Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UTESA-SEDE.
Facultad de Arquitectura e Ingeniería.
Carrera de Ingeniería Industrial
(INF-706-004)
Presentado Por:
Profesor:
Tema:
cor(entrega)
residuos=rstandard(fit2) hist(residuos)
qqnorm(residuos) qqline(residuos)
Consola:
require(MASS)
> require(ISLR)
> require(psych)
> entrega=
read.csv("C:/Users/LissieJorge/Desktop/Guardados/DocMetNum.csv”
)
> View(entrega)
> plot(entrega)
> fit2=lm(N_cajas~Distancia+Tiempo, data=entrega)
> summary(fit2)
Call:
lm(formula = N_cajas ~ Distancia + Tiempo, data = entrega)
Residuals:
Min 1Q Median 3Q Max
-2.9582 -1.4618 -0.5859 0.5690 8.9907
Coefficients:
Estimate Std. Error t
value Pr(>|t|) (Intercept)
5.7969 5.5029 1.053
0.31289
Distancia -0.4847 0.1320 -3.673 0.00319 **
Tiempo 0.8350 0.1457 5.732 9.43e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> cor(entrega)
N_cajas Distancia Tiempo
N_cajas 1.0000000 -0.4052976 0.7246466
Distancia -0.4052976 1.0000000 0.1269032
Tiempo 0.7246466 0.1269032 1.0000000
> residuos=rstandard(fit2)
> hist(residuos)
> qqnorm(residuos)
> qqline(residuos)
>
>
Gráficos correspondientes al problema anterior (RLM):
Conclusiones (RLM):
Según puedo comprender y analizar los resultados obtenidos puedo ver que
en este modelo o problema la gráfica de los residuos la mayoría de los puntos
pasan por la línea por lo que podemos concluir que el resultado es el adecuado
ya que eso es lo que se busca el realizar este tipo graficación en esta regresión
lineal.
Ya que la regresión lineal múltiple busca obtener el valor de las variables
respuesta o dependiente, entonces podemos decir que en este caso la
variable independiente afecta a todas las variables dependientes
encontradas.
Con la variable tiempo encontrada podemos tener el coeficiente de
determinación que sería 77.64% de la variabilidad de los datos, esto ya que
fue el valor estimado lanzado por la variable tiempo en el problema.
Como se expresó anteriormente todas las variables llevan una relación estable
entre sí puesto que en el gráfico pasan directamente por la línea esto quiere
decir que llevan una relación afirmativa. Una variabilidad que pude notar es
que a diferencia de las demás variables la distancia disminuye mientras las
demás variables aumentan, por lo tanto, en este caso podemos afirmar que la
distancia mantiene una relación negativa frente a las demás variables en el
problema planteado.
Entrada:
require(MASS)
require(ISLR)
require datos=( rock ) View(datos)
dataS<-datos[,c(1:2)] View(dataS)
dataS2<-dataS[c(1:30),] View(dataS2) pairs(dataS2) cor(dataS2)
plot(dataS2)
modrls=lm(area~peri, data = dataS2) names(modrls)
summary(modrls) confint(modrls, level = 0.95)
nuevo_dato<-data.frame(peri=seq(1:20)) View(nuevo_dato)
predict(modrls,nuevo_dato)
predict(object = modrls, newdata = nuevo_dato, interval
="prediction", level=0.95)
plot(dataS2$peri, dataS2$area, xlab=' area', ylab='Perimetro')
abline(modrls)
ic=predict(modrls,nuevo_dato,interval = 'confidence') ic
lines(nuevo_dato$peri, ic[,2], lty = 2, col = 'blue')
lines(nuevo_dato$peri, ic[,3], lty = 2, col = 'blue')
ic
ic<-predict(modrls, nuevo_dato, interval = 'prediction') ic
lines(nuevo_dato$peri, ic[,2], lty = 2, col = 'red')
lines(nuevo_dato$peri, ic[,3], lty = 2, col = 'red')
residuos<-rstandard(modrls)
residuos
valores.ajustados<-fitted(modrls) plot(valores.ajustados,residuos)
qqnorm(residuos)
qqline(residuos
Consola:
require(MASS)
> require(ISLR)
Loading required package: ISLR Warning message:
In library(package, lib.loc = lib.loc, character.only = TRUE,
logical.return = TRUE, : there is no package called ‘ISLR’
> require
function (package, lib.loc = NULL, quietly = FALSE, warn.conflicts,
character.only = FALSE, mask.ok, exclude, include.only,
attach.required = missing(include.only))
{
if (!character.only)
package <- as.character(substitute(package)) loaded <-
paste0("package:", package) %in% search() if (!loaded) {
if (!quietly)
packageStartupMessage(gettextf("Loading required package: %s",
package), domain = NA)
value <- tryCatch(library(package, lib.loc = lib.loc,
character.only = TRUE, logical.return = TRUE, warn.conflicts =
warn.conflicts, quietly = quietly, mask.ok = mask.ok, exclude =
exclude,
include.only = include.only, attach.required = attach.required),
error = function(e) e)
if (inherits(value, "error")) { if (!quietly) {
msg <- conditionMessage(value) cat("Failed with error: ",
sQuote(msg), "\n", file = stderr(), sep = "")
.Internal(printDeferredWarnings())
}
return(invisible(FALSE))
}
if (!value) return(invisible(FALSE))
}
else value <- TRUE invisible(value)
}
<bytecode: 0x00000000087986a8>
<environment: namespace:base> datos=( rock )
View(datos)
dataS<-datos[,c(1:2)] View(dataS)
dataS2<-dataS[c(1:30),] View(dataS2)
pairs(dataS2) cor(dataS2)
area peri
area 1.0000000 0.8400299
peri 0.8400299 1.0000000
plot(dataS2)
modrls=lm(area~peri, data = dataS2) names(modrls)
[1] "coefficients" "residuals" "effects" "rank"
"fitted.values"
[6] "assign" "qr" "df.residual" "xlevels"
"call"
[11] "terms" "model" summary(modrls)
Call:
lm(formula = area ~ peri, data = dataS2)
Residuals:
Min 1Q Median 3Q Max
-2076.59 -911.98 -13.41 630.69 2226.60
Coefficients:
Estimate Std. Error t value Pr(>|t|) (Intercept) 2447.8598
746.2523 3.280 0.00278 **
peri 1.6543 0.2019 8.193 6.43e-09 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
qqnorm(residuos)
qqline(residuos)
>
>
Gráficos correspondientes al problema anterior (RLS):
Conclusiones (RLS):