Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DEPARTAMENTO DE MATEMÁTICAS
FACULTAD MULTIDISCIPLINARIA DE OCCIDENTE
LICENCIATURA EN ESTADÍSTICA
Práctica 14
Materia:
Modelos lineales
Estudiante:
Gutiérrez Mata Carlos Fernando Carnet: GM17008
1- Se crean vectores para las variables
2- Correlación
Se crea un data frame con los datos de las variables
Se prueba que las variables son correlacionadas ya que no se acepta la hipótesis nula que el
coeficiente de correlación sea igual a cero dado el p-value menor que 0.5.
3- Prueba de supuestos para el modelo
Para la variable long no se rechaza la normalidad ya que el p-value es mayor que 0.05.
Ya que ambas son variables normales entonces Pearson es el método adecuado para la
correlación.
4- Coeficiente de determinación
Para la variable height no se rechaza la normalidad dado que el p-value es mayor que 0.05.
Para la variable weight no se rechaza la normalidad dado que el p-value es mayor que 0.05.
Ya que ambas variables son normales el método de Pearson es el indicado para analizar la
correlación.
7- Uso del paquete corrplot
Se tiene el modelo :
El anova es significativo.
9- Verificación de supuestos para el modelo de regresión lineal
Se utilizan los gráficos para tener una idea de cómo se comportan los residuos si son normales y
si hay homocedasticidad.
10- Forma gráfica de la regresión
11- Resumen del modelo
Se obtiene la ecuación:
Normalidad de residuos
Los residuos del modelo se distribuyen de manera normal ya que el p-value nos sugiere no
rechazar la hipótesis nula.
Los residuos se distribuyen normalmente siendo comprobado con el resultado obtenido con el
shapiro test en el cual el p-value es mayor que 0.05.
Se genera un nuevo modelo ahora con variable income
No se rechaza la existencia de normalidad en los residuos ya que el p-value en la prueba shapiro
es mayor que 0.05
Cual modelo es mejor
Test de multicolinealidad
No se sugiere multicolinealidad