12 Rls

Tema 2 El Modelo de Regresi on Lineal Simple 2-1 Tema 2 El Modelo de Regresi on Lineal Simple 2-1
2. El Modelo de Regresi on Lineal Simple

Problema de mnimos cuadrados.
Estimadores mnimos cuadrados

0
,

1
, y s
2
.
Estimadores de m axima verosimilitud y propiedades.
Inferencia: pruebas de hip otesis e intervalos de conanza.
Bondad de ajuste: ANOVA, R
2
.
Transformaciones de la lnea recta.
Transformaciones potencia de Box-Cox y Box-Tidwell.
Modelos no lineales.
Error puro y falta de ajuste.
Revisi on de los supuestos del modelo de regresi on: An alisis de residuales.
E. Barrios ESTADISTICA APLICADA II EneroMayo 2014 E. Barrios ESTADISTICA APLICADA II EneroMayo 2014
altura (cm)
p
r
e
s
i
n

(
k
g
/
c
m
^
2
)
100 120 140 160 180 200
0
50
100
150
200
y
obs
y
e = y
obs
y
(no observado)
y =
0
+
1
x
(terica)
Modelo generador terico
Regresi on Lineal Simple
y
i
=
0
+
1
x
i
+
i
, i = 1, . . . , n
Donde,
y
i
: variable de respuesta, variable dependiente.
x
i
: variable de control, regresor, variable independiente.
0
,
1
: coecientes del modelo.
0
: es el nivel de la respuesta cuando x = 0.
1
: es el incremento en la respuesta cuando aumento al regresor x en una
unidad. (tasa de cambio)
i
: error aleatorio (no observado), diferencia entre el modelo generador y el
valor observado.
Regresi on Lineal Simple
Si suponemos que el error es tal que
E[] = 0, var() =
2
, cov(,
) = 0
la respuesta y es aleatoria, pero para el nivel x = x
0
,
E[y|x = x
0
] =
0
+
1
x
0
var(y|x = x
0
) = var() =
2
cov(y, y
) = 0
Esto es,
El nivel medio de y depende del nivel de x.
La variabilidad de la respuesta y no depende de x.
cov(y, y
) = cov(,
) = 0.
0
es la respuesta media para x = 0.
1
es el incremento de la respuesta debido a un cambio unitario del
regresor x. Es decir, para
x
= 1, se tiene que
y
=
1
.
altura (cm)
p
r
e
s
i
n

(
k
g
/
c
m
^
2
)
100 120 140 160 180 200
0
50
100
150
200
y
obs
y
~
r
~
= y
obs
y
~
(residual)
y
~
=
~
0
+
~
1
x
(ajustada)
modelo generador
Modelo ajustado
Criterios para determinar la mejor lnea recta
Problema: Elegir la mejor lnea recta (
0
,
1
).
1. Elija (
0
,

1
), de modo que
i
(y
i
y
i
) =
i
(y
i
1
x
i
) = 0 Impr actico!!!
2. Criterio L
1
: Mnima Desviaci on Absoluta
mn
i
|y
i
1
x
i
|
3. Criterio L
2
: Mnimos Cuadrados
mn
i
(y
i
1
x
i
)
2
4. Criterio L
: Mnima Desviaci on M axima

mn
_
m ax
i
y
i
1
x
i
_
El Problema de Mnimos Cuadrados
Considere la suma de cuadrados: S()
.
=
n
i=1
(y
i
1
x
i
)
2
Criterio:
mn
S() mn
0
,
1
n
i=1
(y
i
1
x
i
)
2
dS
d
0 =
_
_
Ecuaciones normales (ortogonales) :
n
0
+
1
x
i
=
y
i
x
i
+
1
x
2
i
=
x
i
y
i
Soluci on: Estimadores Mnimos Cuadrados
1
=
(x
i
x)(y
i
y)
(x
i
x)
2
=
S
xy
S
xx
0
= y

1
x
altura (cm)
p
r
e
s
i
n

(
k
g
/
c
m
^
2
)
100 120 140 160 180 200
0
50
100
150
200
x
y
y
^
=
^
0
+
^
1
x
Recta ajustada por mnimos cuadrados
La recta ajustada pasa por el centroide de los datos (X, Y )
Ejemplo Propelente
Se considera un motor de cohete estudiando el propelente de encendido den-

tro de un dep osito de metal. La fuerza para separar la uni on entre las compo-
nentes del combustible es la respuesta, que depende de la edad de propelen-
te.
Datos:
obs fuerza edad obs fuerza edad
1 2158.70 15.50 11 2165.20 13.00
2 1678.15 23.75 12 2399.55 3.75
3 2316.00 8.00 13 1779.80 25.00
4 2061.30 17.00 14 2336.75 9.75
5 2207.50 5.50 15 1765.30 22.00
6 1708.30 19.00 16 2053.50 18.00
7 1784.70 24.00 17 2414.40 6.00
8 2575.00 2.50 18 2200.50 12.50
9 2357.90 7.50 19 2654.20 2.00
10 2256.70 11.00 20 1753.70 21.50
5 10 15 20 25
1
8
0
0
2
0
0
0
2
2
0
0
2
4
0
0
2
6
0
0
Propelente
edad (semanas)
f
u
e
r
z
a

(
p
s
i
)
Montgomery et al. (2001)
Ejemplo Propelente (cont.)
0 5 10 15 20 25
1
8
0
0
2
0
0
0
2
2
0
0
2
4
0
0
2
6
0
0
Propelente
edad (semanas)
f
u
e
r
z
a

(
p
s
i
)
1708.3
y
1921.9 y
^
r
^
= 213.6
y = 2627.82 37.15x
Ajuste:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2627.822 44.184 59.48 < 2e-16
edad -37.154 2.889 -12.86 1.64e-10
Residual standard error: 96.11 on 18 degrees of freedom
Multiple R-squared: 0.9018, Adjusted R-squared: 0.8964
F-statistic: 165.4 on 1 and 18 DF, p-value: 1.643e-10
Analysis of Variance Table
Response: fuerza
Df Sum Sq Mean Sq F value Pr(>F)
edad 1 1527483 1527483 165.38 1.643e-10
Residuals 18 166255 9236
Datos ajustados y residuales:
obs yobs yhat res obs yobs yhat res
1 2158.70 2051.9 106.8 11 2165.20 2144.8 20.4
2 1678.15 1745.4 -67.3 12 2399.55 2488.5 -88.9
3 2316.00 2330.6 -14.6 13 1779.80 1699.0 80.8
4 2061.30 1996.2 65.1 14 2336.75 2265.6 71.2
5 2207.50 2423.5 -216.0 15 1765.30 1810.4 -45.1
6 1708.30 1921.9 -213.6 16 2053.50 1959.1 94.4
7 1784.70 1736.1 48.6 17 2414.40 2404.9 9.5
8 2575.00 2534.9 40.1 18 2200.50 2163.4 37.1
9 2357.90 2349.2 8.7 19 2654.20 2553.5 100.7
10 2256.70 2219.1 37.6 20 1753.70 1829.0 -75.3
Observe que
n
i=1
res
i
= 0.
1800 2000 2200 2400
2
0
0
1
0
0
0
1
0
0
2
0
0
Residuales vs. Respuesta Ajustada
respuesta ajustada
r
e
s
i
d
u
a
l
Propiedades de los estimadores de mnimos cuadrados
1
=
(x
i
x)(y
i
y)
(x
i
x)
2
E[
1
] =
1
var(
1
) =
2
1
S
xx
0
= y

1
x
E[
0
] =
0
var(
0
) =
2
_
1
n
+
x
2
S
xx
_
Nota: Los resultados anteriores se siguen del hecho que
(x
i
x) = 0 y por
lo mismo S
xy
=
(x
i
x)y
i
. Luego

1
=
c
i
y
i
, donde c
i
= (x
i
x)/S
xx
.
Teorema Gauss-Markov
Bajo los supuestos
E[
i
] = 0, var(
i
) =
2
, cov(
i
,
j
) = 0
los estimadores de mnimos cuadrados son los mejores estimadores lineales
insesgados, en el sentido de que tienen varianza mnima.
Propiedades de los estimadores de mnimos cuadrados
r
i
= y
i
y
i
= y
i
(
0
+

1
x
i
)
Se tiene que,
1.

r
i
=
(y
i
y
i
) = 0
2.

y
i
=
y
i
3.
y =

0
+

1
x
4.

x
i
r
i
= 0
5.

y
i
r
i
= 0
Estimaci on de
2
Suma de Cuadrados:
SC
Res
=
n
i=1
(y
i
y
i
)
2
= S
yy
1
S
xy
Si se supone adem as que N(0,
2
), se puede mostrar que
SC
Res
2

2
n2
Luego,
E
_
SC
Res
2
_
= n 2, var
_
SC
Res
2
_
= 2(n 2)
Cuadrados Medios:
s
2
= CM
Res
=
1
n 2
SC
Res
=
1
n 2
(y
i
y
i
)
2
Entonces,
E
_
s
2
= E
_
SC
Res
n 2
_
=
2
, var
_
s
2
= var
_
SC
Res
n 2
_
=
2
4
n 2
Error Est andar de la Regresi on:
s =
_
CM
Res
=
SC
Res
n 2
=
_
1
n 2
(y
i
y
i
)
2
Inferencia
Estimaci on por M axima Verosimilitud
y
i
1
x
i
N(0,
2
) i.i.d.
Funci on de verosimilitud del modelo de regresi on:
L(
0
,
1
,
2
; x, y) =
n
i=1
f
(x
i
, y
i
;
0
,
1
,
2
)
=
n
i=1
1
2
exp
_
1
2
2
(y
i
1
x
i
)
2
_
= (2)
n/2
n
exp
_
1
2
2
n
i=1
(y
i
1
x
i
)
2
_
= log L =
n
2
log(2) nlog()
1
2
2
n
i=1
(y
i
1
x
i
)
2
Estimaci on por M axima Verosimilitud
Maximizar la funci on de verosimilitud equivale a minimizar la suma de cuadra-
dos:
log L
0
= 0
log L
1
= 0
_
_
_
La soluci on del sistema
da lugar a los Estimado-
res de M axima Verosimili-
tud (EMV).
_
_
_
1
=
S
xy
S
xx
0
= y

1
x
Adem as,
log L
= 0 =
2
=
1
n
n
i=1
(y
i
1
x
i
)
2
Por lo tanto, los EMV son los mismos que los EMC, y
s
2
=
n
n 2

2
,
2
=
n 2
n
s
2
Nota: El hecho que los EMC coincidan con los EMV, a nade las propiedades
de estos ultimos (consistencia, suciencia) a la mnima varianza (eciencia)
de los EMC (Teorema Gauss-Markov).
Observaciones:
El supuesto de normalidad de los errores es necesario para hacer inferen-
cia pero no para que se cumplan las condiciones de Gauss-Markov.
El supuesto N(0,
2
) hace que los EMV y los EMC coincidan. (A ex-
cepci on del estimador de la varianza muestral)
Teorema de Gauss-Markov. Dentro de la clase de estimadores insesga-
dos para
0
y
1
, los estimadores de mnimos cuadrados tienen varianza
mnima. Se tiene que si

0
es tal que E(

0
) =
0
:
Var(

0
) Var(

0
)
An alogamente, si

1
es tal que E(

1
) =
1
:
Var(

1
) Var(

1
)
Donde

0
,

1
son los estimadores de mnimos cuadrados (EMC).
Distribuciones
Podemos escribir los EMC como funciones lineales de y N(
0
+
1
x,
2
)
1
=
S
xy
S
xx
=
c
i
y
i
,

0
= y

1
x =
d
i
y
i
c
i
, d
i
R
Luego,
1
N(
1
,
2
1
S
xx
),

0
N
_
0
,
2
_
1
n
+
x
2
S
xx
__
e independientemente,
s
2

2
n 2

2
n2
Respuesta media ajustada y(x):
y(x) =

0
+

1
x N
_
0
+
1
x,
2
_
1
n
+
(x x)
2
S
xx
__
Nueva observaci on y(x):
y(x) =

0
+

1
x + N
_
0
+
1
x,
2
_
1 +
1
n
+
(x x)
2
S
xx
__
Pruebas de Hip otesis sobre los coecientes
Suponiendo
2
conocida
Recta que pasa por
0
0
al origen:
H
0
:
0
=
0
0
vs. H
1
:
0
=
0
0
z
0
=
0
0
de(
0
)
=
0
0
_
1
n
+
x
2
S
xx
N(0, 1)
Recta de pendiente
0
1
:
H
0
:
1
=
0
1
vs. H
1
:
1
=
0
1
z
1
=
0
1
de(
1
)
=
0
1
_
1
S
xx
N(0, 1)
4 2 0 2 4
0.0
0.1
0.2
0.3
0.4
z
d
e
n
s
i
d
a
d
z
obs
p
1
z
obs
p
2
p
valor
= p
1
+ p
2
Suponiendo
2
desconocida
Recta que pasa por
0
0
al origen:
H
0
:
0
=
0
0
vs. H
1
:
0
=
0
0
t
0
=
0
0
ee(
0
)
=
0
0
s
_
1
n
+
x
2
S
xx
t
n2
Recta de pendiente
0
1
:
H
0
:
1
=
0
1
vs. H
1
:
1
=
0
1
t
1
=
0
1
ee(
1
)
=
0
1
s
_
1
S
xx
t
n2
6 4 2 0 2 4 6
0.0
0.1
0.2
0.3
0.4
t
^
d
e
n
s
i
d
a
d
t
^
obs
p
1
t
^
obs
p
2
p
value
= p
1
+ p
2
Casos particulares
Recta que pasa por el origen:
H
0
:
0
= 0 vs. H
1
:
0
= 0
G
G
G
G
G
G G
G
G
G
G
G
G
G
G
G
G
G
G
G
x
y
Signicancia de la regresi on:
H
0
:
1
= 0 vs. H
1
:
1
= 0
G
G
G
G
G
G
G
G
G
G
G
G
G
G
G
G
G
G
G
G
x
y
Intervalos de Conanza
Ordenada al origen
0
:
0
t
(1/2;n2)
s
1
n
+
x
2
S
xx
Pendiente
1
:
1
t
(1/2;n2)
s
1
S
xx
Varianza
2
:
_
(n 2)s
2
2
(1/2,n2)
,
(n 2)s
2
2
(/2,n2)
_
Respuesta media y
x
, al nivel x:
y
x
t
(1/2;n2)
s
1
n
+
(x x)
2
S
xx
Intervalos de predicci on nueva observaci on y
x
:
y
x
t
(1/2;n2)
s
1 +
1
n
+
(x x)
2
S
xx
Bandas de Conanza y Bandas de Predicci on
x
y
x
respuesta media
nueva observacin
y
^
=
0
^
+
1
^
x
Recta Ajustada
Regiones de Conanza para (
0
,
1
):
Consideremos la reparametrizaci on del modelo de regresi on
y =
0
+
1
x + =
0
+
1
(x x) +
Entonces,

0
= y y var(
0
) =
2
/n
_
0
/
n
_
2
=
n(
0
)
2
2

2
1
_

1
/
S
xx
_
2
=
S
xx
(
1
)
2
2

2
1
_
_
Independientes
Luego,
n(
0
)
2
2
+
S
xx
(
1
)
2
2

2
2
Y por otro lado,
(n 2)s
2
/
2

2
n2
independientemente de

0
y

1
. Entonces,
n(
0
)
2
+ S
xx
(
1
)
2
2s
2
F
2,n2
Por lo que una regi on del (1 ) nivel de conanza para (
0
,
1
) es:
RC
(1)
=
_
(
0
,
1
) : n(
0
)
2
+ 2
x
i
(
0
)(
1
) +
x
2
i
(
1
)
2
2s
2
F
(1;2,n2)
_
Regiones de Conanza
Intervalos de Conanza y M etodo de Bonferroni
Sea IC
j
el intervalo de 1 nivel de conanza para el par ametro
j
(j = 0, 1).
Sea I
j
el evento el intervalo IC
j
efectivamente contiene el par ametro de in-
ter es
j
. Luego, P(I
j
) = 1 , y
P(I
0
I
1
) = 1 P((I
0
I
1
)
c
)
= 1 P(I
c
0
I
c
1
)
= 1 [P(I
c
0
) + P(I
c
1
) P(I
c
0
I
c
1
)]
= 1 2 + P(I
c
0
I
c
1
)
1 2
Entonces, para garantizar un nivel de (1 ) conanza conjunto, construya
marginalmente los intervalos IC
j
con un nivel (1 /2) de conanza.
Para garantizar la conanza conjunta de k intervalos marginales con niveles
de conanza (1 /k).
Intervalos y Regiones de Conanza para (
0
,
1
):
10 20 30 40 50
0.05
0.10
0.15
0.20
TV por cable
1
1
1
Marginales
1 2
1 2
Bonferroni
Coeciente de Determinaci on R
2
El coeciente de determinaci on es el porcentaje de variabilidad debido a la
regresi on; es decir, el porcentaje de la variabilidad de los datos explicado por
el modelo.
R
2
=
SC Debido a la regresi on
SCTotal corregidos
=
( y
i
y)
2
(y
i
y)
2
=
SC
Reg
SCT
corr
= 1
SC
Res
SCT
corr
Notas:
1. R
2
= [corr(y, y)]
2
, de ah que tambi en se le conozca como Coeciente De
Correlaci on Cuadrada.
2. corr(X, Y ) = signo(
1
) R
3. En la denici on de R
2
, se considera siempre un modelo base, que en el ca-
so de la RLM es el modelo trivial : y = y + . Evite el uso de R
2
en modelos
sin ordenada al origen.
4. 0 R
2
1. Sin embargo, si se tienen r eplicas puras, (varios y(x)s para el
mismo X = x), se tiene error puro y no hay modelo que capture la variaci on
debida a este error. En este caso: R
2
< 1.
Prueba de Hip otesis
An alisis de Varianza
Fuente gl Suma de Cuadrados (SC) Cuadrados Medios (CM) F
Debido regresi on 1 SC
Reg
=
( y
i
y)
2
CM
Reg
=
SC
Reg
1
CM
Reg
CM
Res
Residuales n 2 SC
Res
=
(y
i
y
i
)
2
CM
Res
=
SC
Res
n2
Total (Corregido) n 1 SC
Total
=
(y
i
y)
2
An alisis de Varianza y Suma Extra de Cuadrados
Fuente GL Suma de Cuadrados Cuadrados Medios F
0
1 n y
2
1
|
0
1 S
2
xy
/S
xx
CM
Reg
CM
Reg
/s
2
Residuales n 2 Por diferencia s
2
Total n
y
2
i
Coeciente de Determinaci on R
2
Notas:(cont.)
5. R
2
cercanas a 1 indican buen ajuste. Recuerde sin embargo que buen
ajuste y mal ajuste depende del contexto.
6. En el caso de RLS, se puede mostrar que
E[R
2
] =
2
1
S
xx
2
+

2
1
S
xx
por lo que es posible incrementar R
2
aumentando el rango del regresor X.
7. Una R
2
alta no implica un buen modelo de predicci on.
8. En RLM, siempre se puede incrementar R
2
aumentando el n umero de re-
gresores.
Coeciente de Correlaci on (Muestral)
r =
(y
i
y)(x
i
x)
_
(x
i
x)
2
(y
i
y)
2
_
1/2
=
S
XY
[S
XX
S
Y Y
]
1/2
Entonces, se puede mostrar que
1
= r
_
S
Y Y
S
XX
_
1/2
y que r
2
es el Coeciente de Determinaci on. Es decir, r
2
= R
2
.
Regresi on Simple por el Origen
El modelo de una lnea recta que
pasa por el origen es:
y
i
= x
i
+
i
,
tiene los siguientes estimadores
(insesgados) de mnimos cuadra-
dos:
x
i
y
i
x
2
i
=
S
xy
S
xx
y
s
2
=
1
n 1
(y
i
y
i
)
2
3 2 1 0 1 2 3
3
2
1
0
1
2
3
Regresin por el Origen
x
y
Los estimadores

y s
2
tiene propiedades similares a las correspondientes en
los modelos con ordenada al origen. A saber,
N(,
2
1
S
xx
) y s
2

2
n 1
2
n1
Recuerde que en este caso la R
2
no tiene sentido.
Transformaciones a una Lnea Recta
Ejemplo: Generaci on de Electricidad Mediante Molino de Viento
Un ingeniero investiga la posibilidad de generar electricidad mediante un mo-

lino de viento. Despu es de un tiempo ha registrado la corriente el ectrica que
sale del molino y la velocidad del viento.
Datos:
obs. velocidad voltaje obs. velocidad voltaje
mph. kv. mph. kv.
1 5.00 1.58 14 5.80 1.74
2 6.00 1.82 15 7.40 2.09
3 3.40 1.06 16 3.60 1.14
4 2.70 0.50 17 7.85 2.18
5 10.00 2.24 18 8.80 2.11
6 9.70 2.39 19 7.00 1.80
7 9.55 2.29 20 5.45 1.50
8 3.05 0.56 21 9.10 2.30
9 8.15 2.17 22 10.20 2.31
10 6.20 1.87 23 4.10 1.19
11 2.90 0.65 24 3.95 1.14
12 6.35 1.93 25 2.45 0.12
13 4.60 1.56
4 6 8 10
0
.
5
1
.
0
1
.
5
2
.
0
velocidad (mph.)
v
o
l
t
a
j
e

(
k
v
.
)
Montgomery and Peck (1992)

Ejemplo: Generaci on de Electricidad (cont.)
Ajuste del Modelo: y =
0
+
1
x +
Coefficients:
(Intercept) 0.13088 0.12599 1.039 0.31
velocidad 0.24115 0.01905 12.659 7.55e-12
Multiple R-Squared: 0.8745, Adjusted R-squared: 0.869
Response: voltaje
velocidad 1 8.9296 8.9296 160.26 7.546e-12
Residuals 23 1.2816 0.0557
Validaci on del Modelo
1.0 1.5 2.0 2.5
0
.
6
0
.
4
0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
fitted values
r
e
s
i
d
u
a
l
s
Voltaje ajustado vs. Residuales
0.6 0.4 0.2 0.0 0.2
1
0
1
2
residuals
n
o
r
m
a
l

s
c
o
r
e
s
Grfica Normal de Residuales
Anlisis de Residuales
Identicaci on del Modelo Transformaci on X = 1/x
0.10 0.15 0.20 0.25 0.30 0.35 0.40
0
.
5
1
.
0
1
.
5
2
.
0
1/velocidad
v
o
l
t
a
j
e

(
k
v
.
)
0
+
1
/x +
Coefficients:
(Intercept) 2.9789 0.0449 66.34 <2e-16
invX -6.9345 0.2064 -33.59 <2e-16
F-statistic: 1128 on 1 and 23 DF, p-value: < 2.2e-16
Response: voltaje
invX 1 10.0072 10.0072 1128.4 < 2.2e-16
Residuals 23 0.2040 0.0089
Ejemplo: Generaci on de Electricidad Mediante Molino de Viento
0.5 1.0 1.5 2.0
0
.
2
0
.
1
0
.
0
0
.
1
0
.
2
fitted values
r
e
s
i
d
u
a
l
s
0.20 0.10 0.00 0.05 0.10
1
0
1
2
residuals
n
o
r
m
a
l

s
c
o
r
e
s
Funciones Linealizables y Formas Lineales
Funci on Transformaci on Forma
Linealizable Lineal
y =
0
x
1
Y = log y, X = log x Y = log
0
+
1
X
y =
0
e
1
x
Y = log y Y = log
0
+
1
x
y =
0
+
1
log x X = log x y =
0
+
1
X
y =
x
0
x+
1
Y =
1
y
, X =
1
x
Y =
0
+
1
X
Modelo:
y =
0
x
1
0 1
0
1
1
= 1
1
> 1
1
< 1
0
> 0 ,
1
> 0 ; x > 0
0 1
0
1
1
= 1
1
< 1
1
> 1
0
> 0 ,
1
< 0 ; x > 0
Modelo:
y =
0
e
1
x
0
1
= 1
1
> 1
1
< 1
0
> 0 ,
1
> 0 ; x > 0
0
1
= 1
1
< 1
1
> 1
0
> 0 ,
1
< 0 ; x > 0
Modelo:
y =
0
+
1
log(x)
0 1
0
1
= 1
1
> 1
1
< 1
0
> 0 ,
1
> 0 ; x > 0
0 1
0
1
= 1
1
> 1
1
< 1
0
> 0 ,
1
< 0 ; x > 0
Modelo:
y =
x
0
x +
1
0
1
= 1
1
> 1
1
< 1
0
> 0 ,
1
> 0 ; x > 0
0
1
= 1
1
< 1
1
> 1
0
> 0 ,
1
< 0 ; x > 0
Transformaciones Estabilizadoras de la Varianza
Relaci on Transformaci on Notas
2
k Y = y Sin transformaci on
2
E(y) Y =
y Raz cuadrada (datos Poisson)
2
E(y)[1 E(y)] Y = arcsin
y Arco seno (proporciones binomiales)

0 y
i
1
2
[E(y)]
2
Y = log y Logaritmo
2
[E(y)]
3
Y = 1/
y Recproco raz cuadrada
2
[E(y)]
4
Y = 1/y Recproco
F ormula de Transmisi on de Error - M etodo Delta
M etodo Delta: Sea Y v. a. con al menos sus primeros 2 momentos nitos

(E[Y ] =
Y
< y var(Y ) =
2
Y
< ), y sea h() una funci on suave, al menos
2 veces diferenciable. Entonces
E[h(Y )] h(
Y
) + h
(2)
(
Y
)
2
Y
2
var(h(Y ))
_
h
(1)
(
Y
)
_
2
2
Y
Ejemplo: Sea Y v. a. con varianza
2
Y

2
Y
. Entonces W = log(Y ) tiene va-
rianza constante.
Soluci on: Sea W = h(Y ) = log(Y ). Entonces h
(y) = 1/y, y
2
W
[h
(
Y
)]
2
2
Y
=
_
1
Y
_
2
2
Y

1
2
Y
2
Y
1
Esto es,
2
W
k.
Dudewicz and Mishra (1988), Casella and Berger (2002)

Ejemplo: Demanda de energa y uso de energa
Una compa na generadora de electricidad est a interesada en modelar la demanda en

horas pico (y) como funci on del uso mensual total (x).
obs. x y obs. x y
(kwh) (kw) (kwh) (kw)
1 679 0.79 27 837 4.20
2 292 0.44 28 1748 4.88
3 1012 0.56 29 1381 3.48
4 493 0.79 30 1428 7.58
5 582 2.70 31 1255 2.63
6 1156 3.64 32 1777 4.99
7 997 4.73 33 370 0.59
8 2189 9.50 34 2316 8.19
9 1097 5.34 35 1130 4.79
10 2078 6.85 36 463 0.51
11 1818 5.84 37 770 1.74
12 1700 5.21 38 724 4.10
13 747 3.25 39 808 3.94
14 2030 4.43 40 790 0.96
15 1643 3.16 41 783 3.29
16 414 0.50 42 406 0.44
17 354 0.17 43 1242 3.24
18 1276 1.88 44 658 2.14
19 745 0.77 45 1746 5.71
20 435 1.39 46 468 0.64
21 540 0.56 47 1114 1.90
22 874 1.56 48 413 0.51
23 1543 5.28 49 1787 8.33
24 1029 0.64 50 3560 14.94
25 710 4.00 51 1495 5.11
26 1434 0.31 52 2221 3.85
53 1526 3.93
500 1000 1500 2000 2500 3000 3500
0
5
1
0
1
5
uso de energia (kwh)
d
e
m
a
n
d
a

d
e

e
n
e
r
g
i
a

(
k
w
)
Montgomery and Peck (1992)

Ejemplo: Demanda de energa (cont.)
0
+
1
x +
Coefficients:
(Intercept) -0.8313037 0.4416121 -1.882 0.0655
x 0.0036828 0.0003339 11.030 4.11e-15
Response: y
x 1 302.633 302.633 121.66 4.106e-15
Residuals 51 126.866 2.488
Validacion del Modelo:
0 2 4 6 8 10 12
2
0
2
4
fitted values
r
e
s
i
d
u
a
l
s
4 2 0 2
1
0
1
2
residuals
n
o
r
m
a
l

s
c
o
r
e
s
Identicaci on del Modelo Transformaci on Y =
y
500 1000 1500 2000 2500 3000 3500
0
.
5
1
.
0
1
.
5
2
.
0
2
.
5
3
.
0
3
.
5
4
.
0
uso de energia (kwh)
y
Ajuste del Modelo: Y =
y =
0
+
1
x +
Coefficients:
(Intercept) 5.822e-01 1.299e-01 4.481 4.22e-05
x 9.529e-04 9.824e-05 9.699 3.61e-13
Response: Y
x 1 20.2585 20.2585 94.078 3.614e-13
Residuals 51 10.9822 0.2153
Validaci on del Modelo:
1.0 1.5 2.0 2.5 3.0 3.5 4.0
1
.
5
1
.
0
0
.
5
0
.
0
0
.
5
1
.
0
1
.
5
fitted values
r
e
s
i
d
u
a
l
s
1.0 0.5 0.0 0.5
1
0
1
2
residuals
n
o
r
m
a
l

s
c
o
r
e
s
Determinaci on Analtica de Transformaciones
Transformaci on estabilizadora de la varianza: Box-Cox
Ajuste el modelo de regresi on lineal simple a la respuesta

Y =
_
y
, = 0
log y, = 0
Para determinar qu e utilizar, considere
y
()
=
_
y
1
y
1
, = 0
y log y, = 0
donde, y = (
n
i=1
y
i
)
1/n
, es el promedio geom etrico de las respuestas y
i
. Esto
es, ajuste
y
()
=
0
+
1
x +
y elija

que minimice la suma de cuadrados de los residuales SC
Res
().
Box and Cox (1964)
Transformaci on estabilizadora de la varianza: Box-Cox
(Cont.)
Intervalo (aproximado) del 100(1 ) % de conanza para :
SC
= SC
Res
(
)
_
1 +
t
2
(1/2,)
_
donde (= n 2) son los grados de libertad de los residuales.
Observaciones:
Cuando el error tiene varianza constante se llama homosced astico; si no
es constante, heterosced astico.
C omo saber qu e funci on proponer para estabilizar la varianza?
Si el intervalo de conanza incluye al cero, el modelo es multiplicativo.
Si el intervalo incluye al uno, indica que no hay que hacer una transfor-
maci on.
Transformaci on estabilizadora de la varianza
Transformaciones Potencia de Box-Cox
Ejemplo: Demanda de energa y uso de energa
Variable respuesta: y
()
SC
Res
() log[SC
Res
()]
2.00 34100.6 10.44
1.75 12716.2 9.45
1.50 5014.7 8.52
1.25 2126.2 7.66
1.00 986.0 6.89
0.75 507.3 6.23
0.50 291.6 5.68
0.25 187.3 5.23
0.00 134.1 4.90
0.25 107.2 4.67
0.50 96.9 4.57
0.75 101.7 4.62
1.00 126.9 4.84
1.25 188.8 5.24
1.50 325.7 5.79
1.75 623.5 6.44
2.00 1275.6 7.15
SC
= 96.9 (1 +
2.007
2
51
) = 104.46
2 1 0 1 2
5
6
7
8
9
1
0
l
o
g
(
S
C
R
e
s
(
)
)
95 % conf
^
Notas:
1. La transformaci on de Box-Cox ayuda a estabilizar la varianza y normalizar
los datos.
2. La transformaci on de Box-Cox es continua en = 0.
3. En la pr actica utilice valores de f aciles de interpretar. Por ejemplo,
= 0.45 0.5 = y
y
= 0.10 0.0 = y
= log(y)
4. El m etodo de estimaci on de

es el mismo en el caso de la regresi on lineal
m ultiple.
5. Transformaci on utilizada en varias areas estadsticas, no solamente en mo-
delos lineales.
6. Box y Cox (1964) es de los artculos m as referenciados en la literatura
estadstica. Es la transformaci on m as usada pero no la unica.
Notas 2:
1. Box y Cox sugieren la estimaci on de ,
0
y
1
de manera conjunta y por
m axima verosimilitud.
2. En la pr actica, se utiliza el perl de la verosimilitud: para distintos valores
de , se obtienen

0
y

1
y se elige

tal que minimice la SC
error
.
3. Una partici on del intervalo [2, 2] de longitud 0.25 es apropiada.
4. Hay otras familias de transformaciones o procedimientos utilizados en la
regresi on. Vea por ejemplo Carroll and Ruppert (1988).
Transformaci on de los regresores: Box-Tidwell
1
Supone que la variable respuesta y est a relacionada con una potencia del
regresor x, digamos = x
,
E[y] = f(
0
,
1
; ) =
0
+
1
+
donde
=
_
x
, = 0
ln x, = 0
Aproximaci on por Taylor y m etodos iterativos para estimar .
1
Box and Tidwell (1962)
Modelo No lineal de Michaelis-Menten
Ejemplo: Velocidad de reacci on como funci on de la concentraci on

El modelo de Michaelis-Menten es utilizado en qumica cin etica para modelar
la velocidad inicial y de una reacci on enzim atica con la concentraci on x del
substrato. El modelo est a dado por:
y = f(x, ) + =

1
x
2
+ x
+
Que se puede linealizar de la siguiente manera:
Y =
1
f(x, )
=
0
+
1
X
donde,
Y =
1
y
; X =
1
x
;
0
=
1
1
;
1
=

2
1
Bates and Watts (1988)
Ejemplo: Velocidad de reacci on (cont.)
obs. concentracion velocidad
(x) (y)
1 0.02 47
2 0.02 76
3 0.06 97
4 0.06 107
5 0.11 123
6 0.11 139
7 0.22 152
8 0.22 159
9 0.56 191
10 0.56 201
11 1.10 200
12 1.10 207
0.0 0.2 0.4 0.6 0.8 1.0
50
100
150
200
Velocidad de Reaccin
concentracin [ppm]
v
e
l
o
c
i
d
a
d

[
c
u
e
n
t
a
s
/
m
i
n
^
2
]
Y =
0
+
1
X +
Coefficients:
(Intercept) 0.0051072 0.0007040 7.255 2.74e-05
X 0.0002472 0.0000321 7.700 1.64e-05
Response: Y
X 1 2.1232e-04 2.1232e-04 59.297 1.642e-05
Residuals 10 3.5806e-05 3.5810e-06
Y =

0
+

1
X y =
1
x
2
+ x
0 10 20 30 40 50
0.005
0.010
0.015
0.020
a) Ajuste Modelo Transformado
1 / concentracin
1

/

v
e
l
o
c
i
d
a
d
0.0 0.2 0.4 0.6 0.8 1.0
50
100
150
200
b) Modelo Ajustado en Escala Original
concentracin [ppm]
v
e
l
o
c
i
d
a
d

[
c
u
e
n
t
a
s
/
m
i
n
^
2
]
Gr acas de Residuales
0.006 0.008 0.010 0.012 0.014 0.016
1
0
1
2
fitted values
s
t
d

r
e
s
i
d
u
a
l
s
(a) Residuals vs. Fitted Values
2 1 0 1 2
1
.
5
0
.
5
0
.
5
1
.
5
std residuals
n
o
r
m
a
l

s
c
o
r
e
s
(b) Normal plot of residuals
std residuals
F
r
e
q
u
e
n
c
y
3 2 1 0 1 2 3
0
1
2
3
4
5
(c) Histogram of residuals
2 4 6 8 10 12
1
0
1
2
order
s
t
d

r
e
s
i
d
u
a
l
s
(d) Residuals in experimental order
Modelaci on Estadstica
a
Postule la clase general de los
modelos
Identifique el modelo que ser
tentativamente utilizado
Estime los parmetros del
modelo utilizado
tentativamente
Es el modelo adecuado?
Utilice el modelo
I
F
Verificacin del modelo
S
NO
a
Box and Jenkins, 1970, p. 19.
Modelo:
y
i
=
0
+
1
x
i
+
i
, i = 1, . . . , n
Supuestos:
N(0,
2
) i.i.d.
Validaci on:
Modelo Correcto. Bondad (Falta) de Ajuste
An alisis de Residuales
Varianza constante
Normalidad
Correlaci on
Modelo Correcto: Error Puro y Falta de Ajuste
x
y
x
1
x
2
x
3
y
1
y
2
y
3
y
^
1
y
^
2
y
^
3
y
1
y
^
1
y
2
y
^
2
y
3
y
^
3
y
1u
y
1u
y
1
y
2u
y
2u
y
2
y
3u
y
3u
y
3
Falta de ajuste
Error puro
Considere los datos:
y
iu
; u = 1, . . . , n
i
; i = 1, . . . , m
la u- esima observaci on de la respuesta al nivel X = x
i
. Hay en total
n =
m
i=1
n
i
observaciones. La Suma de Cuadrados Debida al Error Puro:
SC
Error Puro
= SC
EP
=
m
i=1
n
i
u=1
(y
iu
y
i
)
2
con

m
i=1
(n
i
1) = n m grados de libertad, y donde y
i
=
1
n
i
n
i
u=1
y
iu
es la
respuesta promedio al nivel X = x
i
.
El Cuadrado Medio Debido al Error Puro: CM
EP
= SC
EP
/n m es un esti-
mador de
2
, independientemente del modelo.
Note que SC
EP
es parte de la SC
Resid
pues
(y
iu
y
i
) = (y
iu
y
i
) + ( y
i
y
i
)
Residual = Error Puro + Falta de Ajuste
En la presencia de r eplicas puras la Suma de Cuadrados de los Residuales
se puede descomponer como
m
i=1
n
i
u=1
(y
iu
y
i
)
2
=
m
i=1
n
i
u=1
(y
iu
y
i
)
2
+
m
i=1
n
i
( y
i
y
i
)
2
SC
Residuales
= SC
Error Puro
+ SC
Falta de Ajuste
g.l.
(n 2) = (n m) + (m2)
Bajo los supuestos del modelo, CM
EP
= SC
EP
/(n m) y CM
FA
= SC
FA
/m2
son estimaciones independientes de
2
, y su cociente sera aproximadamen-
te 1. De hecho, bajo los supuestos del modelo:
F =
CM
FA
CM
EP
F
(m2,nm)
Entonces, si
F > F
(1;m2,nm)
= El modelo no es correcto
Ejemplo Simulado
Datos:
i x
i
y
i
y
i
y
1i
y
2i
i x
i
y
i
y
i
y
1i
y
2i
1 1 2.25 3.71 10.96 3.84 21 6 33.11 35.56 49.10 40.25
2 1 7.46 3.71 10.96 3.84 22 6 27.60 35.56 49.10 40.25
3 1 5.90 3.71 10.96 3.84 23 6 40.54 35.56 49.10 40.25
4 2 0.34 7.38 1.05 6.34 24 6 40.98 35.56 49.10 40.25
5 2 15.19 7.38 1.05 6.34 25 7 56.39 56.46 61.11 54.69
6 2 3.98 7.38 1.05 6.34 26 7 60.16 56.46 61.11 54.69
7 2 9.47 7.38 1.05 6.34 27 7 52.84 56.46 61.11 54.69
8 2 7.90 7.38 1.05 6.34 28 8 62.01 71.17 73.13 71.52
9 3 10.01 6.49 13.06 11.24 29 8 73.47 71.17 73.13 71.52
10 3 0.57 6.49 13.06 11.24 30 8 85.05 71.17 73.13 71.52
11 3 8.87 6.49 13.06 11.24 31 8 63.58 71.17 73.13 71.52
12 4 11.06 19.93 25.08 18.52 32 8 71.72 71.17 73.13 71.52
13 4 24.18 19.93 25.08 18.52 33 9 93.55 90.62 85.14 90.75
14 4 27.03 19.93 25.08 18.52 34 9 97.28 90.62 85.14 90.75
15 4 17.43 19.93 25.08 18.52 35 9 83.49 90.62 85.14 90.75
16 5 30.60 31.84 37.09 28.19 36 9 88.16 90.62 85.14 90.75
17 5 34.89 31.84 37.09 28.19 37 10 110.30 112.79 97.15 112.36
18 5 31.50 31.84 37.09 28.19 38 10 113.64 112.79 97.15 112.36
19 5 28.60 31.84 37.09 28.19 39 10 114.44 112.79 97.15 112.36
20 5 33.60 31.84 37.09 28.19
donde x
i
es el nivel del regresor; y
i
la respuesta observada; y
i
la respuesta media obser-
vada; y
1i
la respuesta media ajustada por el modelo 1; y y
2i
la respuesta media ajustada
por el modelo 2.
Ejemplo Simulado
2 4 6 8 10
0
20
40
60
80
100
a) Datos
x
y
2 4 6 8 10
0
20
40
60
80
100
b) Modelos Ajustados
x
y
Modelo
lineal
cuadrtico
Ejemplo Simulado
Ajuste modelo lineal
Coefficients:
(Intercept) -22.975 3.652 -6.292 2.53e-07
x 12.013 0.594 20.224 < 2e-16
F-statistic: 409 on 1 and 37 DF, p-value: < 2.2e-16
Response: y
x 1 43255 43255 409.02 < 2.2e-16
Residuals 37 3913 106
SCRes SCEP SCFA F p
3.912829e+03 1.021897e+03 2.890932e+03 1.025507e+01 2.090028e-06
Ejemplo Simulado
0 20 40 60 80 100
20
10
0
10
20
a) Modelo lineal
y
^
r ^
0 20 40 60 80 100
10
5
0
5
10
b) Modelo cuadrtico
y
^
r ^
Ejemplo Simulado
Ajuste modelo cuadr atico
Coefficients:
(Intercept) 3.7195 3.7326 0.996 0.326
x -1.0763 1.5490 -0.695 0.492
x2 1.1940 0.1378 8.665 2.47e-10
F-statistic: 651.5 on 2 and 36 DF, p-value: < 2.2e-16
Response: y
x 1 43255 43255 1227.983 < 2.2e-16
x2 1 2645 2645 75.084 2.467e-10
Residuals 36 1268 35
SCRes SCEP SCFA F p
1268.0666396 1021.8971671 246.1694725 0.8732428 0.5390620
Error Puro y Falta de Ajuste
i
= E[y
i
] = E[y|x = x
i
]
es el valor esperado de la respuesta y al nivel del regresor x = x
i
. Y sea
y
i
=

0
+

1
x
i
el valor ajustado del modelo al mismo nivel.

i
= (y
i
y
i
) = (y
i
y
i
) + E[y
i
y
i
] + E[y
i
y
i
]
= [(y
i
y
i
) (
i
E[ y
i
])]
. .
q
i
+(
i
E[ y
i
])
. .
b
i
donde b
i
es el sesgo al nivel x = x
i
.
Si el modelo es correcto E[ y
i
] =
i
=b
i
= 0
Por otro lado, E[q
i
] = 0 independientemente del modelo.
Se puede mostrar que los q
i
son correlacionados y E[
q
i
] = (n 2)
2
. De
donde,
E[s
2
] = E
_
1
n 2
(y
i
y
i
)
2
_
=
_
_
_
2
si el modelo es correcto
2
+
1
n2
b
2
i
si el modelo no es correcto
Mediante los residuales tratamos de vericar si los supuestos del modelo se
satisfacen.
y
i
=
0
+
1
x
i
+
i
, i = 1, . . . , n
N(0,
2
), v.a.i.i.d.

i
= y
i
y
i
= y
i
(
0
+

1
x
i
)
Los residuales son errores observados si el modelo es correcto. Pero por
las ecuaciones normales se tiene dependencia entre ellos.
Sugieren los residuales que los supuestos no se satisfacen?
An alisis m as sosticados: pruebas estadsticas formales.
Denici on de otros residuales.
Varianza constante
Prueba de Barttlet.
Prueba de Levene.
Gr acas de residuales: (
i
vs. y
i
); (
i
vs. i); (
i
vs. x
j i
).
(
i
vs. y
i
) no se gracan por estar correlacionados.
Normalidad
Pruebas de Bondad de Ajuste:
2
; Kolmogorov-Smirnov; Anderson-
Darling; Jarque-Bera, Cram er-Von Mises, Lilliefors, etc.
Gr acas de residuales en papel de probabilidad normal.
Correlaci on
Signicancia de la autocorrelaci on de residuales r
.
Correlogramas.
Prueba de Durbin-Watson.
Gr acas de residuales: (
i1
vs.
i
).
Varianza constante
0 20 40 60 80 100
20
10
0
10
20
e
^
i
vs. y
^
i
respuesta ajustada
r
e
s
i
d
u
a
l
0 20 40 60 80 100
20
10
0
10
20
e
~
i
vs. y
~
i
respuesta ajustada
r
e
s
i
d
u
a
l
Varianza constante
0 10 20 30 40 50
0
.
0
0
4
0
.
0
0
2
0
.
0
0
0
0
.
0
0
2
0
.
0
0
4
e
^
i
vs. x
i
regresor
r
e
s
i
d
u
a
l
2 4 6 8 10 12
0
.
0
0
4
0
.
0
0
2
0
.
0
0
0
0
.
0
0
2
0
.
0
0
4
e
^
i
vs. i
tiempo
r
e
s
i
d
u
a
l
Normalidad
0.682
2
3 2 + + 2 + 3
3 2 1 0 1 2 3
P
r
o
b
a
b
i
l
i
d
a
d

A
c
u
m
u
l
a
d
a
0.0
0.2
0.4
0.6
0.8
1.0
0.159
0.841
2
0.682
3 2 + + 2 + 3
3 2 1 0 1 2 3
P
r
o
b
a
b
i
l
i
d
a
d
0.001
0.01
0.05
0.1
0.2
0.3
0.5
0.7
0.8
0.9
0.95
0.99
0.999
3
2
1
0
1
2
3
e
s
c
a
le

n
o
r
m
a
l
0.159
0.841
2
0.682
3 2 + + 2 + 3
3 2 1 0 1 2 3
Ejemplo simulado:
100 observaciones
normales
a) Histograma
x
2 1 0 1 2
1
0
1
2
3
b) Grfica CuantilCuantil
x
n
o
r
m
a
l

s
c
o
r
e
s
Papel de probabilidad Normal
1. Ordene la muestra {z
1
, . . . , z
n
}: x
1
= z
(1)
, . . . , x
n
= z
(n)
2. Calcule la probabilidad emprica acumulada: y
i
= F
n
(x
i
) =
i1/2
n
3. Graque (x
i
, y
i
), i = 1, . . . , n en papel de probabilidad normal.
i z
i
ord. x
i
F
n
(x
i
)
1 1.703 9 -1.820 0.025
2 -0.865 17 -1.263 0.075
3 -0.301 11 -1.251 0.125
4 1.014 18 -1.039 0.175
5 2.088 2 -0.865 0.225
6 0.740 13 -0.726 0.275
7 -0.254 16 -0.494 0.325
8 0.968 3 -0.301 0.375
9 -1.820 7 -0.254 0.425
10 1.014 14 0.330 0.475
11 -1.251 12 0.458 0.525
12 0.458 6 0.740 0.575
13 -0.726 20 0.789 0.625
14 0.330 8 0.968 0.675
15 1.845 4 1.014 0.725
16 -0.494 10 1.014 0.775
17 -1.263 19 1.539 0.825
18 -1.039 1 1.703 0.875
19 1.539 15 1.845 0.925
20 0.789 5 2.088 0.975
Papel de Probabilidad Normal
(grfica cuantilcuantil)
z
i
F
n
(
z
i
)
2 1 0 1 2
0.05
0.1
0.2
0.3
0.5
0.7
0.8
0.9
0.95
2
1
0
1
2
e
s
c
a
l
a

n
o
r
m
a
l
Autocorrelaci on
20 10 0 10 20
2
0
1
0
0
1
0
2
0
e
^
t
vs. e
^
t1
e
^
t
e ^
t
1
Posibles remedios cuando residuales insatisfactorios
a) embudo b) creciente c) curvo

Gr aca de e
i
versus:
Patr on:
Orden temporal Respuesta ajustada y
i
Valores x
ji
a) Embudo indicando va-
rianza no constante
Uso de Mnimos Cuadra-
dos Ponderados
dos Ponderados o trans-
formaci on de la y
i
dos Ponderados o trans-
formaci on de la y
i
b) Banda ascendente o
descendente
Considere incluir un
t ermino lineal en el
tiempo
Error en el an alisis u omi-
si on de
0
Error en los c alculos.
Efecto de primer orden
de X
j
no eliminado
c) Banda curva
Considere incluir t ermi-
nos lineal y cuadr atico en
el tiempo
Considere a nadir t ermi-
nos extra al modelo o
transformar la respuesta
y
i
Considere a nadir t ermi-
nos extra al modelo o
transformar la respuesta
y
i
Draper and Smith (1998) p. 64

12 Rls

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

12 Rls

Uploaded by

Copyright:

Available Formats

Tema 2 El Modelo de Regresi on Lineal Simple 2-1 Tema 2 El Modelo de Regresi on Lineal Simple 2-1

2. El Modelo de Regresi on Lineal Simple

: Mnima Desviaci on M axima

Se considera un motor de cohete estudiando el propelente de encendido den-

Un ingeniero investiga la posibilidad de generar electricidad mediante un mo-

Montgomery and Peck (1992)

y Raz cuadrada (datos Poisson)

y Arco seno (proporciones binomiales)

y Recproco raz cuadrada

M etodo Delta: Sea Y v. a. con al menos sus primeros 2 momentos nitos

Dudewicz and Mishra (1988), Casella and Berger (2002)

Una compa na generadora de electricidad est a interesada en modelar la demanda en

Montgomery and Peck (1992)

Ajuste el modelo de regresi on lineal simple a la respuesta

Ejemplo: Velocidad de reacci on como funci on de la concentraci on

a) embudo b) creciente c) curvo

You might also like