Ejercicio 3.

a.- A través de diversos comandos del

programa R es posible obtener un
análisis de Regresión Lineal.
Si empleamos la función de modelaje de
regresión lineal, teniendo en cuenta que la
variable de respuesta o dependiente es el
costo de la repetición (y):

> lm(y~x)

El orden de posicionar las variables es de

gran importancia, en este caso, la variable
dependiente es el costo de repetición
(variable y), por lo que pretendemos una
ecuación de regresión ajustada del tipo:

y = b0 + b1·x

Donde a través de la función summary

podemos obtener los Valor numérico de
los estimadores de b0 y b1 que se
observan en la columna Estimate, en
este caso tenemos una ecuación
regresión del tipo Y = 199.297502 +
1.622343*X

El coeficiente de determinación (es decir, el coeficiente de correlación al cuadrado)

mide la bondad del ajuste de la recta a los datos. A partir de la salida anterior, vemos
que su valor en este caso es Multiple R-squared: 0.07038.

d.- Nos piden unas prueba de hipótesis donde nos dicen H0: b1=0 vs H1: b1 ≠0 con
un α = 0.05, el test estadístico necesario en este caso es realizado por el propio
programa R y se encuentra en la parte de Coefficients donde nos entregan tanto el t
value como la probabilidad de que ocurra Pr(>[t]).

La hipótesis nula de rechaza sí que se observa que Pr(>[t]) < α/2 , donde en
este caso se tiene que Pr(>[t]) = 0.2 y α/2 = 0.025.
Este caso no se cumple por lo que no existen evidencias para rechazar H0 es decir que
no existe una relación entre las variables en cuestión.
e.- Los intervalos de confianza para los parámetros en R se posibles de obtener con el
comando confint (). El parámetro level permite elegir el nivel de confianza (por
defecto es 0.95).
En este caso podemos asegurar con un 90%
que la pendiente de la recta de la regresión se
encuentra entre los valores -0.4847468 y
3.729432

f.- Los intervalos de confianza para la respuesta media de las grasas se pueden
obtener usando el comando predict, el cual nos otorga una predicción del valor

esperado de grasas de un grupo, en

este caso nos pidieron la predicción
sobre los pesos entre 30 kg a 90 kg.
Por lo que el grupo 1 corresponde a la
cantidad de grasa esperada para las
personas que posean un peso igual a
30 kg, así como, el grupo 61 predice
para las personas con un peso de 90
kg.

Como también el comando predict

puede ayudarnos a encontrar los
intervalos de confianza con un 95% de
seguridad. Los cuales se ven
representados en el grafico como las
líneas rojas, los cuales tienen la
particularidad de ser más impreciso a
la hora de alejarse hacia los extremos
de la curva de regresión.
También es posible ver que los residuos de nuestro
Modelo no presentan alguna tendencia en
particular por lo que es posible asumir que este
cumple las hipótesis de homocedasticidad como
la linealidad. Además es posible observar que los
valores de los residuos se ajustan bastante bien a la
recta por lo que es correcto afirmar que la
normalidad se cumple.

En conclusión podemos decir que el modelo de

regresión lineal ajusta en este caso ya que se
cumplen las hipótesis necesarias que la sustentan.
Y bajo este supuesto en conjunto con las muestras
observadas no se pudo encontrar la evidencia
suficiente que permitiera afirmar algún tipo de
relación lineal
Entre la “Cantidad de Grasa” y el “Peso”.