Universidad Nacional De Ingeniería.

Recinto Pedro Arauz Palacios

RUPAP

Estadística II

Regresión Lineal

Elaborado Por:
Eddys A. Herradora Romero

Docente:
Msc. Ramón Vallejo

Carrera:
Ingeniería Industrial.
Turno: Grupo:
Nocturno 3N1-IND
 1- Para la siguiente Base de Datos correspondiente determine:

y x1 x2 x3 x4 x5 x6 x7 x8 x9
25.9 4.9146 1 3.472 0.998 1 7 4 42 0
29.5 5.0208 1 3.531 1.5 2 7 4 62 0
y: Precio de venta de la casa/100
27.5 4.5429 1 2.275 1.175 1 6 3 40 0
x1: Impuesto (Locales, escuelas,
25.9 4.5573 1 4.05 1.232 1 6 3 54 0
municipal)/100
29.9 5.0597 1 4.455 1.121 1 6 3 42 0
x2: Cantidad de Baños
29.9 3.898 1 4.455 0.988 1 6 3 56 0
x3: Tamaño del terreno (pies cuadrados x 100)
30.9 5.898 1 5.85 1.24 1 7 3 51 1
x4: Superficie Construida
28.9 5.6039 1 9.52 1.501 0 6 3 32 0
x5: Cantidad de Cajones en
35.9 5.8282 1 6.435 1.225 2 6 3 32 0
cochera
31.5 5.3003 1 4.9883 1.552 1 6 3 30 0
x6: Cantidad de Habitaciones
31 6.2712 1 5.52 0.975 1 5 2 30 0
x7: Cantidad de Recámaras
30.9 5.9592 1 6.666 1.121 2 6 3 32 0
x8: Edad de la casa (año)
30 5.05 1 5 1.02 1.5 5 2 46 1
x9: Cantidad de Chimeneas
36.9 8.2464 1.5 5.15 1.664 1 8 4 50 0
41.9 6.6969 1.5 6.902 1.488 1.5 7 3 22 1
40.5 7.7841 1.5 7.102 1.376 1 6 3 17 0
43.9 9.0384 1 7.8 1.5 1.5 7 3 23 0
37.5 5.9894 1 5.52 1.256 2 6 3 40 1
37.9 7.5422 1.5 5 1.69 1 6 3 22 0
44.5 8.7951 1.5 9.89 1.82 2 8 4 50 1
37.9 6.0831 1.5 6.7265 1.652 1 6 3 44 0
38.9 8.3607 1.5 9.15 1.777 2 8 4 48 1
36.9 8.14 1 8 1.504 2 7 3 3 0
45.8 9.1416 1.5 7.3262 1.831 1.5 8 4 31 0
 a- Un modelo lineal simple para cada una de las variables.

Para calcular el modelo de regresión simple usaremos las siguientes fórmulas:

y 𝒙𝟏 𝒙𝟏 𝟐 (𝒙𝟏 )(𝒚𝟏 ) Calculando los valores correspondientes
25.9 4.9146 24.1532932 118.703775 para determinar el modelo:
29.5 5.0208 25.2084326 126.566499 𝒏
(∑ 𝒙𝒊 )𝟐
27.5 4.5429 20.6379404 93.7560995 𝑺𝒙𝒙 = ∑ 𝒙𝟏 𝟐 −
25.9 4.5573 20.7689833 94.6504875 𝒏
𝒊=𝟏
29.9 5.0597 25.6005641 129.531174
1042.139132
29.9 3.898 15.194404 59.2277868 = 1042.13913 −
24
30.9 5.898 34.786404 205.170211
28.9 5.6039 31.4036952 175.983168 𝑺𝒙𝒙 = −44210.109
35.9 5.8282 33.9679152 197.971804
31.5 5.3003 28.0931801 148.902282
𝒏
31 6.2712 39.3279494 246.633437 (∑ 𝒚𝒊 )(∑ 𝒙𝒊 )
30.9 5.9592 35.5120646 211.623496 𝑺𝒙𝒚 = ∑ 𝒚𝒊 𝒙𝒊 −
𝒏
𝒊=𝟏
30 5.05 25.5025 128.787625
36.9 8.2464 68.003113 560.780871 (830.30)(153.722)
= 7445.7188 −
41.9 6.6969 44.8484696 300.345716 24
40.5 7.7841 60.5922128 471.655844
𝑺𝒙𝒚 = 2127.578
43.9 9.0384 81.6926746 738.37107
37.5 5.9894 35.8729124 214.857221 Calculando los parámetros:
37.9 7.5422 56.8847808 429.036394 𝑺𝒙𝒙 −44210.109
44.5 8.7951 77.353784 680.334266 𝜷𝟏 = = = −𝟐𝟎. 𝟕𝟕𝟗𝟓
𝑺𝒙𝒚 2127.578
37.9 6.0831 37.0041056 225.099675
38.9 8.3607 69.9013045 584.423836 𝜷𝟎 = 34.59583333 − 20.7795(6.405083333)
36.9 8.14 66.2596 539.353144 = −98.4968
45.8 9.1416 83.5688506 763.953004 Por tanto, el modelo pedido es:
830.3 153.722 1042.13913 7445.71888
̂𝟏 = −𝟗𝟖. 𝟒𝟗𝟔𝟖 − 𝟐𝟎. 𝟕𝟕𝟗𝟓𝒙
𝒚
 Calculando los valores correspondientes para determinar el modelo:
𝒏
(∑ 𝒙𝒊 )𝟐
𝑺𝒙𝒙 = ∑ 𝒙𝟐 𝟐 −
y 𝒙𝟐 𝒙𝟐 𝟐 (𝒙𝒊 )(𝒚𝒊 )
𝒊=𝟏
𝒏
25.9 1 1 1
29.5 1 1 1 282
= 34 −
27.5 1 1 1 24
25.9 1 1 1
29.9 1 1 1
29.9 1 1 1 𝑺𝒙𝒙 = 1.3333
30.9 1 1 1
28.9 1 1 1
35.9 1 1 1
𝒏
31.5 1 1 1 (∑ 𝒚𝒊 )(∑ 𝒙𝒊 )
31 1 1 1 𝑺𝒙𝒚 = ∑ 𝒚𝒊 𝒙𝒊 −
𝒏
30.9 1 1 1 𝒊=𝟏

30 1 1 1 (830.3)(28)
36.9 1.5 2.25 3.375 = 43 −
24
41.9 1.5 2.25 3.375
40.5 1.5 2.25 3.375
43.9 1 1 1 𝑺𝒙𝒚 = −925.6833
37.5 1 1 1
37.9 1.5 2.25 3.375
44.5 1.5 2.25 3.375 Calculando los parámetros:
37.9 1.5 2.25 3.375 4
38.9 1.5 2.25 3.375 𝑺𝒙𝒙 3
𝜷𝟏 = = = −𝟎. 𝟎𝟎𝟏𝟒𝟒𝟎
36.9 1 1 1 𝑺𝒙𝒚 −925.6833
45.8 1.5 2.25 3.375
∑ 830.3 28 34 43
P 34.59583333 1.16666667 1.41666667 1.79166667 𝜷𝟎 = 34.5958 − 0.001440(1.1666)
= 34.5941

Por tanto, el modelo pedido es:

̂𝟐 = 𝟑𝟒. 𝟓𝟗𝟒𝟏 − 𝟎. 𝟎𝟎𝟏𝟒𝟒𝟎𝒙
𝒚
 Calculando los valores correspondientes para determinar el modelo:
𝒏
(∑ 𝒙𝒊 )𝟐
y x3 x3^2 (xi)(yi) 𝑺𝒙𝒙 = ∑ 𝒙𝟑 𝟐 −
𝒏
25.9 3.472 12.054784 41.85421 𝒊=𝟏

29.5 3.531 12.467961 44.0243703

27.5 2.275 5.175625 11.7745469
𝑺𝒙𝒙 = 88.7749
25.9 4.05 16.4025 66.430125
29.9 4.455 19.847025 88.4184964
29.9 4.455 19.847025 88.4184964 𝒏
30.9 5.85 34.2225 200.201625 (∑ 𝒚𝒊 )(∑ 𝒙𝒊 )
𝑺𝒙𝒚 = ∑ 𝒚𝒊 𝒙𝒊 −
28.9 9.52 90.6304 862.801408 𝒏
𝒊=𝟏
35.9 6.435 41.409225 266.468363
31.5 4.9883 24.8831369 124.124552
31 5.52 30.4704 168.196608 𝑺𝒙𝒚 = 1909.3338
30.9 6.666 44.435556 296.207416
30 5 25 125
36.9 5.15 26.5225 136.590875 Calculando los parámetros:
41.9 6.902 47.637604 328.794743
40.5 7.102 50.438404 358.213545
43.9 7.8 60.84 474.552 𝑺𝒙𝒙 88.7749
𝜷𝟏 = = = 𝟎. 𝟎𝟒𝟔𝟒
37.5 5.52 30.4704 168.196608 𝑺𝒙𝒚 1909.3338
37.9 5 25 125
44.5 9.89 97.8121 967.361669
37.9 6.7265 45.2458023 304.345889 𝜷𝟎 = 34.5958 − 0.0464(6.0326) = 34.3158
38.9 9.15 83.7225 766.060875
36.9 8 64 512
45.8 7.3262 53.6732064 393.220645
830.3 144.784 962.208655 6918.25707
34.5958333 6.03266667 40.0920273 288.260711

Por tanto, el modelo pedido es:

̂𝟑 = 𝟑𝟒. 𝟑𝟏𝟓𝟖 − 𝟎. 𝟎𝟒𝟔𝟒𝒙
𝒚
Calculando los valores correspondientes para determinar el modelo:
𝒏
(∑ 𝒙𝒊 )𝟐
𝑺𝒙𝒙 = ∑ 𝒙𝟒 𝟐 −
𝒏
y x4 x4^2 (xi)(yi) 𝒊=𝟏

25.9 0.998 0.996004 0.99401199

29.5 1.5 2.25 3.375
27.5 1.175 1.380625 1.62223438 𝑺𝒙𝒙 = 1.7553
25.9 1.232 1.517824 1.86995917
29.9 1.121 1.256641 1.40869456 𝒏
29.9 0.988 0.976144 0.96443027 (∑ 𝒚𝒊 )(∑ 𝒙𝒊 )
𝑺𝒙𝒚 = ∑ 𝒚𝒊 𝒙𝒊 −
30.9 1.24 1.5376 1.906624 𝒏
𝒊=𝟏
28.9 1.501 2.253001 3.3817545
35.9 1.225 1.500625 1.83826563
31.5 1.552 2.408704 3.73830861 𝑺𝒙𝒚 = −1077.9137
31 0.975 0.950625 0.92685938
30.9 1.121 1.256641 1.40869456
30 1.02 1.0404 1.061208
36.9 1.664 2.768896 4.60744294
41.9 1.488 2.214144 3.29464627 Calculando los parámetros:
40.5 1.376 1.893376 2.60528538
43.9 1.5 2.25 3.375
37.5 1.256 1.577536 1.98138522
37.9 1.69 2.8561 4.826809 𝑺𝒙𝒙
𝜷𝟏 = = −𝟎. 𝟎𝟎𝟏𝟔𝟐𝟖
44.5 1.82 3.3124 6.028568 𝑺𝒙𝒚
37.9 1.652 2.729104 4.50847981
38.9 1.777 3.157729 5.61128443
36.9 1.504 2.262016 3.40207206 ̅ − 𝜷𝟏 𝒙
𝜷𝟎 = 𝒚 ̅ = 𝟑𝟒. 𝟓𝟗𝟓𝟖
45.8 1.831 3.352561 6.13853919 − (−𝟎. 𝟎𝟎𝟏𝟔𝟐𝟖)(𝟏. 𝟗𝟖𝟕𝟒)
830.3 33.206 47.698696 70.8755573 = 𝟑𝟒. 𝟓𝟔𝟗𝟎
34.5958333 1.38358333 1.98744567 2.95314822

Por tanto, el modelo pedido es:

̂𝟒 = 𝟑𝟒. 𝟓𝟗𝟗𝟎 − 𝟎. 𝟎𝟎𝟏𝟔𝟐𝟖𝒙
𝒚
y x5 x5^2 (xi)(yi) Calculando los valores
25.9 1 1 1 correspondientes para determinar el modelo:
29.5 2 4 8
27.5 1 1 1
𝒏
25.9 1 1 1 𝟐
(∑ 𝒙𝒊 )𝟐
29.9 1 1 1 𝑺𝒙𝒙 = ∑ 𝒙𝟓 −
𝒏
𝒊=𝟏
29.9 1 1 1
30.9 1 1 1
28.9 0 0 0
𝑺𝒙𝒙 = 6.3333
35.9 2 4 8
31.5 1 1 1
31 1 1 1
30.9 2 4 8
𝒏
30 1.5 2.25 3.375 (∑ 𝒚𝒊 )(∑ 𝒙𝒊 )
36.9 1 1 1 𝑺𝒙𝒚 = ∑ 𝒚 𝒊 𝒙 𝒊 −
𝒏
𝒊=𝟏
41.9 1.5 2.25 3.375
40.5 1 1 1
43.9 1.5 2.25 3.375
𝑺𝒙𝒚 = −1025.5666
37.5 2 4 8
37.9 1 1 1
44.5 2 4 8
Calculando los parámetros:
37.9 1 1 1
38.9 2 4 8 𝑺𝒙𝒙
𝜷𝟏 = = −𝟎. 𝟎𝟎𝟔𝟏𝟏𝟕
36.9 2 4 8 𝑺𝒙𝒚
45.8 1.5 2.25 3.375
830.3 32 49 81.5
34.5958333 1.33333333 2.04166667 3.39583333 𝜷𝟎 = 34.6039

Por tanto, el modelo pedido es:

̂𝟓 = 𝟑𝟒. 𝟔𝟎𝟑𝟗 − 𝟎. 𝟎𝟎𝟔𝟏𝟏𝟕𝒙
𝒚
Calculando los valores correspondientes para determinar el modelo:

𝒏
y x6 x6^2 (xi)(yi) (∑ 𝒙𝒊 )𝟐
25.9 7 49 343 𝑺𝒙𝒙 = ∑ 𝒙𝟔 𝟐 −
𝒏
𝒊=𝟏
29.5 7 49 343
27.5 6 36 216
25.9 6 36 216
𝑺𝒙𝒙 = 370.50
29.9 6 36 216
29.9 6 36 216
30.9 7 49 343 𝒏
28.9 6 36 216 (∑ 𝒚𝒊 )(∑ 𝒙𝒊 )
𝑺𝒙𝒚 = ∑ 𝒚𝒊 𝒙𝒊 −
35.9 6 36 216 𝒏
𝒊=𝟏
31.5 6 36 216
31 5 25 125
30.9 6 36 216 𝑺𝒙𝒚 = 𝟏𝟓𝟓𝟏. 𝟎𝟓
30 5 25 125
36.9 8 64 512
41.9 7 49 343 Calculando los parámetros:
40.5 6 36 216
43.9 7 49 343
37.5 6 36 216 𝑺𝒙𝒙
𝜷𝟏 = = 𝟎. 𝟐𝟑𝟖𝟖
37.9 6 36 216 𝑺𝒙𝒚
44.5 8 64 512
𝜷𝟎 = 34.5958 − 0.2388(6.5) = 33.0436
37.9 6 36 216
38.9 8 64 512
36.9 7 49 343
45.8 8 64 512
830.3 156 1032 6948
34.5958333 6.5 43 289.5

Por tanto, el modelo pedido es:

̂𝟔 = 𝟑𝟒. 𝟎𝟒𝟑𝟔 − 𝟎. 𝟐𝟑𝟖𝟖𝒙
𝒚
y x7 x7^2 (xi)(yi) Calculando los valores correspondientes
25.9 4 16 64 para determinar el modelo:
29.5 4 16 64
27.5 3 9 27
25.9 3 9 27
29.9 3 9 27 𝒏
(∑ 𝒙𝒊 )𝟐
29.9 3 9 27 𝑺𝒙𝒙 = ∑ 𝒙𝟕 𝟐 −
𝒏
30.9 3 9 27 𝒊=𝟏
28.9 3 9 27
35.9 3 9 27
31.5 3 9 27
31 2 4 8 𝑺𝒙𝒙 = 7.3333
30.9 3 9 27
30 2 4 8
36.9 4 16 64
41.9 3 9 27 𝒏
40.5 3 9 27 (∑ 𝒚𝒊 )(∑ 𝒙𝒊 )
𝑺𝒙𝒚 = ∑ 𝒚𝒊 𝒙𝒊 −
43.9 3 9 27 𝒏
𝒊=𝟏
37.5 3 9 27
37.9 3 9 27
44.5 4 16 64 𝑺𝒙𝒚 = −1797.2833
37.9 3 9 27
38.9 4 16 64
36.9 3 9 27 Calculando los parámetros:
45.8 4 16 64 𝑺𝒙𝒙 88.7749
830.3 76 248 832 𝜷𝟏 = = = −𝟎. 𝟎𝟎𝟒𝟎𝟖𝟎
𝑺𝒙𝒚 1909.3338
34.5958333 3.16666667 10.3333333 34.6666667
𝜷𝟎 = 34.6087

Por tanto, el modelo pedido es:

̂𝟕 = 𝟑𝟒. 𝟔𝟎𝟖𝟕 − 𝟎. 𝟎𝟎𝟒𝟎𝟖𝟎𝒙
𝒚
y x8 x8^2 (xi)(yi) Calculando los valores
25.9 42 1764 74088 correspondientes para determinar el modelo:
29.5 62 3844 238328
27.5 40 1600 64000
𝒏
25.9 54 2916 157464 𝟐
(∑ 𝒙𝒊 )𝟐
29.9 42 1764 74088 𝑺𝒙𝒙 = ∑ 𝒙𝟖 −
𝒏
𝒊=𝟏
29.9 56 3136 175616
30.9 51 2601 132651
28.9 32 1024 32768
35.9 32 1024 32768
31.5 30 900 27000 𝑺𝒙𝒙 = 4533.9583
31 30 900 27000
30.9 32 1024 32768
𝒏
30 46 2116 97336 (∑ 𝒚𝒊 )(∑ 𝒙𝒊 )
36.9 50 2500 125000 𝑺𝒙𝒚 = ∑ 𝒚 𝒊 𝒙 𝒊 −
𝒏
𝒊=𝟏
41.9 22 484 10648
40.5 17 289 4913
43.9 23 529 12167
37.5 40 1600 64000
37.9 22 484 10648 𝑺𝒙𝒚 = 1712743.3458
44.5 50 2500 125000
37.9 44 1936 85184
38.9 48 2304 110592 Calculando los parámetros:
36.9 3 9 27 𝑺𝒙𝒙
45.8 31 961 29791 𝜷𝟏 = = 𝟎. 𝟎𝟎𝟐𝟔𝟒𝟕
𝑺𝒙𝒚
830.3 899 38209 1743845
34.5958333 37.4583333 1592.04167 72660.2083 𝜷𝟎 = 34.5958 − 37.4583(0.002647)
= 34.4966

Por tanto, el modelo pedido es:

̂𝟖 = 𝟑𝟒. 𝟒𝟗𝟔𝟔 − 𝟎. 𝟎𝟎𝟐𝟔𝟒𝟕𝒙
𝒚
y x9 x9^2 (xi)(yi) Calculando los valores correspondientes para
25.9 0 0 0 determinar el modelo:
29.5 0 0 0 𝒏
(∑ 𝒙𝒊 )𝟐
27.5 0 0 0 𝑺𝒙𝒙 = ∑ 𝒙𝟗 𝟐 −
25.9 0 0 0 𝒏
𝒊=𝟏
29.9 0 0 0
29.9 0 0 0
30.9 1 1 1 𝑺𝒙𝒙 = 4.5
28.9 0 0 0
35.9 0 0 0
31.5 0 0 0
31 0 0 0 𝒏
30.9 0 0 0 (∑ 𝒚𝒊 )(∑ 𝒙𝒊 )
𝑺𝒙𝒚 = ∑ 𝒚𝒊 𝒙𝒊 −
30 1 1 1 𝒏
𝒊=𝟏
36.9 0 0 0
41.9 1 1 1
40.5 0 0 0 𝑺𝒙𝒚 = −201.5750
43.9 0 0 0
37.5 1 1 1
37.9 0 0 0 Calculando los parámetros:
44.5 1 1 1
37.9 0 0 0
38.9 1 1 1 𝑺𝒙𝒙
𝜷𝟏 = = −𝟎. 𝟎𝟐𝟐𝟑
36.9 0 0 0 𝑺𝒙𝒚
45.8 0 0 0
830.3 6 6 6
34.5958333 0.25 0.25 0.25 𝜷𝟎 = 34.5958 + 0.0223(0.25) = 34.5902

Por tanto, el modelo pedido es:

̂𝟗 = 𝟑𝟒. 𝟓𝟗𝟎𝟐 − 𝟎. 𝟎𝟐𝟐𝟑
𝒚
 2- Modelo de Regresión Lineal Múltiple
Calculando el Modelo de regresión, para la variable 𝑦 dado 𝑥1 . Donde 𝑦 es la variable Precio de venta de
la casa y 𝑥1 la variable impuesto local.
𝑦 = 𝛽0 + 𝛽1 𝑥
Basta con encontrar los valores de las constantes, y aplicando el modelo regresión lineal múltiple, tenemos
𝛽0
̂
𝛽 = [ ⋮ ] = (𝑿′𝑿)−1 𝑿′𝒚.
𝛽9
Nota: Dichos cálculos fueron hechos en Excel, por lo tanto, algunos procedimientos serán omitidos.

𝛽0
𝛽1
𝛽2 10.5614
𝛽3 1.7266
𝛽4 8.2397
= 0.1922
𝛽5
𝛽6 2.4912
𝛽7 2.5093
𝛽8 0.4268
[𝛽9 ] -1.9472
-0.0338
Por tanto, el modelo de regresión será 0.2727

𝑦̂ = 10.5614 + 1.7266𝑥1 + 8.2394𝑥2 + 0.1922𝑥3 + 2.4912𝑥4 + 2.5093𝑥5 + 0.4268𝑥6 − 1.9472𝑥7

− 0.0338𝑥8 + 0.2727𝑥9

Análisis de la Varianza
Calculando
𝑛
∑𝑛𝑖 𝑦𝑖 2
′
(∑𝑛𝑖 𝑦𝑖 )2
𝑆𝑆𝑇 = 𝑦 𝑦 − = ∑ 𝑦𝑖 2 −
𝑛 𝑛
𝑖

De donde
29559.49 689398.09
𝑆𝑆𝑇 = −
24 24
𝑆𝑆𝑇 = 834.5695833
Encontrando la Regresión de los Residuos
 (∑𝑛𝑖 𝑦𝑖 )2
𝑆𝑆𝑅 = 𝛽̂ ′ 𝑋 ′ 𝑦 −
𝑛
689398.09
𝑆𝑆𝑅 = 29442.88122 −
24
𝑆𝑆𝑅 = 717.960808

Como
𝑆𝑆𝑇 = 𝑆𝑆𝑅 + 𝑆𝑆𝑟𝑒𝑔
𝑆𝑆𝑟𝑒𝑔 = 834.5695 − 717.6908
𝑆𝑆𝑟𝑒𝑔 = 116.8787

ANOVA

F.V SC GL MS Fo
SSR 717.960808 9 79.7734 9.5554
SSRos 116.8787 14 8.34847
SST 834.5695833 23

𝑆𝑆𝑅 717.960808
𝑀𝑆𝑅 = = = 79.7734
𝑘 9
𝑆𝑆𝑅𝑜𝑠 116.8787
𝑀𝑆𝑅𝑜 = = = 8.34847
𝑛−𝑘−1 14
𝑀𝑅𝑆 79.7734
= = 9.5554
𝑀𝑆𝑅𝑜 8.34847
Probando hipótesis

Sea
𝐻0 : 𝛽1 = ⋯ = 𝛽9 = 0
𝐻1 : 𝛽1 = ⋯ = 𝛽9 ≠ 0

Tomando en cuenta el criterio de Rechazo de Fisher, con el 𝐹(𝛼,𝑛,𝑛−1) = 2.00500946 y un F calculado de

F=9.5554.
De donde
𝐹0 > 𝐹𝑇

Decisión: Se rechaza la hipótesis nula, concluimos que el modelo lineal es apropiado.

Conclusión: Al menos uno de los regresores está aportando información. Además, el modelo que se
obtuvo es adecuado.

Coeficiente de Determinación Ajustado

Para determinar el R Cuadrado ajustado, se prosigue de la siguiente manera

𝑆𝑆𝑟𝑒𝑠
𝑛−𝑝 𝑀𝑆𝑟𝑒𝑠
𝑅 2 𝑎𝑑𝑗 = =1−
𝑆𝑆𝑇 𝑀𝑆𝑇
𝑛−1

8.34847
𝑅 2 𝑎𝑑𝑗 = 1 − = 0.8953
79.7734

Por lo tanto, la variabilidad de la variable respuesta queda explicada por los regresores en un 89.53%. Es
decir que el modelo no es el mejor, pero, si es bueno.

Intervalos de confianza

𝛽̂ − 𝑡(𝛼,𝑛−𝑝) √𝜎̂ 2 𝐶𝑗𝑗 ≤ 𝛽𝑗 ≤ 𝛽̂ + 𝑡(𝛼,𝑛−𝑝) √𝜎̂ 2 𝐶𝑗𝑗

2 2

Para 𝛽1 tenemos,

1.7266 − 2.306√(8.34847)(1042.139134) ≤ 𝛽1

≤ 1.7266 − 2.306√(8.34847)(1042.139134)
−213.3651 ≤ 𝛽1 ≤ 216.8183
Por lo tanto, una confianza del 95%, del parámetro se encuentra en dijo intervalo. Para los restantes
parámetros sus intervalos de confianza corresponden a:

−30.6614 ≤ 𝛽2 ≤ 47.0902
−206.4864 ≤ 𝛽3 ≤ 206.8707
 −43.2555 ≤ 𝛽4 ≤ 48.5077
−44.1307 ≤ 𝛽5 ≤ 49.1499
−213.6160 ≤ 𝛽6 ≤ 214.4696
−106.8740 ≤ 𝛽7 ≤ 102.9796
−1302.4319 ≤ 𝛽8 ≤ 1302.3643
−16.0479 ≤ 𝛽9 ≤ 16.5933
Por lo tanto, una confianza del 95%, del parámetro se encuentra en dijo intervalo

Determinar que regresores que aportan información

Para 𝒙𝟏 ; tenemos que

𝒙𝟏 = 1.7266

𝐶𝑖𝑗 = 0.1300

β̂𝑖
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
√𝜎̂ 2 𝐶𝑖𝑗

𝑡(0.025,23) = −2.06865761

Haciendo los debidos cálculos,

1.7266
𝑡𝑐 = = 1.6573
√(8.34847)(0.13)
Hipótesis:
𝐻𝑜: 𝛽1 = 0.
𝐻1: 𝛽1 ≠ 0.

Decisión: Como 𝑡𝑐 > 𝑡𝑡 , se rechaza Ho.

Conclusión: El regresor aporta información al modelo.

Para 𝒙𝟐 ; tenemos que

𝑥2 = 8.239678806

𝐶𝑖𝑗 = 2.3191

β̂𝑖
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
√𝜎̂ 2 𝐶𝑖𝑗

𝑡(0.025,23) = −2.06865761

Haciendo los debidos cálculos,

8.239678806
𝑡𝑐 = = 1.8725
√(8.34847)(2.3191)
Hipótesis:
𝐻𝑜: 𝛽1 = 0.
𝐻1: 𝛽1 ≠ 0.

Decisión: Como 𝑡𝑐 > 𝑡𝑡 , se rechaza Ho.

Conclusión: El regresor aporta información al modelo.

Para 𝒙𝟑 ; tenemos que

𝑥3 = 0.192219

𝐶𝑖𝑗 = 0.0277

β̂𝑖
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
√𝜎̂ 2 𝐶𝑖𝑗

𝑡(0.025,23) = −2.06865761

Haciendo los debidos cálculos,

0.01922
𝑡𝑐 = = 0.399
√(8.34847)(0.0277)
Hipótesis:
𝐻𝑜: 𝛽1 = 0.
𝐻1: 𝛽1 ≠ 0.

Decisión: Como 𝑡𝑐 > 𝑡𝑡 se rechaza Ho.

Conclusión: El regresor aporta información al modelo.

Para 𝒙𝟒 ; tenemos que

𝒙𝟒 = 𝟐. 𝟒𝟗𝟏𝟐

𝐶𝑖𝑗 = 2.1765

β̂𝑖
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
√𝜎̂ 2 𝐶𝑖𝑗

𝑡(0.025,23) = −2.06865761

Haciendo los debidos cálculos,

2.4912
𝑡𝑐 = = 0.5844
√(8.34847)(2.1765)
Hipótesis:
𝐻𝑜: 𝛽1 = 0.
𝐻1: 𝛽1 ≠ 0.

Decisión: Como 𝑡𝑐 > 𝑡𝑡 , se rechaza Ho.

Conclusión: El regresor aporta información al modelo.

Para 𝒙𝟓 ; tenemos que

𝒙𝟓 = 𝟐. 𝟓𝟎𝟗𝟐

𝐶𝑖𝑗 = 0.2630

β̂𝑖
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
√𝜎̂ 2 𝐶𝑖𝑗

𝑡(0.025,23) = −2.06865761

Haciendo los debidos cálculos,

2.5092
𝑡𝑐 = = 1.6933
√(8.34847)(0.2630)
Hipótesis:
𝐻𝑜: 𝛽1 = 0.
𝐻1: 𝛽1 ≠ 0.

Decisión: Como 𝑡𝑐 > 𝑡𝑡 , se rechaza Ho.

Conclusión: El regresor aporta información al modelo.

Para 𝒙𝟔 ; tenemos que

𝒙𝟔 = 0.4267

𝐶𝑖𝑗 = 0.6944

β̂𝑖
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
√𝜎̂ 2 𝐶𝑖𝑗

𝑡(0.025,23) = −2.06865761

Haciendo los debidos cálculos,

0.4267
𝑡𝑐 = = 0.1772
√(8.34847)(0.6944)
Hipótesis:
𝐻𝑜: 𝛽1 = 0.
𝐻1: 𝛽1 ≠ 0.

Decisión: Como 𝑡𝑐 > 𝑡𝑡 , se rechaza Ho.

Conclusión: El regresor aporta información al modelo.

Para 𝒙𝟕 ; tenemos que

𝒙𝟕 = −1.9471

𝐶𝑖𝑗 = 1.3866

β̂𝑖
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
√𝜎̂ 2 𝐶𝑖𝑗

𝑡(0.025,23) = −2.06865761

Haciendo los debidos cálculos,

−1.9471
𝑡𝑐 = = −0.5722
√(8.34847)(1.3866)
Hipótesis:
𝐻𝑜: 𝛽1 = 0.
𝐻1: 𝛽1 ≠ 0.
Decisión: Como 𝑡𝑐 > 𝑡𝑡 , se rechaza Ho.

Conclusión: El regresor aporta información al modelo.

Para 𝒙𝟖 ; tenemos que

𝒙𝟖 = −𝟎. 𝟎𝟑𝟑𝟕

𝐶𝑖𝑗 = 0.0005

β̂𝑖
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
√𝜎̂ 2 𝐶𝑖𝑗

𝑡(0.025,23) = −2.06865761

Haciendo los debidos cálculos,

−0.0337
𝑡𝑐 = = −0.5216
√(8.34847)(0.0005)
Hipótesis:
𝐻𝑜: 𝛽1 = 0.
𝐻1: 𝛽1 ≠ 0.

Decisión: Como 𝑡𝑐 > 𝑡𝑡 , se rechaza Ho.

Conclusión: El regresor aporta información al modelo.

Para 𝒙𝟗 ; tenemos que

𝒙𝟗 = 0.2726

𝐶𝑖𝑗 = 0.5520

β̂𝑖
𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 =
√𝜎̂ 2 𝐶𝑖𝑗

𝑡(0.025,23) = −2.06865761

Haciendo los debidos cálculos,

0.02726
𝑡𝑐 = = 0.0126
√(8.34847)(0.5520)
Hipótesis:
 𝐻𝑜: 𝛽1 = 0.
𝐻1: 𝛽1 ≠ 0.

Decisión: Como 𝑡𝑐 = 0.0185 > 𝑡𝑡 = −2.0686, se rechaza Ho.

Conclusión: El regresor aporta información al modelo.

Análisis de los regresores: Como todos los regresores aportan información, se concluye que el modelo
es el mismo Modelo de regresión Múltiple determinado en los pasos anteriores.
 Análisis y Diseño experimental
El Análisis De Varianza

Localidad Método 1 Método 2 Método 3 Método 4

I 3 2 5 5
II 2 2 2 2
III 1 4 5 4
IV 2 4 1 5

13.27. Supóngase que se mide cada tratamiento dos veces en cada bloque en un diseño de bloques
aleatorizados, con 𝑏 bloques y 𝑘 tratamientos . Indique como realizaría los cálculos para un análisis de
varianza.

Localidad Método 1 Método 2 Método 3 Método 4 𝑌..

I 3 2 5 5 15
II 2 2 2 2 8
III 1 4 5 4 14
IV 2 4 1 5 12
𝑌.𝑗 8 12 13 16 49

Haciendo los cálculos pertinentes,

(49)2
𝑆𝑆𝑇 = (3)2 +, , , , , , +(5)2 − = 32.9375
16

(15)2 + (8)2 + (14)2 + (12)2 (49)2

𝑆𝑆𝑇𝑟𝑎𝑡 = − = 7.1875
4 16

(8)2 + (12)2 + (13)2 + (16)2 (49)2

𝑆𝑆𝐵 = − = 8.1875
4 16
𝑆𝐶𝐸 = 𝑆𝑆𝑇 − 𝑆𝑆𝑇𝑟𝑎𝑡 − 𝑆𝑆𝐵

𝑆𝐶𝐸 = 32.9375 − 7.1875 − 8.1875 = 17.5625

S𝑆𝑇 = 𝑆𝑆𝑇𝑟𝑎𝑡 + 𝑆𝑆𝐵 + 𝑆𝐶𝐸 = 7.1875 + 8.1875 + 17.5625 = 32.9375

ANOVA

F.V S.C G.L M.S F0

Por tratamiento 7.1875 3 2.3958 1.2277
Por bloque 8.1875 3 2.7292
Error 17.5625 9 1.9514
Total 32.9375 15
Calcularon del F,
𝐹(𝛼,𝑉1,𝑉2) = 𝐹(0.05,3,9) = 3.86

Hipótesis

𝐻0 ∶ µ1 = µ2 = µ3
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝑠𝑒𝑎 𝑑𝑖𝑠𝑡𝑖𝑛𝑡𝑎 𝑎 𝑙𝑎 𝑜𝑡𝑟𝑎

Análisis: Por tanto, si 𝐹0 > 𝐹(0.05,3,9) rechazamos la hipótesis nula. En este caso tenemos que 𝐹0 es menor
que 𝐹 .

Decisión: No se Rechaza 𝐻0

Comprobando: Para la hipótesis procedemos a analizar con la ecuación LSD.

𝛼
𝛼 = 0.05 𝑦 = 0.025
2

𝐺. 𝐿 = 16 − 4 = 12

𝑇(0.025,12) = 2.179

𝑀𝑆𝐸 = 1.95
2(1.95)
𝐿𝑆𝐷 = (2.179)√ = 2.15
4
Media Poblacional 𝑌̅
𝑌̅1 =8/4=2
𝑌̅2 =12/4=3
𝑌̅3 =13/4=3.25
𝑌̅4 =16/4=4
Calculando las respectivas diferencias entre ellas tendremos que ,
|𝑌̅1 − 𝑌̅2 | = 1
|𝑌̅1 − 𝑌̅3 | = 1.25
|𝑌̅1 − 𝑌̅4 | = 2
|𝑌2 − 𝑌̅3 | = 1.25
̅
|𝑌̅2 − 𝑌̅4 | = 1
|𝑌3 − 𝑌̅4 | = 0.75
̅
Analizando, |𝑌̅𝑖 − 𝑌̅𝑗 | > 𝐿𝑆𝐷.
µ1 = µ2
µ1 = µ3
µ1 = µ4
µ2 = µ3
µ2 = µ4
µ3 = µ4
Conclusión: Como los datos expresados en el siguiente ejercicio, la variabilidad entre las ambas µ no
varía, y se mantienen casi constante de la una respecto a la otra. La variabilidad es muy mínima
exceptuando en el método 4 que sobrestima menos de uno a 0.75
Solución:

Tendremos que en el siguiente ejercicio nos pide realizar dicho inciso con el diseño experimental bloque
aleatorizado por tanto tendremos que
Lingote Níquel Hierro Cobre 𝒀..
1 67.0 71.9 72.2 211.1
2 67.5 68.8 66.4 202.7
3 76.0 82.6 74.5 233.1
4 72.7 78.1 67.3 218.1
5 73.1 74.2 73.2 220.5
6 65.8 70.8 68.7 205.3
7 75.6 84.9 69.0 229.3
𝒀.𝒋 497.7 531.3 491.3 1520.3

Realizando cálculos,
2 2
(1520.3)2
𝑆𝑆𝑇 = (67.0) +, , , , , , +(69.0) − = 524.6495
21

(211.1)2 + ⋯ + (205.3)2 + (229.3)2 (1520.3)2

𝑆𝑆𝑇𝑟𝑎𝑡 = − = 268.2895
3 21

(497.7)2 + (531.3)2 + (491.3)2 (1520.3)2

𝑆𝑆𝐵 = − = 131.9009
7 21

𝑆𝐶𝐸 = 𝑆𝑆𝑇 − 𝑆𝑆𝑇𝑟𝑎𝑡 − 𝑆𝑆𝐵

 𝑆𝐶𝐸 = 524.6495 − 268.2895 − 131.9009 = 124.4591

𝑆𝑆𝑇 = 𝑆𝑆𝑇𝑟𝑎𝑡 + 𝑆𝑆𝐵 + 𝑆𝐶𝐸 = 268.2895 + 131.9009 + 124.4591 = 524.6495

ANOVA

F.V S.C G.L M.S F0

Lingote 131.9009 2 65.9505 6.3588
A.soldante 268.2895 6 44.7149
Error 124.4591 12 10.3716
Total 524.6495 20
Calcularon del F,
𝐹(𝛼,𝑉1,𝑉2) = 𝐹(0.05,2,12) = 3.89

Hipótesis

𝐻0 ∶ µ𝑛𝑖𝑞𝑢𝑒𝑙 = µ𝐻𝑖𝑒𝑟𝑟𝑜 = µ𝑏𝑟𝑜𝑛𝑐𝑒

𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝑠𝑒𝑎 𝑑𝑖𝑠𝑡𝑖𝑛𝑡𝑎

Análisis: Por tanto, si 𝐹0 > 𝐹(0.05,3,9) rechazamos la hipótesis nula. En este caso tenemos que 𝐹0 es menor
que 𝐹 .

Decisión: Se Rechaza 𝐻0 . Al menos una es distinta respecto a las otras.

Comprobando: Para la hipótesis procedemos a analizar con la ecuación LSD.

𝛼
𝛼 = 0.05 𝑦 = 0.025
2

𝐺. 𝐿 = 21 − 3 = 18

𝑇(0.025,18) = 2.101

𝑀𝑆𝐸 = 10.37
2(10.37)
𝐿𝑆𝐷 = (2.101)√ = 5.5242
3
Media Poblacional 𝑌̅
497.7
𝑌̅1 = = 71.1
7
531.3
𝑌̅2 = = 75.9
7
491.3
𝑌̅3 = = 70.18
7
Calculando las respectivas diferencias entre ellas tendremos que,
 |𝑌̅1 − 𝑌̅2 | = 4.8

|𝑌̅1 − 𝑌̅3 | = 0.914

|𝑌̅1 − 𝑌̅2 | = 5.7

Sabemos que,|𝑌̅𝑖 − 𝑌̅𝑗 | > 𝐿𝑆𝐷, por lo tanto
µ1 = µ2
µ1 = µ3
µ2 ≠ µ3

Conclusión: Como los datos recopilados expresados, rechazamos la hipótesis nula, debido a que 𝐹0 >
𝐹(0.05,3,9) , y es por ello al calcular la media población denotamos que al menos una es distinta a la otra,
por lo que el material de hierro es un agente soldante que actúa con mas fuerza ala hora de soldar en dicho
material.

Atreves De Diseño de bloque aleatorizado obtenemos los siguientes resultados

ENVIO I II III 𝒀..

1 15.2 16.9 17.1 49.2
2 14.3 16.4 16.1 46.8
3 14.7 15.9 15.7 46.3
4 15.1 16.7 17.0 48.8
5 14.0 15.6 15.5 45.1
𝒀.𝒋 73.3 81.5 81.4 236.2

Haciendo los cálculos determinados:

 2
(236.2)2
2
𝑆𝑆𝑇 = (15.2) +, , , , , , +(15.5) − = 13.2573
15
(49.2) + (46.8) + (46.3) + (48.8) + (45.1)2
2 2 2 2
(236.2)2
𝑆𝑆𝑇𝑟𝑎𝑡 = − = 3.9773
3 15
(73.3)2 + (81.5)2 + (81.4)2 (236.2)2
𝑆𝑆𝐵 = − = 8.8573
5 15
𝑆𝐶𝐸 = 𝑆𝑆𝑇 − 𝑆𝑆𝑇𝑟𝑎𝑡 − 𝑆𝑆𝐵
𝑆𝐶𝐸 = 13.2573 − 3.9773 − 8.8573 = 0.4227
𝑆𝑆𝑇 = 𝑆𝑆𝑇𝑟𝑎𝑡 + 𝑆𝑆𝐵 + 𝑆𝐶𝐸 = 3.9773 + 8.8573 + 0.4227 = 13.2573

ANOVA

S.C G.L M.S F0

F.V
ENVIO 8.8573 2 4.4287 83.8769
Empresa.TRANS 3.9773 4 0.9943
Error 0.4227 8 0.0528
Total 13.2573 14

Calcularon del F,
𝐹(𝛼,𝑉1) = 𝐹(0.05,8) = 4.46

Hipótesis

𝐻0 ∶ µ1 = µ2 = µ3
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝑠𝑒𝑎 𝑑𝑖𝑠𝑡𝑖𝑛𝑡𝑎

Análisis: Por tanto, si 𝐹0 > 𝐹(0.05,8) rechazamos la hipótesis nula. En este caso tenemos que 𝐹0 es menor
que 𝐹 .

Decisión: No se Rechaza 𝐻0

Comprobando: Para la hipótesis procedemos a analizar con la ecuación LSD.

𝛼
𝛼 = 0.05 𝑦 = 0.025
2

𝐺. 𝐿 = 15 − 3 = 12

𝑇(0.025,12) = 2.179

𝑀𝑆𝐸 = 0.0528
2(0.0528)
𝐿𝑆𝐷 = (2.179)√ = 0.4088
3
Media Poblacional 𝑌̅

73.3
𝑌̅1 = = 24.4333
3
81.3
𝑌̅2 = = 27.1667
3
81.4
𝑌̅3 = = 27.133
3
Calculando las respectivas diferencias entre ellas tendremos que ,
|𝑌̅1 − 𝑌̅2 | = 2.7433
|𝑌̅1 − 𝑌̅3 | = 2.7
|𝑌̅1 − 𝑌̅4 | = 0.0334
̅ ̅
Analizando, |𝑌𝑖 − 𝑌𝑗 | > 𝐿𝑆𝐷.
µ1 ≠ µ2
µ1 ≠ µ3
µ2 = µ4

Conclusión: Con la información que se obtuvo por el análisis de los datos recopilados, de determinó, que
al menos uno o más son distinto entre ellos. Por ende una de las empresas tiene el envío más rápido en
relación a la otra
Cálculos realizados en Excel
Matriz X

1 4.9146 1 3.472 0.998 1 7 4 42 0

1 5.0208 1 3.531 1.5 2 7 4 62 0
1 4.5429 1 2.275 1.175 1 6 3 40 0
1 4.5573 1 4.05 1.232 1 6 3 54 0
1 5.0597 1 4.455 1.121 1 6 3 42 0
1 3.898 1 4.455 0.988 1 6 3 56 0
1 5.898 1 5.85 1.24 1 7 3 51 1
1 5.6039 1 9.52 1.501 0 6 3 32 0
1 5.8282 1 6.435 1.225 2 6 3 32 0
1 5.3003 1 4.9883 1.552 1 6 3 30 0
x= 1 6.2712 1 5.52 0.975 1 5 2 30 0
1 5.9592 1 6.666 1.121 2 6 3 32 0
1 5.05 1 5 1.02 1.5 5 2 46 1
1 8.2464 1.5 5.15 1.664 1 8 4 50 0
1 6.6969 1.5 6.902 1.488 1.5 7 3 22 1
1 7.7841 1.5 7.102 1.376 1 6 3 17 0
1 9.0384 1 7.8 1.5 1.5 7 3 23 0
1 5.9894 1 5.52 1.256 2 6 3 40 1
1 7.5422 1.5 5 1.69 1 6 3 22 0
1 8.7951 1.5 9.89 1.82 2 8 4 50 1
1 6.0831 1.5 6.7265 1.652 1 6 3 44 0
1 8.3607 1.5 9.15 1.777 2 8 4 48 1
1 8.14 1 8 1.504 2 7 3 3 0
1 9.1416 1.5 7.3262 1.831 1.5 8 4 31 0
Transpuesta de la Matriz X

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
4.9146 5.0208 4.5429 4.5573 5.0597 3.898 5.898 5.6039 5.8282 5.3003 6.2712 5.9592 5.05 8.2464 6.6969 7.7841 9.0384 5.9894 7.5422 8.7951 6.0831 8.3607 8.14 9.1416
1 1 1 1 1 1 1 1 1 1 1 1 1 1.5 1.5 1.5 1 1 1.5 1.5 1.5 1.5 1 1.5
3.472 3.531 2.275 4.05 4.455 4.455 5.85 9.52 6.435 4.9883 5.52 6.666 5 5.15 6.902 7.102 7.8 5.52 5 9.89 6.7265 9.15 8 7.3262
X'= 0.998 1.5 1.175 1.232 1.121 0.988 1.24 1.501 1.225 1.552 0.975 1.121 1.02 1.664 1.488 1.376 1.5 1.256 1.69 1.82 1.652 1.777 1.504 1.831
1 2 1 1 1 1 1 0 2 1 1 2 1.5 1 1.5 1 1.5 2 1 2 1 2 2 1.5
7 7 6 6 6 6 7 6 6 6 5 6 5 8 7 6 7 6 6 8 6 8 7 8
4 4 3 3 3 3 3 3 3 3 2 3 2 4 3 3 3 3 3 4 3 4 3 4
42 62 40 54 42 56 51 32 32 30 30 32 46 50 22 17 23 40 22 50 44 48 3 31
0 0 0 0 0 0 1 0 0 0 0 0 1 0 1 0 0 1 0 1 0 1 0 0

Calculando X’X

24 153.722 28 144.784 33.206 32 156 76 899 6

153.722 1042.13913 185.04705 976.618841 220.066567 211.17495 1019.8071 494.324 5534.9767 40.7901
28 185.04705 34 173.40735 39.855 37.5 184.5 90 1041 7.5
144.784 976.618841 173.40735 962.208655 207.455747 197.9701 956.7714 462.3512 5199.5632 42.312
X'X= 33.206 220.066567 39.855 207.455747 47.698696 44.8275 219.655 107.213 1231.433 8.601
32 211.17495 37.5 197.9701 44.8275 49 211.5 103 1195 10
156 1019.8071 184.5 956.7714 219.655 211.5 1032 504 5879 41
76 494.324 90 462.3512 107.213 103 504 248 2904 19
899 5534.9767 1041 5199.5632 1231.433 1195 5879 2904 38209 257
6 40.7901 7.5 42.312 8.601 10 41 19 257 6
Matriz Y Calculando X’y Calculando (𝑿𝑿′)−𝟏

25.9
29.5 - - -
27.5 4.5561 0.2856 -1.3912 -0.0911 0.1091 0.3824 1.2227 1.4225 0.0158 0.8926
25.9 830.3 - - -
5510.23992 0.2856 0.1300 -0.2664 -0.0227 0.0884 0.0729 0.1874 0.2023 0.0028 0.0941
29.9
992.45 - - - -
29.9
5186.59026 -1.3912 -0.2664 2.3191 0.0638 0.9026 0.2849 0.4489 0.5981 0.0009 0.4646
30.9 - - -
28.9 X'y= 1175.9642
-0.0911 -0.0227 0.0638 0.0277 0.0717 0.0142 0.0162 0.0121 0.0005 0.0454
35.9 1136.3
(XX')^{- - - -
y= 31.5 5462
1}= 0.1091 -0.0884 -0.9026 -0.0717 2.1765 0.0354 0.0458 0.2596 0.0006 0.1083
31 2651.4 - -
30.9 30328 -0.3824 -0.0729 0.2849 0.0142 0.0354 0.2630 0.1084 0.2100 0.0010 0.1876
30 223.7 - - -
36.9 -1.2227 -0.1874 0.4489 0.0162 0.0458 0.1084 0.6944 0.8562 0.0000 0.3274
41.9 - - - -
40.5 1.4225 0.2023 -0.5981 -0.0121 0.2596 0.2100 0.8562 1.3866 0.0070 0.5183
- - -
43.9
-0.0158 0.0028 -0.0009 0.0005 0.0006 0.0010 0.0000 0.0070 0.0005 0.0062
37.5 - - -
37.9 0.8926 0.0941 -0.4646 -0.0454 0.1083 0.1876 0.3274 0.5183 0.0062 0.5520
44.5
37.9
38.9
36.9
45.8

𝛽0
̂
Por lo tanto, calculando 𝛽 = [ ⋮ ] = (𝑿′𝑿)−1 𝑿′𝒚, se obtiene
𝛽9 10.5614
1.7266
𝛽0 8.2397
̂
𝛽 = [ ⋮ ] = (𝑿′𝑿)−1 𝑿′𝒚 0.1922
𝛽9 2.4912
2.5093
0.4268
-1.9472
-0.0338
0.2727