Documentos de Académico
Documentos de Profesional
Documentos de Cultura
#gasolina (en millas por gal´on) y desplazamiento del motor (em cent´ımetros c´ubicos) para
#a Cree una variable EngineDispln3 que contenga el desplazamiento del motor en pulgadas
c´ubicas. Una p´ulgada c´ubica es equivalente a 16.3871 cent´ımetros c´ubicos.
mutate(EngineDispln3 = round(EngineDisp/16.3871,0))
# Boxplot mpg
boxplot(datos$MPG)
boxplot(datos$EngineDispln3)
cor(datos$MPG,df$EngineDispln3)
#d Ajuste un modelo lineal simple que relacione millas de carretera por gal´on (y) al
summary(model)
#e Encuentre una estimaci´on del rendimiento medio de kilometraje
#de gasolina en carretera para un autom´ovil con un desplazamiento del motor de 150 pulg
predict(model,data.frame('EngineDispln3' = c(150)))
y <− datos$MPG[des]
'Residuo : ',y−y_1)
summary(model)
#pregunta 2
# En el archivo reg2.csv presenta datos sobre el precio de venta y los impuestos anuales
#para 24 casas.
#b Encuentre el precio de venta medio dado que los impuestos pagados son x = 7, 50.
predict(model2,data.frame(Tax_miles = 7.5))
y <− d2$Precio_miles[index]
'Residuo : ',y−y_h2)
#d Calcule el y ajustado para cada valor de xi usado para ajustar el modelo. Luego
plot(d2$Precio_miles,y_hats2)
#f Elabore una grafica de probabilidad normal de los residuales e interprete esta presentacion
qqnorm(model2_standares,
qqline(model2_standares)
# el modelo que se observa se distribuyen como una normal dado que los residuos
estandarizados se
#varianza constante?
par(mfrow = c(1,2))
plot(y_hats2,residuos2,
ylab = 'Residuos')
plot(d22$Tax_miles,residuos2,
xlab = 'X',
ylab = 'Residuos')
par(mfrow = c(1,1))
# Dado que los puntos del grafico de dispersion se encuentrna muy dispersos es dificil
summary(model2)
# el modelo de regresion lineal explica el 76.73% de la variabilidad total
#pregunta 3
#Se cree que la cantidad de libras de vapor utilizadas por mes por una planta qu´ımica est´a
#relacionada con la temperatura ambiente promedio (en grados Farenheit) para ese mes.
#de regresi´on que relaciona el uso de vapor (y) con la temperatura media (x).
#es de 55 ◦F?
model3$coefficients['Temp']
y <− df3$Libras_Miles[index]
y_hat <− predict(model3,data.frame(Temp = 47))
'Residuo : ',y−y_hat)
#e Calcule el y ajustado para cada valor de xi usado para ajustar el modelo. Luego
plot(df3$Libras_Miles,y_hats3)
#g Elabore una grafica de probabilidad normal de los residuales e interprete esta presentacion
qqnorm(model3_stdres,
qqline(model3_stdres)
#varianza constante?
par(mfrow = c(1,2))
plot(y_hats3,residuos3,
ylab = 'Residuos')
plot(df3$Temp,residuos3,
xlab = 'X',
ylab = 'Residuos')
par(mfrow = c(1,1))
# De acuerdo a la grafica realizada podemos observar que los puntos rondan un valor
constante
summary(model3)
#Pregunta 4
plot(df4$EMPLEADOS,df4$UTlLlDAD)
cor(df4$EMPLEADOS,df4$UTlLlDAD)
#c) Establezca un modelo de regresion lineal simple donde la variable dependiente sea
# que tiene un p−valor menor al 5%, se observa que el modleo explica el 0.851%
# de la variabilidad
# Por otro lado, se puede decir que si la empresa contata un empleado más la utilidad
summary(model4_2)
#se puede observar que al ingresar la variable ventas, la variable empleados deja de ser
significativa, mientras que
#Por otro lado, si observamos el estaditico F, podemos decir que el modelo es significativo de
manera global
# variabilidad
#e) Adicione en su modelo de regresion del literal anterior el sector productivo al que
summary(model4_3)
# Las variables que son significativas para el modelo son Ventas, como las siguientes
# categorias de la variable sector productivo que son las categorias construccion e inmobiliaria
#Pregunta 5
#a
# Supuesot de independencia
plot(model5$residuals)
# dado que en el los residuos no presenta un patron definido podemos decir que se
# Supuesto de Normalidad
# Test de normalidad
shapiro.test(model5$residuals)
# Test de homocedaticidad
bptest(model5)
# elmodelo es univariado
plot(model5$residuals,df5$age)
#b
# Supuesot de independencia
plot(model5_b$residuals)
# Supuesto de Normalidad
# Test de normalidad
shapiro.test(model5_b$residuals)
# Test de homocedaticidad
bptest(model5_b)
# Test de multicolinealidad
vif(model5_b)
plot(model5_b$residuals,df5$age)
#c
# Supuesot de independencia
plot(model5_c$residuals)
# Supuesto de Normalidad
# Test de normalidad
shapiro.test(model5_c$residuals)
# Test de homocedaticidad
bptest(model5_c)
# Test de multicolinealidad
vif(model5_c)
plot(model5_c$residuals,df5$age)
#d
# SUpuesot de independencia
plot(model5_d$residuals)
# Supuesto de Normalidad
# Test de normalidad
shapiro.test(model5_d$residuals)
# Supuesto de Homocedasticidad o vairanza cosntante
# Test de homocedaticidad
bptest(model5_d)
# Test de multicolinealidad
vif(model5_d)
plot(model5_d$residuals,df5$age)