800)

yb = 8.21

Lo ual quiere de ir que han ganado alrededor de 8 partidos.

12-8
Con la tabla dada se pide ha er un modelo de regresin lineal usando

x3 , x4

x5

omo regresores.

a) Se determina la matriz X

Figure 12: Matriz X

x2 ,

lo mismo se ha e para la variable observada que es la resisten ia a la tra in

(y), su matriz est presentada en la Figura 2:

Figure 13: Matriz y

Por lo tanto la matriz

X X

esta dada en la Figura 10:

Figure 14: Matriz

X X

la inversa est en la Figura 11:

Figure 15: Matriz inversa de

X X

Luego se halla el produ to entre la transpuesta de X on los valores de y.

Los resultados se representa en la Figura 12:

Figure 16: Matriz

X y

Por ltimo, el produ to de ambas matri es va dar los valores de

4 .

0 , 1 , 2 ,

Esta matriz se la observa en la Figura 13:

Figure 17: Matriz

de esta manera el modelo de regresin ajustada on los oe ientes queda:

b)

yb = 7.4578 0.0297x2 + 0.5205x3 0.1018x4 2.1606x5

Se debe en ontrar la suma de los errores al uadrado.

Los l ulos estan

presentados en la Tabla 14:

Figure 18: Suma de los errores al uadrado

Como k=4, p=k+1=5 on n=19. Enton es la varianza es


b2 =

10.909
14

= 0.779

) Los errores estndar de los oe ientes van a ser

se(0 ) =
b2 C00
p
se(0 ) = (0.779)(67.0145)=7.22
p
se(1 ) = (0.779)(0.0889)=0.263
p
se(2 ) = (0.779)(0.0237)=0.136
p
se(3 ) = (0.779)(0.0037)=0.053
p
se(4 ) = (0.779)(7.3595)=2.394
omo se puede ver, los errores estndar de ada oe iente es pequea por
lo ual quiere de ir que la regresin es la orre ta y se puede tener una buena
estima in de lo que se bus a, en este aso la resisten ia a la tra in.
d)x2

= 20 x3 = 30 x4 = 90 x5 = 2
yb = 7.4578 0.0297(20) + 0.5205(30) 0.1018(90) 2.1606(2)
yb 9

Lo ual quiere de ir que la resisten ia a la tra in es 9 N.

12-13
Los datos que se tienen son:

n = 10
k=2
p=3
= 0.05
H0 : 1 = 2 = 0
H1 : j 6= 0
Para este aso:

Syy =

yi2

P
( yi )2
= 4490

Se sabe que :

1030
X y = 21310
44174
y que:

171.054
= 3.713
1.126
9

Por lo tanto:

X y = 371535.9
Ahora podemos hallar

SSR ,que

resulta ser:

P
( yi )2
= 4430.38
SSR = X y
n

Y ademas podemos hallar:

SSE = Syy SSR = 59.62

El valor del estadsti o

f0 se

puede hallar omo se muestra:

f0 =

SSR
k
SSE
np

= 260.09

El valor de de f para omparar es:

f0.05,2,7 = 4.74
Dado que

f0 > f0.05,2,7

se re haza , y se on luye que on

= 0.05 el modelo

de regresion sigue siendo pres iso.

12.14 SST =742

a)

= 0.05

Como se pide realizar una prueba de hiptesis basado en el ejer i io 12-2 se

tiene:

H0 : 1 = 2 = 0
H1 : j = 0
se debe de usar el estadsti o

F0 =
Pero omo solo se ono e

SSR
k
SSE
np

SST =742,

n=10 y las matri es

(X X)

dadas en el ejer i io 12-2. Primero se debe de hallar los valores de

X y

on la

e ua in (5) :

1
b = (X X) X y

(7)

omo se muestra en la Figura 15:

Figure 19: Cl ulo de los valores de la matriz

10

De esta forma se puede al ular el valor se

SSR

por medio de la e ua in

(6):

SSR = X y

Pn

yi )

i=1

2
(8)

Por lo tanto, on las matri es y el uso Matlab, el valor se muestra en la

Figura 16:

Figure 20: Valor de

SSR

No se ne esitan ha er l ulos para en ontrar

Figura 17:

Figure 21: Matriz de la e ua in

Pn

i=1

yi

ya que basado en la

X X = X y

Por lo tanto de la matriz dada

220
X y = 36768
9965
Enton es se tiene

Pn

i=1

El valor de

SSR

yi = 220

es

SSR = 96180.657

(220)2
10

SSR = 91340.657
Por ltimo el valor de

SSE

se la despeja de la frmula (7):

SST = SSR + SSE

11

(9)

SSE = 742 91340.657

SSE = 90598.657
Con estos valores se puede al ular el estimador
91340.657
2
90598.657
7

f0 =

45670.328
12942.66

f0 = 3.52
f,k,np = f0.01,2,7 = 9.55
se re haza

H0

si

f0 > f,k,np
omo

H0

Por lo tanto no se re haza

f0 < f,k,np

f0 < f0.01,2,7

(F)

es de ir que ninguna de las variables regresoras

ontribuye de manera signi ativa al modelo on

= 0.01

Valor P:
b) Se pide ha er una prueba de hiptesis

H0 : 1 = 0
H1 : 1 6= 0
Si se desea omprobar que

H0

es verdad por lo tanto

se puede al ular

por medio de la e ua in (8):

M SE =
b2 =

b2 =

se(1 ) =

90598.657
7

SSE
np

= 12942.66

p
(12942.66)(7.97x105)=1.01

Enton es el estimador queda

t0 =
t0 =

1
se(1 )

0.09308
1.01

= 0.092

t0.01,2 = 6.965
Como

t0 > t0.01,2 (F)

12

(10)

No se re haza

H0

x1 es un
= 0.01

por lo ual

signi ativa en el modelo on

regresor que no ontribuye de manera

12.25
a)

= 0.05

Como se pide realizar una prueba de hiptesis basado en el ejer i io 12-2 se

tiene:

H0 : 1 = 2 = 0
H1 : j = 0
se debe de usar el estadsti o

F0 =

SSR
k
SSE
np

Basados en la tabla del ejer i io 12-11 se debe en ontrar los valores de

SST

SSE .

Por lo tanto se tiene la matriz X mostrada en la Figura 18:

Figure 22: Matriz X

de la misma forma se obtiene la matriz Y que est en la Figura 19:

13

SSR ,

Figure 23: Matriz Y

Luego se al ula la matriz

(X X)

en el mismo programa y resulta la

Figura 20:

Figure 24: Matriz

Tambin se al ula la matriz

X y

(X X)

que se puede apre iar en la Figura 21:

Figure 25: Matriz

Con estas matri es se hallan los valores de

14

X y
j

omo se ve en la Figura 22:

Figure 26: Matriz

De esta forma on la e ua iones (9) y (10) se en uentran los valores que se

ne esitan:

SSR = X y
SSR = 26333.48

Pn

i=1

(713)2
21

yi )

2
(11)

= 2125.433

P
2
( ni=1 yi )
SST = y y
n
SST = 26369

(713)2
21

(12)

= 2150.95

SSE = 2150.95 2125.433

SSE = 25.517
on k=9, p= 10 y n=21, el estimador queda:

f0 =

2125.433
9
25.517
11

236.16
2.32

f0 = 101.8
f,k,np = f0.05,9,11 = 2.9
se re haza

H0

si

f0 > f,k,np
omo

Por lo tanto se re haza

H0

f0 < f,k,np

f0 > f0.01,2,7

(V)

es de ir que al menos una de las variables regre-

soras ontribuye de manera signi ativa en el modelo de regresin on

b) Se pide ha er una prueba de hiptesis para ada

H0 : 1 = 2 = ... = j = 0
H1 : j 6= 0
15

= 0.05

enton es se tiene


b2 =
Se re haza

H0

si

SSE
np

= 2.32

t0 < t 2 ,np

p
(2.32)(9.954x104) = 0.048
t0 =

1
se(1 )

0.494
0.048

t0 =
Con l. 1 : Se re haza

25.517
11

t0.025,11 = 2.201

t0 > t 2 ,np
se(1 ) =

= 10.28

H0

se(2 ) =

p
(2.32)(1.77x105) = 0.0064
0.49
0.0064

t0 =

= 0.281

H0
p
se(3 ) = (2.32)(1.88x104) = 0.0209

Con l. 2: No se re haza

t0 =

0.0023
0.0209

= 0.11

H0
p
se(4 ) = (2.32)(1.141x103) = 0.051

Con l. 3: No se re haza

t0 =

0.0383
0.051

= 0.74

H0
p
se(5 ) = (2.32)(2.93x102) = 0.261

Con l. 4: No se re haza

t0 =

0.2068
0.261

= 0.79

H0
p
se(6 ) = (2.32)(2.82x104) = 0.026

Con l. 5: No se re haza

t0 =

0.0128
0.026

= 0.5

H0
p
se(7 ) = (2.32)(6.22x104) = 0.038

Con l. 6: No se re haza

t0 =

0.0307
0.038

= 0.81

H0
p
se(8 ) = (2.32)(9.78x103) = 0.15

Con l. 7: No se re haza

16

0.0407
0.15

t0 =

= 0.27

H0
p
se(9 ) = (2.32)(5.30x103) = 0.11

Con l. 8: No se re haza

t0 =
Con l. 9: No se re haza

0.2083
0.11

= 1.88

H0

Con lusin: Como se puede ver no todos los regresores son ne esarios ya que
solamente los puntos ganados

(x1 )

es signi ante on

= 0.05.

)
Para ha er esta regresin solamente on

x1

x4 , por lo que la matriz anterior

se redu e a la Figura 23:

Figure 27: Matriz

Se en uentra la matri es

(X X)

Figure 28: Matri es

Finalmente se halla la matriz

x1 ,x4 y y

X y

omo se muestra en la Figura 24:

(X X)

X y

que se representa en la Figura 25:

17

Figure 29: Matriz de los oe ientes

de esta manera se tiene el modelo de regresin:

yb = 5.53 + 0.497x1 0.0042x4

SSR = 26322
SST = 26359

(713)2
21

= 2113.95

(713)2
21

= 2150.95

SSE = 2150.95 2113.95

SSE = 37
on k=2, p= 3 y n=21, el estimador queda:
2113.95
2
37
18

f0 =

1056.98
2.06

f0 = 513.09
f,k,np = f0.05,2,18 = 3.55
se re haza

H0

si

f0 > f,k,np

H0

f0 < f,k,np

f0 > f0.01,2,7

omo
Por lo tanto se re haza

(V)

es de ir que por lo menos una de las variables

regresoras ontribuye de manera signi ativa en el modelo de regresin on

= 0.05,

lo ual on uerda on la prueba

Luego se realiza una prueba

del literal b).

on los mismo regresores.

H0 : x 1 = 0
H1 : x1 6= 0

b2 =

SSE
np

37
18

= 2.05

t0.025,18 = 2.101

Se re haza

H0

si

t0 > t 2 ,np

t0 < t 2 ,np
18

se(1 ) =

p
(2.05)(0.001274) = 0.0162
t0 =
t0 =

1
se(1 )

0.4973
0.0162

= 30.76

Como

t0 > t0.025,18 (V)

Con l.: Se re haza

H0

x1
= 0.05

por lo ual

signi ativa en el modelo on

es un regresor que ontribuye de manera

H0 : x 2 = 0
H1 : x2 6= 0
p
se(1 ) = (2.05)(3.14x104) = 0.025
t0 =
t0 =

1
se(1 )

0.0042
0.025

= 0.165

Como

t0 < t0.025,18 (V)

Con l.: No see re haza

H0

x4 es un
= 0.05

por lo ual

de manera signi ativa en el modelo on

regresor que no ontribuye

Se puede observar que en las tres pruebas tanto general omo individual se
omprob la ontribu in de dos regresores en el modelo de regresin y se lleg
a la misma on lusin la ual es vlida en todos los asos.

12.27
a)
Podemos halla el intervalo de onanza requerido utilizando la siguente frmula:

Y |x0 t/2,np
Y |x0

2 x0 (X X)1

Con

= 0.05
, X X son

valores ono idos

Tenemos:

0.00657 8 0.00122
b)
El error estandar puede determinarse utilizando la siguiente e ua in:

19

(13)

se(
Y |x0 ) =

2 X0 (X X)1 X0

Para :

x2 = 2000
x7 = 60
x8 = 1800
se(
Y |x0 ) = 0.4976
)
El intervalo de onanza on los valores anteriores sera hallado de la siguiente manera:

Y |x0 t/2,np
Y |x0

2 x0 (X X)1

Primero: hallarY |x0

Se puede hallar reemplazando los valores de

x2 , x7 y x8 en la e ua in hallada

en el ejer i io 12-4, de manera q se obtiene:

Y |x0 = 8.19
Ahora hay q hallar

t/2,n.p
t/2,n.p = t0.025,24 = 2.064

Por lo tanto:

8.19 (2.064 0.4976) Y |x0 8.19 + (2.064 0.4976)

7.16 Y |x0 9.22
12.30
a)

= 0.01
bj t 2 ,np

p
p

b2 Cjj j bj + t 2 ,np
b2 Cjj

Ya que se requiere en ontrar intervalos de onanza para

1 y 2 , por lo tanto

se debe de ha er una regresin lineal y en ontrar el valor de los oe ientes.

Primero on las matri es dadas X y Y, omo se puede ver en la Figura 26:

Figure 30: Matri ez X y Y

20

 on el ono ido pro eso se hallan las matri es

(X X)

X y

. Los l ulos

en Matlab estan en la Figura 27:

1
Figure 31: Matri es(X X)
y

X y

Con estas matri es nalmente se en uentra los valores de

que se representa

en la Figura 28:

Figure 32: Matriz

de esta forma queda el modelo de regresin lineal:

en la ual

yb = 383.80 3.64x1 0.11x2

1 = 3.64 2 = 0.11
X y y yy

Se en uentran las matri es

SSR = 204550.14
SST = 205008

para hallar

(1024)
6

(1024)2
6

SSR , SST

= 29787.47
= 30245.33

SSE = 30245.33 29787.47

SSE = 457.86
luego se al ula la varianza

b2 =

se(1 ) =

SSE
np

457.86
3

= 152.62

p
(152.62)(2.10x103) = 0.56
21

SSE .

se(2 ) =

(152.62)(1.23x105) = 0.043
t0.005,3 = 5.841

b1 t 2 ,np se(b1 ) 1 b1 + t 2 ,np se(b1 )

3.64 5.841(0.56) 1 3.64 + 5.841(0.56)

6.91 1 0.36
b2 t 2 ,np se(b2 ) 2 b2 + t 2 ,np se(b2 )

0.11 5.841(0.043) 2 0.11 + 5.841(0.043)

0.36 2 0.14
b) En este aso se aade la intera in entre

x1 x2

enton es la matriz X queda

omo la Figura 29:

Figure 33: Matri es X y Y

on el ono ido pro eso se hallan las matri es

(X X)1

X y

. Los l ulos

en Matlab estan en la Figura 30:

1
Figure 34: Matri es(X X)
y

X y

Con estas matri es nalmente se en uentra los valores de

en la Figura 31:

22

que se representa

Figure 35: Matriz

de esta forma queda el modelo de regresin lineal:

en la ual

yb = 483.97 7.656x1 0.221x2 + 0.00408x1x2

1 = 7.656 2 = 0.221 12 = 0.00408

X y y y y para hallar SSR , SST

Se en uentran las matri es

SSR = 204714.02
SST = 205008

(1024)2
6

(1024)2
6

= 29951.35

= 30245.33

SSE = 30245.33 29951.35

SSE = 293.98
luego se al ula la varianza

b2 =

SSE
np

293.98
2

= 146.96

p
(146.96)(1.0061x101) = 3.84
p
se(2 ) = (146.96)(8.67x105) = 0.113
p
se(12 ) = (146.96)(1.0192x107) = 3.87x103
se(1 ) =

t0.005,2 = 9.925
b1 t 2 ,np se(b1 ) 1 b1 + t 2 ,np se(b1 )

7.656 9.925(3.84) 1 7.656 + 9.925(3.84)

45.76 1 30.45
b2 t 2 ,np se(b2 ) 2 b2 + t 2 ,np se(b2 )

0.221 9.925(0.113) 2 0.221 + 9.925(0.113)

1.34 2 0.9
23

SSE .

b12 t 2 ,np se(b12 ) 12 b12 + t 2 ,np se(b12 )

4.087x103 9.925(3.87x103) 12 4.087x103 + 9.925(3.87x103)

0.034 12 0.042
Se puede apre iar que las longitudes de los intervalos de la parte b) son mas
grandes lo que ause que los errores estndar aumenten en los oe ientes de
regresin.

12.38
Para al ular un

R2

se ne esita la e ua in (11):

2
Radj
=1

SSE
np
SST
n1

(14)

Con la tabla del ejer i io 12-6 se tiene la matri es de la Figura 32:

Figure 36: Matri es X y Y

on el ono ido pro eso se hallan las matri es

(X X)1

X y

. Los l ulos

en Matlab estn en la Figura 33:

1
Figure 37: Matri es(X X)
y

X y

Con estas matri es nalmente se en uentra los valores de

en la Figura 34:

24

que se representa

Figure 38: Matriz

Se en uentran las matri es

X y

yy

para hallar

SSR , SST

SSE ,

los

resultados se ven en la Figura 35:

Figure 39: Valores de

SSR = 926902.54
SST = 927875

X y

(3325)2
12

(3325)2
12

yy

= 5600.46

= 6572.92

SSE = 6572.92 5600.46

SSE = 972.46
Por lo tanto en la frmula de

R2

2
Radj
=1

se reemplazan los valores

972.46
7
6572.92
11

=1

138.92
597.54

2
Radj
= 0.768
As, el modelo representa alrededor del 76..8% de la variabilidad de la eletri idad onsumida por mes
b) Luego para gra ar Residuals vs

yb, se debe de tener el modelo de regresin

on los datos anteriores, por lo que se tiene

yb = 123.13 + 0.76x1 + 7.52x2 + 2.48x3 0.48x4

25

se reemplaza para ada valor de x y para hallar los residuos se utiliza

yi ybi .

ei =

Se obtiene la Figura 36:

Figure 40: Cl ulos de

yb y

los residuos

on estos resultados resulta la Figura 37:

Figure 41: Gr a: Residuals vs

yb

Basado en la gr a obtenida se observa que la rela in de la ele tri idad

onsumida on los regresores, no es lineal.
) Para la prueba de normalidad se usa Minitab y la imagen se la muestra
en la Figura 38:

26

Figure 42: Prueba de normalidad de

Se puede ver que los datos se en uentra er a de la lnea de normalidad por

lo tanto siguen una distribu in normal on una valor P de 0.239 lo ual da una
gran nivel de onanza.

12.46
a) Se desea montar un polinomio de segundo orden a los datos de la tabla
dada por lo tanto las matri es X y Y est representadas en la Figura 39:

Figure 43: Matri es X y Y

de la misma forma que se ha an las lineales, se deben de hallar las matri es

1
y X y . Los l ulos en Matlab estn en la Figura 40:

(X X)

1
Figure 44: Matri es(X X)
y

27

X y

Con estas matri es nalmente se en uentra los valores de

que se representa

en la Figura 34:

Figure 45: Matriz

El polinomio de segundo orden queda

yb = 26219.1 + 189.2x 0.33x2

b)

SSR = 4.195x106
SST = 4206125

(5745)2
8

(5745)2
8

= 70283.84
= 80496.87

SSE = 80496.87 70283.84

SSE = 10213.035
on k=2, p= 3 y n=8, el estimador queda:
70283.4
2
10213.035
5

f0 =

35141.7
2042.607

f0 = 17.20
f,k,np = f0.05,2,5 = 5.79
se re haza

H0

si

f0 > f,k,np
omo

Por lo tanto se re haza

H0

f0 < f,k,np

f0 > f0.01,2,7

(V)

es de ir que por lo menos una de las variables re-

gresoras ontribuye de manera signi ativa en el modelo de regresin de segundo

orden on

= 0.05.

H0 : 11 = 0
H1 : 11 6= 0

b2 =

10213.035
5

= 2042.6

t0.025,5 = 2.57
28

Se re haza

H0

si

t0 > t 2 ,np

se(11 ) =

t0 < t 2 ,np

p
(2042.6)(8.921x106) = 0.134
t0 =
t0 =

11
se(11 )

0.3312
0.134

= 2.45

Como

t0 < t0.025,5 (F)

Con l.: No se re haza

H0

ya que no existe su iente eviden ia estadsti a

que apoye al valor uadrti o del modelo de segundo orden on

d)

29

= 0.05

Anlisis de un aso de estudio

En esta situa in se realiz una en uesta a varios estudiantes de la USFQ. Se
averigu el GPA de ada uno
sueo

(x2 )

(y),

las horas de estudio diario

y si pertene e al olegio politni o

la siguiente tabla

30

(x3 ).

(x2 ),

las horas de

De esta manera se obtuvo

 on esta informa in se realiz el pro eso ya aprendido. Por lo tanto

a)Ajuste

un modelo de regresin e interprtelo

Se estable en las matri es X y Y

on esto se hallan las matri es

(X X)1

31

X y

Por ltimo, el produ to de ambas matri es va dar los valores de los oe ientes

0 , 1 , 2 y 3

de esta manera el modelo de regresin queda de la siguiente forma

yb = 3.7163 + 0.0098x1 0.0473x2 0.2257x3

Como se puede ver, mediante el uso del modelo de regresin lineal se puede
prede ir un estimado del GPA mediante la rela in de las horas de estudio,
horas de sueo y si pertene e al olegio polit ni o.

b)Reali e

una prueba de hiptesis para el oe iente que a ompaa a

x2 .

H0 : 2 = 0
H1 : 2 6= 0
Si se desea omprobar que

H0

es verdad por lo tanto

M SE =
b2 =

SSE
np

pero primero se debe en ontrar los valores de

e ua iones (12) y (13)

32

se debe al ular on

(15)

SSR , SST

SSE

on las

 on la matriz que se al ul

168.66
1551.34

X y =
1116.6
84.64

Enton es se tiene

Pn

i=1

yi = 168.66

SSR = X y
SSR = 570.1385

Pn

i=1

yi )

(168.66)2
50

= 1.2146

Pn
2
( i=1 yi )
SST = y y
n
SST = 575.7516

(168.66)2
50

(16)

(17)

= 6.827

SSE = 6.827 1.2146

SSE = 5.613
on k=3, p= 4 y n=50, se reemplaza los valores

b2 = 5.613
46 = 0.122
p
se(2 ) = (0.122)(0.00657)=0.0283
Enton es el estimador queda

t0 =
t0 =
Se re haza

x1

H0

si

2
se(2 )

0.0473
0.0283

= 1.67

t0 < t 2 ,np .

Reali e un I.C. del 90% de dos olas para el parmetro que a ompaa a

x3
p
(0.122)(0.00193) = 0.0153
p
se(3 ) = (0.122)(0.08128) = 0.0995
se(1 ) =

on k=3, p= 4 y n=50

b1 t 2 ,np se(b1 ) 1 b1 + t 2 ,np se(b1 )

33

0.0098 1, 68(0.0153) 1 0.0098 + 1, 68(0.0153)

0.016 1 0.036
b3 t 2 ,np se(b3 ) 3 b3 + t 2 ,np se(b3 )

0.2257 1.68(0.0995) 3 0.2257 + 1.68(0.0995)

0.392 3 0.058
d)

Determine el R uadrado y el R uadrado ajustado e interprtelos.

R2 se utiliza la e ua in

Para al ular el

R2 = 1

SSE
SST

(18)

en el literal a) ya se al ularon los valores de

SSE

SST

enton es se reem-

plazan los valores y se tiene

R2 = 1

SSE
SST

=1

5.613
6.827

R2 = 0.177
En ambio para

R2

se usa la e ua in

2
Radj
=1
2
Radj
=1

5.613
46
6.827
49

SSE
np
SST
n1

=1

(19)

0.122
0.139

2
Radj
= 0.123
Al en ontrar

R2

se puede ver que est er a del 0 por lo que quiere de ir que

el ajuste no fue muy bueno por lo tanto el por entaje de variabilidad de

no

se va a ver muy afe tado por los regresores xj , la rela in entre ambas es baja.
2
Con el Radj estable e rela ion el tamao de la muestra de a uerdo al nmero
de las variables regresoras, adems informa que se ne esita mejorar el modelo.

e)

Reali e un I.C. del 95% para el valor promedio y el valor individual

del GPA uando el tiempo de estudio es 9 horas y las horas de sueo son 6
horas.Adems suponga que el estudiante es del olegio polit ni o.
Primero se tiene que ha er un intevalo de onanza para el valor medio on
un punto dado, por lo ual se tiene

bY |x0 t 2 ,np

q
q
1
1
bY |x0 +t 2 ,np

b2 x0 (X X) x0 Y |x0
b2 x0 (X X) x0

34

se al ula el valor de

luego el valor de
dado por:

omo

bY |x0

on los valores dado y se tiene

q
1

b2 x0 (X X) x0

, on la varianza ya en ontrada, esta

t 2 ,np = t0.05,46 = 1, 68

el intervalo queda

3.2953 1.68(0.00534) Y |x0 3.2953 + 1.68(0.00534)

3.286 Y |x0 3.304
Despus hay que en ontrar un intervalo on un valor individual por lo tanto
se utiliza

q
1

b2 (1 + x0 (X X) x0 ) Y0
q
1
yb0 + t 2 ,np
b2 (1 + x0 (X X) x0 )

yb0 t 2 ,np
se e uentra el valor de

yb

yb = 3.7163 + 0.0098(9) 0.0473(6) 0.2257(1)

yb = 3.7163 + 0.0882 0.2838 0.2257

el intevalo es

yb = 3.3

p
p
3.3 1.68 0.122(1 + 0.0437) Y0 3.3 + 1.68 0.122(1 + 0.0437)
35

2.7 Y0 3.89
f)

Estime la varianza del error.

M SE =
b2 =

SSE
np

(20)

SSE = 5.613

g)

b2 =

5.613
46

= 0.122

Cal ule los residuales estandarizados a partir del modelo.

Se debe usar la e ua in (8)

donde i=1,2,3,...,n

ei
ri = p
2

b (1 hii )

(21)

ademas se ne esita

hii = xi (X X)
Luego on

x1

se en uentra

h11

xi

(22)

omo se muestran los l ulos he hos en

Matlab

luego el valor individual de y

yb = 3.7163 + 0.0098(13) 0.0473(6) 0.2257(1)

yb = 3.7163 + 0.1274 0.2838 0.2257
yb = 3.334

se halla el valor del error residual

e1 = y yb1 = 3.7 3.334

e1 = 0.365
36

reemplazamos los valores y se tiene el primer valor residual estandarizado

0.365
0.122(10.0672)

r1 =

r1 = 1.08
de esta misma forma se ha e on los 50 datos.

Los resultados l ulos se

realizaron en ex el de manera que se tiene la siguiente imagen

37

 omo se puede apre iar, el primer valor del residuo estandarizado on uerda
on nuestros l ulos por lo tanto es vlido.

h)

Considerando ni amente la variable

x3 ,

si el nivel de signi an ia es

del 5%, ul fue el error de pre isin que se ometi por haber re ole tado

38

informa in de 50 personas. Utili e la frmula para el l ulo del tamao de

muestra on pobla in nita onsiderando que la propor in real de estudiantes
de Ingeniera es 0.4
La e ua in para el l ulo del error de presi in es

e2 =

2
N z
p(1p)
2 p(1p)
n(N 1)+z

donde N es el tamao de la pobla in,

el tamao de la muestra y

z valor

es el error,

la propor in real, n

obtenido mediante niveles de onanza.

Enton es on el reemplazo de valores se tiene

e2 =

(4172)(z0.05 )2 0.4(10.4)
50(41721)+(z0.05 )2 0.4(10.4)

e2 =

(4172)(1.64)2 0.4(10.4)
50(41721)+(1.64)2 0.4(10.4)

e2 =
e=

2693.04
208550.645

0.0129

e = 0.114
Como se puede ver el error fue de 11.4% on respe to al verdadero valor de
la antidad total de alumnos de la USFQ.

Referen es
[1 Montomery & Runger, Probabilidad y Estadsti a apli adas a la Ingeniera.
Wiley 2da edi in.

39