Mg.

Fátima Medina Merino 1

 Particularmente nos van ha interesar tres intervalos de confianza:
1. Intervalo de confianza para los parámetros
de la ecuación de regresión al
(1-α)100%:
j

β̂ j  t  n  k ;1 α/2  S ˆ j
Observe que S ̂ j es la desviación estándar del parámetro
estimado . ̂ j
.
Mg. Fátima Medina Merino 2
• Del ejemplo anterior donde la variable
dependientes es Costo de calefacción halle un
intervalo de confianza para el parámetro
̂1 al 95% de confianza

Mg. Fátima Medina Merino 3

 Solución
Con los resultados del MINITAB

β̂1  t  n  k ;1α/2  Sˆ1

ˆ1  5,1499
S ˆ1  0,7019

A un nivel de confianza del 95%, 1- α = 0,95, luego α = 0,05

y 1-α/2 = 0,975. Entonces:

t( n  k ;1 / 2 )  t(17;0.975)  2,11

Mg. Fátima Medina Merino 4
 ˆ1  5,1499 t( n  k ;1 / 2 )  t(17;0.975)  2,11 S ˆ1  0,7019
Reemplazando los valores de β1 estimado, la
desviación estándar de β1 estimado y el valor de
t teórico en la fórmula, tenemos:
β̂1  t  n  k ;1 α/2  S ˆ1

LI  5,1499  2,11 0,7019   6.631

LS  5,1499  211(0,7019)  3,669

β1 se encuentra entre -6,631 y -,3669, a un nivel

de confianza del 95%.
Mg. Fátima Medina Merino 5
 2. Intervalo de confianza del Valor Medio de
Y, para valores fijos de x01 , x02 ,..., x0 p
al (1-α)100% :

 ŷ  t
  n  k ;1 α/2  ˆ x0 X X
2 ' '
  1
x0 

 1 
x 
 01 
Donde: x0   x02 
 
 
 x0 p 
 

Mg. Fátima Medina Merino 6

 3. Intervalo de confianza del predictor de Y, para
valores fijos de x01 , x02 ,..., x0 p , al (1-α)100%:

El intervalo de confianza de 100(1-α )% para una

observación futura es

 ŷ  t
  n  k;1 α/2  
ˆ 1  x0 X X
2 ' '
  1
x0


 1 
Donde: x 
 01 
x0   x02 
 
 
 x0 p 
  Mg. Fátima Medina Merino 7
- El PROGRAMA MINITAB calcula los intervalos para:

•la media de Y
•para el predictor de Y

Dado un conjunto de valores de las variables independientes.

Mg. Fátima Medina Merino

8
Del ejemplo anterior, si una casa en particular, la
temperatura exterior mínima es de 45ºC y tienen 8
pulgadas de aislante
a)¿Cuál será el costo medio de calefacción para esa casa,
estimado con un 95% de confianza?
b) ¿Cuál será el costo de calefacción para esa casa,
estimado con un 95% de confianza?

Las variables consideradas en el ejemplo son:

Y: Costo de calefacción
X1 : Temperatura exterior mínima
X2: Pulgadas de aislante

Mg. Fátima Medina Merino 9

STAT/ REGRESSION/ REGRESSION / FIT
REGRESSION MODEL

Mg. Fátima Medina Merino 10

STAT/ REGRESSION/ REGRESSION / PREDICT

Mg. Fátima Medina Merino 11

Mg. Fátima Medina Merino 12
Mg. Fátima Medina Merino 13
STAT/REGRESSION/REGRESSION

Mg. Fátima Medina Merino 14

 RESIDUOS

Mg. Fátima Medina Merino 15

Stat/Basic Statictics / Normality Test

Mg. Fátima Medina Merino 16

Mg. Fátima Medina Merino 17
 Gráfica de probabilidad de RESID
Normal
99
Media -4.76064E-14
Desv.Est. 50.12
N 20
95
AD 0.232
90 Valor p 0.771

80
70
Porcentaje

60
50
40
30

20

10

1
-150 -100 -50 0 50 100
RESID

Mg. Fátima Medina Merino 18

1. Planteamiento de la Hipótesis
Ho : Los residuos siguen una distribución normal
H1: La residuos no siguen una distribución normal

2. Estadístico de prueba
AD= 0,232

3. Criterio de decisión
Como p-valor =0,771 > 0,05, los residuos siguen una
distribución Normal.
Mg. Fátima Medina Merino 19
Mg. Fátima Medina Merino 20
Multicolinealidad
Existe cuando las variables independientes están
correlacionadas.

Para reducir los efectos de la multicolinealidad es

seleccionar con cuidado las variables independientes
incluidos en la ecuación de regresión. Una regla general es
que, si la correlación entre 2 variables independientes se
encuentra entre
-0,70 y 0,70, es probable que no haya problema al emplear
2 variables independientes.

Mg. Fátima Medina Merino 21

Es una prueba más precisa para detectar
multicolinealidad.
1
VIF 
1 Rj
2

Donde, R2j es el coeficiente de determinación, donde la

variable independiente seleccionada sirve como una variable
dependiente, y las variables independientes restantes, como
variables independientes.

Si la suma de los VIF`s > 10, existe un problema de

MULTICOLINEALIDAD.
Mg. Fátima Medina Merino 22
 Ejemplo
a)Calcule el coeficiente de correlación de las variables X1
y X2 del ejemplo anterior

b) Calcule el factor de inflación de varianza

Y: Costo de calefacción
X1 : Temperatura exterior mínima
X2: Pulgadas de aislante
Solución
a) Pearson correlation of X1 and X2 = -0.103

No hay problema al utilizar las 2 variables independientes.

(porque el coeficiente de correlación está entre -0,70 y 0,70)

Mg. Fátima Medina Merino 23

Correlación: tempera x1, aislante x2

Correlación de Pearson de tempera x1 y

aislante x2 = -0.103
Valor p = 0.66

Mg. Fátima Medina Merino 24

Coeficientes

EE del
Término Coef coef. Valor T Valor p VIF
Constante 490.3 44.4 11.04 0.000
tempera x1 -5.150 0.702 -7.34 0.000 1.01
aislante x2 -14.72 4.93 -2.98 0.008 1.01

Como VIF = 1,01 < 10, no existe multicolinealidad.

Mg. Fátima Medina Merino 25

Resultados

Mg. Fátima Medina Merino 26