Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Experimentación Pecuaria
5°A Zootecnia
Tarea 3
Citlali Sanjuana Hortelano Tovar
Matrícula 2011137-9
6 de septiembre de 2022
Problema 1
Nelson (1964) investigó la relación lineal entre la humedad (% relative humidity) y la pérdida
de agua (water loss en mg) para nueve lotes de mantenidos a diferentes humedades relativas
(rango de 0 a 93%) por un período de seis días. Los datos se presentan en el archivo anexo
(nelson.csv).
y = nelson$WEIGHTLOSS
x = nelson$HUMIDITY
library(ggplot2)
ggplot(aes(x = HUMIDITY, y = WEIGHTLOSS), data = nelson) +
geom_point() +
labs(x = "Porcentaje relativo de humedad",
y = "Perdida de agua (mg)")
No existe una relación lineal entre la humedad y la pérdida de agua, ya que la razón de
cambio entre ambas variables no es constante.
b) Planteé un modelo lineal para los datos, después ajuste el modelo obteniendo los valores
de los parámetros. Puede utilizar R, Excel o hacerlo a mano.
Modelo de regression lineal: Pérdida de agua=β0+βi(Humedad)+ϵi
En R:
modelo = lm(WEIGHTLOSS~HUMIDITY, data = nelson)
summary(modelo)
Resultados:
summary(modelo)
Call:
lm(formula = WEIGHTLOSS ~ HUMIDITY, data = nelson)
Residuals:
Min 1Q Median 3Q Max
-0.46397 -0.03437 0.01675 0.07464 0.45236
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 8.704027 0.191565 45.44 6.54e-10 ***
HUMIDITY-0.053222 0.003256 -16.35 7.82e-07 ***
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
̂
𝑃é𝑟𝑑𝑖𝑑𝑎 𝑑𝑒 𝑎𝑔𝑢𝑎 = 8.704027 − 0.053222(ℎ𝑢𝑚𝑒𝑑𝑎𝑑)
d) Resuma en una Tabla ANOVA sus resultados y realice el juego de hipótesis siguiente:
H0 : β1 = 0 vs β1 =
̸ 0. Use un valor para la probabilidad de cometer error tipo I de
0.06. ¿Cuál es su conclusión?
Modelo anova en R:
> anova(modelo)
Analysis of Variance Table
Response: WEIGHTLOSS
Df Sum Sq Mean Sq F value Pr(>F)
HUMIDITY 1 23.5145 23.515 267.18 7.816e-07 ***
Residuals 7 0.6161 0.088
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Prueba de hipótesis
Ho : β1 = 0
Ha : β1 =
̸ 0
y = mortalidadInfantil$y
x = mortalidadInfantil$x
library(ggplot2)
ggplot(aes(x = x, y = y), data = mortalidadInfantil) +
geom_point() +
labs(x = "Ìndice de calidad de vida",
y = "Tasa de mortalidad infantl")
No existe evidencia de una relación lineal entre ambas variables, pues el cambio entre
ellas no es constante.
En R:
summary(modelo)
Call:
lm(formula = y ~ x, data = mortalidadInfantil)
Residuals:
Min 1Q Median 3Q Max
-21.553 -6.710 -1.944 3.361 21.066
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 172.5715 8.9331 19.318 7.75e-10 ***
x -1.4619 0.1873 -7.807 8.23e-06 ***
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Modelo ajustado:
̂
𝑇𝑎𝑠𝑎 𝑑𝑒 𝑚𝑜𝑟𝑡𝑎𝑙𝑖𝑑𝑎𝑑 𝑖𝑛𝑓𝑎𝑛𝑡𝑖𝑙 = 172.5715 − 1.4619(ì𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑐𝑎𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑣𝑖𝑑𝑎)
Por cada unidad que aumenta el índice de calidad de vida disminuye en 1.4619 la
tasa de mortalidad.
e) Realice una gráfica de x contra y como en el inciso a, pero ahora añada la recta de
regresión ajustada.
anova(modelo)
Analysis of Variance Table
Response: y
Df Sum Sq Mean Sq F value Pr(>F)
x 1 10564.3 10564.3 60.949 8.233e-06 ***
Residuals 11 1906.6 173.3
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Prueba de hipótesis
Ho : β1 = 0
Ha : β1 =
̸ 0
Paso 2:
No existe relación lineal entre las variables porque el cambio entre ambas no es
constante.
Paso 3:
Modelo de regresión lineal:
Tasa de mortalidad infantil log=β0+βi(Ìndice de calidad de vida)+ϵi
En R:
summary(modelo1)
Call:
lm(formula = z ~ x, data = mortalidadInfantil)
Residuals:
Min 1Q Median 3Q Max
-0.178870 -0.074370 -0.012173 0.007465 0.305643
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 5.366171 0.098359 54.557 9.67e-15 ***
x -0.016727 0.002062 -8.113 5.72e-06 ***
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Modelo ajustado:
̂ 𝑖𝑛𝑓𝑎𝑛𝑡𝑖𝑙 𝑙𝑜𝑔 = 5.366171 − 0.016727(ì𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑐𝑎𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑣𝑖𝑑𝑎)
𝑇𝑎𝑠𝑎 𝑑𝑒 𝑚𝑜𝑟𝑡𝑎𝑙𝑖𝑑𝑎𝑑
Paso 4:
Por cada unidad que aumenta el índice de calidad de vida disminuye en 0.016727 la
tasa de mortalidad.
Paso 5: Realice una gráfica de x contra y como en el inciso a, pero ahora añada la
recta de regresión ajustada.
anova(modelo1)
Analysis of Variance Table
Response: z
Df Sum Sq Mean Sq F value Pr(>F)
x 1 1.38311 1.38311 65.82 5.715e-06 ***
Residuals 11 0.23115 0.02101
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Prueba de hipótesis
Ho : β1 = 0
Ha : β1 =
̸ 0