Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EJERCICIO 1
EJERCICIO 3
A)
𝑪 = 𝜷𝟎 + 𝜷𝟏 𝒀 + 𝝐
Donde:
𝐶 = 𝑒𝑠 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑐𝑜𝑛𝑠𝑢𝑚𝑜
𝑌 = 𝑒𝑠 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑖𝑛𝑔𝑟𝑒𝑠𝑜 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 𝑜 𝑟𝑒𝑛𝑡𝑎
𝛽0 = 𝑒𝑠 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡𝑜
𝛽1 = 𝑒𝑠 𝑙𝑎 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛 𝑒𝑛𝑡𝑟𝑒 𝐶 𝑦 𝑌
𝜖 = 𝑒𝑠 𝑒𝑙 𝑡𝑒𝑟𝑚𝑖𝑛𝑜 𝑑𝑒 𝑒𝑟𝑟𝑜𝑟
Calcular de sumatoria
𝐶: 327, 24, 493, 511, 356, 18, 472, 239, 219, 532
𝑌: 470, 89, 676, 694, 505, 81, 651, 351, 327, 721
Calcular las sumatorias necesarias
Calculo de 𝛽0 y 𝛽1
Utilizamos las siguientes fórmulas:
∑𝐶 ∗ ∑𝑌
∑𝐶 ∗𝑌 −
𝛽1 = 𝑛
( ∑𝐶 )2
∑ 𝐶2 −
𝑛
∑𝑌 − 𝛽1 ⋅ ∑𝐶
𝛽0 =
𝑛
Donde n es el número de observaciones, que en este caso es 10.
Sustituimos los valores:
3771 ∗ 4965
2864479 − 10
𝛽1 =
(3771)2
2146091 − 10
4965 − 𝛽1 ⋅ 3771
𝛽0 =
10
2864479 − 1873011.5
𝛽1 =
2146091 − 1417694.1
𝜷𝟏 = 𝟏. 𝟑𝟔𝟗
4965 − 1.369 ⋅ 3771
𝛽0 =
10
4965 − 5157.99
𝛽0 =
10
𝜷𝟎 = −𝟏𝟗. 𝟒𝟎𝟎
𝑪 = 𝜷𝟎 + 𝜷𝟏 𝒀 + 𝝐
∑(𝐶 − 𝐶̅ )^2
𝑆𝐸 (𝛽1 ) = √
(𝑛 − 2) ∗ ∑(𝑌 − 𝑌̅ )2
Calculamos 𝐶̅ y 𝑌̅ :
∑ 𝑌 4965
𝑌̅ = = = 496.5
𝑛 10
𝐶̅ = −19.400 + 1.369 ∗ 496.5 = 660.31
(3771 − 660.31)2
𝑆𝐸(𝛽1 ) = √
(10 − 2) ∗ (4965 − 496.5)2
𝑺𝑬(𝜷𝟏 ) = 𝟎. 𝟐𝟒𝟔𝟏
EJERCICIO 5
A)
Primero, necesitamos calcular algunas estadísticas importantes:
1. Calcular las sumas de las variables:
𝑛 = 5 (𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠)
∑𝑌 = 85 (𝑠𝑢𝑚𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑝𝑟𝑒𝑐𝑖𝑜𝑠)
Ahora, podemos usar estas estadísticas para calcular los coeficientes ��βi:
𝜷𝟎 = 𝟏𝟒. 𝟐𝟏𝟑
𝑛∑𝑋𝑌 − ∑𝑋1∑𝑌
𝛽1 =
𝑛∑𝑋12 − (∑𝑋1)2
𝜷𝟏 = 𝟎. 𝟐𝟕𝟏
𝑛∑𝑋𝑌 − ∑𝑋2∑𝑌
𝛽2 =
𝑛∑𝑋22 − (∑𝑋2)2
𝜷𝟐 = 𝟔. 𝟖𝟗𝟕
B)
Primero, calculamos los residuos (𝑒𝑖 ):
̂𝑖
𝑒𝑖 = 𝑌𝑖 − 𝑌
Luego, calculamos 𝜎 2 como la varianza de los residuos:
1
𝜎2 = ∑ 𝑒𝑖2
𝑛−3
𝑒1 = 𝑌1 − 𝑌1 = 15 − 59.294 = −44.294
𝑒2 = 𝑌2 − 𝑌 2 = 20 − 63.384 = −43.384
𝑒3 = 𝑌3 − 𝑌 3 = 15 − 57.964 = −42.964
𝑒4 = 𝑌4 − 𝑌 4 = 15 − 53.874 = −38.874
𝑒5 = 𝑌5 − 𝑌 5 = 20 − 69.901 = −49.901
1
𝜎^2 = [(−44.294)2 + (−43.384)2 + (−42.964)2 + (−38.874)2
5−3
+ (−49.901)2 ]
𝝈𝟐 ≈ 𝟒𝟖𝟒𝟗. 𝟔
Podemos calcular ∑(𝑋𝑖 − 𝑋̅𝑖 )2 :
Para X1:
∑(𝑋1 − 𝑋̅1)2 = ∑(90 − 88)2 + (100 − 88)2 + (80 − 88)2 + (70 − 88)2
+ (100 − 88)2
∑(𝑋1 − 𝑋̅1)2 = 692
Para X2:
4849.6
𝑆𝐸(𝛽0) = √ ≈ 1.12
5 ⋅ 692
𝑃𝑎𝑟𝑎 𝛽1:
4849.6
𝑆𝐸(𝛽1) = √ ≈ 1.12
5 ⋅ 692
𝑃𝑎𝑟𝑎 𝛽2:
4849.6
𝑆𝐸(𝛽2) = √ ≈ 0.24
5 ⋅ 6880
C) Calculamos R2
1947.3 + 2230.56 + 1858.32 + 1457.29 + 2609.88
𝑅2 =
4+9+4+4+9
𝑹𝟐 ≈ 𝟑𝟑𝟑. 𝟒𝟓
EJERCICIO 6
1 49
1 69
X= 1 89
1 99
1 109
124
95
Y= 71
45
18
𝟓 𝟒𝟎𝟓
𝑿𝑻 𝑿 [ ]
𝟒𝟎𝟓 𝟑𝟎𝟓𝟏𝟖
b) Invertir la matriz 𝑋^𝑇𝑋 y estimar la matriz (𝑋^𝑇𝑋)^−1:
𝛽 = (𝑋 𝑇 ∗ 𝑋)−1 ∗ 𝑋 𝑇 ∗ 𝑌
0.193 −0.003 437
𝛽 ≈ [ ]∗[ ]
−0.003 0.00006 5892
El resultado será un vector columna con los coeficientes de regresión estimados:
0.868
𝛽 ≈ [ ]
−0.003
Entonces, la ecuación de regresión lineal estimada sería:
𝑌 ≈ 0.868 ∗ 𝑋 − 0.003
EJERCICIO 7
a) Estimar los coeficientes por MCO:
Dado que tenemos la siguiente ecuación del modelo:
𝑌𝑡 = 𝛽1 + 𝛽2𝑋2 + 𝛽3𝑋3 + 𝜇𝑡
Podemos escribirlo en forma matricial como:
𝑌 = 𝑋𝛽 + 𝜇
Donde:
Y es un vector de tamaño 3x1 (14, 7, 14)
X es una matriz de tamaño 3x3 con los valores proporcionados en la pregunta.
β es un vector de coeficientes que queremos estimar (β1, β2, β3)
μ es un vector de errores (μt)
Primero, calculemos la matriz X^TX y el vector X^TY:
7 4.5 7
𝑇
𝑋 𝑋 = [4.5 7 7]
7 7 15
6
𝑇
𝑋 𝑌 = [10]
12
Ahora, vamos a resolver el sistema de ecuaciones lineales para estimar β. El sistema se
ve así:
𝑋𝑇 𝑋 ∗ 𝛽 = 𝑋𝑇 𝑌
Usando la inversa de X^TX, podemos encontrar β:
𝛽 = (𝑋 𝑇 𝑋)−1 ∗ 𝑋 𝑇 𝑌
Calculemos la inversa de X^TX y luego multipliquemos por X^TY:
𝟑. 𝟐𝟐
𝜷 = [ 𝟏. 𝟓 ]
−𝟎. 𝟏𝟖
EJERCICIO 8
a) Interpretación de los coeficientes del modelo de regresión:
El modelo de regresión obtenido es:
El coeficiente 0.020 (intercepto) representa el valor estimado del gasto en viajes de fin
de curso a Canadá (Y) cuando tanto la renta disponible de los estudiantes (X1) como el
precio de los viajes a Estados Unidos (X2) son iguales a cero. En otras palabras, es el valor
estimado del gasto inicial en viajes, que incluye gastos fijos o iniciales no relacionados
con X1 y X2.
El coeficiente 0.510 para X1 indica que, manteniendo constante el precio de los viajes a
Estados Unidos (X2), un aumento de una unidad en la renta disponible de los estudiantes
(X1) se relaciona con un aumento de 0.510 unidades en el gasto en viajes de fin de curso
a Canadá (Y). Esto sugiere que a medida que la renta disponible de los estudiantes
aumenta, tienden a gastar más en viajes a Canadá.
El coeficiente 0.220 para X2 indica que, manteniendo constante la renta disponible de
los estudiantes (X1), un aumento de una unidad en el precio de los viajes a Estados
Unidos (X2) se relaciona con un aumento de 0.220 unidades en el gasto en viajes de fin
de curso a Canadá (Y). Esto sugiere que a medida que los precios de los viajes a Estados
Unidos aumentan, los estudiantes tienden a gastar más en viajes a Canadá,
posiblemente como alternativa más asequible.
Para X2, como |t(X2)| < 2.92, tampoco rechazamos H0. Esto significa que el precio de los
viajes a Estados Unidos (X2) no es significativamente diferente de cero en relación con
el gasto en viajes a Canadá (Y) al 95% de confianza.
En resumen, ninguno de los regresores (X1 y X2) es significativo individualmente en el
modelo.
Donde:
SCE es la suma de cuadrados del error (variabilidad no explicada por el modelo).
SCT es la suma de cuadrados total (variabilidad total de Y).
En el enunciado, se proporciona que SCT = 5.2, lo que representa la suma de cuadrados
total. Para calcular SCE, necesitamos estimar la varianza residual, que no se proporciona
en el enunciado. Sin embargo, podemos utilizar la fórmula de R^2 para evaluar la bondad
de ajuste relativa del modelo en función de la información proporcionada.
𝑆𝐶𝐸 5.2
𝑅2 = 1 − ( ) = 1 − ( ) = 1 − 1 = 0
𝑆𝐶𝑇 5.2
Esto significa que el modelo no explica ninguna variabilidad en el gasto de los estudiantes
en viajes a Canadá (Y), ya que R^2 es igual a cero. El modelo no se ajusta bien a los datos.
Donde:
SCT es la suma de cuadrados total.
SCE es la suma de cuadrados del error.
k es el número de regresores en el modelo (en este caso, 2: X1 y X2).
n es el tamaño de la muestra (en este caso, 5).
SCT = 5.2 (como se proporciona en el enunciado)
SCE = SCT - 0 (ya que R^2 es 0)
k=2
n=5
5.2 − 0
[ ] 5.2
2
𝐹 = = = ∞
0 0
5 − 2 − 1
La estadística F es infinita, lo que indica que el modelo es significativo
EJERCICIO 9
a) Estimación del modelo:
Podemos utilizar los valores dados en el enunciado para estimar el modelo de
regresión lineal. Primero, necesitamos calcular los coeficientes 𝛽0 y 𝛽1 usando las
fórmulas:
𝐶𝑜𝑣(𝑋, 𝑌)
𝛽1 =
𝑉𝑎𝑟(𝑋)
𝛽0 = 𝑌̅ − 𝛽1𝑋̅
Dado que se nos proporcionan los siguientes valores:
• 𝐶𝑜𝑣(𝑋, 𝑌) = 0.8
• 𝑉𝑎𝑟(𝑋) = 20
• 𝑌̅ = 20
• 𝑋̅ =
100 (𝑦𝑎 𝑞𝑢𝑒 𝑠𝑒 𝑚𝑒𝑛𝑐𝑖𝑜𝑛𝑎 𝑞𝑢𝑒 𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝑢𝑛𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑑𝑒 100 𝑡𝑟𝑎𝑏𝑎𝑗𝑎𝑑𝑜𝑟𝑒𝑠)
Podemos calcular β1 y β0 de la siguiente manera:
0.8
𝛽1 = = 0.
20
𝛽0 = 20 − (0.04)(100) = 20 − 4 = 16
Entonces, el modelo estimado es:
𝑌 = 16 + 0.04𝑋
b) Cálculo de la bondad de ajuste (R^2) e interpretación:
La bondad de ajuste R^2 mide la proporción de la variabilidad en la variable dependiente
(número de piezas elaboradas) que es explicada por el modelo de regresión. Se calcula
comoNO
Primero, calculamos Var(Y):
𝑉𝑎𝑟(𝑌) = 𝑉𝑎𝑟(16 + 0.04𝑋) = 0.04^2 ∗ 𝑉𝑎𝑟(𝑋) = 0.0016 ∗ 20 = 0.032
Luego, calculamos Var(Y) (dado que se nos proporciona que Var(Y) = 6000).
6000 − (0.04)2 ⋅ 20
𝜎2 =
100 − 2
6000 − 0.0016 ⋅ 20
𝜎2 =
98
𝝈𝟐 ≈ 𝟔𝟏. 𝟐𝟐𝟏
𝜎2 61.221
𝑉𝑎𝑟(𝛽1) = = = 0.0306
100 ⋅ 20 2000
EJERCICIO 10