1.

Y = β1 + β 2 X +ε

Usemos los supuestos que E ( U ) =0 YCov (u , x )=0

Teniendo esto en cuenta hagamos que nuestros estimadires β 1 , β 2 satisfagan las mismas
ecuaciones .
n
1
∑ ( y −β −β x )=0
n i=1 i 1 2 i
n
^ ( y i−β 1−β 2 xi , x )= 1 ∑ ( y i−β 1−β 2 x i ) xi =0
COV
n i=1
Operando con la primera ecuación
n
1
y=β 1 + β 2 x , y= ∑ ( yi )
n i=1
Es decir

β 1= y−β 2 x

Con lo cual nos permite obtener β 1una vez que tengamos estimado β 2

Ahora sustituyamos β 1
n

∑ ( y i−( y −β 2 x )−β 2 xi ) x i=0

i=1

Agrupando términos

n n

∑ ( y i− y ) x i=β 2 ∑ ( x i−x ) x i
i=1 i=1

Podemos usar el siguiente propiedad

n n n n

∑ ( y i− y ) x i=∑ ( y i− y ) ( x i−x ) ; ∑ ( x i−x ) x i=∑ ( x i−x )

2

i=1 i=1 i=1 i=1

Suponiendo que
n

∑ ( xi −x ) 2> 0
i=1

El valor estimado de la pendiente es

 n

∑ ( y i− y ) ( x i−x )
β 2= i=1 n

∑ ( xi −x )2
i =1

2.-

Y = β1 + β 2 X 2 + β3 X 3 + ε

Esta ecuación la podemos ver en su forma matricial

y= X ^β+ u^

[ ] [ ][ ] [ ]
y1 1 X21 X 31 u^ 1
β1
y2 X22 X32 u^
=1 β2 + 2
… . . . …
β3
yn 1 X2n X3n u^ n

Podemos obtener las siguientes ecuaciones

n n n

∑ yi =β 1 n+ β 2 ∑ x1 i + β 3 ∑ x 2 i
i=1 i=1 i =1

n n n n

∑ yi x 1i =β 1 ∑ x 1 i+ β 2 ∑ x 1i2 + β 3 ∑ x 2 i x1 i
i=1 i=1 i=1 i =1

n n n n

∑ yi x 2 i=β 1 ∑ x 2 i+ β2 ∑ x 2i x 1i + β 3 ∑ x 2i2
i=1 i=1 i=1 i=1

En su forma matricial tenemos lo siguiente

( )[ ] [ ][ ]
1 1 1 y1
n ∑ x2 i ∑ x3 i β1
1 X 21 X 22 X2n y2
∑ x2i ∑ x 2 i2 x 2i x 3i β2 =
. . . …
∑ x3i ∑ x 2 i x 3 i ∑ x 3 i2 β3 1 X 31 X 32 X3n yn

X X ^β X y
' '

En forma mas compacta

( X ' X ) ^β= X ' y

−1 −1
^ ( X' X ) X' y
( X ' X ) ( X ' X ) β=
 −1
^ (X X) X y
I β=
' '

3. dada las siguientes observaciones

Y 1=3 , Y 2=1, Y 3=8 ,Y 4=3 , Y 5=5 , X 21=3 , X 22=1 , X 23=5 , X 24 =2 , X 25 =4 , X 31 =5 ,

X 32=4 , X 33=6 , X 3 4=4 , X 35=6 . Obtenga el vector de estimadores de minimos cuadrados
ordinarios(MCO) exprese el modelo de regresión lineal multiple (MRLM) estimado; muestre
los cuadros de nalisis de varianza (ANOVA) , BONDad de ajuste e inferencia sobre los
coeficientes. Obtenga la matriz de variazas y covarianza de los estimadores

( ) ()
1 3 5 3
1 1 4 1
X= 1 5 6 ,Y= 8
1 2 4 3
1 4 6 5

)( ) ( )
3

(
1 1 1 1 1 1 20
( X ´ y )= 3 1 5 2 4 8 = 76
5 4 6 4 6 3 109
5

( )
267 9
25
10 2

( )
5 15 25
−1 9 −3
X ´ X = 15 55 81 , ( X ´ X ) = 1
2 2
25 81 129
−3 5
−8
2 2

( )( ) ( )
267 9
25 4
10 2
20 5
^β=( X ´ X ) ( X ´ y ) = 9
−1 −3
1 76 = 2
2 2
109 −3
−3 5
−8 2
2 2
 2
^
β ' X ´ y−n Y
2
R= ' 2
y y−nY
^β ' X ´ y−n Y 2=106.5−80=26.5
' 2
y y−n Y =108−80=28
2 26.5
R= =0.946428
28
2
R 0.946428
( k −1 ) ( 2) 0.473214
F= = = =17.6666
( 1−R ) ( 0.0535714 ) 0.02678571
2

( n−k ) ( 2)

CON F con 1 y 2 y con 95% de confiabilidad es 19 por lo tanto el valor de F calculado no es

significativamente por lo que se no hay evidencia para rechazar la hipótesis nula de que
β 2=β 3=0

Fuente de variación SC G de l SMC

Debido a x2, x3 26.5 2 0.473214
Debido a los residuales 1.5 2 0.02678571
total 28 4

( )( )
267 9 801 27
25 −12
10 2 20 4
9 −3 27 3 −9
v ar −cov ( ^β )≥1.5 ( X ´ X ) =1.5
−1
1 =
2 2 4 2 4
−3 5 −9 15
−8 −12
2 2 4 4

3.10 The following sums were obtained from 10 sets of observations on Y, X AND X2

∑ Y =20 , ∑ X 1=30 , ∑ X 2=40 , ∑ Y 2=88.2, ∑ X 21 =92 , ∑ X 22=163 , ∑ Y X 1=59 , ∑ Y X 1=59 , ∑ Y X 2=

Recordemos que
n n n

∑ yi =β 0 n+ β1 ∑ x 1i + β 2 ∑ x2 i
i=1 i=1 i=1
 n n n n

∑ yi x 1i =β 0 ∑ x 1 i+ β1 ∑ x 1 i2 + β 2 ∑ x2 i x1 i
i=1 i=1 i=1 i=1

n n n n

∑ yi x 2 i=β 0 ∑ x 2 i + β 1 ∑ x 2 i x 1 i+ β2 ∑ x 2i2
i=1 i=1 i=1 i=1

Sustituyendo los valores tenemos

20=10 β 0 +30 β 1 +40 β 2

50=30 β 0 +92 β 1+ 119 β 2

88=40 β 0 +119 β 1+ 163 β 2

Resolviendo el sistema de ecuaciones tenemos que

52 −22 6
β 0= ,β = , β2 =
5 1 5 5

2
σ =
∑ u 2i = 19.4235 =2.42794
n−2 8
σ =1.558184
n

n ∑ yi xi 147
∑ u =∑ y i − i=1n
2
i
2
=20−
255
=19.4235
i=1
∑ xi2
i=1

√∑
n
2 6
( β 2−0 ) xi ( 255 )
i=1 5
t= = =196.3824
σ 1.558184

Como nuestra t calculada es mayor que nuestra t de 0.025 con 8 grados de

libertad podemos rechazar la hipótesis nula eso quiere decir que no hay
evidencia significativa para decir que β 2=0

Escriba aquí la ecuación.

 4.- Dada la siguiente información sobre un MRLM estimado

( ) ( )
33 0 0 132 n
X ´ X = 0 40 20 X ´ y= 24 ∑ ( y− y )2=150
0 20 60 92 i=1

A) de que tamaño es la muestra:

Recodemos que:

( )
n ∑ x2 i ∑ x3i
X ´ X= ∑ x2 i ∑ x 2i2 x 2 i x 3 i entonces el tamaño de la muestra es 33
∑ x3 i ∑ x2 i x3 i ∑ x3 i2
B) Exprese el modelo de regresión lineal multiple (MRLM) estimado

Para encontrar los coeficientes ^β tenemos que resolver las siguiente matriz

( ) ()
1
0 0 4
33

( )( ) ( )
−1
33 0 0 132 132 −1
^β=( X ´ X )−1 ( X ´ y ) = 0 40 20 3 −1
24 = 0 24 = 5
100 100
0 20 60 92 92 8
−1 1
0 5
100 50

^
β 1=4
^ −1
β 2=
5

^ 8
β 3=
5
1 8
^
y i=4− x 2i + x 3 i
5 5

C) Estime el error estándar de ^

β 2 y pruebe la hipótesis de que ^
β 2 es igual a cero.

La matriz de varianza-covarianza para ^β puede presentarse como

var−cov ( β^ ) =σ 2 ( X ´ X )
−1
 n

RSS i=1
∑ ( y− y )2
σ 2= =
N −3 N−3
Entonces

( )( )
1 5
0 0 0 0
33 33
−1 150 3 −1 3 −1
var−cov ( β^ ) >¿ 5 ( X ´ X ) = =5 0 = 0
30 100 100 20 20
−1 1 −1 1
0 0
100 50 20 10

Los elementos de las diagonales de esta matriz dan las varianzas de ^

β 3, ^
β 1, ^
β 2 respectivamente y
sus raíces cuadradas positivas dan los errores estándar correspondientes .

^
β 2=
√
3
20
Ahora calcularemos el estadístico t

−1
^
β 2−0
√ 20
5 −0.894427
t= = =
ee ( β^2 ) √3 1.73205

Y nuestra t α ,n−2=t 0.025 ,30=2.359562

2

|t |>t α
,n−2
2

se rechaza la hipótesis nula

como

|t |=0.516397<2.359562=t 0.025 ,30

NO hay evidencia significativa para rechazar la hipótesis nula por lo que podemos suponer que ^
β2
es igual a cero.

D) Calcule la predicción de y dada x 2=−4 y x 3=2

 1 8
^
y i=4− x 2i + x 3 i
5 5
1 8
y i=4− (−4 ) + ( 2 )=0
^
5 5