Scribd
Cargar
5 vistas5 páginas

Efecto de Temperatura en Proceso Químico

El documento presenta un análisis econométrico sobre el efecto de la temperatura en el rendimiento de un proceso químico, utilizando un modelo de mínimos cuadrados para estimar los parámetros β0 y β1. Se rechazan las hipótesis nulas para ambos parámetros debido a p-valores significativos, y se construyen límites de confianza para β1 y predicciones para el valor medio de Y cuando X=3. Además, se incluye un análisis de varianza que respalda la significancia del modelo.

Cargado por

Jorge Garnica
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
5 vistas5 páginas

Efecto de Temperatura en Proceso Químico

El documento presenta un análisis econométrico sobre el efecto de la temperatura en el rendimiento de un proceso químico, utilizando un modelo de mínimos cuadrados para estimar los parámetros β0 y β1. Se rechazan las hipótesis nulas para ambos parámetros debido a p-valores significativos, y se construyen límites de confianza para β1 y predicciones para el valor medio de Y cuando X=3. Además, se incluye un análisis de varianza que respalda la significancia del modelo.

Cargado por

Jorge Garnica
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

1

UNAM MAC
Jorge Alberto Garnica Bárcenas
19 de marzo de 2020

Econometrı́a

Reporte 3

2
ejercicios

A.- Se realizó un estudio sobre el efecto de la temperatura sobre el rendimiento de un proceso


quı́mico. Se recopilaron los siguientes datos (en forma codificada):
> load("C:/Users/zoom_/Desktop/ESTADISTICA 2/[Link]")
> ejercicio_1$X

[1] -5 -4 -3 -2 -1 0 1 2 3 4 5

> ejercicio_1$Y

[1] 1 5 4 7 10 8 9 13 14 13 18

Asumiendo un modelo Y = β0 + β1 X + e, ¿Cuáles son las estimaciones de mı́nimos cuadrados


de β0 y β1 ?¿cual es la ecuación de predicción?
> plot(ejercicio_1$Y, ejercicio_1$X, xlab = "Y", ylab ="X", pch = 20)

> #estimacion linea de comando


>
> ols <- lm(ejercicio_1$X ~ ejercicio_1$Y); ols

Call:
lm(formula = ejercicio_1$X ~ ejercicio_1$Y)

Coefficients:
(Intercept) ejercicio_1$Y
-5.9033 0.6366

> abline(ols,col = "red")


> summary(ols)

Call:
lm(formula = ejercicio_1$X ~ ejercicio_1$Y)

Residuals:
Min 1Q Median 3Q Max
-1.46300 -0.55458 -0.00952 0.58352 1.62711

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -5.90330 0.67632 -8.729 1.10e-05 ***
ejercicio_1$Y 0.63663 0.06492 9.807 4.21e-06 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.023 on 9 degrees of freedom


Multiple R-squared: 0.9144, Adjusted R-squared: 0.9049
F-statistic: 96.18 on 1 and 9 DF, p-value: 4.207e-06

>

3
Y = (−5.90330) + (0.63663)X

La columna t value contiene el estadı́stico t, es decir, cociente entre cada estimador y su error
tı́pico. Estos cocientes son la base para llevar a cabo los contrastes H0:ß0=0 y H0:ß1=0 . Los
correspondientes p-valores aparecen en la columna Pr(>|t|). En este caso son muy pequeños
por lo que se rechazan ambas hipótesis para nivel de significancia 0.05.

Construir análisis de varianza para H0 : β1 = 0


> #estimacion linea de comando
>
> anova(ols)

Analysis of Variance Table

Response: ejercicio_1$X
Df Sum Sq Mean Sq F value Pr(>F)
ejercicio_1$Y 1 100.588 100.588 96.18 4.207e-06 ***
Residuals 9 9.412 1.046
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Rechazamos la HO , al tener un p-value muy pequeño

¿Cuáles son los lı́mites de confianza α=0.05 para β1 ?

4
> #estimacion linea de comando
>
> confint(ols)

2.5 % 97.5 %
(Intercept) -7.4332346 -4.373359
ejercicio_1$Y 0.4897821 0.783478

>

¿Cuáles son los lı́mites de confianza α=0.05 para el verdadero valor medio de y cuando x=3?
> #estimacion linea de comando
>
> predict(ols)

1 2 3 4 5 6 7
-5.2666667 -2.7201465 -3.3567766 -1.4468864 0.4630037 -0.8102564 -0.1736264
8 9 10 11
2.3728938 3.0095238 2.3728938 5.5560440

comentar el número de niveles de temperatura investigados con respecto a la estimación de


β1 en el modelo asumido

También podría gustarte