1. ¿Cuál es el propósito general del análisis de regresión?

En términos generales, el análisis de Regresión trata sobre el estudio

de la dependencia de un fenómeno económico respecto de una o varias
variables explicativas, con el objetivo de explorar o cuantificar la media o
valor promedio poblacional de la primera a partir de un conjunto de
valores conocidos o fijos de la/s segunda/s.

Utiliza el método de los "mínimos cuadrados" para ajustar una línea a

una serie de observaciones. Puede utilizar esta herramienta para analizar
la forma en que los valores de una o más variables independientes
afectan a una variable dependiente; por ejemplo, en el rendimiento de un
atleta inciden varios factores: la edad, la estatura y el peso entre otros.
Basándose en un conjunto de datos de rendimiento, la regresión
determinará la incidencia de cada uno de los factores en la medición del
rendimiento y podrán utilizarse estos resultados para predecir el
rendimiento de un atleta nuevo no sometido a ninguna prueba.

2. En el análisis de regresión intervienen dos tipos de variables:

las independientes y las dependientes. Explique con sus
palabras y a través de ejemplos, las características de estos
dos tipos de variables.

En un Análisis de Regresión simple existe una variable respuesta o

dependiente (y) que puede ser el número de especies, la abundancia o la
presencia-ausencia de una sola especie y una variable explicativa o
independiente (x).

La variable independiente aquella que produce modificaciones en otra

variable con la cual está relacionada. Suele designársele, por ello, como
variable causal.
La variable dependiente, por su lado, experimenta modificaciones
siempre que la variable independiente cambia de valor o modalidad de
darse. Por ello, también recibe el nombre de variable efecto.
Es importante señalar que una variable independiente en una cierta
relación puede ser dependiente en otra, o viceversa.
De manera general, pero simplificada, podemos decir que entre una
variable independiente y su correspondiente variable dependiente se
puede dar una variable interviniente, que actúa como puente entre las
dos primeras.

4.- Considere el modelo de regresión lineal simple yi=β0 + β1xi +

εi, conteste:

a) Formule las hipótesis que se hacen sobre los parámetros del

modelo y explique la consecuencia de aceptar o rechazar
cada una de éstas.
 ➢ Prueba de hipótesis para el parámetro β0 (que indica la intersección
con el eje y).

H0: β0 = 0

HA: β0 ≠ 0

Al aceptar la H0: β0 = 0, nos indica que nuestra ecuación nos quedaría de

la siguiente manera:

yi= β1xi y por lo tanto, al graficar nuestra recta de regresión ésta pasa por
el origen formando respecto al eje de las abscisas, un ángulo de 45°.

Con este resultado, no podemos considerar que nuestro modelo de

regresión sea confiable para predecir resultados debido a que no nos esta
mostrando una relación de significancia entre nuestros parámetros.

➢ Prueba de hipótesis para el parámetro β1 (que indica la pendiente

de la recta, es decir, el incremento o decremento de la variable y
por cada incremento de x).
H0: β1 = 0

HA: β1 ≠ 0

Al aceptar nuestra H0: β1 = 0, estamos considerando un valor nulo para

nuestra pendiente, y la ecuación de regresión toma la siguiente forma:
yi= β0 + (0) xi es decir, el último término queda eliminado y por lo tanto, a
la hora de graficarlo nos queda de la siguiente manera:
El resultado de la variable dependiente toma el valor constante de
nuestro parámetro β0 y lo que nos queda no es una recta de regresión
lineal, ya que como en el caso anterior, no nos plantea una relación para
podre predecir con cierta confianza valores para nuestra variable
dependiente y.

a) Anote en forma detallada el estadístico de prueba, t0, para

cada una de las hipótesis y dé una explicación de por qué
sirven para probar las hipótesis. Es decir, determine cuándo
estos estadísticos tienen valores pequeños o grandes, y la
decisión que se tomaría con respecto a su hipótesis
correspondiente.

Un estadístico de prueba es aquel calculado de una sola muestra aleatoria

simple tomada de la población de interés, en una prueba de hipótesis
para establecer la verdad o falsedad de la hipótesis nula.

Para el parámetro β1 tenemos que:

t0=β1CMε/Sxx

Para obtener la fórmula de éste estadístico, se hace un análisis respecto a

la media y varianza del parámetro β1 y se considera que tienen una
distribución normal. Para calcular la desviación estándar del estimador se
hace una estimación dada por:

√Vβ1=CMεSxx

Y recibe el nombre de error estándar de β1. Nótese que esta igualdad se

toma en cuenta para el cálculo del estadístico.

La distribución t-student se utiliza para muestras de n≤30. También es

importante mencionar que como nuestra HA contiene desviaciones desde
la hipótesis nula en cualquier dirección (por lo de β1≠0) se
denomina hipótesis de dos colas, y he aquí donde se aplica la distribución
t-student.

Para el parámetro β0 tenemos que:

t0=β0CMε1n+x2Sxx
Como en el caso anterior, para formular el estadístico de prueba se tomo
en cuenta que el parámetro de β0 sigue una distribución normal
considerando su media y varianza. Entonces una estimación de esta
última es:

Vβ0= σ21n+x2Sxx=CMε1n+x2Sxx

De igual manera notamos que esto se toma en cuenta en la estructura del

estadístico de prueba.

En ambos casos para saber si aceptamos o rechazamos nuestra H0,

representamos nuestro criterio de rechazo de la siguiente manera:

t0 >t(∝/2, n/2)

Si el valor de nuestro estadístico de prueba es grande o pequeño,

podemos decir que es respecto a los datos que se estén manejando para
el análisis del problema, obviamente para saber si se rechaza nuestra H0,
el valor del estadístico debe satisfacer la expresión anterior, por lo tanto
estaremos aceptando la HA, esto quiere decir que el valor del estadístico si
es mayor que el área de rechazo (expresada con el valor que se obtiene
de las tabla de distribución t-student, con cierto nivel de significancia),
entonces se encuentra en el área de aceptación y como todo esto esta en
función de la H0 podemos sacar conclusiones respecto de lo que estamos
afirmando.

b) Con respecto al análisis de varianza para el modelo, escriba

y explique la hipótesis correspondiente. Además, anote con
detalle el estadístico de prueba, F0, y dé una justificación de
por qué tal estadístico sirve para probar tal hipótesis.

En este caso, se plantea un análisis enfocado hacia la variabilidad total

observada en la variable de respuesta (Syy), la variabilidad explicada por
la recta de regresión (SCR)y la variabilidad no explicada por la recta de
regresión (SCE), obteniendo consecuentemente el Cuadrado Medio del
Error, considerando los grados de libertad. Todo esto se utiliza para
generar otra forma de probar la hipótesis sobre la significancia de la
regresión.

Para el análisis de varianza, sólo utilizamos la prueba de hipótesis para el

estimador β1, como ya sabemos, la pendiente.

H0: β1 = 0

HA: β1 ≠ 0
El estadístico de prueba respecto la hipótesis nula es:

F0 = SCR/1SCE/(n-2) = CMRCME

En realidad, esta forma de probar la significancia de la regresión, es

equivalente a la que se estableció a través del estadístico t0, ya que al
elevar éste al cuadrado obtenemos:

t02 = β12 SxxCME = β1SxyCME =CMRCME = F0

La distribución Fisher, se utiliza para probar si dos muestras provienen de

poblaciones que poseen varianzas iguales. Esta prueba es útil para
determinar si una población normal tiene una mayor variación que la otra.
Y como al principio se menciona que los datos del problema están
sometidos a un análisis de varianza, es por eso que debemos utilizar este
estadístico de prueba.

5.-Con respecto a los intervalos de confianza para la recta y los

intervalos de predicción, señale ¿Cómo se obtienen y para que se
aplica cada uno de ellos?

Intervalo de confianza de la recta

y0 - t(α2,n-2) CME [1n+ ( x0 - x )2Sxx ]≤Eyx≤ y0 - t(α2,n-2) CME [1n+ ( x0

- x )2Sxx ]

Un intervalo de confianza está definido por dos valores entre los cuales
se encuentra el valor del parámetro con un determinado nivel de
confianza que se denota (1 –α) y que se aplica para mostrar los valores
entre los cuales se puede encontrar nuestro estimador puntual, para dar
una idea de la confiabilidad de nuestro estimador.

Los intervalos de predicción

y0 - t(α2,n-2) CME [ 1+1n+ ( x0 - x )2Sxx ]≤Eyx≤ y0 - t(α2,n-2) CME

[1+1n+ ( x0 - x )2Sxx ]

Se utilizan para predecir o pronosticar nuevas o futuras observaciones de

Y. Para predecir por intervalos la nueva observación es independiente de
las observaciones utilizadas para ajustar el modelo de regresión lineal por
tal motivo el intervalo anterior no es adecuado. Este intervalo depende
tanto del error del modelo como del error asociada las predicciones
futuras.

Entre más alejado del valor medio es xi, mayores son los intervalos de
confianza y de predicción.

Los intervalos tienen la propiedad de ser de diferente ancho, según el

valor de X, siendo más angostos cuando X es igual al promedio,
ensanchándose a medida que nos alejamos del promedio. Cuando se sale
del rango de los datos, se ensanchan más fuertemente. Esto significa que
mientras más nos alejamos del centro de los valores de la variable X, más
imprecisas serán nuestras estimaciones del valor de la variable Y, lo que
parece razonable.

15. ¿por qué se requiere la regresión lineal múltiple?

Porque en muchas situaciones practicas existen varias variables

independientes que se cree que influyen o están relacionadas con una
variable de respuesta Y, y por lo tanto será necesario tomar en cuenta si
se quiere predecir o entender mejor el comportamiento de Y.

17. Considere un modelo de regresión lineal múltiple con cuatro

variables: yi =  0 +  1 x1i +  2 x2i + ……..+ 4 x4 +  i ; i = 1,2,
…,n, y suponga que para estimar los parámetros se utilizaron un
total de 12 observaciones, es decir, n = 12. Conteste las
siguientes preguntas:
a) Explique en forma esquemática el procedimiento
matemático para estimar los parámetros que minimizan los
errores por mínimos cuadrados.
Generalmente, para el caso de k variables independientes X1, X2,....,Xk, la
media de Y| X1, X2,....,XK está dada por el modelo de regresión lineal
múltiple
µ Y |x1, x2 ,………, xk = β 0 +β 1 x1 +……..+ β k xk
y la respuesta estimada se obtiene de la ecuación de regresión de la
muestra

Donde cada coeficiente de regresión  i se estima por bi de los datos de la

muestra con el uso del método de mínimos cuadrados.
Con 4 variables (x1, x2, x3, x4) y 12 observaciones (n=12) El
procedimiento matemático es mediante el ajuste del modelo de regresión
lineal múltiple:
µ Y |x1 , x2, x3 , x4 = β 0 +β x+β
1 1 x+β
2 2 x +β
3 3 x
4 4

A los puntos de datos

 i= 1,2,....,12 y 12 >4 },
Al utilizar el concepto de mínimos cuadrados para llegar a las
estimaciones 0, 1, 2,  3,  4, minimizamos la expresión:

Al diferenciar SSE a su vez con respecto a β 0, β 1, β 2, β 3, β , e igualar a cero:

4

Sustituyendo n con 12 y k con 4, estas ecuaciones se pueden resolver para a β 0,

β 1, β 2, β 3, β 4 mediante cualquier método apropiado para resolver sistemas de
ecuaciones lineales.
b) Denote el modelo en forma matricial: y=Xβ + ε , exprese con precisión
todas las matrices involucradas en el modelo.
De manera resumida:
Y= y1y2y3:y12 X =
1x11x12x13x141x21x22x23x241x32x32x33x34:1x121x122x123x124 β =
b0b1b2b3b4 ε = e1e2e3:e12

La matriz de datos Y es el conjunto de todas las observaciones en cuanto a la

variable dependiente se observaron en el experimento, de aquí que va de y1 hasta
y12 con respecto a la totalidad de observaciones n = 12.
La matriz de datos X representa en realidad los valores de las variables
independientes ya sean en cuadrados, cubos, productos cruzados u otras funciones
de las variables de predicción. Se observa que la primera columna de la matriz X es
una columna de unos, por tanto, estamos insertando un valor de x, específicamente
x0, como coeficiente de b0. Donde x0 siempre es igual a 1.
La siguiente matriz representa los estimadores del modelo, para cada parámetro de
la matriz β hay una columna en la matriz X.
La ultima matriz representa el error aleatorio ε inherente a todo modelo de
regresión.

c) Proporcione la expresión matricial para los estimadores de mínimos

cuadrados.
Entonces la solución de mínimos cuadrados para la estimación de β 0, β 1, β 2, β 3,
β 4 , implica encontrar b para la que
SSE = (y - Xb)'(y - Xb)
se minimiza. Este proceso de minimización implica resolver para b en la ecuación

El resultado se reduce a la solución de b en: (X'X) β = X'Y

Podemos escribir la solución para el coeficiente de regresión como
β =(X’X)-1 X’Y
De esta forma se puede obtener la ecuación de predicción o la ecuación de
regresión al resolver un conjunto de k + 1 ecuaciones con un número igual de
incógnitas. Esto implica la inversión de la matriz X'X de k + 1 por k + 1.

d) Especifique la hipótesis de significancia del modelo y lo que significa

aceptar o rechazar esta hipótesis.
La hipótesis más importante sobre un modelo de regresión múltiple consiste en ver si la
regresión es significativa:
H0 : β 1 = β 2 = β 3 = β 4 =0
HA : β j ≠ 0 Para al menos un j = 1, 2, 3, 4

✔ Aceptar H0 indica que ningún término en el modelo tiene una contribución

significativa al explicar la variable de respuesta, Y.

✔ Rechazar H0 implica que por lo menos un término en el modelo contribuye de manera

significativa a explicar Y.

a) De la expresión del estadístico de prueba, F0, para la hipótesis anterior,

así como una explicación racional de por qué funciona como estadístico
de prueba, es decir, vea cuando este estadístico tiene valores grandes o
pequeños, y lo que eso significa en términos de calidad de ajuste.

F0 = CMR/CME

La hipótesis nula anterior se rechaza si: F0 > F (α, 4, 7)

Dado que un estadístico es una medida cuantitativa, derivada de un conjunto de
datos de una muestra, con el objetivo de estimar o contrastar características de una
población o modelo estadístico, en este caso nos permite aceptar o rechazar la
hipótesis, cuando el valor de F0 es mayor que el valor F(α, 4, 7) implica que debemos descartar la
hipótesis nula y aceptar la alternativa que nos habla de una significación del modelo, además si F0 es notablemente grande refiere a una
mayor significancia dado que se aleja del criterio de rechazo establecido.

b) Formule las hipótesis sobre los parámetros individuales del modelo y

comente que significa aceptar o rechazar cada una de estas.
H0 : β j = 0
HA : β j ≠ 0 j = 1, 2, 3, 4

Aceptar la hipótesis nula, para cualquier estimador, indica que el mismo no

contribuye esencialmente a predecir Y en general, en caso contrario, rechazar
hipótesis nula y por consiguiente aceptar la hipótesis alternativa, indica que el
parámetro Bj es significativo.
c) Proporcione la expresión para el estadístico de prueba para el caso
anterior y comente por que estos estadísticos funcionan como criterio
de aceptación o rechazo.
t0 = BjCMe Cj+1, j+1
La hipótesis nula anterior se rechaza si: t0 > t (α/2, 7 )

La prueba t de Student como todos los estadísticos de contraste se basa en el

cálculo de estadísticos descriptivos previos: el número de observaciones, la media y
la desviación típica en cada grupo. A través de estos estadísticos previos se calcula
el estadístico de contraste experimental. Por lo tanto el criterio de rechazo anterior
funciona perfectamente con cada estimador β j
d) ¿Cuáles son los riesgos de hacer predicciones fuera de la región de los
datos originales?
Fuera de la región, los aspectos físicos o sociales que están atrás de todo modelo
de regresión pueden empezar a actuar de otra forma, muy fuera de la región de
región de los datos originales empiecen a actuar otros fenómenos no considerados
en el modelo original. Este riesgo es más grande en el análisis de regresión múltiple,
ya que se trabaja con regiones multidimensionales.

Problema 7

En un proceso de extracción se estudia la relación entre tiempo

de extracción y rendimiento. Los datos obtenidos se encuentran
en la siguiente tabla.

Tiempo Rendimient
(min) o (%)
 10 64

15 81.7

20 76.2

8 68.5

12 66.6

13 77.9

15 82.2

12 74.2

14 70

20 76

19 83.2
18 85.3

a) ¿En este problema cual variable se considera independiente

y cual independiente?
– Se debe considerar el tiempo de extracción como variable
independiente (x) y al rendimiento como la variable dependiente
(y), dado que el rendimiento siempre va a variar conforme el
tiempo y no viceversa.

a) Mediante un diagrama de dispersión analice la relación

entre estas dos variables. ¿Qué tipo de relación observa y
cuales son algunos hechos especiales?
Existe correlación lineal positiva ya que conforme aumenta el tiempo de
extracción también aumenta el rendimiento, es razonable suponer que la
relación entre estas variables la explique un modelo de regresión lineal
simple.

b) Haga un análisis de regresión (ajuste una línea recta a estos

datos, aplique pruebas de hipótesis y verifique residuos)

Para ajustar la mejor recta que pasa más cerca de todos los puntos y para
calcular estimadores, se usa método de mínimos cuadrados, se resumen
los cálculos en la hoja de Excel:

X y X2 Y2 Xy Y e E2
estima
do

Tiempo Rendimiento
(min) (%)

10 64 100 4096 640 69.93 - 35.164

5.93 9

15 81.7 225 6674.8 1225 75.88 5.82 33.872

9 .5 4

20 76.2 400 5806.4 1524 81.83 - 31.696

4 5.63 9

8 68.5 64 4692.2 548 67.55 0.95 0.9025

5

12 66.6 144 4435.5 799. 72.31 - 32.604

6 2 5.71 1
 13 77.9 169 6068.4 1012 73.5 4.4 19.36
1 .7

15 82.2 225 6756.8 1233 75.88 6.32 39.942

4 4

12 74.2 144 5505.6 890. 72.31 1.89 3.5721

4 4

14 70 196 4900 980 74.69 - 21.996

4.69 1

20 76 400 5776 1520 81.83 - 33.988

5.83 9

19 83.2 361 6922.2 1580 80.64 2.56 6.5536

4 .8

18 85.3 324 7276.0 1535 79.45 5.85 34.222

9 .4 5

Suma 905.8 275 68910. 1348 293.87

176 2 36 9 64

Para ajustar la recta, se calcula:

Ey I x=β0+β1x )

Sxy=i=1nxiyi-i=1nxii=1nyin = 13489 – [(176) (905.8) /12] = 203.93

Sxx=i=1nxi2-i=1nxi2n = 2752 – [(176)2/12] = 170.66

Syy=i=1nyi2-i=1nyi2n = 68910.36 – [(905.8)2/12] = 537.55

Para encontrar los estimadores:

β1=SxySxx = 203.93 / 170.66 = 1.19492187

β0=y-β1x = 75.48333333 - 1.19492187 (14.66666667) = 57.9578125

Por lo tanto, la línea recta ajustada está dada por:

y=57.9578125+1.19492187 x

Con esta ecuación podemos graficar la recta de regresión lineal:

Por lo que se observa, se concluye que los errores están distribuidos
aleatoriamente, la prueba de hipótesis de interés plantea que la
pendiente es significativamente diferente de 0.

Hipótesis a Establecer En ambos casos H0 se rechaza si

Análisis de Regresión to> t ( ∝ / 2 , n -2 )

Para β1
H0 = β1 = 0 Hipótesis a Establecer
HA = β1≠ 0 Análisis de Varianza

t0 = β1 /CME/Sxx H0 = β1 = 0
HA = β1≠ 0

Para β0
H0 = β0= 0 F0= CMR / CME
HA = β0≠ 0
H0 se rechaza si
t0 =β0/ √CME 1n+x2Sxx Fo> F( ∝, 1 , n -2 )
 Estadísticos obtenidos,
Minitab: Con 5% de
significancia para el análisis
de regresión, es obvio que
para los dos estimadores el
estadísticos son mayores
(9.22; 2.88) que el del
criterio de rechazo (2.2281)

Para el análisis de Varianza

es lo mismo 8.29 > 4.965

Por lo tanto se rechazan las

hipótesis nulas establecidas
y se aceptan las alternativas, las cuales indican que el modelo es
significativo

c) ¿La calidad del ajuste es satisfactoria? Argumente

Determinemos si el modelo permite hacer estimaciones con una

precisión aceptable:

Coeficiente de determinación

R2 = SCR / Syy = 243.68 / 537.55 = 0.4533

El 45 % de la variación observada en el rendimiento es explicada por el

modelo, la calidad de ajuste no es satisfactorio, veamos su ajuste…

Coeficiente de determinación ajustado

R2 aj = CMtotal - CME / CMtotal =48.8681 – 29.38 / 48.8681 = 0.3987

Para fines de predicción se recomienda un coeficiente de determinación

ajustado de 0.7 este es otro indicador de que nuestro modelo no hace
estimaciones con precisión.

Coeficiente de Correlación

r = Sxy / √SxxSyy = 203.93 / √ (170.66) (537.55) = 0.6732

Observemos las gráficas 4 en uno del modelo de regresión:

 Se observa que en la gráfica de probabilidad normal la mayor parte de
los puntos tienden a ajustarse a la línea recta pero en la de residuo
contra valor ajustado hay cierto patrón, el modelo registra falla.

Se concluye que aunque el modelo es significativo, la intensidad

de la relación lineal entre las variables no es muy fuerte

d) Destaque el valor de la pendiente de la recta e interprételo

en términos prácticos

El valor de la pendiente de la recta es: 1.1949, en términos prácticos,

tan solo es la cantidad que se incrementa o disminuye la variable Y para
cada unidad que se incrementa X.

e) Estime el rendimiento promedio que se espera a un tiempo

de extracción de 25 minutos y obtenga un intervalo de
confianza para esta estimación.

El intervalo de confianza está dado por:

Y0 - t( ∝ / 2 , n -2 ) CME1n+(x0- x)2Sxx<= EyI25<= Y0 +t( ∝ / 2 , n -2 )√ CME1n+(x0-

x)2Sxx

Con X0 = 25 ; Y0 = 57.95781 + 1.19492 (25) = 87.83

87.83± 2.2281 29.38112+(25- 14.66)2170.66

 87.83± 2.2281 20.85

87.83± 10.174

Por lo tanto el intervalo de confianza es:

77.65 <= EyIx0=25<= 98.004

22.-se realizó un experimento para estudiar el sabor del queso

panela en función de la cantidad del cuajo y la sal. La variable
de respuesta observada es el sabor promedio reportado por un
grupo de 5 panelistas que probaron todos los quesos y los
calificaron con una escala hedónica. Los datos obtenidos se
muestran a continuación:

Sal Cuajo sabor

6 0.3 5.67

5.5 0.387 7.44

4.5 0.387 7.33

4 0.3 6.33

4.5 0.213 7.11

5.5 0.213 7.22

5 0.3 6.33

5 0.3 6.66

a) ajuste el modelo Y=β0+β1x1+β2x2+ε

La ecuación de regresión es
Y= 7.30 - 0.183 x1 + 1.26 x2

b) ¿el modelo explica la variación observada en el sabor?

Argumente con base en la significancia del modelo, los
residuales y el coeficiente de determinación

Para hablar de un modelo que tiene un ajuste satisfactorio es necesario

que ambos coeficientes tengan valores superiores a 0.7, y en este caso
muestro coeficiente de determinación presento un valor muy bajo del
0.05 (5%) y un coeficiente de determinación ajustado con valor negativo
interpretando esto como un 0%. Esto se debe a que en nuestro modelo
hay términos que no contribuyen de manera significativa por lo tanto
debemos depurar el modelo.
Análisis de residuos.- en la gráfica de probabilidad normal los puntos no
se ajustan a la recta y presentan un cierto nivel de simetría en el
comportamiento de los mismos por lo tanto podemos decir que el
modelo no es aceptable. En la gráfica de residuos vs predichos si el
modelo es adecuado se espera que en esta grafica los puntos no sigan
ningún patrón y que, por lo tanto, estén distribuidos más o menos
aleatoriamente a lo largo y ancho de la gráfica. Cuando esto ocurre
significa que el modelo se ajusta de cualquier manera a lo largo de los
modelos de Y.
En el caso de nuestra grafica se observa que los puntos están
distribuidos a lo largo del eje de las X de forma constante. Y por último
en la gráfica de residuos vs xi observamos que el comportamiento de los
residuos maneja un patrón, lo cual quiere decir que nuestro modelo no
es adecuado.

c) Ajuste un modelo que incluya términos cuadráticos y

analice con detalle la calidad del ajuste.

Y = 5.4 + 4.77 x1 - 70.4 x2 + 0.00 x1x2 - 0.495 x12 + 119 x22

Podemos prescindir del cuarto término de la ecuación, ya que su
coeficiente es cero, quedando la ecuación de la siguiente manera:

Y = 5.4 + 4.77 x1 - 70.4 x2 - 0.495 x12 + 119 x22

d) Compare el error estándar de estimación CMε y los

coeficientes de determinación (R2 y R2aj) para ambos
modelos

En nuestro primer modelo al calcular los coeficientes de

determinación y el ajustado del mismo, nos pudimos dar cuenta de
que el modelo no era adecuado para explicar la relación de variables
debido a que el valor era demasiado bajo y por lo tanto no era un
modelo confiable.
Al obtener nuestra ecuación con términos cuadráticos, nos dimos
cuenta que este modelo si es significativo debido a los valores que
nos arrojó el coeficiente de determinación y su ajustado, al ver una
amplia mejoría en los resultados.
Primer modelo Segundo modelo

R2=0.054 = 5% R2=0.923 = 93.2%

R2aj= -0.32 = 0% R2aj= 0.761 = 76.1%

Error estándar de estimación

Primer modelo Segundo modelo

CMε = 0.7127 CMε = 0.3029

Es claro que la diferencia entre un modelo y otro es evidente.

e) ¿Cuál modelo prefiere para explicar el sabor?

El segundo modelo con términos cuadráticos.