Pregunta 1:
Considerando la siguiente información, obtenga 𝛽1 y 𝛽2
𝜇1 = 3 − 𝛽 1 − 𝛽 2
𝜇1 = 5 − 𝛽1 − 2𝛽2
𝜇1 = 6 − 𝛽1 − 3𝛽2
Respuesta:
𝜇21 + 𝜇22 + 𝜇23 = (3 − 𝛽1 − 𝛽2 )2 + (5 − 𝛽1 − 2𝛽2 )2 + (6 − 𝛽1 − 3𝛽2 )2
𝑆𝑅𝐶 = (3 − 𝛽1 − 𝛽2 )2 + (5 − 𝛽1 − 2𝛽2 )2 + (6 − 𝛽1 − 3𝛽2 )2
𝜕𝑆𝑅𝐶
= 2(3 − 𝛽1 − 𝛽2 )(−1) + 2(5 − 𝛽1 − 2𝛽2 )(−1) + 2(6 − 𝛽1 − 3𝛽2 )(−1)
𝜕𝛽1
𝜕𝑆𝑅𝐶
= 6 − 2𝛽1 − 2𝛽2 + 10 − 2𝛽1 − 4𝛽2 + 12 − 2𝛽1 − 6𝛽2
𝜕𝛽1
𝜕𝑆𝑅𝐶
= 28 − 6𝛽1 − 12𝛽2
𝜕𝛽1
𝜕𝑆𝑅𝐶
= 2(3 − 𝛽1 − 𝛽2 )(−1) + 2(5 − 𝛽1 − 2𝛽2 )(−2) + 2(6 − 𝛽1 − 3𝛽2 )(−3)
𝜕𝛽2
𝜕𝑆𝑅𝐶
= 6 − 2𝛽1 − 2𝛽2 + 20 − 4𝛽1 − 8𝛽2 + 36 − 6𝛽1 − 18𝛽2
𝜕𝛽2
𝜕𝑆𝑅𝐶
= 62 − 12𝛽1 − 28𝛽2
𝜕𝛽2
−1
𝛽1 6 12 28
( )=( ) ( )
𝛽2 12 28 62
𝛽1 1 28 −12 28
( )= ( )( )
𝛽2 24 −12 6 62
𝛽1 = 1.67; 𝛽2 = 1.50
Cáculo con Python
from sympy import *
b1 = Symbol('b1')
b2 = Symbol('b2')
SRC = (3-b1-b2)**2 + (5-b1-2*b2)**2 +(6-b1-3*b2)**2
r1 = diff(SRC,b1)
r2 = diff(SRC,b2)
print(solve([r1,r2],[b1,b2]))
## {b1: 5/3, b2: 3/2}
Cálculo de los valores predichos de Y
1
Y1 = 5/3 + 3/2
Y2 = 5/3 + 2*3/2
Y3 = 5/3 + 3*3/2
print("Y1 =", round(Y1,2), "Y2=", round(Y2,2), "Y3=", round(Y3,2))
## Y1 = 3.17 Y2= 4.67 Y3= 6.17
Pregunta 2: Partiendo una muestra de 200 observaciones se obtuvieron los siguientes resultados:
∑ 𝑋 = 11.34, ∑ 𝑌 = 20.72, ∑ 𝑋 2 = 12.16, ∑ 𝑌 2 = 84.96, ∑ 𝑋𝑌 = 22.13.
Estimar los coeficientes del modelo así como su varianza
Obtención de coeficientes
−1
𝛼 200 11.34 20.72
( )=( ) ( )
𝛽 11.34 12.16 22.13
𝛼 1 12.16 −11.34 20.72
( )= ( )( )
𝛽 2303.404 −11.34 200 22.13
𝛼 = 0.0004345742, 𝛽 = 1.82
Obtención de la varianza de los coeficientes
Podemos usar el hecho que la STC es 𝜎𝑦2 = ∑ 𝑦2 − 𝑛𝑦2 = 84.96 − 200( 20.72 2
200 ) = 82.81
2
Mientras que la SEC es 𝛽 2 𝜎𝑋
2
= 𝛽 2 (∑ 𝑋 2 − 𝑛𝑋 ) = 1.822 (12.16 − 200( 11.34 2
200 ) ) = 38.15
→ SRC= 44.66 → 𝜎𝜇2 = 0.23
12.16 −11.34
𝜎𝛽2 = 0.23 ∗ ( 2303.404
−11.34
2303.404 )
200
2303.404 2303.404
Código en Python
import numpy as np
import [Link] as sm
XtX = [Link]([[200,11.34],[11.34,12.16]])
XtY = [Link]([[20.72],[22.13]])
B = [Link]([Link](XtX),XtY)
print(B)
## [[4.34574146e-04]
## [1.81949605e+00]]
Código en R
XtX = matrix(c(200, 11.34, 11.34,12.16), nrow=2, byrow=TRUE)
XtY = matrix(c(20.72,22.13), nrow=2)
B = solve(XtX)%*%XtY
print(B)
2
## [,1]
## [1,] 0.0004345741
## [2,] 1.8194960468
Pregunta 3:
En una muestra de leche de un cierto número de vacas lecheras correspondiente a dos rebaños se midio el
porcentaje de grasas (X) y el porcentaje de elementos sólidos no grasos (Y) calcular la ecuación de regresión
lineal dada la siguiente información para cada rebaño:
Rebaño 1:
∑ 𝑋 = 51.13, ∑ 𝑌 = 117.25, ∑ 𝑥2 = 1.27, ∑ 𝑦2 = 4.78, ∑ 𝑥𝑦 = 1.84
Número de vacas = 16
Rebaño 2:
∑ 𝑋 = 37.20, ∑ 𝑌 = 78.75, ∑ 𝑥2 = 1.03, ∑ 𝑦2 = 2.48, ∑ 𝑥𝑦 = 1.10
Número de vacas = 10
Rebaño 1
117.25 51.13
𝛽 = 1.84/1.27 = 1.45; 𝛼= − 1.45 ∗ = 2.69
16 16
𝑦 ̂ = 2.69 + 1.45 ∗ 𝑋
Rebaño 2
78.75 37.20
𝛽 = 1.10/1.03 = 1.07; 𝛼= − 1.07 ∗ = 3.89
10 10
𝑦 ̂ = 3.89 + 1.07 ∗ 𝑋
Pregunta 4:
Los datos de producción de 22 empresas de una determinada industria dan lugar a los siguientes resultados:
𝑛
𝑦 = 20, ∑𝑖=1 (𝑦𝑖 − 𝑦)2 = 100
𝑛
𝑥 = 10, ∑𝑖=1 (𝑥𝑖 − 𝑥)2 = 60 y
𝑛
∑𝑖=1 (𝑥𝑖 − 𝑥)(𝑦𝑖 − 𝑦) = 30
Donde: y = ln(produccion) y x = ln(horas de trabajo). Con esta información se pide calcular 𝛼 y 𝛽 a partir
de la siguiente especificación 𝑦 = 𝛼 + 𝛽𝑥 + 𝜖
30
𝛽= = 0.5; 𝛼 = 20 − 0.5 ∗ 10 = 15
60
𝑦 ̂ = 15 − 0.5𝑋
Pregunta 5:
Sea la siguiente tabla que muestra información de una función de demanda. Se pide que con dicha información
calcule los coeficientes del modelo con intercepto y sin intercepto. La especificación con intercepto es :
𝑄 = 𝛼 + 𝛽𝑃 + 𝜖.
Q P
3 18
3 16
7 17
6 12
3
Q P
10 15
15 15
16 4
13 13
9 11
15 6
𝑐𝑜𝑣(𝑦, 𝑥) = −15.77 𝑣𝑎𝑟(𝑥) = 21.34
−15.77
𝛽= = −0.74
19.21
𝛼 = 𝑌 − 𝛽𝑋 = 19.08
Código en Python
data = [Link]([[3,18],[3,16],[7,17],[6,12],[10,15],[15,15],[16,4],[13,13],[9,11],[15,6]])
X=data[:,1]
Y = data[:,0]
sX =sum(X)
mX = [Link](X)
covYX = [Link](Y,X)[0][1]
varX= [Link](Y,X)[1][1]
b = covYX/varX
print(b)
## -0.7386777719937533
a = [Link](Y)-b*[Link](X)
print(a)
## 19.081207704320665
X = sm.add_constant(X)
model = [Link](Y, X)
results = [Link]()
[Link][:,None]
## array([[19.0812077 ],
## [-0.73867777]])
Código en R
X = matrix(c(18,16, 17,12,15,15, 4,13,11,6),nrow=10)
Y = matrix(c(3,3,7,6,10,15,16,13,9,15),nrow=10)
print(cov(Y,X)); print(var(X))
## [,1]
## [1,] -15.76667
4
## [,1]
## [1,] 21.34444
B = cov(Y,X)/var(X)
a = mean(Y)-B*mean(X)
print(a);print(B)
## [,1]
## [1,] 19.08121
## [,1]
## [1,] -0.7386778
Pregunta 6:
A partir de los siguientes pares ordenados: (1, 2), (3, 6), (8, 2.5), (4, 1.3) y (0.5, 1.6) obtenga los estimadores
de un modelo de regresión simple.
Resultados con Python
X = [1,3,8,4,0.5]
Y = [2,6,2.5,1.3,1.6]
B = [Link](Y,X)[0][1]/[Link](X)
print(B)
## 0.0621508379888268
a = [Link](Y)-B*[Link](X)
print(a)
## 2.474902234636872
X = sm.add_constant(X)
model = [Link](Y, X)
results = [Link]()
[Link][:,None]
## array([[2.51592179],
## [0.04972067]])
Resultados con R
X = matrix(c(1,3,8,4,0.5),nrow=5)
Y = matrix(c(2,6,2.5,1.3,1.6),nrow=5)
B= cov(X,Y)/var(X)
a = mean(Y)-B*mean(X)
print(a); print(B)
## [,1]
## [1,] 2.515922
5
## [,1]
## [1,] 0.04972067
Pregunta 7:
Se quiere estimar la relación entre el rendimiento de un vehículo y el peso del mismo, a partir de la siguiente
especificación: 𝑅𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜 = 𝛼+𝛽𝑃 𝑒𝑠𝑜+𝜖. Para este proceo se cuenta con 74 observaciones y los siguientes
datos: ∑ 𝑃 𝑒𝑠𝑜 = 223.44, ∑ 𝑃 𝑒𝑠𝑜2 = 718.76, ∑ 𝑦 = 1576 y ∑ 𝑦𝑥 = 4493.72
−1
𝛼 74 223.44 1576
( )=( ) ( )
𝛽 223.44 718.76 4493.72
𝛼 1 718.76 −223.44 1576
( )= ( )( )
𝛽 3262.8 −223.44 74 4493.72
𝛼 = 39.44 𝛽 = −6.01
Código en Python
XX = [Link]([[74, 223.44],[223.44, 718.76]])
XY = [Link]([[1576],[4493.72]])
dXX = [Link](XX)
alpha = (718.76*1576 -223.44*4493.72)/dXX
beta = (-223.44*1576 + 74*4493.72)/dXX
print('alpha', {round(alpha,2)}, 'beta', {round(beta,2)})
## alpha {39.44} beta {-6.01}
B = [Link]([Link](XX),XY)
print(B)
## [[39.44118879]
## [-6.00898662]]
Código en R
XtX = matrix(c(74, 223.44, 223.44, 718.76), nrow=2, byrow=TRUE)
XtY = matrix(c(1576,4493.72),nrow=2)
B = solve(XtX)%*%XtY
print(B)
## [,1]
## [1,] 39.441189
## [2,] -6.008987
