Prediccion

cosecha<- read.table("C:\\Users\\juanl\\Desktop\\agricultura.txt", header=TRUE)
names(cosecha)

## [1] "Sembrado" "Precio"

Los datos de dan a conocer, se dan a conocer las clases, se da la direccion de la tabla

View(cosecha)
plot(cosecha$Precio, cosecha$Sembrado)

se da la grafica de los diferentes datos, se ve que no hay mucho entre ellos y estan muy disperosos

cor(cosecha)

##          Sembrado   Precio
## Sembrado 1.000000 0.505548
## Precio   0.505548 1.000000

se da a conocer la relacion que tiene cada uno de las variables o columnas, se aqui dice que hay una relacion de 0.505548, que no es mucho y tampoco es sufucinete pero es algo para iniciar

Regresor = lm(Precio ~ Sembrado, data=cosecha)
cor.test(cosecha$Precio, cosecha$Sembrado, method= "pearson")

## 
##  Pearson's product-moment correlation
## 
## data:  cosecha$Precio and cosecha$Sembrado
## t = 1.7578, df = 9, p-value = 0.1126
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.1353845  0.8481947
## sample estimates:
##      cor 
## 0.505548

Da la relacion y la forma de predecir los ditintos numeros con la y y la x que tiene

plot(cosecha$Precio, cosecha$Sembrado, xlab = "sembrado", ylab = "Precio")
abline(Regresor)

grafica de distribucion, son los datos ya revelados en una grafica con su respectiva “y” y “x”,

residuos= rstandard(Regresor)
hist(residuos)

los residuuos y su relacion

qqnorm(residuos)
qqline(residuos)

recta con resiudos que se ve la relacion, donde no es muy grande la relacion esta medio deparada

Precio_esperado= data.frame(Sembrado = 850)
prediccion=predict(Regresor, Precio_esperado)
prediccion

##        1 
## 479.4334

prediccion que se da que al tu tener uan coseña de 850 es precio de la cocecha pued de ser de 479.4334, al no ser muy relacional no se puede observar que se da una gran diferencia