Documente Academic
Documente Profesional
Documente Cultură
EJERCICIO 2
edad<-c(20,19,30,15,40)
peso<-c(110,170,90,250,180)
data.frame(edad,peso)
View(data.frame(edad,peso)
edad peso
1 20 110
2 19 170
3 30 90
4 15 250
5 40 180
plot(edad,peso)
reg<-lm(peso~edad)
reg
Call:
(Intercept) edad
205.88 -1.85
summary(reg)
Call:
Residuals:
1 2 3 4 5
-58.8802 -0.7303 -60.3797 71.8695 48.1207
Coefficients:
abline(reg)
Grafico 1:
ŷ = 205,881 − 1,850x
Conclusión
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.29644108
Coeficiente de determinación R^2 0.08787731
-
R^2 ajustado 0.21616358
Error típico 69.747074
Observaciones 5
Conclusión:
Debido a que el coeficiente de correlación múltiple es 0,29644108se puede concluir que existe
una correlación positiva débil.
residuos<-c(1.198606272,-0.846689895,-0.756097561,1.017421603,1.06271777,-
0.891986063,0.243902439,-1.027874564)
residuos
qqnorm(residuos)
qqline(residuos)
Grafico 2:
El 91,212% que falta para explicar la relación que existe entre el peso y la edad se debe a los
residuos (factores de error), como resultado da que no sea una distribución perfectamente
normal
EJERCICIO 3
precio<-c(15,14,13,12,11,10,9,8)
ventas<-c(8,11,14,17,20,23,27,30)
data.frame(precio,ventas)
View(data.frame(precio,ventas))
precio ventas
1 15 8
2 14 11
3 13 14
4 12 17
5 11 20
6 10 23
7 9 27
8 8 30
plot(precio,ventas)
reg<-lm(ventas~precio)
reg
Call:
Coefficients:
(Intercept) precio
54.893 -3.143
summary(reg)
Call:
Coefficients:
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
abline(reg)
Grafico 3:
ŷ = 54,89286 − 3,14286x
Conclusión
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.99922611
Coeficiente de determinación R^2 0.99845281
R^2 ajustado 0.99819495
Error típico 0.32732684
Observaciones 8
Conclusión:
Debido a que el coeficiente de correlación múltiple es 0,99922611 se puede concluir que existe
una correlación positiva débil.
residuos<-c(0.25,0.107142857,-0.035714286,-0.178571429,-0.321428571,-
0.464285714,0.392857143,0.25)
residuos
qqnorm(residuos)
qqline(residuos)
Grafico 4:
Conclusión de residuos:
El 0,15% que falta para explicar la relación que existe entre el peso y la edad se debe a los
residuos (factores de error), como resultado da que no sea una distribución perfectamente
normal
EJERCICIO 3
llamadas<-c(20,30,40,50,10,5,15)
ventas<-c(20,30,40,50,10,5,11)
data.frame(llamadas,ventas)
View(data.frame(llamadas,ventas))
llamadas ventas
1 20 20
2 30 30
3 40 40
4 50 50
5 10 10
6 5 5
7 15 11
plot(llamadas,ventas)
reg<-lm(ventas~llamadas)
reg
Call:
Coefficients:
(Intercept) llamadas
-1.128 1.023
summary(reg)
Call:
Residuals:
1 2 3 4 5 6 7
0.66960 0.44053 0.21145 -0.01762 0.89868 1.01322 -3.21586
Coefficients:
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Gráfico 5:
ŷ = −1,12775 + 1,02291x
Conclusión
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.9962304
Coeficiente de determinación R^2 0.99247501
R^2 ajustado 0.99097001
Error típico 1.60395986
Observaciones 7
Conclusión:
Debido a que el coeficiente de correlación múltiple es 0,9962304 se puede concluir que existe
una correlación positiva débil.
Observación Pronóstico para Y Residuos
1 19.33039648 0.66960352
2 29.55947137 0.44052863
3 39.78854626 0.21145374
4 50.01762115 -0.01762115
5 9.101321586 0.89867841
6 3.986784141 1.01321586
7 14.21585903 -3.21585903
residuos<-c(0.669603524,0.440528634,0.211453744,
0.017621145,0.898678414,1.013215859,-3.215859031)
residuos
qqnorm(residuos)
qqline(residuos)
Grafico 6:
El 0,75% que falta para explicar la relación que existe entre el peso y la edad se debe a los
residuos (factores de error), como resultado da que no sea una distribución perfectamente
normal