#Practica calificada
Obtener un conjunto de datos para regresion Replica paso a paso lo estudiado *Interpretacion cada resultado
#Ingresamos Datos
tecnologia <- data.frame(regresion=c(150,300,450,500,600,620,700,800,850),
television=c(40,45,50,55,60,65,70,75,80))
pasos para construir un modelo de regresión
Paso 1: Determinar las variables x,y Variable independiente (x): regresion Variable dependiente (y): television
##Diagrama de dispersion o puntos
#Grafica con plot
plot(x=tecnologia$regresion,y=tecnologia$television)
#Grafica con pairs
pairs(tecnologia)
Interpretacion: Segun los resultados, hay relacion lineal positiva o directa entre regresion y la television
#Coeficiente de correlacion
#Mediante la funcion cor
cor(tecnologia) #Matriz de correlaciones
## regresion television
## regresion 1.0000000 0.9831876
## television 0.9831876 1.0000000
Coeficiente de Correlacion:
Regresion = 0.9831876
Interpretación: Existe correlacion como positiva muy alta entre la regresion y la television
(Recordar: Si el r es menor que 0.35 para algunos autores, no es vaible la regresion, para otros autores se debe probar la hipotesis) Como en este caso de coeficiente de correlacion es superior a 0.35, es viable la regresion
#Regresion lineal simple
Modelo general \(\hat{Y} = b_0 + b_1X\)
Modelo para el caso: \(\hat{regresion} = b_0 + b_1 television\)
Para obtener el modelo se va a utilizar una funcion de R la funcion se llama > lm
#lm = notacion: Y ~ X, data=
modelo <- lm(regresion ~ television, data=tecnologia)
#Resumen de resultado
summary(modelo)
##
## Call:
## lm(formula = regresion ~ television, data = tecnologia)
##
## Residuals:
## Min 1Q Median 3Q Max
## -74.222 -16.222 -6.222 29.778 61.778
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -431.778 70.654 -6.111 0.000486 ***
## television 16.400 1.151 14.246 2e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 44.59 on 7 degrees of freedom
## Multiple R-squared: 0.9667, Adjusted R-squared: 0.9619
## F-statistic: 202.9 on 1 and 7 DF, p-value: 1.996e-06
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -431.778 70.654 -6.111 0.000486 ***
## television 16.400 1.151 14.246 2e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 44.59 on 7 degrees of freedom
## Multiple R-squared: 0.9667, Adjusted R-squared: 0.9619
## F-statistic: 202.9 on 1 and 7 DF, p-value: 1.996e-06
Modelo final de los resultados:
Modelo general
\(\hat{Y} = -431.778 + 16.400X\)
Modelo para el caso:
\(\hat{regresion} = -431.778 + 16.400
television\)
Interpretación: Como Estimate (Intercept) tenemos -431.778 y en (televison) tenemos 16.400