R Markdown

This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.

When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:

summary(cars)
##      speed           dist       
##  Min.   : 4.0   Min.   :  2.00  
##  1st Qu.:12.0   1st Qu.: 26.00  
##  Median :15.0   Median : 36.00  
##  Mean   :15.4   Mean   : 42.98  
##  3rd Qu.:19.0   3rd Qu.: 56.00  
##  Max.   :25.0   Max.   :120.00

Including Plots

You can also embed plots, for example:

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.

title: “modelo arboles” output: html_document — El siguiente informe correaponde a una regresión para los datos del peso

{r} library(readxl) datos_biomasa <- read_excel(E:/Users/Diana Torres/Downloads/datos biomasa.xml) datos_biomasa

paso 1 plantear las variables del modelo

se desea evaluarla relacion entre las variables peso total del arbol como respuesta y la altura como variable predictora. Se espera en general que a mayor altura del arbol el peso de la madera del mismo se incremente

paso 2

{r} y=datos_biomasa\(peso_total x=datos_biomasa\)altura t plot(x,y) cor(x,y)

se observa en la figura que existe una relación lineal positiva entre el peso y la altura , adicionalmente esta relación es fuerte porque el coeficiente de correlacion de pearson es de 0.85 , indicando que la altura del arbol puede ser un buen predictor

paso # 3 estimar el modelo de regresion linela simple

{r} mod_simple=lm(y~x) mod_simple

como se observa el coeficiente beta 1 nos indica que por cada metro adicional de altura del arbol se espera un incremento de 3.891 toneladas de peso.

{r} summary(mod_simple)

se observa que el modelo presenta un ajuste del 73% con el R2 . es decir este modelo logra explicar el 73% de la variabilidad del peso del arbol.

con en el valor P se observa que la varialbe altura es significativa en el modelo. Es decir la altura efectivamente es una importatne para explicar su peso.

predecir con base en el modelo

se desea conocer cual es el valor estimado de la ganancia de un lote de 1000 arboles con una altura promedio de 7.2 metros , si se estima que por cada tonelada de madera la compañia logra producir una cantidad de productos cuyo valor estimado esta en 60 millones de pesos (ganancia directa)

{r} #Escenario Promedio y_mod=predict(mod_simple,list(x=7.2)) ganancia_arbol=y_mod60 ganancia_total_media=ganancia_arbol1000

#Escenario Bajo y Alto MAE=mean(abs(mod_simple$residuals)) y_mod_min=y_mod-MAE y_mod_max=y_mod+MAE

ganancia_total_inf=y_mod_min601000 ganancia_total_sup=y_mod_max601000

c(ganancia_total_inf,ganancia_total_media,ganancia_total_sup)

de acuerdo con los resultados del modelo sen espera que ese lote de 1000 arboles genera unaq ganancia de 1258 millones en un escenario medio. En un escenario bajo se esperan 1071 millones y en uno alto 1445 millones.

modelo de regresión lineal multiple

con el objetivo de mejorar el ajuste delo modelo para explicar o predecir el peso de los arboles se incorporan otras variables predictora adicionales en el analisis por ejemplo el diametro