RESOLUCION PRACTICA MAT 1136 A II/2019

Dada la siguiente muestra

n y x1 x2 x3
1 11,2 56,5 71,0 43,0
2 14,5 59,5 72,5 44,8
3 17,2 69,2 76,0 49,0
4 17,8 74,5 79,5 56,3
5 19,3 81,2 84,0 60,2
6 24,5 88,0 86,2 62,0
7 21,2 78,2 80,5 58,1
8 16,9 69,0 72,0 48,1
9 14,8 58,1 68,0 46,0
10 20,0 80,5 85,0 60,3
11 13,2 58,3 71,0 47,0
12 22,5 84,0 87,2 65,2
a) Estimar los parámetros del modelo 𝜇𝑌/𝑋1 ,𝑋2 ,𝑋3 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 +𝛽3 𝑋3
b) Con α=0,05 averiguar si el modelo estimado en tiene poder predictivo
c) Con α=0,05 averiguar si la variable X3 debe permanecer en el modelo
d) Obtener un intervalo de confiabilidad del 90 % para el parámetro 𝛽0
e) Con α=0,05 si las variables X2 y X3 deben simultáneamente salir del modelo
f) Con una confiabilidad del 90% predecir 𝜇𝑌/𝑋1 ,𝑋2 ,𝑋3 cuando X1= 30, X2=60, X3= 70
g) Estimar los parámetros del modelo 𝜇𝑌/𝑋1 ,𝑋2 ,𝑋3 = 𝛽0 + 𝛽1 𝑋1 2 + 𝛽2 𝑋2 2 +𝛽3 𝑋1 𝑋2
h) Señalar y fundamentar si el modelo estimado en g) es mejor que el estimado en a)

Solución
a) Estimar los parámetros del modelo 𝝁𝒀/𝑿𝟏 ,𝑿𝟐 ,𝑿𝟑 = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 + 𝜷𝟐 𝑿𝟐 +𝜷𝟑 𝑿𝟑

n y x1 x2 x3 x1^2 x2^2 x3^2 x1*x2 x1*x3 x2*x3 y*x1 y*x2 y*x3 y^2
1 11,2 56,5 71,0 43,0 3192,25 5041 1849 4011,5 2429,5 3053 632,8 795,2 481,6 125,44
2 14,5 59,5 72,5 44,8 3540,25 5256,25 2007,04 4313,75 2665,6 3248 862,75 1051,25 649,6 210,25
3 17,2 69,2 76,0 49,0 4788,64 5776 2401 5259,2 3390,8 3724 1190,24 1307,2 842,8 295,84
4 17,8 74,5 79,5 56,3 5550,25 6320,25 3169,69 5922,75 4194,35 4475,85 1326,1 1415,1 1002,14 316,84
5 19,3 81,2 84,0 60,2 6593,44 7056 3624,04 6820,8 4888,24 5056,8 1567,16 1621,2 1161,86 372,49
6 24,5 88,0 86,2 62,0 7744 7430,44 3844 7585,6 5456 5344,4 2156 2111,9 1519 600,25
7 21,2 78,2 80,5 58,1 6115,24 6480,25 3375,61 6295,1 4543,42 4677,05 1657,84 1706,6 1231,72 449,44
8 16,9 69,0 72,0 48,1 4761 5184 2313,61 4968 3318,9 3463,2 1166,1 1216,8 812,89 285,61
9 14,8 58,1 68,0 46,0 3375,61 4624 2116 3950,8 2672,6 3128 859,88 1006,4 680,8 219,04
10 20,0 80,5 85,0 60,3 6480,25 7225 3636,09 6842,5 4854,15 5125,5 1610 1700 1206 400
11 13,2 58,3 71,0 47,0 3398,89 5041 2209 4139,3 2740,1 3337 769,56 937,2 620,4 174,24
12 22,5 84,0 87,2 65,2 7056 7603,84 4251,04 7324,8 5476,8 5685,44 1890 1962 1467 506,25
213,1 857 932,9 640 62595,82 73038,03 34796,12 67434,1 46630,46 50318,24 15688,43 16830,85 11675,81 3955,69

𝑛 ∑ 𝑋1 ∑ 𝑋2 ∑ 𝑋3 12 857 932,9 640

∑ 𝑋1 ∑ 𝑋1 2 ∑ 𝑋1 𝑋2 ∑ 𝑋1 𝑋3 857 62595,82 67434,1 46630,46
𝐴= =[ ]
∑ 𝑋2 ∑ 𝑋1 𝑋2 ∑ 𝑋2 2 ∑ 𝑋2 𝑋3 932,9 67434,1 73038,03 50318,24
[∑ 𝑋3 ∑ 𝑋1 𝑋3 ∑ 𝑋3 𝑋2 2
∑(𝑋3 ) ] 640 46630,46 50318,24 34796,12

43,3679 0,2990 −1,1768 0,5030 ∑𝑌 213,1

0,2990 0,0115 −0,0082 −0,0090 ∑ 𝑌𝑋1 15688,43
𝐴−1 =[ ]𝐺 = =[ ]
−1,1768 −0,0082 0,0356 −0,0188 ∑ 𝑌𝑋2 16830,85
0,5030 −0,0090 −0,0188 0,0301 [∑ 𝑌 𝑋3 ] 11675,81
Auxilar Daniel Abastoflor Fuentes
 𝑏 = 𝐴−1 ∗ 𝐺
43,3679 0,2990 −1,1768 0,5030 213,1
0,2990 0,0115 −0,0082 −0,0090 15688,43
𝑏=[ ] ∗[ ]
−1,1768 −0,0082 0,0356 −0,0188 16830,85
0,5030 −0,0090 −0,0188 0,0301 11675,81
3,660
0,422
𝑏=[ ]
−0,298
0,134
𝜇𝑌/𝑋1 ,𝑋2 ,𝑋3 = 3,660 + 0,422𝑋1 − 0,298𝑋2 + 0.134𝑋3

b) Con α=0,05 averiguar si el modelo estimado en tiene poder predictivo

TABLA ANOVA
Grados
Fuente de Suma de Cuadrado
de 𝑭𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒅𝒐
Variación Cuadrados Medio
Libertad
Regresión 160,935 3 53,645
Error
41,050
10,455 8 1,307
TOTAL 171,389 11

𝟐
(∑𝒏
𝒊=𝟏 𝒀𝒊 ) 213,12
𝑺𝑺𝑹 = ∑𝒌𝒋=𝟎 𝒃𝒋 𝑮𝒋 − = (213,1 ∗ 3,660 + 0,422 ∗ 15688,43 + (−0,298) ∗ 16830,85 + 0.134 ∗ 11675,81) −
𝒏 12

𝑺𝑺𝑹 = 𝟏𝟔𝟎, 𝟗𝟑𝟓

𝑛 2
(∑𝑛1 𝑌𝑖 )2 213,1
𝑆𝑆𝑇 = 𝑆𝑌𝑌 = ∑(𝑌𝑖 )2 − = 3955,69 −
1
𝑛 12

𝑺𝑺𝑻 = 𝟏𝟕𝟏, 𝟑𝟖𝟗

SSE =171,389-160,935

SSE =10,455

i. 𝐻0 : 𝑏1 = 𝑏2 = 𝑏3 = 0 𝐸𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑛𝑜 𝑡𝑖𝑒𝑛 𝑝𝑜𝑑𝑒𝑟 𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑣𝑜

𝐻1 : 𝑏𝑖 ≠ 0 𝑖 = 1,2,3 𝐸𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑠𝑖 𝑡𝑖𝑒𝑛𝑒 𝑝𝑜𝑑𝑒𝑟 𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑣𝑜

ii. 𝛼 = 0,05
iii. Estadístico de Prueba.

𝑺𝑺𝑹(𝑋1 , 𝑋2 , 𝑋3 )
𝑭= 𝒌 ~𝑭𝒌/𝒏−𝒌−𝟏
𝑺𝑺𝑬(𝑋1 , 𝑋2 , 𝑋3 )
𝒏−𝒌−𝟏

Rechazar 𝐻0 si:
|𝐹𝑐𝑎𝑙𝑐 | > 𝐹0 𝐹0 ~𝐹3/8

𝐹0 = 4,07

Auxilar Daniel Abastoflor Fuentes

 iv. Fcalculado.

De la tabla ANOVA hallada

𝐹𝑐𝑎𝑙𝑐 = 41,050
41,050 > 4,07
Entonces se rechaza 𝐻0

𝐻1 : 𝛽𝑖 ≠ 0 𝑖 = 1,2,3
𝐸𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝝁𝒀/𝑿𝟏 ,𝑿𝟐 = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 + 𝜷𝟐 𝑿𝟐 +𝜷𝟑 𝑿𝟑 𝑆𝐼 𝑡𝑖𝑒𝑛 𝑝𝑜𝑑𝑒𝑟 𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑣𝑜

c) Con α=0,05 averiguar si la variable X3 debe permanecer en el modelo

Hallando el SSR del modelo 𝜇𝑌/𝑋1 ,𝑋2 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2

𝑛 ∑ 𝑋1 ∑ 𝑋2 2 12 857 932,9 𝑧𝑧𝑧𝑧𝑧𝑧𝑧𝑧𝑧𝑧

857 62595,82 67434,1 46630,46
𝐴 = [ ∑ 𝑋1 ∑ 𝑋1 2 ∑ 𝑋1 𝑋2 2 ] = [ ]
932,9 67434,1 73038,03 50318,24
∑ 𝑋2 2 ∑ 𝑋1 𝑋2 2 ∑ 𝑋2 2 2 640 46630,46 50318,24 34796,12

34,9573 0,4501 −0,8621 ∑𝑌 213,1

𝐴−1 = [ 0,4501 0,0088 −0,0139] 𝐺 = [∑ 𝑌𝑋1 ] = [15688,43]
−0,8621 −0,0139 0,0238 ∑ 𝑌𝑋2 16830,85

𝑏 = 𝐴−1 ∗ 𝐺
34,9573 0,4501 −0,8621 213,1
𝑏 = [ 0,4501 0,0088 −0,0139] ∗ [15688,43]
−0,8621 −0,0139 0,0238 16830,85
1,424
𝑏 = [ 0,462 ]
−0,214
𝒌
(∑𝒏𝒊=𝟏 𝒀𝒊 )𝟐 213,12
𝑺𝑺𝑹 = ∑ 𝒃𝒋 𝑮𝒋 − = (213,1 ∗ 1,424 + 0,462 ∗ 15688,43 + (−0,214) ∗ 16830,85) −
𝒏 12
𝒋=𝟎

𝑺𝑺𝑹 = 𝟏𝟔𝟎, 𝟑𝟒𝟎𝟔

De los datos de la anterior ANOVA

Modelo X1,X2, X3 X1,X2,
SSR 160,935 160,3406
SSE 10,455 11,049
SST 171,389 171,389
1. 𝐻0 : 𝑙𝑎 𝑎𝑑𝑖𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑋3 𝑎 𝑢𝑛 𝑚𝑜𝑑𝑒𝑙𝑜 𝑞𝑢𝑒 𝑦𝑎 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑋1 , 𝑋2 𝑁𝑂 𝑚𝑒𝑗𝑜𝑟𝑎
𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑚𝑒𝑛𝑡𝑒 𝑒𝑛 𝑙𝑎 𝑝𝑟𝑒𝑑𝑖𝑐𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑌
𝐻1 : 𝑙𝑎 𝑎𝑑𝑖𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑋3 𝑎 𝑢𝑛 𝑚𝑜𝑑𝑒𝑙𝑜 𝑞𝑢𝑒 𝑦𝑎 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑋1 , 𝑋2 𝑆𝐼 𝑚𝑒𝑗𝑜𝑟𝑎
𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑚𝑒𝑛𝑡𝑒 𝑒𝑛 𝑙𝑎 𝑝𝑟𝑒𝑑𝑖𝑐𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑌
𝐻0 : 𝛽3 = 0
𝐻1 : 𝛽3 ≠ 0
2. 𝛼 = 0,05
3. Estadístico de Prueba.

𝑺𝑺𝑹(𝑋1 , 𝑋2 , 𝑋3 ) − 𝑺𝑺𝑹(𝑋1 , 𝑋2 )
𝒑
𝑭= ~𝑭𝒑,𝒏−(𝒑+𝒌+𝟏)
𝑺𝑺𝑺𝑬(𝑋1 , 𝑋2 , 𝑋3 )
𝒏 − (𝒑 + 𝒌 + 𝟏)
Auxilar Daniel Abastoflor Fuentes
 Rechazar 𝐻0 si:
|𝐹𝑐𝑎𝑙𝑐 | > 𝐹0 𝐹0 ~𝐹1/8

𝐹0 = 5,32

4. Fcalculado.
Calculando F…

𝟏𝟔𝟎, 𝟗𝟑𝟓 − 𝟏𝟔𝟎, 𝟑𝟒𝟎𝟔

𝟏
𝐹𝑐𝑎𝑙𝑐 = 𝟏𝟎, 𝟒𝟓𝟓
~𝐹1/8
𝟏𝟐 − (𝟐 + 𝟏 + 𝟏)

𝐹𝑐𝑎𝑙𝑐 = 0,454
0,454 ≯ 5,32
Entonces se acepta 𝐻0
𝐻0 : 𝛽3 = 0
𝑙𝑎 𝑎𝑑𝑖𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑋3 𝑎 𝑢𝑛 𝑚𝑜𝑑𝑒𝑙𝑜 𝑞𝑢𝑒 𝑦𝑎 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑋1 , 𝑋2 𝑁𝑂 𝑚𝑒𝑗𝑜𝑟𝑎
𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑚𝑒𝑛𝑡𝑒 𝑒𝑛 𝑙𝑎 𝑝𝑟𝑒𝑑𝑖𝑐𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑌
POR TANTO LA VARIABLE X3 NO DEBE CONTINUAR EN EL MODELO

d) Obtener un intervalo de confiabilidad del 90 % para el parámetro 𝜷𝟎

1-α = 90% = 0,9
α = 0,10
α/2 = 0,05

𝑡0 = 1,86

𝑃[𝐵0 − 𝑡𝑜 𝑆√𝐶00 ≤ 𝛽0 ≤ 𝐵0 + 𝑡𝑜 𝑆√𝐶00 ] = 1−∝

𝑠 = √𝑠 2 = √1,307
𝑠 = 1,143

𝑃[3,660 − 1,86 ∗ 1,143 ∗ √43,368 ≤ 𝛽0 ≤ 3,660 + 1,86 ∗ 1,143 ∗ √43,368] = 0,90

[−10,343 ≤ 𝛽2 ≤ 17,662] = 𝟎, 𝟗𝟎

e) Con α=0,05 si las variables X2 y X3 deben simultáneamente salir del modelo

Hallando el SSR del modelo 𝜇𝑌/𝑋1 , = 𝛽0 + 𝛽1 𝑋1

𝑛
(∑𝑛1 𝑋𝑖 )2 (857)2
𝑆𝑋1 𝑋1 = ∑(𝑋𝑖 )2 − = 62595,82 −
𝑛 12
1

𝑆𝑋𝑋 = 1391,737
𝑛
∑𝑛1 𝑋𝑖 ∗ ∑𝑛1 𝑌𝑖 857 ∗ 213,1
𝑆𝑋1 𝑌 = ∑ 𝑋𝑖 𝑌𝑖 − = 15688,43 −
𝑛 12
1

𝑆𝑋𝑌 = 469,538
𝑆𝑋𝑌 469,538
𝑏1 = =
𝑆𝑋𝑋 1391,737
Auxilar Daniel Abastoflor Fuentes
 𝑏1 = 0,3374
𝑆𝑆𝑅 = 𝑏1 𝑆𝑋𝑌 = 0,3374 ∗ 469,538 = 158,411

De los datos de la anterior ANOVA

Modelo X1,X2, X3 X1,X2,
SSR 160,935 158,411
SSE 10,455 12,978
SST 171,389 171,389
1. 𝐻0 : 𝑙𝑎 𝑎𝑑𝑖𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑋2 , 𝑋3 𝑎 𝑢𝑛 𝑚𝑜𝑑𝑒𝑙𝑜 𝑞𝑢𝑒 𝑦𝑎 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑋1 𝑁𝑂 𝑚𝑒𝑗𝑜𝑟𝑎
𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑚𝑒𝑛𝑡𝑒 𝑒𝑛 𝑙𝑎 𝑝𝑟𝑒𝑑𝑖𝑐𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑌
𝐻1 : 𝑙𝑎 𝑎𝑑𝑖𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑋2 , 𝑋3 𝑎 𝑢𝑛 𝑚𝑜𝑑𝑒𝑙𝑜 𝑞𝑢𝑒 𝑦𝑎 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑋1 𝑆𝐼 𝑚𝑒𝑗𝑜𝑟𝑎
𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑚𝑒𝑛𝑡𝑒 𝑒𝑛 𝑙𝑎 𝑝𝑟𝑒𝑑𝑖𝑐𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑌
𝐻0 : 𝛽2 = 𝛽3 = 0
𝐻1 : 𝛽𝑖 ≠ 0 𝑖 = 2,3
2. 𝛼 = 0,05
3. Estadístico de Prueba.

𝑺𝑺𝑹(𝑋1 , 𝑋2 , 𝑋3 ) − 𝑺𝑺𝑹(𝑋1 )
𝒑
𝑭= ~𝑭𝒑,𝒏−(𝒑+𝒌+𝟏)
𝑺𝑺𝑺𝑬(𝑋1 , 𝑋2 , 𝑋3 )
𝒏 − (𝒑 + 𝒌 + 𝟏)

Rechazar 𝐻0 si:
|𝐹𝑐𝑎𝑙𝑐 | > 𝐹0 𝐹0 ~𝐹2/8

𝐹0 = 4,46

4. Fcalculado.
Calculando F…

𝟏𝟔𝟎, 𝟗𝟑𝟓 − 𝟏𝟓𝟖, 𝟒𝟏𝟏

𝟐
𝐹𝑐𝑎𝑙𝑐 = 𝟏𝟎, 𝟒𝟓𝟓
~𝐹2/8
𝟏𝟐 − (𝟏 + 𝟐 + 𝟏)

𝐹𝑐𝑎𝑙𝑐 = 0,9656
0,9656 ≯ 4,46
Entonces se acepta 𝐻0
𝐻0 : 𝛽2 = 𝛽3 = 0
5. : 𝑙𝑎 𝑎𝑑𝑖𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑋2 , 𝑋3 𝑎 𝑢𝑛 𝑚𝑜𝑑𝑒𝑙𝑜 𝑞𝑢𝑒 𝑦𝑎 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑋1 𝑁𝑂 𝑚𝑒𝑗𝑜𝑟𝑎
𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑚𝑒𝑛𝑡𝑒 𝑒𝑛 𝑙𝑎 𝑝𝑟𝑒𝑑𝑖𝑐𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑌
POR TANTO LAS VARIABLES X2 y X3 NO DEBEN CONTINUAR EN EL MODELO

f) Con una confiabilidad del 90% predecir 𝝁𝒀/𝑿𝟏 ,𝑿𝟐 ,𝑿𝟑 cuando X1= 30, X2=60, X3= 70

𝑷[𝑌̂0 − 𝑡0 𝑆√𝑋0 𝑇 𝐴−1 𝑋0 ≤ 𝜇𝑌/𝑋1 𝑋2 𝑋3 ...𝑋𝑛 , ≤ 𝑌̂0 + 𝑡0 𝑆√𝑋0 𝑇 𝐴−1 𝑋0 ] = 𝟏−∝ ~𝒕 𝒏−𝒌−𝟏
𝑌̂0 = 3,660 + 0,422 ∗ 30 − 0,298 ∗ 60 + 0.134 ∗ 70
𝑌̂0 = 7,801
1-α = 90% = 0,9
α = 0,10 𝑡0 = 1,86
Auxilar Daniel Abastoflor Fuentes
 α/2 = 0,05
1
𝑥0 = [30] 𝑥0 𝑇 = [1 30 60 70]
60
70
43,3679 0,2990 −1,1768 0,5030 1
𝑇 −1
𝑋0 𝐴 𝑋0 = [1 30 60 70] ∗
0,2990 0,0115 −0,0082 −0,0090 ∗ 30
−1,1768 −0,0082 0,0356 −0,0188 60
[ 0,5030 −0,0090 −0,0188 0,0301 ] [70]
𝑋0 𝑇 𝐴−1 𝑋0 = 50,948

𝑷 [7,801 − 1,86 ∗ 1,143√50,948 ≤ 𝜇 𝑌 ≤ 7,801 + 1,86 ∗ 1,143√50,948] = 𝟎, 𝟗𝟎

,
𝑋1 𝑋2 𝑋3

𝑷 [−7,524 ≤ 𝜇 𝑌 ≤ 23,127] = 𝟎, 𝟗𝟎
,
𝑋1 𝑋2 𝑋3

g) Estimar los parámetros del modelo 𝝁𝒀/𝑿𝟏 ,𝑿𝟐 , = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 𝟐 + 𝜷𝟐 𝑿𝟐 𝟐 +𝜷𝟑 𝑿𝟏 𝑿𝟐

Realizando un cambio de variable

𝑿𝟏 𝟐 = 𝑼𝟏 ; 𝑿𝟐 𝟐 = 𝑼𝟐 ; 𝑿𝟏 𝑿𝟐 = 𝑼𝟑
N Y U1 U2 U3 U1^2 u2^2 u3^2 u1*u2 U1*U3 U2*U3 y*U1 y*U2 y*U3
1 11,2 3192,25 5041 4011,5 10190460,06 25411681 16092132,25 16092132,25 12805710,88 20221971,5 35753,2 56459,2 44928,8
2 14,5 3540,25 5256,25 4313,75 12533370,06 27628164,06 18608439,06 18608439,06 15271753,44 22674148,44 51333,625 76215,625 62549,375
3 17,2 4788,64 5776 5259,2 22931073,05 33362176 27659184,64 27659184,64 25184415,49 30377139,2 82364,608 99347,2 90458,24
4 17,8 5550,25 6320,25 5922,75 30805275,06 39945560,06 35078967,56 35078967,56 32872743,19 37433260,69 98794,45 112500,45 105424,95
5 19,3 6593,44 7056 6820,8 43473451,03 49787136 46523312,64 46523312,64 44972535,55 48127564,8 127253,392 136180,8 131641,44
6 24,5 7744 7430,44 7585,6 59969536 55211438,59 57541327,36 57541327,36 58742886,4 56364345,66 189728 182045,78 185847,2
7 21,2 6115,24 6480,25 6295,1 37396160,26 41993640,06 39628284,01 39628284,01 38496047,32 40793821,78 129643,088 137381,3 133456,12
8 16,9 4761 5184 4968 22667121 26873856 24681024 24681024 23652648 25754112 80460,9 87609,6 83959,2
9 14,8 3375,61 4624 3950,8 11394742,87 21381376 15608820,64 15608820,64 13336359,99 18268499,2 49959,028 68435,2 58471,84
10 20 6480,25 7225 6842,5 41993640,06 52200625 46819806,25 46819806,25 44341110,63 49437062,5 129605 144500 136850
11 13,2 3398,89 5041 4139,3 11552453,23 25411681 17133804,49 17133804,49 14069025,38 20866211,3 44865,348 66541,2 54638,76
12 22,5 7056 7603,84 7324,8 49787136 57818382,75 53652695,04 53652695,04 51683788,8 55696607,23 158760 171086,4 164808
213,1 62595,82 73038,03 67434,1 354694418,7 457025716,5 399027797,9 399027797,9 375429025,1 426014744,3 1178520,639 1338302,755 1253033,925

𝑛 ∑ 𝑈1 ∑ 𝑈2 ∑ 𝑈3 12 62595,82 73038,03 34796,12

∑ 𝑈1 ∑ 𝑈1 2 ∑ 𝑈1 𝑈2 ∑ 𝑈1 𝑈3 62595,82 354694418,7 399027797,9 375429025,1
𝐴= =[ ]
∑ 𝑈2 ∑ 𝑈1 𝑈2 ∑ 𝑈2 2 ∑ 𝑈2 𝑈3 73038,03 399027797,9 457025716,5 426014744,3
[∑ 𝑈3 ∑ 𝑈1 𝑈3 ∑ 𝑈3 𝑈2 2
∑(𝑈3 ) ] 34796,12 375429025,1 426014744,3 399027797,9

9,17944 −0,00012 −0,00445 0,00331 ∑𝑌 213,1

−0,00012 0,00013 0,00010 −0,00023 ∑ 𝑌𝑈1 1178520,639
𝐴−1 =[ ]𝐺 = =[ ]
−0,00445 0,00010 0,00009 −0,00019 ∑ 𝑌𝑈2 1338302,755
0,00331 −0,00023 −0,00019 0,00042 [∑ 𝑌 𝑈3 ] 1253033,925

𝑏 = 𝐴−1 ∗ 𝐺
9,17944 −0,00012 −0,00445 0,00331 213,1
−0,00012 0,00013 0,00010 −0,00023 1178520,639
𝑏=[ ] ∗[ ]
−0,00445 0,00010 0,00009 −0,00019 1338302,755
0,00331 −0,00023 −0,00019 0,00042 1253033,925
10,0372
0,0023
𝑏=[ ]
−0,0027
0,0021
Auxilar Daniel Abastoflor Fuentes
 𝜇𝑌/𝑋1 ,𝑋2 ,𝑋3 = 10,0372 + 0,0023𝑋1 − 0,0027𝑋2 + 0.0021𝑋3

Auxilar Daniel Abastoflor Fuentes

 h) Señalar y fundamentar si el modelo estimado en g) es mejor que el estimado en a)

Hallando el SSR del modelo 𝝁𝒀/𝑿𝟏 ,𝑿𝟐 , = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 𝟐 + 𝜷𝟐 𝑿𝟐 𝟐 +𝜷𝟑 𝑿𝟏 𝑿𝟐

(∑𝒏𝒊=𝟏 𝒀𝒊 )𝟐 213,12
𝑺𝑺𝑹 = ∑𝒌𝒋=𝟎 𝒃𝒋 𝑮𝒋 − = (213,1 ∗ 10,0372 + 0,0023 ∗ 1178520,639 + (−0,0027) ∗ 1338302,755 + 0.0021 ∗ 1253033,925) −
𝒏 12

𝑺𝑺𝑹 =

De los datos de la anterior ANOVA

Modelo X1,X2, X3 X1,X2,
SSR 160,935 161,644
SSE 10,455 9,745
SST 171,389 171,389

Para el modelo del inciso a

𝑆𝑆𝑅 160,935
𝑅𝑌/𝑋1 ,𝑋2 ,𝑋3 = √ =√
𝑆𝑆𝑇 171,389

𝑅𝑌/𝑋1 ,𝑋2 ,𝑋3 = 0,9690

Para el modelo del inciso g

𝑆𝑆𝑅 161,644
𝑅𝑌/𝑋1 ,𝑋2 , = √ =√
𝑆𝑆𝑇 171,389

𝑅𝑌/𝑋1 ,𝑋2 ,𝑋3 = 0,9712

Modelo 𝜇𝑌/𝑋1 ,𝑋2 ,𝑋3 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 𝝁𝒀/𝑿𝟏 ,𝑿𝟐 , = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 𝟐 + 𝜷𝟐 𝑿𝟐 𝟐 +𝜷𝟑 𝑿𝟏 𝑿𝟐

Coef. de correlación 0,9690 0,9712

RPTA.- El mejor modelo para predecir y es el del inciso g) por que este tiene un coeficiente de correlación lineal
múltiple de 0,9712 que es el que se está acercándose más a 1 lo cual nos indica que el modelo en g si es mejor que el
modelo hallado en a)

Auxilar Daniel Abastoflor Fuentes