A) Ajuste un modelo de regresin lineal mltiple que incluya las tres variables independientes, interacciones y trminos cuadrticos

Estimated Model Y=((13.85)-(1.02125)*x1-(1.19875)*x1^2-(0.1425)*x2+(0.475)*x1*x2+(1.57375)*x2^2(0.91875)*x3+(0.3825)*x1*x3-(0.325)*x2*x3+(0)*x1*x2*x3-(0.34875)*x3^2) / (1)

El modelo ajustado descartando la interaccin entre los tres factores es el siguiente

2 2 y 13.85 1.02125 x1 1.19875 x12 0.1425 x2 0.475 x1 x2 1.57375 x2 0.91875 x3 0.3825 x1x3 0.325 x2 x3 0.34875 x3

B) Haga un anlisis detallado sobre el modelo ajustado: B.1) Hiptesis sobre los coeficientes individuales
Model Estimation Section Parameter Name B0 B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 Parameter Estimate 13.85 -1.02125 -1.19875 -0.1425 0.475 1.57375 -0.91875 0.3825 -0.325 0 -0.34875 Asymptotic Standard Error 0 0 0 0 0 0 0 0 0 0 0 Lower 95% C.L. 13.85 -1.02125 -1.19875 -0.1425 0.475 1.57375 -0.91875 0.3825 -0.325 0 -0.34875 Upper 95% C.L. 13.85 -1.02125 -1.19875 -0.1425 0.475 1.57375 -0.91875 0.3825 -0.325 0 -0.34875

Term Intercept U U2 V UV V2 W UW VW UVW W2

R-Squared Iterations

0.925721 0

La R2 explica el 92% de los datos lo cual minimiza el error en un 8%,

B.2) Grficas de residuales

Probability Plot of Residuals of y

0.8

0.4

0.0

-0.4

De la grfica de residuales se observa que la mayora de los datos tienden a una media en comn, solo se aprecian dos datos inusitados o atpicos esto posiblemente se debe a un dato mal tomado o a una falla en el equipo.

Residuals of y

-0.8 -2.0

-1.0

0.0

1.0

2.0

Expected Normals

B.3) Coeficientes de determinacin Todos los coeficientes del modelo son significativos por lo que de no incluir alguno de ellos afectara los resultados de los anlisis, debido a que se obtuvo un valor de R2 del 92% , el valor de R-ajustada no aparece por lo que se concluye que todos los parmetros deben estar en el modelo.

C) Estime la respuesta en X1=1,X2=0,X3=-1

Descartando los trminos del modelo donde se involucra x2=0, se tiene el siguiente modelo reajustado para calcular la nueva Y
2 y 13.85 1.02125 x1 1.19875 x12 0.91875 x3 0.3825 x1x3 0.34875 x3

Sustituyendo los valores de x1 y x3 se tiene,

y^=12.515

D) Haga una estimacin por intervalo para la respuesta media en el punto anterior y tambin una prediccin por intervalo para una nueva observacin

E) El modelo es adecuado? Si usted cree que un modelo ms simple podra lograr resultados similares en cuanto a la calidad de ajuste, haga las exploraciones necesarias y proponga un modelo final.
Un modelo lineal ms simple que incluye los solamente los factores x1,x2 y x3, interacciones y trminos cuadrticos nos da los siguientes resultados R2 0.424 sin sus

Adj R2 0.2670 Estimated Model

El modelo explica el 42% de los datos, por lo cual el error es muy grande de un 58%

Y=13.864-1.02125*x1-.1425*x2-.918750000000001*x3

Modelo lineal ajustado

Y=13.864-1.02125*x1-0.1425*x2-0.91875*x3

El modelo lineal no es adecuado, solo explica el 42% de los datos, con un error de 58% en cambio el modelo cuadrtico que incluye las interacciones y los trminos cuadrticos explica el 92% de los datos y minimiza el error en un 8%. Por lo tanto el mejor modelo es el cuadrtico Modelo final
2 2 y 13.85 1.02125 x1 1.19875 x12 0.1425 x2 0.475 x1 x2 1.57375 x2 0.91875 x3 0.3825 x1x3 0.325 x2 x3 0.34875 x3

F) Compare su modelo final con el modelo ms general que ajust al principio en trminos de los coeficientes de determinacin y del error estndar de estimacin Qu aprecia? Modelo ms general del principio

Y=((13.85)-(1.02125)*x1-(1.19875)*x1^2-(0.1425)*x2+(0.475)*x1*x2+(1.57375)*x2^2(0.91875)*x3+(0.3825)*x1*x3-(0.325)*x2*x3+(0)*x1*x2*x3-(0.34875)*x3^2) / (1)

Modelo final
2 2 y 13.85 1.02125 x1 1.19875 x12 0.1425 x2 0.475 x1 x2 1.57375 x2 0.91875 x3 0.3825 x1x3 0.325 x2 x3 0.34875 x3

Se observa que del modelo ms general se descarta la interaccin x1x2x3 debido a que tiene un coeficiente igual a cero lo cual se convierte en el modelo final ajustado, el cual es ms eficiente.