Maestria en Analisis Estadistico y Computacidn (INEGI CIMAT) Curso: Modelos Estadisticos Tarea 2 (Modelos lineales) Tarea donde se piden hacer ejerccios relacionados al ema de modelos de regresién lineal (de los temas visto en la clase 10 de febrero 2023). Instrucciones: 2) la area se anexa en formato pdf (ya sea escaneando las imagenes y uniéndolas en un solo archivo, o generar el documento mediante un archivo de word o de latex) 2) Siel problema asi lo amerita, es necesario indiquen los comandos 0 cédigo de R empleado. Ejercicio 1.- Use el modelo estadistico: Ye = Bo + BiXn + €, i = 1, ara probar que el supuesto de errores ¢; independientes y normales con media cero y varianza Constante o? implica lo siguiente: a) EM) = Bo + Bika ») Vi) = 0? 2) Cov(¥i,¥%) = 0.8 =) Para los incisos b), y c), use las siguientes definiciones de varianza y covarianza: VW) = B(Ih - EQ) Cov(¥,,¥)) = B(% — EQILY — ED) Elercicio 2.- En la siguiente tabla tenemos, X=contenido de agua en la nieve durante el mes de abril en una regién de montafia de Wyoming, USA y adems Y=el rendimiento de agua de abril a julio en elrio Snake, que leva agua proveniente de la nieve, durante 17 afios. Ajuste un modelo de regresion lineal simple y comente sien este caso debemos utilizar un modelo de regresién a través del origenCum: Modips bfadprodrcos Bercicio b. “ Y= Pe NA Kit } € €: AN (o,6*) a) 4 EC) )- (ft Prat €) = €( Ba ECB ta) HE CED - 1 Br € (Xe) + €(E) 2 Bo} B,) Ker do dade pee ECEJ=°. 8) yy: EfLt- cry : =e (¥")- oe a (yi? “EO - or Leeds TLRS: ies (ye) ) -Jewd]’ [ (be Bix: i) €4 [Bot 1prki il pi ipa) Ce 1 ent] Pol jprda® ste ( qin)? B, YBz 5m eoste ates ye-2 yore) eadb et * ) Sea gee Ae - Aedes oe YI-YOLG Lota: a = 3.9167 N-2 ae a git ty a ae a eee lay 95.656] Nort), LF 238. 024 7 Se(B)*= 72-3922! in [Seis 22 > ECE Fete] St (fy) = oO 2 (X-%)? = _3:0267_ - 0,00244 lEce ca ee 7256-024 J |Se(By = 0-084 u/ =» Be( Bp)? 2: 2.1444) = Trbervoles a/ 95 Jo, eatonee Tpeaph = 21BI4S Br reeks) = enna c2m’ 1 gaa): [2-200 2 40371 213/4) (1-846? zr 258127 y.orers n a po? 7 5€(Po) = 9 1196 LC = foo ef srdevuale dr fro, la vgencie a” nevor pa ta 10pter de lo montana a Wyoming, ol perdhm nto anjue/ ae aya Bhi fie nantes polo haste Jenr on renhirorento Je 4.0122 , - infersale de Pry Pow cada Lorelada de nese get ae on ef meg de obrl hy ego” ob la monlahe de wyoming, e/ andrea 0 CaP Econ dt agea 7? cl meo ot abril- Silo ea 2/110 snake} oa de 392-9 Nola: para X conoidere” 52 uridad ae medida on K legrame y para ¥ dibro2, ya gor of gsnrtitrn 70 St ~\ Copeer Plc on¢) Probor lo hipotess He SPozo ys Ay ‘BF i 3}. Teolalode = Pxen* o- 1128 coleviady Sebo) 54] 0+ 4627 Condirando a= 5 %o 9/0 %a = 917'5 Toon ote = Ti5j0-005 = 2134S 6 De acarrdn ala veglay Se selhaza Hot | Teawsedal 7 Teun Fnhonces 7 Jo. 46274 213/9$, 56 cnclye ge ocntla He. Lrighe evrclencre pode a faver ch la ypoteots nets, Con 5% Mt nut! de Conpion te Pevaluezo-65 gocp concluyinde geen?) existe ora rrlacina Aneel ougnifical soe pire 1 canlidead de aqua prrducto ot la nieve cone} renelyrovendo dh aque en dU e) ro gnake d) moatla v= Bited & wy fi osteo it O; = Hie B™ Sot -B(yi-bo aber. 2 (9 pircemd) = 2 Br. atyn~-brt] 2 BS Aee 2d ~ Bz Z siti EXi Bie §695+08% 17 Beer = O- 2 76, 634-18 iis€) - Sole del mech sin mbrrevto Vox Bite bec, donde eG dns P= ZAM : SAit 20-9203 | gts Et = 2.5780 2 2 avo Ge = deen = : seb)? Soe Toba ee = Mole del modilo Gor polercepho Belomnendo loo cél wlos del 1tse b), doa ote 2h = se ( By) = 20024 i 5€(p)) = 9 4974 De Peo hypo tr plankeecle relasorarca af inbercepto (reqreoe Elona): Le Po=, pte Regresion 51” intercevto 2. Por con ipdercePh > Wa i Bots By to Frrgeexion de SB) ] modelo con 10 dh |e hipte pte rer ee en el medth 20 inferteP? &s ; Jrrcep le, x putt C yy 00a oncluir to decir = BY! te, ef yalerce lee tre y yx. dele >10 poles cepho ete lo complet? we Telecom Adena pora ce] mo oe fine ona R= 0-98 72 y pare c/ mo presenter Rrz 6: 96 UFESercicio 2 Sec Yee PoP B Te FE recoernt ae 4(x-A%-2) / ae rrodth Anes 3 (y-%)? ; p> Y-Px Jas variables X 8 ¥. 427-7) /47 = 30+ 044 .{ berdpipe 16° 72 - caleulo ole tro peomida pote x: Z2Xie (23-1 $3208 131-8 - - Oe Y. 2-@eln 1/269 4 / pordlectn dt ox dotencios XY ye 19-30-8671 F 23009) (J6-) 15-42) - la gomalovrees oe J(u 0 y): (23-1 ee 230-044) (Jon 5 ISHED} (3 } (27-4 po (279-388) + 3 (DEY) = 1b 92 Zlxu 2g )U= Gate? a 1,238 -027 3)*} (32-8 _ 31.038)" 2+ Bae 0+ 49 83! e “(0-49 83") (31-038, = 0 7186 - Bor Joe 097% (44 3)(31-038) rad sud fede ab_reptah [giz 07560 Font 9 g21% empl:Cc) cou (Ye, Yid= o, (43 SI coul Yo, Ys) = efi _€(Y, aL Ys- - et (Bot |] Yi-( Bo ip] - vii €! yy -(BotprXeLi- Fs (Bol Pri) + (Bot B Xi) (Bo spilt) ed) fre ) (Bod B%i) (Bo 4B rts :) = EC Yi Y5) Bot B% eld - yey yee’) = Ely ~eLaela) Ch -RHyad- © ELEM 3) = ELEM” eye) =? por mapndrncre Yiy Be EW) = ELEC * cov(ter =P) conl Vert) 50 J24 105 315 149 395 23.1 2nd 105 24.2 124 2.7 16.1 525 249 4) Estime el intercepto y la pendiente de la regresi6n lineal de rendimiento de agua de abril a julio contra el contenido de agua en la nieve. +b) Obtenga e interprete las estimaciones por intervalo del intercepto y la pendiente. €) Pruebe la hip6tesis Ho: i = 0, contra la alternativa Hy: fp + 0. Interprete los resultados. 4) Ajuste un modelo de regresién al origen, €) Compare las varianzas de las estimaciones de las pendientes para los dos modelos (con y sin intercepto) éCuél modelo le da mayor precisién para la estimacién de la pendiente?. interprete el resultado. £) Calcule las estimaciones por intervalo de 95% de confianza del promedio (valor esperado de la respuesta) del rendimiento del agua en un afi futuro, para X = 30 y X = 50, para ambos modelos, con y sin intercepto. Explique las diferencias en los intervalos obtenidos. Ejercicio 3.- El conjunto de datos carbohydrate de la biblioteca en R dobson, muestra los orcentajes de las calorias totales obtenidas de los carbohidratos complejos, para veinte hombres diabéticos insulinodependientes que siguieron una dieta alta en carbohidratos durante seis meses. El cumplimiento del régimen se pensé que estaba relacionado con la edad (en afios), el peso corporal (en relacién con el peso “ideal” para la estatura) y otros componentes de la dieta, como el porcentaje de calorias en forma de proteinas. Considerando estas 3 variables predictoras, realice lo siguiente: 7 7 a) Empleando algebra matricial encuentre B = (XTX) '(xT¥), 6 (Y= XB) (¥- XB) y la matriz de varianza covarianza de la distribucién normal multivariada de los parémetros estimados (X"x) 6 'b)_ Usando la informacién del inciso anterior, construya una tabla de los parametros estimados on su correspondiente error esténdar. Posteriormente ajuste el modelo usando la funcién Im() de R, y compare la salida (estimadores y sus errores esténdar), con la tabla anterior. Se obtuvieron los mismos resultados?.. De acuerdo a la significancia de las variables del modelo ajustado con la funcién Im(), realizado en el inciso anterior, formule una prueba anidada usando la funcién anova() y el estadistico F. ¢Se rechaza la hipétesis nula asociada a un modelo mas simple? Justfica tu respuesta.