Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Bryan Ocaña
21/11/2021
Ejercicios
x <- c(77,50,71,72,81,94,96,99,67)
y <- c(82,66,78,34,47,85,99,99,68)
Diagrama de Dispersión
90 100
80
Examen final
70
60
50
40
50 60 70 80 90 100
1
r_reg <- lm(y ~ x)
r_reg
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept) x
12.0623 0.7771
summary(r_reg)
Call:
lm(formula = y ~ x)
Residuals:
Min 1Q Median 3Q Max
-34.017 -0.114 10.001 10.761 15.081
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 12.0623 34.6612 0.348 0.738
x 0.7771 0.4334 1.793 0.116
R2 = 0.3147
Esto nos quiere decir que solo el 31 % de la variabilidad de nuestros datos esta explicado por este modelo de
regresión
Supuestos de hipotesis
H0 : El intercepto es representativo
H1 ̸= 0 El intercepto no es representativo
H0 = 0
H1 ̸= 0
α = 0.05
p − value = 0.74 > α
2
H0 = 0
H1 ̸= 0
α = 0.05
p − value = 0.12 > α
[1] 77.51
11.4 Para fines de calibración se recabaron los siguientes datos, los cuales per-
mitirían determinar la relación entre la presión y la lectura correspondiente en
la escala.
3
Diagrama de Dispersión
80
Lectura en la escala
60
40
20
10 20 30 40 50
Presión
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept) x
-1.70 1.81
summary(r_reg)
Call:
lm(formula = y ~ x)
Residuals:
Min 1Q Median 3Q Max
-3.40 -1.25 -0.60 1.50 3.60
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.70000 1.42522 -1.193 0.267
x 1.81000 0.03953 45.790 5.72e-11 ***
---
4
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
R2 = 0.9962
Esto nos quiere decir que el 99 % de la variabilidad de nuestros datos estan explicados por este modelo de
regresión, es decir que es excelente para predecir
Supuestos de hipotesis
Supuestos de hipotesis
H0 : El intercepto es representativo
H1 ̸= 0 El intercepto no es representativo
H0 = 0
H1 ̸= 0
α = 0.01
p − value = 0.27 > α
H0 = 0
H1 ̸= 0
α = 0.01
p − value = 0.12 < α
Se rechaza H0 por lo tanto la pendiente es representativa ya que es muy importante para el modelo.
b) En esta aplicación el propósito de la calibración es estimar la presión a partir de una lectura
observada en la escala. Estime la presión para una lectura en la escala de 54, usando x = (54
– b0)/b1
[1] 30.77348
5
11.6 En cierto tipo de espécimen de prueba metálico se sabe que la tensión
normal sobre un espécimen se relaciona funcionalmente con la resistencia al
corte. El siguiente es un conjunto de datos experimentales codificados para las
dos variables:
Diagrama de Dispersión
27
26
Resistencia al corte
25
24
23
22
23 24 25 26 27 28 29
Tensión normal
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept) x
-1.70 1.81
6
summary(r_reg)
Call:
lm(formula = y ~ x)
Residuals:
Min 1Q Median 3Q Max
-3.40 -1.25 -0.60 1.50 3.60
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.70000 1.42522 -1.193 0.267
x 1.81000 0.03953 45.790 5.72e-11 ***
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
R2 = 0.43
Esto nos quiere decir que el 43 % de la variabilidad de nuestros datos esta explicado por este modelo de
regresión, dicho de otro modo este modelo de regresión es regular para la predicción de nuestros datos
Supuestos de hipotesis
H0 : El intercepto es representativo H1 ̸= 0 El intercepto no es representativo
H0 = 0
H1 ̸= 0
α = 0.05
p − value = 6.52e − 05 < α
H0 = 0
H1 ̸= 0
α = 0.001
p − value = 0.02 > α
7
resistencia <- 42.58 - 0.69*(24.5) ; resistencia
[1] 25.675
Diagrama de Dispersión
80
Calificación en el curso
60
40
20
40 50 60 70 80 90
Examen de colocación
Al realizar el diagrama de dispersión nos podemos dar cuenta que existe una variabilidad considerable entre
estas dos variables.
b) Calcule la ecuación de la recta de regresión para predecir las calificaciones en el curso a
partir de las del examen de colocación.
8
r_reg <- lm(y ~ x)
r_reg
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept) x
32.5059 0.4711
summary(r_reg)
Call:
lm(formula = y ~ x)
Residuals:
Min 1Q Median 3Q Max
-37.993 -6.592 4.375 10.230 22.941
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 32.5059 12.6386 2.572 0.0192 *
x 0.4711 0.2182 2.159 0.0446 *
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
R2 = 0.21
Esto nos quiere decir que el 21 % de la variabilidad de nuestros datos esta explicado por este modelo de
regresión, dicho de otro modo este modelo de regresión es malo para realizar predicciones de nuestros datos
Supuestos de hipotesis
H0 : El intercepto es representativo H1 ̸= 0 El intercepto no es representativo
H0 = 0
H1 ̸= 0
α = 0.001
p − value = 0.02 > α
9
H0 : La pendiente es representativa H1 ̸= 0 La pendiente no es representativa
H0 = 0
H1 ̸= 0
α = 0.001
p − value = 5.72e − 11 < α
Diagrama de Dispersión
80
Calificación en el curso
60
40
20
40 50 60 70 80 90
Examen de colocación
[1] 60.0164
Si la calificación máxima seria de 60, para aprobar deberían sacar una nota de 58 como mínimo para aprobar
pero se debe tener en cuenta si se redondea al inmediato superior caso contrario la nota mínima sería de
58.40 para aprobar el exámen.
10
11.12 Se realizó un estudio para analizar el efecto de la temperatura ambiente
x sobre la energía eléctrica consumida por una planta química y. Otros fac-
tores se mantuvieron constantes y se recabaron los datos de una planta piloto
experimental.
y<- c(280,295,320,295,265,298,267,321)
x<- c(27,45,72,58,31,60,34,74)
Diagrama de Dispersión 1
270 280 290 300 310 320
Energía Consumida
30 40 50 60 70
Efecto de la Temperatura
En esta grafica se puede observar que existe una relación fuerte entre ambas variables es dir si la una aumenta
la otra también
b) Estime la pendiente y la intersección en un modelo de regresión lineal simple.
Call:
lm(formula = y ~ x)
Coefficients:
11
(Intercept) x
238.848 1.073
summary(r_reg)
Call:
lm(formula = y ~ x)
Residuals:
Min 1Q Median 3Q Max
-8.325 -6.332 -1.230 4.898 12.185
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 238.8477 9.0364 26.432 1.94e-07 ***
x 1.0729 0.1704 6.296 0.000748 ***
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
Pendiente = 0.000748
Intersección = 1.94e-07
R2 = 0.87
Esto nos quiere decir que el 87 % de la variabilidad de nuestros datos esta explicado por este modelo de
regresión, dicho de otro modo este modelo de regresión es excelente para realizar predicciones de nuestros
datos
Supuestos de hipotesis
H0 : El intercepto es representativo H1 ̸= 0 El intercepto no es representativo
H0 = 0
H1 ̸= 0
α = 0.05
p − value = 1.94e − 07 < α
Se rechaza H0 por lo tanto el intercepto es representativo o importante para este modelo de regresión.
Ahora comprobamos para la pendiente
H0 : La pendiente es representativa H1 ̸= 0 La pendiente no es representativa
H0 = 0
12
H1 ̸= 0
α = 0.05
p − value = 0.000748 < α
Se rechaza H0 por lo tanto la pendiente es representativa o importante para este modelo de regresión.
c) Pronostique el consumo de energía para una temperatura ambiente de 65°F.
[1] 308.4
n <- 12
mx<- 4
my<- 12
x<- c(4,4,9,9,3,25,36,49,64,25,4);
y <- c(15,27,21,15,45,22,28,32,12,53,48);
Ajuste un modelo de regresión lineal simple entre x y y calculando los estimados de la intersec-
ción y la pendiente. Comente si la asistencia a más reuniones profesionales da como resultado
más publicaciones de artículos.
Call:
lm(formula = y ~ x)
Coefficients:
(Intercept) x
32.1382 -0.1531
summary(r_reg)
Call:
lm(formula = y ~ x)
Residuals:
Min 1Q Median 3Q Max
13
-16.526 -10.050 -4.526 10.342 24.689
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 32.1382 6.3761 5.040 0.000699 ***
x -0.1531 0.2197 -0.697 0.503537
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
Pendiente = 0.503537
Intersección = 0.000699
R2 = 0.05
Esto nos quiere decir que solo el 5 % de la variabilidad de nuestros datos esta explicado por este modelo de
regresión, dicho de otro modo este modelo de regresión es malo para realizar predicciones de nuestros datos
Supuestos de hipotesis
H0 : El intercepto es representativo H1 ̸= 0 El intercepto no es representativo
H0 = 0
H1 ̸= 0
α = 0.001
p − value = 0.000699 < α
Se rechaza H0 por lo tanto el intercepto es representativo o importante para este modelo de regresión.
Ahora comprobamos para la pendiente
H0 : La pendiente es representativa H1 ̸= 0 La pendiente no es representativa
H0 = 0
H1 ̸= 0
α = 0.05
p − value = 0.503537 < α
Se rechaza H0 por lo tanto la pendiente es representativa o importante para este modelo de regresión.
14