aplicación de regresión : https://drive.google.com/file/d/1ykkW5pYWePoxtBC9C6ahoGKh9gdcvgiI/view?usp=sharing Planilla regresión R : https://drive.google.com/open?id=1HXB_nd266rRjAvGVIb36XS7h10HyFda5&usp=drive_copy
Pauta codigo : https://rpubs.com/oton3220/1246354
pauta con aplicación: https://drive.google.com/file/d/1aeaflSFetYSrVuqGm8Av5XOQSCCSwlZq/view?usp=sharing
En este ejercicio se trabajará con un dataset disponible en el
siguiente enlace: dataset
de casas. El dataset contiene las siguientes variables:
OverallCond, LotArea, YrSold,
SalePrice, Loteo_1, Loteo_2,
Loteo_3.
Crear un modelo de regresión simple para explicar el
SalePrice (precio de venta) utilizando únicamente la
variable LotArea (área del lote). Analizar los resultados
obtenidos, incluyendo la interpretación del coeficiente de
LotArea y las medidas de ajuste como R².
Crear un modelo de regresión múltiple utilizando todas las variables
disponibles en el dataset (OverallCond,
LotArea, YrSold, Loteo_1,
Loteo_2, Loteo_3). Analizar las medidas de
ajuste del modelo, como el R² y los errores estándar, y concluir sobre
la calidad del modelo en general, validar el modelo para asegurar su
fiabilidad.
Aplicar técnicas de selección de variables, como el método de selección hacia adelante y hacia atrás. Describir cuál es el mejor modelo resultante de estas técnicas, si es que existe alguno, y validar el modelo seleccionado para asegurar su robustez.
Pauta : https://rpubs.com/oton3220/1246555
Recurso recomendado :https://gpeceici.com/recursosintensiva
En este ejercicio se trabajará con un dataset disponible en el
siguiente enlace: dataset
de producción. El dataset contiene las siguientes variables:
q_producidas, costo_unitario,
tipo_pieza.
Crear un modelo de regresión logarítmico para predecir la producción
(q_producidas) en función de las variables disponibles.
Analizar los coeficientes obtenidos y las medidas de ajuste del modelo,
como R² y error estándar. ### Parte b: Modelo Exponencial
Crear un modelo de regresión exponencial para predecir la producción
(q_producidas) en función de las variables disponibles.
Analizar los coeficientes obtenidos y las medidas de ajuste del modelo,
como R² y error estándar.
Crear un modelo de regresión basado en una función de potencia para
predecir la producción (q_producidas) en función de las
variables disponibles. Analizar los coeficientes obtenidos y las medidas
de ajuste del modelo, como R² y error estándar.
Pauta codigo : https://rpubs.com/oton3220/1246557
Video pauta : https://drive.google.com/file/d/1I_0012IkiYzpqlitENt_pMZZy7a3SxLw/view?usp=sharing
El equipo de cazadores de mitos tiene la tarea de probar la veracidad de ciertos mitos urbanos. Para ello, necesitan ponerlos a prueba diseñando sus experimentos de tal manera que sus conclusiones sean válidas. A continuación, se presentarán cada uno de los mitos. Los datos estarán en el dataset “mitos.xlsx”.
“El uso de manos libres es igual de distractor que sostener el celular en la mano mientras se realiza una tarea que requiere concentración.”
Este mito plantea que, en términos de distracción al manejar, usar un manos libres no ofrece una ventaja significativa frente a sostener el celular en la mano. La percepción común es que el manos libres es más seguro, pero ¿realmente reduce la distracción?
Para probar este mito, se ha diseñado un experimento en el que varios conductores realizarán una tarea de concentración mientras utilizan diferentes métodos de interacción con el celular.
Cada conductor realiza la tarea de concentración bajo tres condiciones:
El tiempo de reacción se mide en segundos bajo cada condición. Se utilizarán herramientas de diseño de experimentos como el Análisis de Varianza (ANOVA) y el Test de Tukey para analizar los datos.
Identifique los factores y sus niveles en este estudio.
que consejo puedes dar para evitar que el experimento este sesgado?
¿Cuáles son las hipótesis del experimento?
¿influye el método de interacción con el celular (Manos Libres, Celular en la Mano, Sin Celular) en el tiempo de reacción?
¿Existen diferencias significativas en el tiempo de reacción entre los distintos métodos de interacción con el celular?
¿El método de interacción con el celular afecta significativamente el tiempo de reacción?
Se recomienda utilizar herramientas de diseño de experimentos como el Análisis de Varianza (ANOVA) y el Test de Tukey para analizar los datos.
Dataset Utilizado: mitos.xlsx, hoja “mito 1” para la obtención de datos.
“El drift permite tomar una curva más rápido que con una conducción tradicional.”
Este mito sugiere que al realizar un drift (derrape controlado) en una curva cerrada, es posible mantener una mayor velocidad y, por lo tanto, completar la curva en menos tiempo que utilizando una técnica de conducción tradicional. ¿Es realmente más rápido, o solo es una habilidad llamativa sin ventaja en tiempo?
Para probar este mito, se ha diseñado un experimento en el que varios conductores con distintos niveles de experiencia tomarán una curva cerrada en una pista de pruebas. Cada conductor tomará la curva dos veces, usando dos técnicas de conducción:
Cada conductor realiza la prueba bajo dos condiciones:
El tiempo necesario para completar la curva se mide en segundos bajo cada condición. Se incluirán tres niveles de experiencia en los conductores:
Se utilizarán herramientas de diseño de experimentos como el Análisis de Varianza (ANOVA) y el Test de Tukey para analizar los datos.
Identifique los factores y sus niveles en este estudio.
¿Cuáles son las hipótesis del experimento?
¿influye la técnica de conducción (Drift, Conducción Tradicional) en el tiempo necesario para completar la curva?
¿Existen diferencias significativas en el tiempo necesario para completar la curva entre las distintas técnicas de conducción y niveles de experiencia del conductor?
¿Que se concluye sobre el mito
Se debe utilizar herramientas de diseño de experimentos como el Análisis de Varianza (ANOVA) y el Test de Tukey para analizar los datos.
Dataset Utilizado: mitos.xlsx, hoja “mito 2” para la obtención de datos.
Desarrollo en markdown: Desarrollo
https://drive.google.com/file/d/1XwWWrmWmNGuZlUUZC5Gw9Ocpzeu9lFlF/view?usp=sharing