Construimos una tabla con todas las operaciones:

donde Ŷ_i = b₀ + b₁ X₁ + b₂ X₂ .

Coeficientes estimados (redondeados): β0 ≈ 0.435 β1 ≈ 1.566 β2 ≈ 0.478

(XTX)-1≈(16.74239-0.17850-0.58925-0.178500.001990.00548-0.589250.005480.03448)open paren cap X to the cap T-th power cap X close paren to the negative 1 power is approximately equal to the 3 by 3 matrix; Row 1: 16.74239, negative 0.17850, negative 0.58925; Row 2: negative 0.17850, 0.00199, 0.00548; Row 3: negative 0.58925, 0.00548, 0.03448 end-matrix; Paso 5: Calcular el vector XTYcap X to the cap T-th power cap Y Multiplicamos la matriz transpuesta XTcap X to the cap T-th power por el vector columna

Always check your data for redundancy among predictors. In our exercise, quizzes added no value once hours studied were known.

La es una herramienta estadística fundamental para predecir el valor de una variable dependiente ( ) utilizando dos o más variables independientes (

, sustitúyelos de vuelta en la ecuación normal más sencilla ( ) para constatar que la igualdad numérica se cumpla.

Resolvemos por eliminación. Multiplicamos (5) por algo para igualar coeficientes de (\beta_1). Por ejemplo, multiplicamos (5) por (383.3333/8.1667) ≈ 46.94. Pero es más limpio usar fracciones.

Aquí tienes la "historia" de cómo resolverías este problema paso a paso. 1. El Escenario: Tus Datos

Wait — but our data: quizzes increase with hours. Let’s test manually:

( 5 b_0 + 30\cdot\frac2619 + 25\cdot\frac1419 = 69 )

3340=3200−320b1−3200b2+360b1+3280b23340 equals 3200 minus 320 b sub 1 minus 3200 b sub 2 plus 360 b sub 1 plus 3280 b sub 2 140=40b1+80b2140 equals 40 b sub 1 plus 80 b sub 2 Dividiendo entre 40 para simplificar:

(3725.3333 - 43010.6667\beta_1 - 3572.9333\beta_2 + 43394\beta_1 + 3581.1\beta_2 = 3788)

Por lo tanto: