paso1:

paso2

si es que no m
el valor de P

Chi cuadrado
178.54
Regla de oro

Poisson: cuando un evento ocurre en un
intervalo de tiempo
Binomial: Cuando un evento solo
tiene 2 posibilidad
Pvalue<0.05--> Rho
Pvalue>=0.05 --> No Rho
Decisión:
Pvalue(0.000000000000000
Conclusión
Se puede afirmar que el N°
 ho: El número de peras malogradas sigue una distribución binomial X: N° de peras malogradas
ha: El número de peras malogradas no sigue una distribución binomial en un bolsa hay 3 peras
X: 0,1,2,3
a=0.05
Binomial: X fo (observado)Probabilidad
n--> 3 0 300 0.376714678
N--> 600 1 150 0.434670782
p 0.277777778 2 100 0.16718107
Probabilidad de que una pera este malogra 3 50 0.021433471
1

Goodness of Fit Test

alue<0.05--> Rho
alue>=0.05 --> No Rho observed expected
300 226,029
alue(0.00000000000000000...)<0.05 --> RHo 150 260,802
100 100,309
e puede afirmar que el N° de peras malogradas no sigue una distribución binomial 50 12,860
600 600,000

178.54 chi-square
2 df
1.70E-39 p-value
Esperados
226.0288066
260.8024691
100.308642
12.86008231
600

O-E (O - E)² / E % of chisq

73,971 24,208 13.56
-110,802 47,075 26.37
-309 1 0.00
37,140 107,260 60.07
0 178,544 100.00
Poisson: cuando un evento ocurre en un Binomial: Cuando un evento solo
intervalo de tiempo tiene 2 posibilidad
 ho: El número de peras malogradas sigue una distribución binomial
paso1: ha: El número de peras malogradas no sigue una distribución binomial

paso2 a=0.05
Binomial: X
n--> 3 peras (p3 0
N--> 600 600 1
si es que no me dap 0.277777778 2
el valor de P Probabilidad de que una pera este malogra 3

Chi cuadrado
178,544
Regla de oro
Pvalue<0.05--> Rho
Pvalue>=0.05 --> No Rho observed expected
300 226,029
Decisión: 150 260,802
Pvalue(0.0000000..)<0.05--> RHO 100 100,309
Conclusión 50 12,860
se puede afirmar 600 600,000
ha: N° de peras malogras no siguen una distribució binomial
178.54 chi-square
2 df
1.70E-39 p-value
Goodness of Fit Test

observed expected O-E

300 226,029 73,971
150 260,802 -110,802
100 100,309 -309
50 12,860 37,140
600 600,000 0

178.54 chi-square
2 df
1.70E-39 p-value
X: N° de peras malogradas
0, 1,2,3

para cada per X 600 bolsa

fo (observado)Probabilidad Esperados
300 0.376714678 226.0288066
150 0.434670782 260.8024691
100 0.16718107 100.308642
50 0.021433471 12.86008231
1 600

O-E (O - E)² / E % of chisq

73,971 24,208 13.56
-110,802 47,075 26.37
-309 1 0.00
37,140 107,260 60.07
0 178,544 100.00
(O - E)² / E % of chisq
24,208 13.56
47,075 26.37
1 0.00
107,260 60.07
178,544 100.00
Ecuación:
 Y X1 X2
Y (alquiler.. $) tamaño(N° habDistancia centro ciudad (mill X1^2 X2^2
360 2 1 4 1
1000 6 1 36 1
450 3 2 9 4
525 4 3 16 9
350 2 10 4 100
300 1 4 1 16
suma 2985 18 21 70 131

a) Determinar el modelo n=6

b) Interpretar los coeficiente

1era ecuación 2985= 6*Bo + 18*B1 + 21*B2

2da ecuación 11170 = 18*Bo + 70*B1 + 50*B2
3era ecuación 8535= 21*Bo + 50*B1 + 131*B2

Bo=X=96.46
B1=Y=136.48
B2=Z=-2.4

Modelo
Y= Bo+B1X1+B2X2
Alquiler = 96.46 + 136.48N° habitaciones - 2.4Distancia

interpretación los coeficientes

Bo=96.46--> No tiene interpretación
B1= 136.48--> Cuando (X1) el número de habitaciones aumenta en uno, entonces (Y) el alquiler aumenta en 136
B2= -2.4 --> Cuando (X2) la distancia al centro de la ciudad aumenta en una milla , entonces (Y) el aquiler Dismin
 X1Y X2Y X1*X2
720 360 2
6000 1000 6
1350 900 6
2100 1575 12
700 3500 20
300 1200 4
11170 8535 50

alquiler aumenta en 136.48 dolares, manteniendo constante (x2) distancia

nces (Y) el aquiler Disminiuye en 2.4 dolares , manteniendo constancia (X1) N° hab
 Y
Y (alquiler.. $)
N=6 360
1000
450
525
350
300
suma 2985

datos
Ypromedio= 497.5
X1Promedio= 3
X2promedio= 3.5

1820225/6 - (497.5)^2 11170/6 - (497.5)( 8535/6 - (497.5)(3.5)

CoV 11170/6 - (497.5)(3) 70/6 - (3)^2 50/6 - (3)(3.5)
8535/6 - (497.5)(3.5) 50/6 - (3)(3.5) 131/6 - (3.5)^2

COV
 X1 X2
tamaño(N° habDistancia centrX1^2 X2^2 X1Y X2Y X1*X2
2 1 4 1 720 360 2
6 1 36 1 6000 1000 6
3 2 9 4 1350 900 6
4 3 16 9 2100 1575 12
2 10 4 100 700 3500 20
1 4 1 16 300 1200 4
18 21 70 131 11170 8535 50

(497.5)(3.5)
Y^2
129600
1000000
202500
275625
122500
90000
1820225

a) Modelo
b) Interpretar los coeficientes
c) Matriz Varianza covarianza