Codigo_Avance_2_Exposicion.R

library(readxl)
tepina <- read_excel("~/PyE 3/tepina.xlsx")
View(tepina)

names(tepina)

## [1] "vendidos" "pedidos"  "ganacias"

pedidos <- tepina$pedidos

pairs(tepina)

cor(tepina)

##            vendidos    pedidos   ganacias
## vendidos  1.0000000 -0.6409122  1.0000000
## pedidos  -0.6409122  1.0000000 -0.6409122
## ganacias  1.0000000 -0.6409122  1.0000000

regresion <- lm(vendidos ~ pedidos, data = tepina)
summary(regresion)

## 
## Call:
## lm(formula = vendidos ~ pedidos, data = tepina)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -8.3671 -0.6835  0.8861  1.5728  3.6329 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  14.7975     2.8534   5.186 0.000837 ***
## pedidos      -0.6076     0.2573  -2.362 0.045846 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.543 on 8 degrees of freedom
## Multiple R-squared:  0.4108, Adjusted R-squared:  0.3371 
## F-statistic: 5.577 on 1 and 8 DF,  p-value: 0.04585

plot(tepina$pedidos, tepina$vendidos, xlab = "pedidos", ylab = "vendidos")
abline(regresion)

nuevas.ventas <- data.frame(semanas= seq(11, 20))
nuevas.ventas

##    semanas
## 1       11
## 2       12
## 3       13
## 4       14
## 5       15
## 6       16
## 7       17
## 8       18
## 9       19
## 10      20

predict(regresion,nuevas.ventas,pedidos)

## Warning in if (se.fit) list(fit = predictor, se.fit = se, df = df,
## residual.scale = sqrt(res.var)) else predictor: la condición tiene longitud
## > 1 y sólo el primer elemento será usado

## $fit
##         1         2         3         4         5         6         7 
##  5.683544  8.113924  4.468354 12.367089  5.683544  9.329114 11.151899 
##         8         9        10 
##  8.113924  8.721519 12.367089 
## 
## $se.fit
##        1        2        3        4        5        6        7        8 
## 1.667394 1.139047 2.077483 1.949259 1.667394 1.162060 1.556518 1.139047 
##        9       10 
## 1.121477 1.949259 
## 
## $df
## [1] 8
## 
## $residual.scale
## [1] 3.542687

predict(regresion, data.frame(nuevas.ventas), level =0.95, interval = "confidence")

##          fit        lwr       upr
## 1   5.683544  1.8385263  9.528562
## 2   8.113924  5.4872767 10.740571
## 3   4.468354 -0.3223296  9.259038
## 4  12.367089  7.8720888 16.862088
## 5   5.683544  1.8385263  9.528562
## 6   9.329114  6.6493977 12.008830
## 7  11.151899  7.5625614 14.741236
## 8   8.113924  5.4872767 10.740571
## 9   8.721519  6.1353879 11.307650
## 10 12.367089  7.8720888 16.862088