MODELOS DE REGRESIÓN

MODELOS DE REGRESIÓN LINEAL

ÁREA DE ESTADISTICA
DEPARTAMENTO DE CIENCIAS EXACTAS - ESPE
 Clase # 40

Actividad de aprendizaje
Tarea 08
Ejercicios propuestos
ESTADÍSTICA MATEMÁTICA CON APLICACIONES, WACKERLY, MENDENHALL,
SCHEAFFER, SÉPTIMA EDICIÓN, CENGACE LEARNING.
Capítulo 11: Página 572. Ejercicios: 11.1, 11.3, 11.5, 11.9, 11.13
Página 582. Ejercicios: 11.15, 11.19
Página 587. Ejercicios: 11.23, 11.27, 11.31
Página 592. Ejercicios: 11.35, 11.37
Página 597. Ejercicios: 11.43
Página 602. Ejercicios: 11.49, 11.53, 11.55
Página 614. Ejercicios: 11.67, 11.69
Página 621. Ejercicios: 11.71, 11.73
Página 630. Ejercicios: 11.81, 11.85, 11.87
Página 672. Ejercicios: 13.7
Página 679. Ejercicios: 13.17, 13.19

Nombre del estudiante Rommel Andrés Erazo Molina

Carrera Ingeniería civil
NRC 6625
Nombre del profesor Ing. Livino Armijos

Indicaciones:
- Realizar los ejercicios a mano y con esfero azul
- Cualquier inquietud por favor presentarla a través del Foro a fin de solventar dudas de
todo el grupo
 Usando la sugerencia:

Las estadísticas de resumen son: x = 0, y = 1.5, Sxy = –6, Sxx = 10. Por lo tanto,

yˆ = 1.5 – .6x.
 Las estadísticas resumidas son:

x = 4.5, y = 43.3625

Sxy = 203.35, Sxx = 42.

Por lo tanto y= 21.575 + 4.842x. Dado que la pendiente es positiva, esto sugiere un
aumento en los precios medios con el tiempo. Además, el aumento anual esperado es
de $ 4,842.

Literal a: Se muestra en la gráfica

Literal b: yˆ = –15.45 + 65.17x.

Literal c:

Literal d: Cuando x = 1.9, la mejor estimación de y es yˆ = –15.45 + 65.17(1.9) = 108.373.

Las estadísticas de resumen son: x = 6.177, y = 270.5, Sxy = –5830.04, Sxx = 198.29.

A. La línea de mínimos cuadrados es: yˆ = 452.119 – 29.402x.

B.
Las estadísticas resumidas son: x = 16, y = 10.6, Sxy = 152.0, Sxx = 320.

A. La línea de mínimos cuadrados es: yˆ = 3.00 + 4.75x.

B.
C. s 2 = 5.025.
 Suponiendo que los términos de error son independientes y normalmente distribuidos
con media 0

y varianza constante σ:

b. Utilizando la cantidad pivotal expresada anteriormente, el resultado se deriva del

material en Sección 8.8.

Here, R is used to fit the regression model:

> x <- c(19.1, 38.2, 57.3, 76.2, 95, 114, 131, 150, 170)

> y <- c(.095, .174, .256, .348, .429, .500, .580, .651, .722) > summary(lm(y~x))

Call:

lm(formula = y ~ x)
Residuals:

Min 1Q Median 3Q Max

-1.333e-02 -4.278e-03 -2.314e-05 8.056e-03 9.811e-03

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 1.875e-02 6.129e-03 3.059 0.0183 *

x 4.215e-03 5.771e-05 73.040 2.37e-11 ***

---

Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.008376 on 7 degrees of freedom

Multiple R-Squared: 0.9987, Adjusted R-squared: 0.9985

F-statistic: 5335 on 1 and 7 DF, p-value: 2.372e-11

De la salida, el modelo ajustado es yˆ = .01875 + .004215x. Para probar H0: β1 = 0

contra

Ha: β1 ≠ 0, tenga en cuenta que el valor p es bastante pequeño, lo que indica un

estadístico de prueba muy significativo.

Por lo tanto, H0 se rechaza y podemos concluir que la corriente pico aumenta como
níquel.

Las concentraciones aumentan (tenga en cuenta que esta es una alternativa unilateral,
por lo que el valor p es en realidad 2.37e-11 dividido por 2).

Con a0 = 1 y a1 = x*, el resultado sigue desde

Esto se minimiza cuando ( ) 0

* 2 x − x = , entonces x*=x

A. R2 se comporta inversamente a la ESS, ya que r2= 1 – ESS/Syy.

B. El mejor modelo tiene r2= .817, entonces r = .90388 (ya que la pendiente es
positiva, r también lo es).
No es que la pendiente es la misma que en Ex. 11.66, pero la intersección y es
diferente. Dado que X′X no es un matriz diagonal (como en Ex. 11.66), calcular la
inversa es un poco más tedioso.
Nótese que el vector a está compuesto por k 0 y uno 1. Así

Si el valor mínimo debe ocurrir en x0 = 1, entonces esto implica β1 + 2β2 = 0. Para

probar este reclamo, sea a′ = [0 1 2] para la hipótesis H0: β1 + 2β2 = 0 vs. Ha: β1
+ 2β2 ≠ 0. De

De la definición 7.2, sea Z ~ Nor(0, 1) y W ~ 2χν, y sean Z y W independientes.

por definición 7.3, F = T2 tiene una distribución F con 1 numerador y denominador ν

grados de libertad. Ahora, específicamente para este problema, tenga en cuenta que si
k = 1, SSER = Syy. Así que la prueba reducida del modelo F simplifica a
 con 4 numeradores y

10 grados de libertad denominadores. De la Tabla 7, está claro que el valor p < .005,

Por lo tanto, podemos concluir con seguridad que al menos una de las variables
contribuye a predecir el precio de venta.

b. Desde yy R 1 SSE/ S2= − , SSE = 16382.2(1 – .942) = 950.1676

A. El estadístico F viene dado por F = MST/MSE = .15496/.0298 = 5.2002 (dado en
el

Tabla ANOVA anterior) con 3 grados de libertad de numerador y 16 grados de

libertad.

Como F.05 = 3.24, podemos rechazar H0: μ1 = μ2 = μ3 = μ4 y concluir que al menos

uno de

Los medios de la planta son diferentes.

b. El valor p se da en la tabla ANOVA: valor p = .01068.

A. Recordemos que μi = μ + τi para i = 1, ..., k. Si todos los τi = 0, entonces todos los
μi = μ. Por el contrario, si

μ1 μ= 2 =... μ= k, tenemos que k μ + τ = μ + τ =...= μ + τ 1 2

y k τ τ= =... = τ 1 2

Dado que se suponía que ∑=τkYoi 1= 0, todos los τi = 0. Por lo tanto, las hipótesis
nulas son equivalente.

b. Considere μi = μ + τi y μi′ = μ + τi′. Si μi ≠ μi′, entonces μ + τi ≠ μ + τi′ y por lo

tanto τi ≠ τi′.

Dado que ∑=τkYoi 1= 0, al menos un τi ≠ 0 (en realidad, debe haber al menos dos).
Por el contrario, deje que τi ≠ 0. Como ∑= τ k i i 1 = 0, debe haber al menos un i′
tal que τi ≠ τi′. Con μi = μ + τi y μi′ = μ + τi′, debe ser tal que μi ≠ μi′. Por lo tanto,
las hipótesis alternativas son equivalentes.