planeacion de encuentros pedagogicos atencion primera infancia
Ejercicio 2 Estadistica.docx
1. Se realizo un estudio del desgaste de un rodamiento (Y), y su relación con la viscosidad
del aceite (X1) y la carga que soporta (X2), obteniéndose los siguientes datos, en las
unidades que correspondan.
X1 X2 Y
1.6 8.51 19.3
15.5 8.16 23.0
22.0 10.58 17.2
43.0 12.01 91.0
Analice el modelo de regresión lineal múltiple propuesto:
𝑌 = 𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + 𝜀 ; 𝜀𝑖~𝑁(0, 𝜎2
)
Dibuje un diagrama de dispersión Y vs. X1 y Y vs. X2.
2. Escriba la matriz de diseño y con ella escriba el modelo propuesto en notación
matricial.
Matriz de diseño:
-25
-20
-15
-10
-5
0
5
10
15
0 1 2 3 4 5
DESGASTE
DE
RODAMIENTO
VISCOSIDADDEL ACEITE
Y VS. X1
-25
-20
-15
-10
-5
0
5
10
15
6 7 8 9 1 0 1 1 1 2
DESGASTE
DE
RODAMIENTO
CARGA QUE SOPORTA
Y VS. X2
-30
-20
-10
0
10
20
0 0 . 5 1 1 . 5 2 2 . 5 3 3 . 5 4 4 . 5
Y
X
DIAGRAMAS DE DISPERSION
Análisis de varianza de un factor
Linear ()
Linear (Análisis de varianza de un factor)
4. 𝑦
̂ = −1.63437 + 1.728634(25) + 0.33025(10)
𝑦
̂ = 58.8678
Calcule SCT, SCR, SCE, y escriba la tabla ANOVA.
x1 x2 y y sombrero y- y somb 2 y somb - y b 2
1.6 8.51 19.3 3.9418719 235.872099 1134.55312
15.5 8.16 23 27.854297 23.5641994 95.4666371
22 10.58 17.2 39.889623 514.818992 5.12851733
43 12.01 91 76.6631945 205.543992 1523.98063
150.5 SCE SCR
Y BARRA 37.625 979.799282 2759.1289
𝑆𝐶𝐸 = ∑(𝑦𝑖 − 𝑦𝑖
̂)2
𝑛
𝑖=1
𝑆𝐶𝐸 = (19.3 − 3.9418)2 + (23 − 27.8543)2 + (17.2 − 39.889)2 + (91 − 76.663)2
= 979.799
𝑆𝐶𝑅 = ∑(𝑦𝑖
̂ − 𝑦
̅)2
𝑛
𝑖=1
𝑆𝐶𝑅 = (3.9418 − 37.625)2 + (27.854 − 37.625)2 + (39.889 − 37.625)2
+ (76.663 − 37.625)2 = 2759.1289
𝑆𝐶𝑇 = ∑(𝑦𝑖 − 𝑦
̅)2
𝑛
𝑖=1
𝑆𝐶𝑇 = (19.3 − 37.625)2 + (23 − 37.625)2 + (17.2 − 37.625)2 + (91 − 37.625)2
= 3815.7675
Fuente de
variación
Grados de
libertad
Suma de
cuadrados
Cuadrados
medios
Fo
Regresión K SCR SCR/k (SCR/k)/(SCE/(n-k-1))
Error n-k-1 SCE SCE/(n-k-1)
Total n-1 SCT
Grados de libertad:
Los grados de libertadde laregresióneslacantidadde x de la recta, en este caso es 2.
Los grados de libertaddel erroresla diferenciaentre lacantidadde datosy la cantidad
de parámetros (betas), en este caso hay tres parámetros, por lo que es n-3=4-3=1.
Los grados de libertad total es la suma de los grados de libertad de la regresión y los
grados de libertad del error, en este caso es n-1=4-1=3.
5. Cuadradosmedios:
Cada sumade cuadradosse divide porsusgrados de libertad.
𝑆𝐶𝑅
𝑘
=
2759.1289
2
= 1379.56445
𝑆𝐶𝐸
𝑛 − 𝑘 − 1
=
979.799282
4 − 2 − 1
=
979.799282
1
= 979.799282
Fo:
Es el valorde unavariable que tiene distribuciónF.
𝐹0 =
𝑆𝐶𝑅
𝑘
𝑆𝐶𝐸
𝑛 − 𝑘 − 1
=
2759.1289
2
979.799282
1
= 1.408
La tablaANOVA quedaríade lasiguiente manera:
Fuente de
variación
Grados de
libertad
Suma de
cuadrados
Cuadrados
medios
Fo
Regresión 2 2759.1289 1379.56445 1.408
Error 1 979.799282 979.799282
Total 3 3815.7675
Pruebe con 5% de significancia la dependencia lineal del modelo propuesto.
𝐻𝑜: 𝛽1 = 𝛽2 = 0 (Nohay dependencialineal)
𝐻𝑎: ¬𝐻𝑜
𝛼 = 0.05
Estadísticode prueba:
𝐹0 =
𝑆𝐶𝑅
𝑘
𝑆𝐶𝐸
𝑛 − 𝑘 − 1
=
2759.1289
2
979.799282
1
= 1.408
Regiónde rechazo: 𝑓0 > 𝑓
𝛼
𝑓
𝛼 = 𝑓0.05 = 199.5,𝑐𝑜𝑛 𝑣1 = 2 𝑦 𝑣2 = 1 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑
RechazarHo si 𝑓0 > 199.5
No cae en laregiónde rechazodebidoa que 1.408 > 199.5 esfalso.
∴Nose rechaza Ho a favor de Ha y se concluye que lasvariablessonlinealmente
independientes.
6. Encuentre el coeficiente de determinación e interprete su significado.
𝑟2 =
𝑆𝐶𝑅
𝑆𝐶𝑇
=
2759.1289
3815.7675
= 0.723086
Interpretación:
El coeficiente de determinación sirve para interpretar qué tan eficaz es la recta de mínimos
cuadrados y explicalavariaciónde y. Además,su valor debe estarentre 0 y 1. Si el coeficiente
de determinación es cercano a 1, quiere decir que la recta se ajusta muy bien a los datos.
En este caso,el coeficiente de determinacióndiocomoresultado 0.723, lo cual es cercano a 1.
Asimismo, el poder de explicación del modelo de mínimos cuadrados es 72.31%.
Calcule la estimación de la varianza.
𝐸[𝑆2] = 𝜎2
𝑆2 =
𝑆𝐶𝐸
𝑛 − 𝑘 − 1
=
979.799282
4 − 2 − 1
=
979.799282
1
= 979.799282
Encuentre la matriz de varianza – covarianza.
[𝜎𝑖,𝑗] = (𝑋𝑇𝑋)−1𝜎2 ≅ (𝑋𝑇𝑋)−1𝑆2 ≅ [
𝜎00 𝜎01 𝜎02
𝜎10 𝜎11 𝜎12
𝜎20 𝜎21 𝜎22
]𝑆2
[𝜎𝑖,𝑗] = [
31.51694 0.34265 −3.90219
0.34265 0.00546 −0.04634
−3.90219 −0.04634 0.49448
] (979.799282)
[𝜎𝑖,𝑗] = [
30880.275 335.72822 −3823.363
335.72822 5.3497 −45.40389
−3823.363 −45.40389 484.48114
]
Calcule la varianza de los estimadores del modelo de mínimos cuadrados.
𝑉[𝛽𝑖
̂ ] = 𝜎𝛽𝑖
̂
2
= 𝜎𝑖𝑖,𝑖 = 0,1,2
𝑉[𝛽0
̂] = 𝜎𝛽0
̂
2
= 𝜎00 = 30880.275
𝑉[𝛽1
̂] = 𝜎𝛽1
̂
2
= 𝜎11 = 5.3497
𝑉[𝛽2
̂] = 𝜎𝛽2
̂
2
= 𝜎22 = 484.48114