Regresion Lineal simple, recta de mínimos cuadrados, ajuste y modelación

Análisis de la regresion lineal en la correlacion mostrada entre dos eventos

Importar

setwd("~/Reynaldo Rstudio")
library(prettydoc)
library(readr)
library(DT)
datos <- read.csv("Correlacion.csv")

Visualizar datos

Gráfico de tendencia

Tabla

datatable(datos)

Gráfica

pairs(datos)

Matriz de diagramas de dispersion.

Inferencia

Cálculo y representación de la recta de mínimos cuadrados

regresion <- lm(tamales ~ X2.de.febrero, data = datos)
summary(regresion)

## 
## Call:
## lm(formula = tamales ~ X2.de.febrero, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -17.966  -3.212  -1.212   1.788  26.788 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    8.46239    0.36902   22.93   <2e-16 ***
## X2.de.febrero  1.75014    0.07859   22.27   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.512 on 259 degrees of freedom
## Multiple R-squared:  0.6569, Adjusted R-squared:  0.6556 
## F-statistic:   496 on 1 and 259 DF,  p-value: < 2.2e-16

Ecuación de la recta de mínimos cuadrados \[ y = +8.46239 + 1.75014x \] Con esta ecuación encontramos a la intersección en Y con valor de 8.4623 y pendiente de 1.7501 para la correlación en este ejercicio.
Graficación de la recta

plot(datos$tamales, datos$X2.de.febrero, xlab = "Tamales" , ylab = "2 de Febrero")
abline(regresion)

En esta grafica podemos identificar la regresion lineal presente en los datos, los cuales se encuentran muy alejados a esta misma.

cor(datos)

##                 tamales X2.de.febrero
## tamales       1.0000000     0.8105164
## X2.de.febrero 0.8105164     1.0000000

Matriz de coeficientes de correlacion

Ahora con una gráfica y matriz de coeficiente de correlación encontramos que existen coincidencias de alrededor de 81% permitiendonos decir que existe una correlación entre ambos eventos.

Modelación

Modelar (Predecir) datos usando la recta de minimos cuadrados.

nuevo.2febrero <- data.frame(X2.de.febrero=seq(0, 20))
predict(regresion,nuevo.2febrero)

##         1         2         3         4         5         6         7         8 
##  8.462391 10.212532 11.962673 13.712815 15.462956 17.213098 18.963239 20.713380 
##         9        10        11        12        13        14        15        16 
## 22.463522 24.213663 25.963804 27.713946 29.464087 31.214228 32.964370 34.714511 
##        17        18        19        20        21 
## 36.464652 38.214794 39.964935 41.715077 43.465218

Con este ajuste de la recta de mínimos cuadrados, se muestran 20 datos nuevos con la función de predecir un nuevo modelo.

U1A3

Reynaldo Moreno

08/02/2021