Laboratorio 3 : Ecuación de regresión lineal Page 1 of 6

Laboratorio 3 : Ecuación de regresión

lineal
Juan Carlos Valencia Ortiz, Kevin Quispe Ceron y Garay Ramirez Yanfranco
2023-09-13

Problema:
Cargo, empresa que realiza entrega de pedidos a todo el Perú, desea llevar a cabo un estudio para ver
la relación entre la distancia de recorrido de un embarque y el tiempo que demora en llegar.
Considerando a la distancia de envío como la variable independiente y al tiempo de envío como la
variable dependiente, haga lo siguiente:

Parte A
Traslade la información de la tabla mostrada a un documento de texto, asígnele el nombre
‘entregas.txt’ y elabore un diagrama de dispersión para las variables numéricas.

Leemos los datos

data <- read.table("C:/Users/Personal/Downloads/entregas.txt",sep="",header=T)
data <- data[-1]
data

file:///C:/Users/Personal/Desktop/Clase-3-Esatdistica.html 12/09/2023
Laboratorio 3 : Ecuación de regresión lineal Page 2 of 6

## Distancia Tiempo
## 1 656 5
## 2 853 14
## 3 646 6
## 4 783 11
## 5 610 8
## 6 841 10
## 7 785 9
## 8 639 9
## 9 762 10
## 10 762 9
## 11 862 7
## 12 679 5
## 13 835 13
## 14 607 3
## 15 665 8
## 16 647 7
## 17 685 10
## 18 720 8
## 19 652 6
## 20 828 10

Diagrama de dispersion
x <- data$Distancia
y <- data$Tiempo
plot(y ~ x, pch=15,col="blue",xlab="Distancia",ylab="Tiempo",
main="Diagrama de Dispersion")

file:///C:/Users/Personal/Desktop/Clase-3-Esatdistica.html 12/09/2023
Laboratorio 3 : Ecuación de regresión lineal Page 3 of 6

Parte B
Realice un análisis de regresión, escriba la ecuación y grafique la recta de regresión.

Creamos el modelo y vemos las estadisticas

modelo <- lm(y ~ x)
summary(modelo)

file:///C:/Users/Personal/Desktop/Clase-3-Esatdistica.html 12/09/2023
Laboratorio 3 : Ecuación de regresión lineal Page 4 of 6

##
## Call:
## lm(formula = y ~ x)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.3123 -0.8310 -0.2241 1.5527 2.8802
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -7.126396 3.842838 -1.854 0.080131 .
## x 0.021391 0.005258 4.068 0.000722 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.004 on 18 degrees of freedom
## Multiple R-squared: 0.479, Adjusted R-squared: 0.4501
## F-statistic: 16.55 on 1 and 18 DF, p-value: 0.0007217

modelo$coefficients

## (Intercept) x
## -7.12639554 0.02139064

La Ecuacion:
La ecuacion de regresion lineal sera: \[y=-7.13 + 0.021x\]

Graficamos el diagrama y identificacion la tendencia.

plot(y ~ x, pch=15,col="blue",xlab="Distancia",ylab="Tiempo",
main="Diagrama de Dispersion")
abline(modelo)

file:///C:/Users/Personal/Desktop/Clase-3-Esatdistica.html 12/09/2023
Laboratorio 3 : Ecuación de regresión lineal Page 5 of 6

Parte C
Realice un pronóstico para distancias que van de 900 a 1000 millas en intervalos de 10.

Realizamos el pronostico
distancia <- data.frame(x=seq(900,1000,10))
distancia

## x
## 1 900
## 2 910
## 3 920
## 4 930
## 5 940
## 6 950
## 7 960
## 8 970
## 9 980
## 10 990
## 11 1000

file:///C:/Users/Personal/Desktop/Clase-3-Esatdistica.html 12/09/2023
Laboratorio 3 : Ecuación de regresión lineal Page 6 of 6

tiempo_est <- predict(modelo,distancia)

tiempo_est

## 1 2 3 4 5 6 7 8
## 12.12518 12.33909 12.55299 12.76690 12.98081 13.19471 13.40862 13.62252
## 9 10 11
## 13.83643 14.05034 14.26424

file:///C:/Users/Personal/Desktop/Clase-3-Esatdistica.html 12/09/2023