MODELO DE REGRESION LINEAL

MARTIN ELIAS ALVAREZ CONTRERAS

JORGE MARIO MARTINEZ CONDE.

ESTADÍSTICO.

UNIVERSIDAD DE CÓRDOBA
FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA INDUSTRIAL
ESTADISTICA II
MONTERÍA
2018
PREGUNTAS

1.Realizar un análisis básico de los datos de forma numérica y grafica las variables
(Resumen descriptivo y grafico de caja), realizar las conclusiones.

2.Realizar todos los procedimientos vistos en clase, modelo, intervalo, contraste,

supuestos para los residuales (Gráfica y prueba), realizar las conclusiones.

3.Determinar si este modelo es adecuado (Análisis de varianza), haga sus conclusiones.

4.Realice tres pronósticos con los valores que usted decida, haga sus conclusiones.
install.packages("boot")
library(boot)
salinity
x<- salinity$trend
y<- salinity$sal
n<- length(y)

#COVARIANZA
covarianza <- cov(x,y); covarianza

#CORRELACION
correlacion <- cor(x,y); correlacion

#MODELO DE CORRELACION
modelo <- lm (y~x); modelo

# Grafica
plot (x,y, main = "Grafico de correlacion")
abline(modelo, col="blue")
boxplot(x~y, main= "Grafico de caja", col="red")
boxplot(x, col = "turquoise2")
boxplot(y, col="thistle")

#TABLA DE RESULTADOS
xx <- x^2 ; yy <- y^2 ; xy <- x*y
tabla1 <- cbind(x,y, xy, xx, yy)
tabla1
sumas <- apply(tabla1, 2, sum); sumas

# Intervalos de confianza
confint ( modelo , level = 0.95)
summary ( modelo )
modelo

# Analisis de Varianza por minimos cuadrados del modelo

anova ( modelo)
modelo

#coeficiente de determinacion
summary ( modelo )
par(mfrow =c(2,2))
plot(modelo)

#PREDICCIONES
y1<- 0.2040 - -10.0435*(3);y1
y2<- 0.2040 - -10.435*(5);y2
x1<- 7.7 - 0.2040 / -10.0435;x1

CONSOLA

> library(boot)
> salinity
sal lag trend dis
1 7.6 8.2 4 23.01
2 7.7 7.6 5 22.87
3 4.3 4.6 0 26.42
4 5.9 4.3 1 24.87
5 5.0 5.9 2 29.90
6 6.5 5.0 3 24.20
7 8.3 6.5 4 23.22
8 8.2 8.3 5 22.86
9 13.2 10.1 0 22.27
10 12.6 13.2 1 23.83
11 10.4 12.6 2 25.14
12 10.8 10.4 3 22.43
13 13.1 10.8 4 21.79
14 12.3 13.1 5 22.38
15 10.4 13.3 0 23.93
16 10.5 10.4 1 33.44
17 7.7 10.5 2 24.86
18 9.5 7.7 3 22.69
19 12.0 10.0 0 21.79
20 12.6 12.0 1 22.04
21 13.6 12.1 4 21.03
22 14.1 13.6 5 21.01
23 13.5 15.0 0 25.87
24 11.5 13.5 1 26.29
25 12.0 11.5 2 22.93
26 13.0 12.0 3 21.31
27 14.1 13.0 4 20.77
28 15.1 14.1 5 21.39
> x<- salinity$trend
> y<- salinity$sal
>
>
> n<- length(y)
>
> #COVARIANZA
> covarianza <- cov(x,y); covarianza
[1] 0.6574074
>
> #CORRELACION
> correlacion <- cor(x,y); correlacion
[1] 0.1216652
>
> #MODELO DE CORRELACION
> modelo <- lm (y~x); modelo

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept) x
10.044 0.204

>
> # Grafica
> plot (x,y, main = "Grafico de correlacion")
> abline(modelo, col="blue")
> boxplot(x~y, main= "Grafico de caja", col="red")
> boxplot(x, col = "turquoise2")
> boxplot(y, col="thistle")
>
> #TABLA DE RESULTADOS
> xx <- x^2 ; yy <- y^2 ; xy <- x*y
> tabla1 <- cbind(x,y, xy, xx, yy)
> tabla1
x y xy xx yy
[1,] 4 7.6 30.4 16 57.76
[2,] 5 7.7 38.5 25 59.29
[3,] 0 4.3 0.0 0 18.49
[4,] 1 5.9 5.9 1 34.81
[5,] 2 5.0 10.0 4 25.00
[6,] 3 6.5 19.5 9 42.25
[7,] 4 8.3 33.2 16 68.89
[8,] 5 8.2 41.0 25 67.24
[9,] 0 13.2 0.0 0 174.24
[10,] 1 12.6 12.6 1 158.76
[11,] 2 10.4 20.8 4 108.16
[12,] 3 10.8 32.4 9 116.64
[13,] 4 13.1 52.4 16 171.61
[14,] 5 12.3 61.5 25 151.29
[15,] 0 10.4 0.0 0 108.16
[16,] 1 10.5 10.5 1 110.25
[17,] 2 7.7 15.4 4 59.29
[18,] 3 9.5 28.5 9 90.25
[19,] 0 12.0 0.0 0 144.00
[20,] 1 12.6 12.6 1 158.76
[21,] 4 13.6 54.4 16 184.96
[22,] 5 14.1 70.5 25 198.81
[23,] 0 13.5 0.0 0 182.25
[24,] 1 11.5 11.5 1 132.25
[25,] 2 12.0 24.0 4 144.00
[26,] 3 13.0 39.0 9 169.00
[27,] 4 14.1 56.4 16 198.81
[28,] 5 15.1 75.5 25 228.01
> sumas <- apply(tabla1, 2, sum); sumas
x y xy xx yy
 70.00 295.50 756.50 262.00 3363.23
>
> # Intervalos de confianza
> confint ( modelo , level = 0.95)
2.5 % 97.5 %
(Intercept) 7.9910148 12.0960131
x -0.4669598 0.8750057
>
> summary ( modelo )

Call:
lm(formula = y ~ x)

Residuals:
Min 1Q Median 3Q Max
-5.7435 -2.7796 0.7964 2.3525 4.0364

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 10.0435 0.9985 10.058 1.88e-10 ***
x 0.2040 0.3264 0.625 0.537
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 3.045 on 26 degrees of freedom

Multiple R-squared: 0.0148, Adjusted R-squared: -0.02309
F-statistic: 0.3906 on 1 and 26 DF, p-value: 0.5374

> modelo

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept) x
10.044 0.204

>
> # Analisis de Varianza por minimos cuadrados del modelo
> anova ( modelo)
Analysis of Variance Table

Response: y
Df Sum Sq Mean Sq F value Pr(>F)
x 1 3.621 3.6214 0.3906 0.5374
Residuals 26 241.028 9.2703
> modelo

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept) x
10.044 0.204

>
> #coeficiente de determinacion
> summary ( modelo )

Call:
lm(formula = y ~ x)

Residuals:
Min 1Q Median 3Q Max
-5.7435 -2.7796 0.7964 2.3525 4.0364

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 10.0435 0.9985 10.058 1.88e-10 ***
x 0.2040 0.3264 0.625 0.537
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 3.045 on 26 degrees of freedom

Multiple R-squared: 0.0148, Adjusted R-squared: -0.02309
F-statistic: 0.3906 on 1 and 26 DF, p-value: 0.5374

>
> par(mfrow =c(2,2))
> plot(modelo)
>
> #PREDICCIONES
> y1<- 10.0435 - -0.2040*(3);y1
[1] 10.6555
> y2<- 10.0435 - -0.2040*(5);y2
[1] 11.0635
> x1<- 7.7 - 10.0435 /-0.2040 ;x1
[1] 56.93284
1.
2.
B1
El intervalo de confianza del 95 % para el incremento esperado de la variable (Y) por la
variable (X) abarca de -0.4669598 a 0.8750057
B0
El intervalo de confianza del 95 % para el incremento esperado de la variable (Y) por la
variable (X) abarca de 7.9910148 a 12.0960131
PRUEBA DE HIPOTESIS
Como |t = −| = > t 0.0148=2.00 No hay evidencia suficiente para aceptar la hipótesis
nula, Es decir, a un nivel del 5 %, podemos afirmar que existe una relación lineal en la
salinidad
3.

Conclusión análisis de varianza: como fc0.39<=f0.05,1,26=4.18 se acepta la hipotesis

nula H0 : β1 = 0, por lo que podemos asumir que el modelo no es adecuado
Por lo tanto tenemos que buscar otro modelo
4.

a partir de los datos obtenidos anteriormente, la estimacion por intervalo para la

prediccion cuando x=3 con un nivel al 95% es de 10.6555
a partir de los datos obtenidos anteriormente, la estimacion por intervalo para la
prediccion cuando x=5 con un nivel al 95% es de 11.0635
a partir de los datos obtenidos anteriormente, la estimacion por intervalo para la
prediccion cuando y=7,7 con un nivel al 95% es de -41.53284
ANEXO