M. C.

Juan Vicente Calvario Gmez

Estadstica II

INTRODUCCIN

Como la Estadstica Inferencial nos permite trabajar con una variable a nivel de
intervalo o razn, as tambin se puede comprender la relacin de dos o ms
variables y nos permitir relacionar mediante ecuaciones, una variable en relacin
de la otra variable llamndose Regresin Lineal y una variable en relacin a otras
variables llamndose Regresin mltiple.

Casi constantemente en la prctica de la investigacin estadstica, se encuentran

variables que de alguna manera estn relacionados entre s, por lo que es posible
que una de las variables puedan relacionarse matemticamente en funcin de otra
u otras variables.

La Regresin se define como un procedimiento mediante el cual se trata de

determinar si existe o no relacin de dependencia entre dos o ms variables. Es
decir, conociendo los valores de una variable independiente, se trata de estimar
los valores, de una o ms variables dependientes.

La regresin en forma grafica, trata de lograr que una dispersin de las

frecuencias sea ajustada a una lnea recta o curva.

1
M. C. Juan Vicente Calvario Gmez
Estadstica II

REGRESIN LINEAL MLTIPLE

El modelo de regresin que involucra ms de una variable regresadora o regresiva se

llama modelo de regresin mltiple. Como ejemplo, supngase que la vida eficaz de una
herramienta de corte depende de la velocidad y del ngulo de corte. Un modelo de
regresin mltiple que podra describir esta relacin es:

y 0 1 x1 2 x 2 Ec.1

Donde y representa la vida de la herramienta, x1, la rapidez de corte y, x2, el

ngulo de corte. Este es un modelo de regresin lineal mltiple con dos regresores.
El parmetro 0 define la ordenada al origen del plano, algunas veces llamamos a 1 y 2
coeficientes de regresin parciales.

La variable dependiente o respuesta y puede relacionarse con k variables

independientes. El modelo:

y 0 1 x1 2 x2 ... k xk
Ec. 2

Se denomina modelo de regresin lineal mltiple con k variables independientes.

Tabla 1: Datos para la regresin lineal mltiple.

ESTIMACION DE PARMETROS

El mtodo de mnimos cuadrados puede utilizarse para estimar los coeficientes de

regresin en la ecuacin 2. Supngase que se disponen n k observaciones, y djese
que Xij denote la observacin isima o el nivel de la variable Xj. Los datos aparecern
en la tabla 1.
Suponemos que el trmino del error en el modelo tiene E () = 0, V () = 2, y que los
(j) son variables aleatorios no correlacionados.
Podemos escribir el modelo, ecuacin 2, en trminos de las observaciones como:

y i 0 1 xi1 2 xi 2 k xik i

2
M. C. Juan Vicente Calvario Gmez
Estadstica II

k
yi 0 j xij i ; con i 1, 2, , n Ec. 3
i 1

La ecuacin de mnimos cuadrados es:

n
L ei2
i 1
2
n
k

L y i 0 i xij Ec, 4
i 1 i 1

La funcin L se minimizar con respecto a o, 1,...., k.

Las ecuaciones de mnimos cuadrados son:

n n n n
n 0 1 xi1 2 xi 2 k x ik y i
i 1 i 1 i 1 i 1
n n n n n
0 xi1 1 x 2
i1 2 xi1 xi 2 k x x
i1 ik x i1 yi
i 1 i 1 i 1 i 1 i 1

n n n n n
0 xik 1 xik xi1 2 xik xi 2 k x 2 ik x ik yi
i 1 i 1 i 1 i 1 i 1 Ec. 5

Ntese que hay p = k + 1 ecuaciones normales, una para cada uno de los coeficientes de
regresin desconocidos. La solucin para las ecuaciones normales sern los estimadores
de mnimos cuadrados de los coeficientes de regresin.
Es ms simple resolver las ecuaciones normales s ellas se expresan en notacin de
matriz. Daremos ahora un desarrollo matricial de las ecuaciones normales que es afn al
desarrollo de la ecuacin 5. El modelo en trminos de las observaciones, ecuacin 4,
puede escribirse en notacin matricial como:

Y = X + ; donde:

3
M. C. Juan Vicente Calvario Gmez
Estadstica II

y1 1 x11 x12 x1k 0 1

y 1 x x 22 x 2 k
y 2 x 21
1 y 2


yn 1 x n1 xn 2 x nk k n

En general, Y es un vector (n X 1) de las observaciones, X es una matriz ( X * P) de

los niveles de las variables independientes, es un vector (P * 1) de los coeficientes de
regresin, y es un vector (n * 1) de los errores aleatorios. Deseamos encontrar el
vector de los estimadores de mnimos cuadrados, 1, que minimice:

n
L ei2 y x y x
i 1

Ntese que L puede expresarse como :

L y y x y yx xx
L y y 2 x y xx Ec. 6

Puesto que es una matriz de (1 * 1), o un escalar, y su transpuesta

( es el mismo escalar. Los estimadores de mnimos cuadrados deben
satisfacer simplificando:

xx x y Ec.7
Las ecuaciones 7 son las ecuaciones normales de mnimos cuadrados.
Ellas son idnticas a las ecuaciones 5. Para resolver las ecuaciones normales,
multiplquense ambos lados de la ecuacin 7 por la inversa de XX. De tal modo, el
estimador de mnimos cuadrados de es:

xx x y
1
Ec.8
Es fcil ver que la forma matricial de las ecuaciones normales es idntica a la de la

4
M. C. Juan Vicente Calvario Gmez
Estadstica II

forma escalar. Al escribir completa la ec.7 obtenemos:

n n n
n

n xi1 xi 2 xik
0
y j
n
i 1
n n
i 1
n
i 1
n
i 1


xi1 xi 2 xi1 xik 1 yj
x
i 1
i1 x
i 1
2
i1
i 1 i 1
x
i 1
i1


n n n n
n
k


xik
i 1
xik xi1
i 1

i 1
x x
ik i 2 i 1
x 2
ik

xik y j
i 1

Si se efecta la multiplicacin matricial indicada, resultar la forma escalar de las

ecuaciones normales, Ec. 5. En esta forma es fcil ver que XX es una matriz simtrica
(P * P) y XY es un vector columna (P * 1). Advirtase la estructura especial de la
matriz XX. Los elementos de la diagonal de XX, son las sumas de los cuadrados de los
elementos en las columnas de X, y los elementos fuera de la diagonal son las sumas de
los productos cruzados de los elementos de las columnas de X.
Adems, ntese que los elementos de XY son las sumas de los productos cruzados de
las columnas de X y las observaciones {Yj}. El modelo de regresin ajustado es:

y x Ec. 9
k
y j xij ; con i 1, 2, , n
En notacin escalar, el modelo ajustado: i 1

y
La diferencia entre la observacin Yi y el valor ajustado i es un residuo, digamos

ei y i y i . El vector (n * 1) de los residuos se denota mediante

ei y y Ec. 10

Ejemplo 1: Montgomery y Peck (1982) describen el empleo de un modelo de regresin

5
M. C. Juan Vicente Calvario Gmez
Estadstica II

para relacionar la cantidad de tiempo requerido por un vendedor de ruta (chofer) para
abastecer una mquina vendedora de refrescos, con el nmero de latas que incluye la
misma, y la distancia del vehculo de servicio a la ubicacin de la mquina. Este modelo
se emple para el diseo de la ruta, el programa y el despacho de vehculos.
y 0 1 x1 2 x 2
Ajustaremos el modelo de regresin lineal mltiple.
La matriz x y el vector Y para este modelo son:

1 2 50 9.95
1 8 110 24.45

1 11 120 31.75

1 10 550 5.00
1 8 295 25.02

1 4 200 16.86
1 2 375 14.38

1 2 52 9.60
1 9 100 24.35

1 8 300 27.50

1 4 412 17.08
1 11 400 37.00

x1 12 500 y 41.95
1 2 360 11.66

1 4 205 21.65
1 4 400 17.89

1 20 600 69.00

1 1 585 10.30
1 10 540 34.92

1 15 250 46.59
1 15 290 44.88

1 16 510 54.12
1 17 590 56.63

1 6 100 22.13
1 5 400 21.15

La matriz x es:
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

2 8 11 10 8 4 2 2 9 8 4 11 12 2 4 4 20 1 10 15 15 16 17 6 5

50 110 120 550 295 200 375 52 100 300 412 400 500 360 205 400 600 585 540 250 290 510 590 100 400

6
M. C. Juan Vicente Calvario Gmez
Estadstica II

La matriz xx es:
1 2 50
1 1 1
1 8 110
xx 2 8 5

50 110 400
1 5 400

25 206 8294

xx 206 2396 77177
8294 77177 3531848

Y el vector xy es:

9.95
1 1 1 695.81
24 .45
x y 2 8 5 7708.37


50 110 400 258311.31
21.15
Los estimadores de mnimos cuadrados se encuentran en la Ec.:

xx x y
1
Ec.8


0
1
25 206 8,294 695.81
206 2,396 77,177 7,708.37
1
2 8,294 77,177 3531,848 258,311.31


0 0.214653 0.007491 0.000340 695.81
1

0.007491 0.001671 0.000019 7,708.37

1
2 0.000340 0.000019 0.0000015 258,311.31


0 3.68835
2.77992
1
2 0.00373

Por lo tanto, el modelo de regresin ajustado es:

Y 3.68835 2.77992 x1 0.00373x2

7
 M. C. Juan Vicente Calvario Gmez
Estadstica II

Y 3.68835 2.77992 x1 0.00373x2 x1 X2 2.77992 *x1 0.00373 *x2 Y
3.68835 2.77992 0.00373 2 50 139 0.1865 9.43469
1 y
3.68835 2.77992 0.00373 8 110 305.79120 0.4103 26.33801
2 y
3.68835 2.77992 0.00373 11 120 333.59040 0.4476 34.71507
3 y
3.68835 2.77992 0.00373 10 550 1,528.95600 2.0515 33.53905
4 y
3.68835 2.77992 0.00373 8 295 820.07640 1.10035 27.02806
5 y
3.68835 2.77992 0.00373 4 200 555.98400 0.746 15.55403
6 y
3.68835 2.77992 0.00373 2 375 1,042.47000 1.39875 10.64694
7 y
3.68835 2.77992 0.00373 2 52 144.55584 0.19396 9.44215
8 y
3.68835 2.77992 0.00373 9 100 277.99200 0.373 29.08063
9 y
3.68835 2.77992 0.00373 8 300 833.97600 1.119 27.04671
10 y
3.68835 2.77992 0.00373 4 412 1,145.32704 1.53676 16.34479
11 y
3.68835 2.77992 0.00373 11 400 1,111.96800 1.492 35.75947
12 y
3.68835 2.77992 0.00373 12 500 1,389.96000 1.865 38.91239
13 y
3.68835 2.77992 0.00373 2 360 1,000.77120 1.3428 10.59099
14 y
3.68835 2.77992 0.00373 4 205 569.88360 0.76465 15.57268
15 y
3.68835 2.77992 0.00373 4 400 1,111.96800 1.492 16.30003
16 y
3.68835 2.77992 0.00373 20 600 1,667.95200 2.238 61.52475
17 y
3.68835 2.77992 0.00373 1 585 1,626.25320 2.18205 8.65032
18 y
3.68835 2.77992 0.00373 10 540 1,501.15680 2.0142 33.50175
19 y
3.68835 2.77992 0.00373 15 250 694.98000 0.9325 46.31965
20 y
3.68835 2.77992 0.00373 15 290 806.17680 1.0817 46.46885
21 y
3.68835 2.77992 0.00373 16 510 1,417.75920 1.9023 50.06937
22 y
3.68835 2.77992 0.00373 17 590 1,640.15280 2.2007 53.14769
23 y
3.68835 2.77992 0.00373 6 100 277.99200 0.373 20.74087
24 y
3.68835 2.77992 0.00373 5 400 1,111.96800 1.492 19.07995
25 y

8
M. C. Juan Vicente Calvario Gmez
Estadstica II

La tabla 3 muestra los valores ajustados de Y y los residuales. Los valores ajustados
y los residuales se calculan con la misma precisin que los datos originales.
Tabla 3: Observaciones, valores ajustados y residuos para el ejemplo 1.

No. De Obs.
yi yi e yi yi yi2
1 9.95 9.43469 -0.51531 99.0025
2 24.45 26.33801 1.88801 597.8025
3 31.75 34.71507 2.96507 1008.0625
4 5 33.53905 28.53905 25
5 25.02 27.02806 2.00806 626.0004
6 16.86 15.55403 -1.30597 284.2596
7 14.38 10.64694 -3.73306 206.7844
8 9.6 9.44215 -0.15785 92.16
9 24.35 29.08063 4.73063 592.9225
10 27.50 27.04671 -0.45329 756.25
11 17.08 16.34479 -0.73521 291.7264
12 37 35.75947 -1.24053 1369
13 41.95 38.91239 -3.03761 1759.8025
14 11.66 10.59099 -1.06901 135.9556
15 21.65 15.57268 -6.07732 468.7225
16 17.89 16.30003 -1.58997 320.0521
17 69 61.52475 -7.47525 4761
18 10.30 8.65032 -1.64968 106.09
19 34.92 33.50175 -1.41825 1220.1049
20 46.59 46.31965 -0.27035 2170,6281
21 44.88 46.46885 1.58885 2014.2144
22 54.12 50.06937 -4.05063 2928.9744
23 56.63 53.14769 -3.48231 3206.9569
24 22.13 20.74087 -1.38913 489.7369
25 21.15 19.07995 -2.07005 447.3225
25,977.83310

La suma de los cuadrados de los residuos es:

n 2


SS E y i y i
i 1
n
SS E ei
2

i 1

SS E ee

Al sustituir
e y y y x , y considerando que
xx x y , queda:

SS E y y x y Ec. 11

9
M. C. Juan Vicente Calvario Gmez
Estadstica II

La Ec. 11 se denomina la suma de cuadrados del error o residuo, y tiene n p grados de

libertad asociados. La media cuadrtica para el error es:
SS E
MS E Ec. 12
n p

Puede mostrarse que el valor esperado de MSE es 2 , por lo que un estimador neutral
de 2 esta dado por:
2
MS E Ec. 13
Ejemplo 2: Estimaremos la varianza del error 2 para el problema de la regresin
mltiple en el ejemplo 1. Considerando que:
25
y y yi2 25,977.83310
i 1 y;
695.81

x y 3.68835 2.77992 0.00373 7,708.37
258,311.31
F1C1
2,566.3908135
21,428.651930
4

963.50118630 x y
0
24,958.543930 Por consiguiente la suma de cuadrados del error es:
2
SS E y y x y
SS E 25,977.8331 24,958.5439302
SS E 1,019.2891698

La estimacin de 2 es:

SS E 1,019.2891698
2 46.3313259
n p 25 3

INTERVALOS DE CONFIANZA EN REGRESIN LINEAL MLTIPLE

Puesto que el estimador de mnimos cuadrados es una combinacin lineal de las

observaciones, resulta que se distribuye normalmente con media vectorial y

10
M. C. Juan Vicente Calvario Gmez
Estadstica II

matriz de covarianza
2 xx 1 . Entonces cada una de las estadsticas

jj
; con j 0, 1, , k Ec. 14
2
C jj
C jj
Se distribuye como t con n p grados de libertad, donde es el elemento jjsimo de

la matriz
xx 1
,y
2
es la estimacin de la varianza del error, obtenida de la Ec. 13

en consecuencia un intervalo de confianza del

100 1 % para el coeficiente de

j , j 0,1, , k es :
regresin

2 2
t / 2, n p C jj j t / 2, n p C jj Ec. 15

Ejemplo 3: Construir un intervalo de confianza del 95% respecto al parmetro

1 en el

ejemplo 1. La estimacin puntual de

1 es 1 2.76046 , y que el elemento de la

diagonal de
x x 1
correspondiente a
1 es C11 0.001671 . La estimacin de 2

t
t 0.025, 22 2.074
se obtuvo en el ejemplo 2 como 46.3313 ; / 2 , n p
2
.

En consecuencia el intervalo de confianza de

1 se calcula apartir de la Ec. 15, como:

2 2
t0.025, 22 C11 j t0.025, 22 C11

2.77992 2.074 46.3313 0.001671 j 2.77992 2.074 46.3313 0.001671

11
M. C. Juan Vicente Calvario Gmez
Estadstica II

2.20284 1 3.35699

Podemos obtener tambin un intervalo de confianza respecto a la respuesta medio en

un punto particular, digamos

x01 , x 02 , , x 0 k . Para estimar la respuesta media en
este punto, siendo el vector:
1
x
01
x0 x02


x0 k

La respuesta media estimada en este punto es

y 0 x 0 Ec. 16 .


E y 0 E x0 x0 E y 0
Este estimador insesgado, puesto que



V y 0 x0 xx x0 Ec. 17
2 1

y la varianza de
y0
es:
Por lo tanto, un intervalo de confianza del
100 1 % respecto a la respuesta

media en el punto
x01 , x02 , , x0 k es:

2 2
y 0 t / 2, n p x0 xx x0 E y 0 y 0 t / 2, n p x0 xx x0 Ec. 18
1 1

La Ec. 18 es un intervalo de confianza en torno al hiperplano de regresin. Es la

generalizacin de regresin mltiple de la ec. 30 de la unidad anterior.

Ejemplo 4: Al embotellador de refrescos en el ejemplo 1, le gustara construir un

intervalo de confianza del 95% respecto al tiempo de entrega media para una salida
que requiere X1 = 8 latas y donde la distancia X2= 275 pies, por lo tanto, el vector:
1
x0 8
275

12
M. C. Juan Vicente Calvario Gmez
Estadstica II

La respuesta media estimada en este punto se encuentra a partir de la Ec. 16:

3.68835

y0 x0 1 8 275 2.77992 26.95346
0.00373
2
x0 xx x0
1
y0
La varianza de se estima mediante
0.214652616 0.007490914 0.000340389 1
2
x0 xx x0 46.33131 8 275 0.007490914 0.0016707631 0.000189178 8
1

0.000340389 0.000189178 0.000014958 275
F1C1 F1C2 F1C3
0.214653 -0.007491 -0.00034
-0.059928 0.013366 -0.00015134
-0.0936069 -0.052024 0.000411345
0.06111802 0.0461489 -
5 5 0.00226002

0.061118025
1
0.3691916
0.06112 0.04615 0.00226 8
0.62150715
275
0.313433575
2
x0 xx x0 46.3313 0.313433575 14.52178
1

2 2
y0 t / 2, n p x0 xx x0 E y0 y0 t / 2, n p x0 xx x0 Ec. 18
1 1

26.95346 2.074 14.52178 E y0 26.95346 2.074 14.52178

19.0499 E y0 34.8569

PREDICCIN DE NUEVAS OBSERVACIONES

Estimacin puntual de la observacin futura

y0
en el punto
x01 , x02 , , x0 k , es:

y 0 x0 Ec. 16
.

13
M. C. Juan Vicente Calvario Gmez
Estadstica II

Un intervalo de confianza de prediccin del

100 1 %, para esta observacin
futura es:

y 0 t / 2 , n p
2
1
2

1 x0 xx x0 y0 y0 t / 2, n p 1 x0 xx x0 Ec. 19
1

Este intervalo de prediccin es una generalizacin del intervalo de prediccin para una
observacin futura en regresin lineal simple.

Ejemplo 5: Supngase que el embotellador de refrescos en el ejemplo 1 desea

construir un intervalo de prediccin del 95% en el tiempo de entrega en una salida
en la que X1 = 8 latas se entregan y la distancia caminada por el repartidor es
X2= 275 pies.
x0 1 8 275
Ntese que y la estimacin puntual del tiempo de entrega es

y0 x0 26.95346 minutos. Adems en el ejemplo 4 calculamos
x0 xx x0 0.313433575 .
1

Por tanto, de la Ec. 19 tenemos:

26.95346 2.074 46.33131 0.313433575 y0 26.95346 2.074 46.33131 0.313433575

10.7745 y0 43.1323
Que es el intervalo de prediccin del 95%

PRUEBA DE HIPTESIS EN LA REGRESIN LINEAL MLTIPLE

En problemas de regresin lineal mltiple, ciertos tipos de hiptesis respecto a los

parmetros del modelo son tiles al medir la suficiencia del modelo.

Prueba de Significacin de Regresin

La Prueba de Significacin de Regresin es para determinar si hay una relacin lineal
entre la variable dependiente y y un subconjunto de las variables independientes
x1 , x 2 , , x k
. Las hiptesis apropiadas son:
H 0 : 1 2 k 0
H 1 : 1 0 para cada j Ec. 20
H0 : j 0
El rechazo de implica que al menos una de las variables independientes
x1 , x 2 , , x k
, contribuye significativamente al modelo. El procedimiento de prueba es

14
M. C. Juan Vicente Calvario Gmez
Estadstica II

una generalizacin del utilizado en la regresin lineal simple. La suma total de

S yy
cuadrados se divide en una suma de cuadrados debido a la regresin y en una suma
S yy SS R SS E H0 : j 0
de cuadrados debida al error, digamos: ; y si es
SS R
x k2
verdadera, entonces: 2
, donde el nmero de grados de libertad para x 2 es
igual nmero de regresoras en el modelo. Adems, podemos mostrar que
SS R
xn2 k 1 SS E y SS R
2
,y son independientes.
Tabla 4: Anlisis de varianza para la significacin de la regresin en la regresin
mltiple.
Fuente de Suma de Grados de Media F0
Variacin Cuadrados Libertad Cuadrtica
Regresin SSR k MSR MSR/MSE
Error o SSE n k-1 MSE
residuo
Total S yy n - 1

H0 : j 0
El procedimiento de prueba para , es calcular:
SS R
k MS R
F0 Ec. 21
SS E MS E
n k 1 ; y rechazamos H0 si 0 , k, n k 1
.
F F
El procedimiento suele resumirse en una tabla de anlisis de varianza tal como la 4.

Una frmula de clculo para

SS R puede encontrarse fcilmente, Hemos deducido una

Frmula de clculo para

SS E , en la ecuacin SS E y y x y . Luego puesto que:
2 2
n
n

n
y i y i
S yy yi2 i 1 y y i 1
i 1 n n , podemos reescribir la ecuacin

15
M. C. Juan Vicente Calvario Gmez
Estadstica II

n

2
n

2

y i
y i
SS E y y i 1 x y i 1
n n

anterior, como:
SS E S yy SS R .
Por tanto, la suma de cuadrados de la regresin es:
2
n


y i
SS R x y i 1 Ec. 22
n ; la suma de cuadrados del error es:

SS E y y x y Ec. 23 ; y la suma de cuadrados total es:
2
n

y i
S yy y y i 1 Ec. 24
n
Ejemplo 6: Probaremos la significacin de la regresin empleando los datos de
tiempo de entrega del ejemplo 1 y datos del ejemplo 2.
2
n

y i
695.81
2
S yy y y i 1 25,977.8331
n 25
S yy 25,977.8331 19,366.06224 6,611.77086
2
n


y i
695.81
2
SS R x y i 1 24,958.54393
n 25
SS R 24,958.54393 19,366.06224 5,592.49169

SS E S yy SS R y y x y 6,611.77086 5,592.48169
Y,
SS E 1,019.28917
H 0 : 1 2 0
El anlisis de varianza se muestra en la tabla 5. Para probar ;
calculamos la estadstica:
SS R 5,592.48169
k MS R 2 2,796.240845
F0 60.35313668
SS E MS E 1,019.28917 46.33132591
n k 1 (25 2 1) .

16
M. C. Juan Vicente Calvario Gmez
Estadstica II

F F
, k, n k 1 3.44
Puesto que 0
El tiempo de entre se relaciona con el volumen de entrega o con la distancia, o con
ambos. Sin embargo, notamos que esto no necesariamente implica que la relacin
encontrada es apropiada para predecir el tiempo de entrega como una funcin del
volumen y la distancia. Se requieren pruebas adicionales de la suficiencia del modelo.

Tabla 5: Prueba de significancia de la regresin correspondiente al ejemplo 6.

Fuente de Suma de Grados de Media F0
Variacin Cuadrados Libertad Cuadrtica
Regresin 5,592.481 2 2,796.2408 60.353136
69 45 68
Error o 1,019.289 22 46.3313259
residuo 17 1
Total 6,611.770 24
86

F F
, k, n k 1 F0 F0.05, 2 , 22 3.44 60.3531 3.44
Puesto que 0 , es decir, ; , la
hiptesis se rechaza

MEDIDAS DE ADECUACIN DEL MODELO

Coeficiente de Determinacin mltiple.

El coeficiente de determinacin mltiple R2 se define como:

SS R SS
R2 1 E Ec. 28
S yy S yy

Ejemplo 7: El coeficiente de determinacin mltiple para el modelo de regresin

estimado en el ejemplo 1 es:

SS R 5,592.481683
R2 0.84584
S yy 6,611.77086

ANLISIS RESIDUAL

17
M. C. Juan Vicente Calvario Gmez
Estadstica II

Ejemplo 8: Los residuos para el modelo estimado en el ejemplo 1 se muestran en

la tabla 3.

En el error 04 se manifiestan de manera evidente una desviacin muy dispersa lo que

nos indica una alteracin en el proceso con respecto a la normalidad, en el error 17 no
presenta una desviacin importante con respecto a la normalidad, aunque los dos
residuos ms grandes 15
e 28.53095; y e17 7.47525
caen extremadamente cerca
de una lnea central.
Los residuos estandarizados son
ej 28.53095
4.19

46.3313
2
;y
ej 7.47525
1.09

46.3313
2
,

La inspeccin de los datos no revela ningn error al colectar las observaciones 15 y 17,
o cualquier otra razn para descartar o modificar estos dos puntos.

18