M. C.

Juan Vicente Calvario Gmez

Estadstica II

INTRODUCCIN
Como la Estadstica Inferencial nos permite trabajar con una variable a nivel de
intervalo o razn, as tambin se puede comprender la relacin de dos o ms
variables y nos permitir relacionar mediante ecuaciones, una variable en relacin
de la otra variable llamndose Regresin Lineal y una variable en relacin a otras
variables llamndose Regresin mltiple.
Casi constantemente en la prctica de la investigacin estadstica, se encuentran
variables que de alguna manera estn relacionados entre s, por lo que es posible
que una de las variables puedan relacionarse matemticamente en funcin de otra
u otras variables.
La Regresin se define como un procedimiento mediante el cual se trata de
determinar si existe o no relacin de dependencia entre dos o ms variables. Es
decir, conociendo los valores de una variable independiente, se trata de estimar
los valores, de una o ms variables dependientes.
La regresin en forma grafica, trata de lograr que una dispersin de las
frecuencias sea ajustada a una lnea recta o curva.

M. C. Juan Vicente Calvario Gmez

Estadstica II

REGRESIN LINEAL MLTIPLE

El modelo de regresin que involucra ms de una variable regresadora o regresiva se
llama modelo de regresin mltiple. Como ejemplo, supngase que la vida eficaz de una
herramienta de corte depende de la velocidad y del ngulo de corte. Un modelo de
regresin mltiple que podra describir esta relacin es:

y 0 1 x1 2 x 2

Ec.1

Donde y representa la vida de la herramienta, x1, la rapidez de corte y, x2, el

ngulo de corte. Este es un modelo de regresin lineal mltiple con dos regresores.
El parmetro 0 define la ordenada al origen del plano, algunas veces llamamos a 1 y 2
coeficientes de regresin parciales.
La variable dependiente o respuesta y puede relacionarse con k variables
independientes. El modelo:

y 0 1 x1 2 x2 ... k xk

Ec. 2

Se denomina modelo de regresin lineal mltiple con k variables independientes.

Tabla 1: Datos para la regresin lineal mltiple.

ESTIMACION DE PARMETROS
El mtodo de mnimos cuadrados puede utilizarse para estimar los coeficientes de
regresin en la ecuacin 2. Supngase que se disponen n k observaciones, y djese
que Xij denote la observacin isima o el nivel de la variable Xj. Los datos aparecern
en la tabla 1.
Suponemos que el trmino del error en el modelo tiene E () = 0, V () = 2, y que los
(j) son variables aleatorios no correlacionados.
Podemos escribir el modelo, ecuacin 2, en trminos de las observaciones como:

y i 0 1 xi1 2 xi 2 k xik i

M. C. Juan Vicente Calvario Gmez

Estadstica II

yi 0 j xij i

; con i 1, 2, , n

Ec. 3

i 1

La ecuacin de mnimos cuadrados es:

n

L ei2
i 1

L y i 0 i xij
i 1
i 1

Ec, 4

La funcin L se minimizar con respecto a o, 1,...., k.

Las ecuaciones de mnimos cuadrados son:

n 0

0 xi1
i 1
n

1 xi1

2 xi 2

i 1
n

1 x
i 1

i1

i 1
n

i 1

2 xi1 xi 2 k
i 1

0 xik 1 xik xi1 2 xik xi 2

i 1

i 1

x
i 1

x
i 1

ik

i1 ik

x 2 ik
i 1

y
i 1
n

x
i 1

i1

yi

x
i 1

ik

yi

Ec. 5

Ntese que hay p = k + 1 ecuaciones normales, una para cada uno de los coeficientes de
regresin desconocidos. La solucin para las ecuaciones normales sern los estimadores
de mnimos cuadrados de los coeficientes de regresin.
Es ms simple resolver las ecuaciones normales s ellas se expresan en notacin de
matriz. Daremos ahora un desarrollo matricial de las ecuaciones normales que es afn al
desarrollo de la ecuacin 5. El modelo en trminos de las observaciones, ecuacin 4,
puede escribirse en notacin matricial como:

Y = X + ; donde:

M. C. Juan Vicente Calvario Gmez

Estadstica II

y1
y
y 2


yn

1 x11
1 x
21
x

1 x n1

0

1

x1k

x12
x 22

x 2 k

xn 2

x nk

1

y 2


n

En general, Y es un vector (n X 1) de las observaciones, X es una matriz ( X * P) de

los niveles de las variables independientes, es un vector (P * 1) de los coeficientes de
regresin, y es un vector (n * 1) de los errores aleatorios. Deseamos encontrar el
vector de los estimadores de mnimos cuadrados, 1, que minimice:
n

L ei2 y x y x
i 1

Ntese que L puede expresarse como :

L y y x y yx xx
L y y 2 x y xx

Ec. 6

Puesto que es una matriz de (1 * 1), o un escalar, y su transpuesta

( es el mismo escalar. Los estimadores de mnimos cuadrados deben
satisfacer simplificando:

xx x y

Ec.7

Las ecuaciones 7 son las ecuaciones normales de mnimos cuadrados.

Ellas son idnticas a las ecuaciones 5. Para resolver las ecuaciones normales,
multiplquense ambos lados de la ecuacin 7 por la inversa de XX. De tal modo, el
estimador de mnimos cuadrados de es:

xx x y
1

Ec.8

Es fcil ver que la forma matricial de las ecuaciones normales es idntica a la de la

M. C. Juan Vicente Calvario Gmez

Estadstica II

forma escalar. Al escribir completa la ec.7 obtenemos:

i 1
n

i 1

i1

xik
i 1

x
i 1

xik

i 1
i 1

n
n
xi1 xi 2 xi1 xik

i 1
i 1

n
n

2
x
x

x
ik

ik i 2

i 1
i 1
n

xi1

i1

xik xi1
i 1

xi 2

i 1
n

yj

i1

x
i 1

xik y j
i 1

Si se efecta la multiplicacin matricial indicada, resultar la forma escalar de las

ecuaciones normales, Ec. 5. En esta forma es fcil ver que XX es una matriz simtrica
(P * P) y XY es un vector columna (P * 1). Advirtase la estructura especial de la
matriz XX. Los elementos de la diagonal de XX, son las sumas de los cuadrados de los
elementos en las columnas de X, y los elementos fuera de la diagonal son las sumas de
los productos cruzados de los elementos de las columnas de X.
Adems, ntese que los elementos de XY son las sumas de los productos cruzados de
las columnas de X y las observaciones {Yj}. El modelo de regresin ajustado es:

y x

Ec. 9

En notacin escalar, el modelo ajustado:

y j xij ; con i 1, 2, , n
i 1

y
La diferencia entre la observacin Yi y el valor ajustado i es un residuo, digamos

ei y i y i . El vector (n * 1) de los residuos se denota mediante

ei y y

Ec. 10

Ejemplo 1: Montgomery y Peck (1982) describen el empleo de un modelo de regresin

M. C. Juan Vicente Calvario Gmez

Estadstica II

para relacionar la cantidad de tiempo requerido por un vendedor de ruta (chofer) para
abastecer una mquina vendedora de refrescos, con el nmero de latas que incluye la
misma, y la distancia del vehculo de servicio a la ubicacin de la mquina. Este modelo
se emple para el diseo de la ruta, el programa y el despacho de vehculos.
Ajustaremos el modelo de regresin lineal mltiple.
La matriz x y el vector Y para este modelo son:
1
1

1
1

1
1

1
1

1
1

x1
1

1
1

1
1

1
1

1
1

1
1

2 50
8 110
11 120

10 550
8 295

4 200
2 375

9.95
24.45

31.75

5.00
25.02

16.86
14.38

52
100

300

412
400

500
360

205
400

600

585
540

250
290

510
590

100
400

9.60
24.35

27.50

17.08
37.00

y 41.95
11.66

21.65
17.89

69.00

10.30
34.92

46.59
44.88

54.12
56.63

22.13
21.15

2
9
8
4
11
12
2
4
4
20
1
10
15
15
16
17
6
5

y 0 1 x1 2 x 2

La matriz x es:
1

11

10

11

12

20

10

15

15

16

17

50 110 120 550 295 200 375 52 100 300 412 400 500 360 205 400 600 585 540 250 290 510 590 100 400

M. C. Juan Vicente Calvario Gmez

Estadstica II

La matriz xx es:
1
1 1 1
1
xx 2 8 5

50 110 400
1

2
8

50
110

400

206
8294
25

xx 206 2396
77177
8294 77177 3531848
Y el vector xy es:

9.95
1
1 1
695.81

24
.
45
7708.37
x y 2 8
5

50 110 400
258311.31

21.15

Los estimadores de mnimos cuadrados se encuentran en la Ec.:

xx x y

Ec.8

1
206
8,294 695.81
25
0
206
2,396
77,177 7,708.37
1

8,294 77,177 3531,848 258,311.31
2

1
0 0.214653 0.007491 0.000340 695.81
0.007491 0.001671 0.000019 7,708.37

1
2 0.000340 0.000019 0.0000015 258,311.31

0 3.68835
2.77992

1
2 0.00373

Por lo tanto, el modelo de regresin ajustado es:

Y 3.68835 2.77992 x1 0.00373x2

M. C. Juan Vicente Calvario Gmez

Estadstica II

Y 3.68835 2.77992 x1 0.00373x2

3.68835

2.77992

0.00373

3.68835

2.77992

0.00373

110

305.79120

0.4103

26.33801

3.68835

2.77992

0.00373

11 120

333.59040

0.4476

34.71507

3.68835

2.77992

0.00373

10 550 1,528.95600

2.0515

33.53905

3.68835

2.77992

0.00373

8 295

820.07640

1.10035

27.02806

3.68835

2.77992

0.00373

4 200

555.98400

0.746

15.55403

3.68835

2.77992

0.00373

2 375 1,042.47000

1.39875

10.64694

3.68835

2.77992

0.00373

52

144.55584

0.19396

9.44215

3.68835

2.77992

0.00373

9 100

277.99200

0.373

29.08063

3.68835

2.77992

0.00373

8 300

833.97600

1.119

27.04671

3.68835

2.77992

0.00373

4 412 1,145.32704

1.53676

16.34479

3.68835

2.77992

0.00373

11 400

1,111.96800

1.492

35.75947

3.68835

2.77992

0.00373

12 500 1,389.96000

1.865

38.91239

3.68835

2.77992

0.00373

2 360 1,000.77120

1.3428

10.59099

3.68835

2.77992

0.00373

4 205

569.88360

0.76465

15.57268

3.68835

2.77992

0.00373

4 400

1,111.96800

1.492

16.30003

3.68835

2.77992

0.00373

20 600 1,667.95200

2.238

61.52475

3.68835

2.77992

0.00373

1 585 1,626.25320

2.18205

8.65032

3.68835

2.77992

0.00373

10 540

1,501.15680

2.0142

33.50175

3.68835

2.77992

0.00373

15 250

694.98000

0.9325

46.31965

3.68835

2.77992

0.00373

15 290

806.17680

1.0817

46.46885

3.68835

2.77992

0.00373

16 510 1,417.75920

1.9023

50.06937

3.68835

2.77992

0.00373

17 590 1,640.15280

2.2007

3.68835

2.77992

0.00373

6 100

277.99200

0.373

20.74087

3.68835

2.77992

0.00373

5 400

1,111.96800

1.492

19.07995

4 y
5

8 y
9

10

11

12 y
13

14

15

16 y
17

18

19

20 y
21

22

23

24 y
25

2.77992 *x1 0.00373 *x2

x1 X2
2 50
139
0.1865

9.43469

53.14769

M. C. Juan Vicente Calvario Gmez

Estadstica II

La tabla 3 muestra los valores ajustados de Y y los residuales. Los valores ajustados
y los residuales se calculan con la misma precisin que los datos originales.
Tabla 3: Observaciones, valores ajustados y residuos para el ejemplo 1.
No. De Obs.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

yi

yi
9.95
24.45
31.75
5
25.02
16.86
14.38
9.6
24.35
27.50
17.08
37
41.95
11.66
21.65
17.89
69
10.30
34.92
46.59
44.88
54.12
56.63
22.13
21.15

e yi yi

9.43469
26.33801
34.71507
33.53905
27.02806
15.55403
10.64694
9.44215
29.08063
27.04671
16.34479
35.75947
38.91239
10.59099
15.57268
16.30003
61.52475
8.65032
33.50175
46.31965
46.46885
50.06937
53.14769
20.74087
19.07995

yi2

-0.51531
1.88801
2.96507
28.53905
2.00806
-1.30597
-3.73306
-0.15785
4.73063
-0.45329
-0.73521
-1.24053
-3.03761
-1.06901
-6.07732
-1.58997
-7.47525
-1.64968
-1.41825
-0.27035
1.58885
-4.05063
-3.48231
-1.38913
-2.07005

99.0025
597.8025
1008.0625
25
626.0004
284.2596
206.7844
92.16
592.9225
756.25
291.7264
1369
1759.8025
135.9556
468.7225
320.0521
4761
106.09
1220.1049
2170,6281
2014.2144
2928.9744
3206.9569
489.7369
447.3225
25,977.83310

La suma de los cuadrados de los residuos es:

n

SS E y i y i

i 1

SS E ei

i 1

SS E ee

Al sustituir

e y y y x

SS E y y x y

, y considerando que

xx x y , queda:

Ec. 11

M. C. Juan Vicente Calvario Gmez

Estadstica II

La Ec. 11 se denomina la suma de cuadrados del error o residuo, y tiene n p grados de

libertad asociados. La media cuadrtica para el error es:

MS E

SS E
n p

Ec. 12

Puede mostrarse que el valor esperado de MSE es

de

2 , por lo que un estimador neutral

esta dado por:

MS E

Ec. 13

Ejemplo 2: Estimaremos la varianza del error

mltiple en el ejemplo 1. Considerando que:

2 para

el problema de la regresin

25

y y yi2 25,977.83310

y;

i 1

x y 3.68835 2.77992 0.00373

F1C1
2,566.3908135
21,428.651930
4
963.50118630
0
24,958.543930
2

695.81
7,708.37
258,311.31

x y
Por consiguiente la suma de cuadrados del error es:

SS E y y x y
SS E 25,977.8331 24,958.5439302
SS E 1,019.2891698

La estimacin de

2 es:

SS E 1,019.2891698

46.3313259
n p
25 3

INTERVALOS DE CONFIANZA EN REGRESIN LINEAL MLTIPLE

Puesto que el estimador de mnimos cuadrados es una combinacin lineal de las

observaciones, resulta que se distribuye normalmente con media vectorial

10

M. C. Juan Vicente Calvario Gmez

Estadstica II

matriz

de

covarianza

con

2 xx 1 .

Entonces

cada

una

de

las

estadsticas

jj
2

j 0, 1, , k

Ec. 14

C jj
Se distribuye como t con n p grados de libertad, donde

la matriz

xx

es el elemento jjsimo de

,y

es la estimacin de la varianza del error, obtenida de la Ec. 13

en consecuencia un intervalo de confianza del

regresin

C jj

100 1

% para el coeficiente de

j , j 0,1, , k es :
2

t / 2, n p C jj j t / 2, n p C jj

Ec. 15

Ejemplo 3: Construir un intervalo de confianza del 95% respecto al parmetro

1 en el

ejemplo 1. La estimacin puntual de

1 es 1 2.76046 ,

x
diagonal de
correspondiente a

1 es C11 0.001671

t
se obtuvo en el ejemplo 2 como 46.3313 ; / 2 , n p

En consecuencia el intervalo de confianza de

y que el elemento de la

. La estimacin de

t 0.025, 22 2.074

se calcula apartir de la Ec. 15, como:

t0.025, 22 C11 j t0.025, 22 C11

2.77992 2.074 46.3313 0.001671 j 2.77992 2.074 46.3313 0.001671

11

M. C. Juan Vicente Calvario Gmez

Estadstica II

2.20284 1 3.35699

Podemos obtener tambin un intervalo de confianza respecto a la respuesta medio en

un punto particular, digamos
este punto, siendo el vector:

x01 , x 02 , , x 0 k . Para estimar la respuesta media en

1
x
01
x0 x02

x0 k

La respuesta media estimada en este punto es

y la varianza de

y0

es:

Por lo tanto, un intervalo

media en el punto

y 0 x 0

Ec. 16 .

E y 0 E x0 x0 E y 0

Este estimador insesgado, puesto que

V y 0 x0 xx x0 Ec. 17

100 1 % respecto a
de confianza del
1

la respuesta

x01 , x02 , , x0 k es:

y 0 t / 2, n p x0 xx x0 E y 0 y 0 t / 2, n p x0 xx x0 Ec. 18
1

La Ec. 18 es un intervalo de confianza en torno al hiperplano de regresin. Es la

generalizacin de regresin mltiple de la ec. 30 de la unidad anterior.
Ejemplo 4: Al embotellador de refrescos en el ejemplo 1, le gustara construir un
intervalo de confianza del 95% respecto al tiempo de entrega media para una salida
que requiere X1 = 8 latas y donde la distancia X2= 275 pies, por lo tanto, el vector:
1
x0 8
275

12

M. C. Juan Vicente Calvario Gmez

Estadstica II

La respuesta media estimada en este punto se encuentra a partir de la Ec. 16:

3.68835
y0 x0 1 8 275 2.77992 26.95346
0.00373

x0 xx x0

La varianza de

y0

se estima mediante
0.214652616 0.007490914 0.000340389
2
1
x0 xx x0 46.33131 8 275 0.007490914 0.0016707631 0.000189178
0.000340389 0.000189178 0.000014958
F1C1
F1C2
F1C3
0.214653
-0.007491
-0.00034
-0.059928
0.013366
-0.00015134
-0.0936069 -0.052024 0.000411345
0.06111802 0.0461489 5
5
0.00226002

1
8

275

0.061118025
1
0.3691916
0.06112 0.04615 0.00226 8
0.62150715
275
0.313433575
2

x0 xx x0 46.3313 0.313433575 14.52178

1

y0 t / 2, n p x0 xx x0 E y0 y0 t / 2, n p x0 xx x0 Ec. 18
1

26.95346 2.074 14.52178 E y0 26.95346 2.074 14.52178

19.0499 E y0 34.8569
PREDICCIN DE NUEVAS OBSERVACIONES
Estimacin puntual de la observacin futura

y 0 x0

Ec. 16

y0

en el punto

x01 , x02 , , x0 k , es:

13

M. C. Juan Vicente Calvario Gmez

Estadstica II

Un intervalo de confianza de prediccin del

futura es:
2

y 0 t / 2 ,

n p

100 1

%, para esta observacin

2

1 x0 xx x0 y0 y0 t / 2, n p 1 x0 xx x0 Ec. 19
1

Este intervalo de prediccin es una generalizacin del intervalo de prediccin para una
observacin futura en regresin lineal simple.

Ejemplo 5: Supngase que el embotellador de refrescos en el ejemplo 1 desea

construir un intervalo de prediccin del 95% en el tiempo de entrega en una salida
en la que X1 = 8 latas se entregan y la distancia caminada por el repartidor es
X2= 275 pies.
Ntese que

x0 1 8 275

y la estimacin puntual del tiempo de entrega es

y0 x0 26.95346

minutos.

x0 xx x0 0.313433575 .

Adems

en

el

ejemplo

calculamos

Por tanto, de la Ec. 19 tenemos:

26.95346 2.074 46.33131 0.313433575 y0 26.95346 2.074 46.33131 0.313433575

10.7745 y0 43.1323
Que es el intervalo de prediccin del 95%
PRUEBA DE HIPTESIS EN LA REGRESIN LINEAL MLTIPLE
En problemas de regresin lineal mltiple, ciertos tipos de hiptesis respecto a los
parmetros del modelo son tiles al medir la suficiencia del modelo.
Prueba de Significacin de Regresin
La Prueba de Significacin de Regresin es para determinar si hay una relacin lineal
entre la variable dependiente y y un subconjunto de las variables independientes

x1 , x 2 , , x k

. Las hiptesis apropiadas son:

H 0 : 1 2 k 0
H 1 : 1 0
El rechazo de

x1 , x 2 , , x k

para cada j
H0 : j 0

Ec. 20

implica que al menos una de las variables independientes

, contribuye significativamente al modelo. El procedimiento de prueba es

14

M. C. Juan Vicente Calvario Gmez

Estadstica II

una generalizacin del utilizado en la regresin lineal simple. La suma total de

cuadrados

S yy

se divide en una suma de cuadrados debido a la regresin y en una suma

S yy SS R SS E

de cuadrados debida al error, digamos:

; y si

H0 : j 0

es

SS R
x k2
2

verdadera, entonces:
igual nmero de regresoras

SS R
xn2 k 1
2

,y

donde el nmero de grados de libertad para x 2 es

en el modelo. Adems, podemos mostrar que

SS E y SS R

son independientes.
Tabla 4: Anlisis de varianza para la significacin de la regresin en la regresin
mltiple.

Fuente de
Variacin
Regresin
Error
o
residuo
Total

Suma
de
Cuadrados
SSR
SSE

Grados de
Libertad
k
n k-1

S yy

n - 1

El procedimiento de prueba para

SS R
MS R
k
F0

SS E
MS E
n k 1

Media
Cuadrtica
MSR
MSE

H0 : j 0

F0
MSR/MSE

, es calcular:

Ec. 21

F F

, k, n k 1
; y rechazamos H0 si 0
.
El procedimiento suele resumirse en una tabla de anlisis de varianza tal como la 4.

Una frmula de clculo para

Frmula de clculo para

S yy yi2

i 1

i 1

SS E , en la ecuacin
2

SS R puede encontrarse fcilmente, Hemos deducido una

y y

y
i 1

SS E y y x y . Luego puesto que:

podemos

reescribir

la

15

ecuacin

M. C. Juan Vicente Calvario Gmez

Estadstica II

SS E y y

y
i 1

x y

y
i 1

anterior, como:
Por tanto, la suma de cuadrados de la regresin es:

SS R x y

i 1

S yy y y

Ec. 22

SS E y y x y

i 1

; la suma de cuadrados del error es:

Ec. 23 ; y la suma de cuadrados total es:

2

SS E S yy SS R .

Ec. 24

Ejemplo 6: Probaremos la significacin de la regresin empleando los datos de

tiempo de entrega del ejemplo 1 y datos del ejemplo 2.

S yy y y

y
i 1

695.81
25,977.8331

n
25
S yy 25,977.8331 19,366.06224 6,611.77086

SS R x y

y
i 1

695.81
24,958.54393

n
25
SS R 24,958.54393 19,366.06224 5,592.49169

Y,

SS E S yy SS R y y x y 6,611.77086 5,592.48169

SS E 1,019.28917

El anlisis de varianza se muestra en la tabla 5. Para probar

calculamos la estadstica:

H 0 : 1 2 0

SS R
5,592.48169
MS R
2,796.240845
k
2
F0

60.35313668
SS E
MS E 1,019.28917 46.33132591
n k 1
(25 2 1)
.
16

M. C. Juan Vicente Calvario Gmez

Estadstica II

F F

3.44

, k, n k 1
Puesto que 0
El tiempo de entre se relaciona con el volumen de entrega o con la distancia, o con
ambos. Sin embargo, notamos que esto no necesariamente implica que la relacin
encontrada es apropiada para predecir el tiempo de entrega como una funcin del
volumen y la distancia. Se requieren pruebas adicionales de la suficiencia del modelo.

Tabla 5: Prueba de significancia de la regresin correspondiente al ejemplo 6.

Fuente de Suma
de
Variacin Cuadrados
Regresin 5,592.481
69
Error
o 1,019.289
residuo
17
Total
6,611.770
86

F F

, k,
Puesto que 0
hiptesis se rechaza

n k 1

Grados de Media
Libertad
Cuadrtica
2
2,796.2408
45
22
46.3313259
1
24

, es decir,

F0
60.353136
68

F0 F0.05, 2 , 22 3.44 60.3531 3.44

;
, la

MEDIDAS DE ADECUACIN DEL MODELO

Coeficiente de Determinacin mltiple.
El coeficiente de determinacin mltiple R2 se define como:

R2

SS R
SS
1 E
S yy
S yy

Ec. 28

Ejemplo 7: El coeficiente de determinacin mltiple para el modelo de regresin

estimado en el ejemplo 1 es:

R2

SS R 5,592.481683

0.84584
S yy
6,611.77086
ANLISIS RESIDUAL

17

M. C. Juan Vicente Calvario Gmez

Estadstica II

Ejemplo 8: Los residuos para el modelo estimado en el ejemplo 1 se muestran en

la tabla 3.
En el error 04 se manifiestan de manera evidente una desviacin muy dispersa lo que
nos indica una alteracin en el proceso con respecto a la normalidad, en el error 17 no
presenta una desviacin importante con respecto a la normalidad, aunque los dos

28.53095; y e17 7.47525

residuos ms grandes 15
de una lnea central.
Los residuos estandarizados son

ej

ej

28.53095
46.3313

7.47525
46.3313

caen extremadamente cerca

4.19
;y

1.09
,

La inspeccin de los datos no revela ningn error al colectar las observaciones 15 y 17,
o cualquier otra razn para descartar o modificar estos dos puntos.

18