Lab 10
Layla Castellanos, Sara Hernandez y Laura Sofia González
26/10/2021
R Markdown
Pregunta de investigación: ¿La variables ancho, largo y tipo de pez influyen significativamente en el peso del animal?
Es relevante aclarar que no es escogió un valor de significancia para utilizar en este trabajo debido a que no fue necesario para el análisis de datos ya que, a la hora de escoger el mejor modelo, esto se realiza comparando los valores de interacción entre variables, eligiendo el menor.
peces= read.csv("C:\\Users\\USUARIO\\Downloads\\peces.csv", header = T)
peces## Especie Peso Largo1 Largo2 Largo3 Altura Ancho
## 1 Brema 242.0 23.2 25.4 30.0 11.5200 4.0200
## 2 Brema 290.0 24.0 26.3 31.2 12.4800 4.3056
## 3 Brema 340.0 23.9 26.5 31.1 12.3778 4.6961
## 4 Brema 363.0 26.3 29.0 33.5 12.7300 4.4555
## 5 Brema 430.0 26.5 29.0 34.0 12.4440 5.1340
## 6 Brema 450.0 26.8 29.7 34.7 13.6024 4.9274
## 7 Brema 500.0 26.8 29.7 34.5 14.1795 5.2785
## 8 Brema 390.0 27.6 30.0 35.0 12.6700 4.6900
## 9 Brema 450.0 27.6 30.0 35.1 14.0049 4.8438
## 10 Brema 500.0 28.5 30.7 36.2 14.2266 4.9594
## 11 Brema 475.0 28.4 31.0 36.2 14.2628 5.1042
## 12 Brema 500.0 28.7 31.0 36.2 14.3714 4.8146
## 13 Brema 500.0 29.1 31.5 36.4 13.7592 4.3680
## 14 Brema 340.0 29.5 32.0 37.3 13.9129 5.0728
## 15 Brema 600.0 29.4 32.0 37.2 14.9544 5.1708
## 16 Brema 600.0 29.4 32.0 37.2 15.4380 5.5800
## 17 Brema 700.0 30.4 33.0 38.3 14.8604 5.2854
## 18 Brema 700.0 30.4 33.0 38.5 14.9380 5.1975
## 19 Brema 610.0 30.9 33.5 38.6 15.6330 5.1338
## 20 Brema 650.0 31.0 33.5 38.7 14.4738 5.7276
## 21 Brema 575.0 31.3 34.0 39.5 15.1285 5.5695
## 22 Brema 685.0 31.4 34.0 39.2 15.9936 5.3704
## 23 Brema 620.0 31.5 34.5 39.7 15.5227 5.2801
## 24 Brema 680.0 31.8 35.0 40.6 15.4686 6.1306
## 25 Brema 700.0 31.9 35.0 40.5 16.2405 5.5890
## 26 Brema 725.0 31.8 35.0 40.9 16.3600 6.0532
## 27 Brema 720.0 32.0 35.0 40.6 16.3618 6.0900
## 28 Brema 714.0 32.7 36.0 41.5 16.5170 5.8515
## 29 Brema 850.0 32.8 36.0 41.6 16.8896 6.1984
## 30 Brema 1000.0 33.5 37.0 42.6 18.9570 6.6030
## 31 Brema 920.0 35.0 38.5 44.1 18.0369 6.3063
## 32 Brema 955.0 35.0 38.5 44.0 18.0840 6.2920
## 33 Brema 925.0 36.2 39.5 45.3 18.7542 6.7497
## 34 Brema 975.0 37.4 41.0 45.9 18.6354 6.7473
## 35 Brema 950.0 38.0 41.0 46.5 17.6235 6.3705
## 36 Rutilo 40.0 12.9 14.1 16.2 4.1472 2.2680
## 37 Rutilo 69.0 16.5 18.2 20.3 5.2983 2.8217
## 38 Rutilo 78.0 17.5 18.8 21.2 5.5756 2.9044
## 39 Rutilo 87.0 18.2 19.8 22.2 5.6166 3.1746
## 40 Rutilo 120.0 18.6 20.0 22.2 6.2160 3.5742
## 41 Rutilo 0.0 19.0 20.5 22.8 6.4752 3.3516
## 42 Rutilo 110.0 19.1 20.8 23.1 6.1677 3.3957
## 43 Rutilo 120.0 19.4 21.0 23.7 6.1146 3.2943
## 44 Rutilo 150.0 20.4 22.0 24.7 5.8045 3.7544
## 45 Rutilo 145.0 20.5 22.0 24.3 6.6339 3.5478
## 46 Rutilo 160.0 20.5 22.5 25.3 7.0334 3.8203
## 47 Rutilo 140.0 21.0 22.5 25.0 6.5500 3.3250
## 48 Rutilo 160.0 21.1 22.5 25.0 6.4000 3.8000
## 49 Rutilo 169.0 22.0 24.0 27.2 7.5344 3.8352
## 50 Rutilo 161.0 22.0 23.4 26.7 6.9153 3.6312
## 51 Rutilo 200.0 22.1 23.5 26.8 7.3968 4.1272
## 52 Rutilo 180.0 23.6 25.2 27.9 7.0866 3.9060
## 53 Rutilo 290.0 24.0 26.0 29.2 8.8768 4.4968
## 54 Rutilo 272.0 25.0 27.0 30.6 8.5680 4.7736
## 55 Rutilo 390.0 29.5 31.7 35.0 9.4850 5.3550
## 56 Pez blanco 270.0 23.6 26.0 28.7 8.3804 4.2476
## 57 Pez blanco 270.0 24.1 26.5 29.3 8.1454 4.2485
## 58 Pez blanco 306.0 25.6 28.0 30.8 8.7780 4.6816
## 59 Pez blanco 540.0 28.5 31.0 34.0 10.7440 6.5620
## 60 Pez blanco 800.0 33.7 36.4 39.6 11.7612 6.5736
## 61 Pez blanco 1000.0 37.3 40.0 43.5 12.3540 6.5250
## 62 Parkki 55.0 13.5 14.7 16.5 6.8475 2.3265
## 63 Parkki 60.0 14.3 15.5 17.4 6.5772 2.3142
## 64 Parkki 90.0 16.3 17.7 19.8 7.4052 2.6730
## 65 Parkki 120.0 17.5 19.0 21.3 8.3922 2.9181
## 66 Parkki 150.0 18.4 20.0 22.4 8.8928 3.2928
## 67 Parkki 140.0 19.0 20.7 23.2 8.5376 3.2944
## 68 Parkki 170.0 19.0 20.7 23.2 9.3960 3.4104
## 69 Parkki 145.0 19.8 21.5 24.1 9.7364 3.1571
## 70 Parkki 200.0 21.2 23.0 25.8 10.3458 3.6636
## 71 Parkki 273.0 23.0 25.0 28.0 11.0880 4.1440
## 72 Parkki 300.0 24.0 26.0 29.0 11.3680 4.2340
## 73 Perca 5.9 7.5 8.4 8.8 2.1120 1.4080
## 74 Perca 32.0 12.5 13.7 14.7 3.5280 1.9992
## 75 Perca 40.0 13.8 15.0 16.0 3.8240 2.4320
## 76 Perca 51.5 15.0 16.2 17.2 4.5924 2.6316
## 77 Perca 70.0 15.7 17.4 18.5 4.5880 2.9415
## 78 Perca 100.0 16.2 18.0 19.2 5.2224 3.3216
## 79 Perca 78.0 16.8 18.7 19.4 5.1992 3.1234
## 80 Perca 80.0 17.2 19.0 20.2 5.6358 3.0502
## 81 Perca 85.0 17.8 19.6 20.8 5.1376 3.0368
## 82 Perca 85.0 18.2 20.0 21.0 5.0820 2.7720
## 83 Perca 110.0 19.0 21.0 22.5 5.6925 3.5550
## 84 Perca 115.0 19.0 21.0 22.5 5.9175 3.3075
## 85 Perca 125.0 19.0 21.0 22.5 5.6925 3.6675
## 86 Perca 130.0 19.3 21.3 22.8 6.3840 3.5340
## 87 Perca 120.0 20.0 22.0 23.5 6.1100 3.4075
## 88 Perca 120.0 20.0 22.0 23.5 5.6400 3.5250
## 89 Perca 130.0 20.0 22.0 23.5 6.1100 3.5250
## 90 Perca 135.0 20.0 22.0 23.5 5.8750 3.5250
## 91 Perca 110.0 20.0 22.0 23.5 5.5225 3.9950
## 92 Perca 130.0 20.5 22.5 24.0 5.8560 3.6240
## 93 Perca 150.0 20.5 22.5 24.0 6.7920 3.6240
## 94 Perca 145.0 20.7 22.7 24.2 5.9532 3.6300
## 95 Perca 150.0 21.0 23.0 24.5 5.2185 3.6260
## 96 Perca 170.0 21.5 23.5 25.0 6.2750 3.7250
## 97 Perca 225.0 22.0 24.0 25.5 7.2930 3.7230
## 98 Perca 145.0 22.0 24.0 25.5 6.3750 3.8250
## 99 Perca 188.0 22.6 24.6 26.2 6.7334 4.1658
## 100 Perca 180.0 23.0 25.0 26.5 6.4395 3.6835
## 101 Perca 197.0 23.5 25.6 27.0 6.5610 4.2390
## 102 Perca 218.0 25.0 26.5 28.0 7.1680 4.1440
## 103 Perca 300.0 25.2 27.3 28.7 8.3230 5.1373
## 104 Perca 260.0 25.4 27.5 28.9 7.1672 4.3350
## 105 Perca 265.0 25.4 27.5 28.9 7.0516 4.3350
## 106 Perca 250.0 25.4 27.5 28.9 7.2828 4.5662
## 107 Perca 250.0 25.9 28.0 29.4 7.8204 4.2042
## 108 Perca 300.0 26.9 28.7 30.1 7.5852 4.6354
## 109 Perca 320.0 27.8 30.0 31.6 7.6156 4.7716
## 110 Perca 514.0 30.5 32.8 34.0 10.0300 6.0180
## 111 Perca 556.0 32.0 34.5 36.5 10.2565 6.3875
## 112 Perca 840.0 32.5 35.0 37.3 11.4884 7.7957
## 113 Perca 685.0 34.0 36.5 39.0 10.8810 6.8640
## 114 Perca 700.0 34.0 36.0 38.3 10.6091 6.7408
## 115 Perca 700.0 34.5 37.0 39.4 10.8350 6.2646
## 116 Perca 690.0 34.6 37.0 39.3 10.5717 6.3666
## 117 Perca 900.0 36.5 39.0 41.4 11.1366 7.4934
## 118 Perca 650.0 36.5 39.0 41.4 11.1366 6.0030
## 119 Perca 820.0 36.6 39.0 41.3 12.4313 7.3514
## 120 Perca 850.0 36.9 40.0 42.3 11.9286 7.1064
## 121 Perca 900.0 37.0 40.0 42.5 11.7300 7.2250
## 122 Perca 1015.0 37.0 40.0 42.4 12.3808 7.4624
## 123 Perca 820.0 37.1 40.0 42.5 11.1350 6.6300
## 124 Perca 1100.0 39.0 42.0 44.6 12.8002 6.8684
## 125 Perca 1000.0 39.8 43.0 45.2 11.9328 7.2772
## 126 Perca 1100.0 40.1 43.0 45.5 12.5125 7.4165
## 127 Perca 1000.0 40.2 43.5 46.0 12.6040 8.1420
## 128 Perca 1000.0 41.1 44.0 46.6 12.4888 7.5958
## 129 Lucio 200.0 30.0 32.3 34.8 5.5680 3.3756
## 130 Lucio 300.0 31.7 34.0 37.8 5.7078 4.1580
## 131 Lucio 300.0 32.7 35.0 38.8 5.9364 4.3844
## 132 Lucio 300.0 34.8 37.3 39.8 6.2884 4.0198
## 133 Lucio 430.0 35.5 38.0 40.5 7.2900 4.5765
## 134 Lucio 345.0 36.0 38.5 41.0 6.3960 3.9770
## 135 Lucio 456.0 40.0 42.5 45.5 7.2800 4.3225
## 136 Lucio 510.0 40.0 42.5 45.5 6.8250 4.4590
## 137 Lucio 540.0 40.1 43.0 45.8 7.7860 5.1296
## 138 Lucio 500.0 42.0 45.0 48.0 6.9600 4.8960
## 139 Lucio 567.0 43.2 46.0 48.7 7.7920 4.8700
## 140 Lucio 770.0 44.8 48.0 51.2 7.6800 5.3760
## 141 Lucio 950.0 48.3 51.7 55.1 8.9262 6.1712
## 142 Lucio 1250.0 52.0 56.0 59.7 10.6863 6.9849
## 143 Lucio 1600.0 56.0 60.0 64.0 9.6000 6.1440
## 144 Lucio 1550.0 56.0 60.0 64.0 9.6000 6.1440
## 145 Lucio 1650.0 59.0 63.4 68.0 10.8120 7.4800
## 146 Capellan 6.7 9.3 9.8 10.8 1.7388 1.0476
## 147 Capellan 7.5 10.0 10.5 11.6 1.9720 1.1600
## 148 Capellan 7.0 10.1 10.6 11.6 1.7284 1.1484
## 149 Capellan 9.7 10.4 11.0 12.0 2.1960 1.3800
## 150 Capellan 9.8 10.7 11.2 12.4 2.0832 1.2772
## 151 Capellan 8.7 10.8 11.3 12.6 1.9782 1.2852
## 152 Capellan 10.0 11.3 11.8 13.1 2.2139 1.2838
## 153 Capellan 9.9 11.3 11.8 13.1 2.2139 1.1659
## 154 Capellan 9.8 11.4 12.0 13.2 2.2044 1.1484
## 155 Capellan 12.2 11.5 12.2 13.4 2.0904 1.3936
## 156 Capellan 13.4 11.7 12.4 13.5 2.4300 1.2690
## 157 Capellan 12.2 12.1 13.0 13.8 2.2770 1.2558
## 158 Capellan 19.7 13.2 14.3 15.2 2.8728 2.0672
## 159 Capellan 19.9 13.8 15.0 16.2 2.9322 1.8792peces$Especie## [1] "Brema" "Brema" "Brema" "Brema" "Brema"
## [6] "Brema" "Brema" "Brema" "Brema" "Brema"
## [11] "Brema" "Brema" "Brema" "Brema" "Brema"
## [16] "Brema" "Brema" "Brema" "Brema" "Brema"
## [21] "Brema" "Brema" "Brema" "Brema" "Brema"
## [26] "Brema" "Brema" "Brema" "Brema" "Brema"
## [31] "Brema" "Brema" "Brema" "Brema" "Brema"
## [36] "Rutilo" "Rutilo" "Rutilo" "Rutilo" "Rutilo"
## [41] "Rutilo" "Rutilo" "Rutilo" "Rutilo" "Rutilo"
## [46] "Rutilo" "Rutilo" "Rutilo" "Rutilo" "Rutilo"
## [51] "Rutilo" "Rutilo" "Rutilo" "Rutilo" "Rutilo"
## [56] "Pez blanco" "Pez blanco" "Pez blanco" "Pez blanco" "Pez blanco"
## [61] "Pez blanco" "Parkki" "Parkki" "Parkki" "Parkki"
## [66] "Parkki" "Parkki" "Parkki" "Parkki" "Parkki"
## [71] "Parkki" "Parkki" "Perca" "Perca" "Perca"
## [76] "Perca" "Perca" "Perca" "Perca" "Perca"
## [81] "Perca" "Perca" "Perca" "Perca" "Perca"
## [86] "Perca" "Perca" "Perca" "Perca" "Perca"
## [91] "Perca" "Perca" "Perca" "Perca" "Perca"
## [96] "Perca" "Perca" "Perca" "Perca" "Perca"
## [101] "Perca" "Perca" "Perca" "Perca" "Perca"
## [106] "Perca" "Perca" "Perca" "Perca" "Perca"
## [111] "Perca" "Perca" "Perca" "Perca" "Perca"
## [116] "Perca" "Perca" "Perca" "Perca" "Perca"
## [121] "Perca" "Perca" "Perca" "Perca" "Perca"
## [126] "Perca" "Perca" "Perca" "Lucio" "Lucio"
## [131] "Lucio" "Lucio" "Lucio" "Lucio" "Lucio"
## [136] "Lucio" "Lucio" "Lucio" "Lucio" "Lucio"
## [141] "Lucio" "Lucio" "Lucio" "Lucio" "Lucio"
## [146] "Capellan" "Capellan" "Capellan" "Capellan" "Capellan"
## [151] "Capellan" "Capellan" "Capellan" "Capellan" "Capellan"
## [156] "Capellan" "Capellan" "Capellan" "Capellan"names(peces)=c("Especie", "Peso", "Largo1", "Largo2", "Largo3", "Altura", "Ancho")
par(mfrow=c(1,3))
hist(peces$Peso, xlab='Peso', col="yellow", main = "")
hist(peces$Largo1, xlab='Largo 1', col="blue", main = "")
hist(peces$Largo2, xlab='Largo 2', col="blue", main = "")
hist(peces$Largo3, xlab='Largo 3', col="blue", main = "")
hist(peces$Altura, xlab='Altura', col="blue", main = "")
hist(peces$Ancho, xlab='Ancho', col="blue", main = "")
Respecto a estas gráficas que representan la distribución de los datos, se observa que la variable peso presenta la mayor asimetría, en este caso hacia la izquierda debido a un sesgo positivo en los datos.Por su parte las tres variables de los largos, que representan la longitud total, la longitud estándar y la longitud furcal respectivamente, también presentan una concentración de los datos hacia la izquierda, aunque menos drástica que con el peso. Finalmente, las gráficas producidas por los datos de altura y ancho si tienen una distribución más normal en comparación al resto.
peces$Peso =as.numeric(peces$Peso)
peces$Largo1 =as.numeric(peces$Largo1)
peces$Largo2 =as.numeric(peces$Largo2)
peces$Largo3 =as.numeric(peces$Largo3)
peces$Altura =as.numeric(peces$Altura)
peces$Ancho =as.numeric(peces$Ancho)
panel.cor <- function(x, y){usr <- par("usr"); on.exit(par(usr))
par(usr = c(0, 1, 0, 1))
r <- round(cor(x, y), digits=2)
txt <- paste0("R = ", r)
cex.cor <- 0.8/strwidth(txt)
text(0.5, 0.5, txt, cex = cex.cor * r)
}
pairs(peces[,2:7], lower.panel=panel.cor, upper.panel=panel.smooth)
En la anterior figura podemos evidenciar como la variable de peso está altamente correlacionada con el Largo 1, Largo 2 y Largo 3 siendo 0.92 para estas tres variables. También podemos evidenciar que el Largo 1, el Largo 2 y el largo 3 están altamente correlacionadas en donde la correlación entre el Largo 1 y el Largo 2 es igual a 1 y entre el Largo 3 y el Largo 1 y 2 es 0.99. Esto nos indica que estas tres variables tienen patrones similares, por lo que se puede tomar en cuenta solo una de estas variables para el análisis, se va a incluir la variable Largo 3.
peces.mod.1= lm(data=peces, Peso~Largo3 + Altura + Ancho)
summary(peces.mod.1)##
## Call:
## lm(formula = Peso ~ Largo3 + Altura + Ancho, data = peces)
##
## Residuals:
## Min 1Q Median 3Q Max
## -246.79 -77.57 -33.26 82.47 453.51
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -521.000 29.331 -17.763 < 2e-16 ***
## Largo3 19.445 1.812 10.728 < 2e-16 ***
## Altura 3.853 3.849 1.001 0.318
## Ancho 62.833 14.560 4.315 2.83e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 126.3 on 155 degrees of freedom
## Multiple R-squared: 0.8778, Adjusted R-squared: 0.8755
## F-statistic: 371.3 on 3 and 155 DF, p-value: < 2.2e-16summary.aov(peces.mod.1)## Df Sum Sq Mean Sq F value Pr(>F)
## Largo3 1 17251026 17251026 1081.06 < 2e-16 ***
## Altura 1 225843 225843 14.15 0.000239 ***
## Ancho 1 297177 297177 18.62 2.83e-05 ***
## Residuals 155 2473414 15958
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1En ambos resultados obtenidos del modelo podemos evidenciar que hay variables que no parecen tener un efecto significativo. En este caso la variable con el valor-p mas alto no parece tener un efecto significativo sobre el modelo en este caso la variable Altura, por lo que evaluamos el modelo sin esta variable
drop1(peces.mod.1,scope = "Altura", test = "F")## Single term deletions
##
## Model:
## Peso ~ Largo3 + Altura + Ancho
## Df Sum of Sq RSS AIC F value Pr(>F)
## <none> 2473414 1542.7
## Altura 1 15997 2489410 1541.7 1.0025 0.3183peces.mod.2=update(peces.mod.1,~.-Altura)
summary(peces.mod.2)##
## Call:
## lm(formula = Peso ~ Largo3 + Ancho, data = peces)
##
## Residuals:
## Min 1Q Median 3Q Max
## -258.84 -77.17 -25.78 81.79 441.57
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -520.939 29.332 -17.760 < 2e-16 ***
## Largo3 19.487 1.812 10.755 < 2e-16 ***
## Ancho 70.343 12.479 5.637 7.91e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 126.3 on 156 degrees of freedom
## Multiple R-squared: 0.8771, Adjusted R-squared: 0.8755
## F-statistic: 556.4 on 2 and 156 DF, p-value: < 2.2e-16summary.aov(peces.mod.2)## Df Sum Sq Mean Sq F value Pr(>F)
## Largo3 1 17251026 17251026 1081.04 < 2e-16 ***
## Ancho 1 507023 507023 31.77 7.91e-08 ***
## Residuals 156 2489410 15958
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Al evaluar el modelo sin la variable Altura podemos evidenciar que el valor Multiple R-squared no baja considerablemente y el valor Adjusted Multiple R-squared se mantiene igual. Lo que significa que eliminar esta variable no hace del modelo uno peor.
Luego usamos el criterio de información de Akaike para escoger un modelo que tenga un balance entre simplicidad y predicción, esto con el objetivo de verificar los datos obtenidos anteriormente.
peces.aic= read.csv("C:\\Users\\USUARIO\\Downloads\\peces.csv", header = T)
peces.aic## Especie Peso Largo1 Largo2 Largo3 Altura Ancho
## 1 Brema 242.0 23.2 25.4 30.0 11.5200 4.0200
## 2 Brema 290.0 24.0 26.3 31.2 12.4800 4.3056
## 3 Brema 340.0 23.9 26.5 31.1 12.3778 4.6961
## 4 Brema 363.0 26.3 29.0 33.5 12.7300 4.4555
## 5 Brema 430.0 26.5 29.0 34.0 12.4440 5.1340
## 6 Brema 450.0 26.8 29.7 34.7 13.6024 4.9274
## 7 Brema 500.0 26.8 29.7 34.5 14.1795 5.2785
## 8 Brema 390.0 27.6 30.0 35.0 12.6700 4.6900
## 9 Brema 450.0 27.6 30.0 35.1 14.0049 4.8438
## 10 Brema 500.0 28.5 30.7 36.2 14.2266 4.9594
## 11 Brema 475.0 28.4 31.0 36.2 14.2628 5.1042
## 12 Brema 500.0 28.7 31.0 36.2 14.3714 4.8146
## 13 Brema 500.0 29.1 31.5 36.4 13.7592 4.3680
## 14 Brema 340.0 29.5 32.0 37.3 13.9129 5.0728
## 15 Brema 600.0 29.4 32.0 37.2 14.9544 5.1708
## 16 Brema 600.0 29.4 32.0 37.2 15.4380 5.5800
## 17 Brema 700.0 30.4 33.0 38.3 14.8604 5.2854
## 18 Brema 700.0 30.4 33.0 38.5 14.9380 5.1975
## 19 Brema 610.0 30.9 33.5 38.6 15.6330 5.1338
## 20 Brema 650.0 31.0 33.5 38.7 14.4738 5.7276
## 21 Brema 575.0 31.3 34.0 39.5 15.1285 5.5695
## 22 Brema 685.0 31.4 34.0 39.2 15.9936 5.3704
## 23 Brema 620.0 31.5 34.5 39.7 15.5227 5.2801
## 24 Brema 680.0 31.8 35.0 40.6 15.4686 6.1306
## 25 Brema 700.0 31.9 35.0 40.5 16.2405 5.5890
## 26 Brema 725.0 31.8 35.0 40.9 16.3600 6.0532
## 27 Brema 720.0 32.0 35.0 40.6 16.3618 6.0900
## 28 Brema 714.0 32.7 36.0 41.5 16.5170 5.8515
## 29 Brema 850.0 32.8 36.0 41.6 16.8896 6.1984
## 30 Brema 1000.0 33.5 37.0 42.6 18.9570 6.6030
## 31 Brema 920.0 35.0 38.5 44.1 18.0369 6.3063
## 32 Brema 955.0 35.0 38.5 44.0 18.0840 6.2920
## 33 Brema 925.0 36.2 39.5 45.3 18.7542 6.7497
## 34 Brema 975.0 37.4 41.0 45.9 18.6354 6.7473
## 35 Brema 950.0 38.0 41.0 46.5 17.6235 6.3705
## 36 Rutilo 40.0 12.9 14.1 16.2 4.1472 2.2680
## 37 Rutilo 69.0 16.5 18.2 20.3 5.2983 2.8217
## 38 Rutilo 78.0 17.5 18.8 21.2 5.5756 2.9044
## 39 Rutilo 87.0 18.2 19.8 22.2 5.6166 3.1746
## 40 Rutilo 120.0 18.6 20.0 22.2 6.2160 3.5742
## 41 Rutilo 0.0 19.0 20.5 22.8 6.4752 3.3516
## 42 Rutilo 110.0 19.1 20.8 23.1 6.1677 3.3957
## 43 Rutilo 120.0 19.4 21.0 23.7 6.1146 3.2943
## 44 Rutilo 150.0 20.4 22.0 24.7 5.8045 3.7544
## 45 Rutilo 145.0 20.5 22.0 24.3 6.6339 3.5478
## 46 Rutilo 160.0 20.5 22.5 25.3 7.0334 3.8203
## 47 Rutilo 140.0 21.0 22.5 25.0 6.5500 3.3250
## 48 Rutilo 160.0 21.1 22.5 25.0 6.4000 3.8000
## 49 Rutilo 169.0 22.0 24.0 27.2 7.5344 3.8352
## 50 Rutilo 161.0 22.0 23.4 26.7 6.9153 3.6312
## 51 Rutilo 200.0 22.1 23.5 26.8 7.3968 4.1272
## 52 Rutilo 180.0 23.6 25.2 27.9 7.0866 3.9060
## 53 Rutilo 290.0 24.0 26.0 29.2 8.8768 4.4968
## 54 Rutilo 272.0 25.0 27.0 30.6 8.5680 4.7736
## 55 Rutilo 390.0 29.5 31.7 35.0 9.4850 5.3550
## 56 Pez blanco 270.0 23.6 26.0 28.7 8.3804 4.2476
## 57 Pez blanco 270.0 24.1 26.5 29.3 8.1454 4.2485
## 58 Pez blanco 306.0 25.6 28.0 30.8 8.7780 4.6816
## 59 Pez blanco 540.0 28.5 31.0 34.0 10.7440 6.5620
## 60 Pez blanco 800.0 33.7 36.4 39.6 11.7612 6.5736
## 61 Pez blanco 1000.0 37.3 40.0 43.5 12.3540 6.5250
## 62 Parkki 55.0 13.5 14.7 16.5 6.8475 2.3265
## 63 Parkki 60.0 14.3 15.5 17.4 6.5772 2.3142
## 64 Parkki 90.0 16.3 17.7 19.8 7.4052 2.6730
## 65 Parkki 120.0 17.5 19.0 21.3 8.3922 2.9181
## 66 Parkki 150.0 18.4 20.0 22.4 8.8928 3.2928
## 67 Parkki 140.0 19.0 20.7 23.2 8.5376 3.2944
## 68 Parkki 170.0 19.0 20.7 23.2 9.3960 3.4104
## 69 Parkki 145.0 19.8 21.5 24.1 9.7364 3.1571
## 70 Parkki 200.0 21.2 23.0 25.8 10.3458 3.6636
## 71 Parkki 273.0 23.0 25.0 28.0 11.0880 4.1440
## 72 Parkki 300.0 24.0 26.0 29.0 11.3680 4.2340
## 73 Perca 5.9 7.5 8.4 8.8 2.1120 1.4080
## 74 Perca 32.0 12.5 13.7 14.7 3.5280 1.9992
## 75 Perca 40.0 13.8 15.0 16.0 3.8240 2.4320
## 76 Perca 51.5 15.0 16.2 17.2 4.5924 2.6316
## 77 Perca 70.0 15.7 17.4 18.5 4.5880 2.9415
## 78 Perca 100.0 16.2 18.0 19.2 5.2224 3.3216
## 79 Perca 78.0 16.8 18.7 19.4 5.1992 3.1234
## 80 Perca 80.0 17.2 19.0 20.2 5.6358 3.0502
## 81 Perca 85.0 17.8 19.6 20.8 5.1376 3.0368
## 82 Perca 85.0 18.2 20.0 21.0 5.0820 2.7720
## 83 Perca 110.0 19.0 21.0 22.5 5.6925 3.5550
## 84 Perca 115.0 19.0 21.0 22.5 5.9175 3.3075
## 85 Perca 125.0 19.0 21.0 22.5 5.6925 3.6675
## 86 Perca 130.0 19.3 21.3 22.8 6.3840 3.5340
## 87 Perca 120.0 20.0 22.0 23.5 6.1100 3.4075
## 88 Perca 120.0 20.0 22.0 23.5 5.6400 3.5250
## 89 Perca 130.0 20.0 22.0 23.5 6.1100 3.5250
## 90 Perca 135.0 20.0 22.0 23.5 5.8750 3.5250
## 91 Perca 110.0 20.0 22.0 23.5 5.5225 3.9950
## 92 Perca 130.0 20.5 22.5 24.0 5.8560 3.6240
## 93 Perca 150.0 20.5 22.5 24.0 6.7920 3.6240
## 94 Perca 145.0 20.7 22.7 24.2 5.9532 3.6300
## 95 Perca 150.0 21.0 23.0 24.5 5.2185 3.6260
## 96 Perca 170.0 21.5 23.5 25.0 6.2750 3.7250
## 97 Perca 225.0 22.0 24.0 25.5 7.2930 3.7230
## 98 Perca 145.0 22.0 24.0 25.5 6.3750 3.8250
## 99 Perca 188.0 22.6 24.6 26.2 6.7334 4.1658
## 100 Perca 180.0 23.0 25.0 26.5 6.4395 3.6835
## 101 Perca 197.0 23.5 25.6 27.0 6.5610 4.2390
## 102 Perca 218.0 25.0 26.5 28.0 7.1680 4.1440
## 103 Perca 300.0 25.2 27.3 28.7 8.3230 5.1373
## 104 Perca 260.0 25.4 27.5 28.9 7.1672 4.3350
## 105 Perca 265.0 25.4 27.5 28.9 7.0516 4.3350
## 106 Perca 250.0 25.4 27.5 28.9 7.2828 4.5662
## 107 Perca 250.0 25.9 28.0 29.4 7.8204 4.2042
## 108 Perca 300.0 26.9 28.7 30.1 7.5852 4.6354
## 109 Perca 320.0 27.8 30.0 31.6 7.6156 4.7716
## 110 Perca 514.0 30.5 32.8 34.0 10.0300 6.0180
## 111 Perca 556.0 32.0 34.5 36.5 10.2565 6.3875
## 112 Perca 840.0 32.5 35.0 37.3 11.4884 7.7957
## 113 Perca 685.0 34.0 36.5 39.0 10.8810 6.8640
## 114 Perca 700.0 34.0 36.0 38.3 10.6091 6.7408
## 115 Perca 700.0 34.5 37.0 39.4 10.8350 6.2646
## 116 Perca 690.0 34.6 37.0 39.3 10.5717 6.3666
## 117 Perca 900.0 36.5 39.0 41.4 11.1366 7.4934
## 118 Perca 650.0 36.5 39.0 41.4 11.1366 6.0030
## 119 Perca 820.0 36.6 39.0 41.3 12.4313 7.3514
## 120 Perca 850.0 36.9 40.0 42.3 11.9286 7.1064
## 121 Perca 900.0 37.0 40.0 42.5 11.7300 7.2250
## 122 Perca 1015.0 37.0 40.0 42.4 12.3808 7.4624
## 123 Perca 820.0 37.1 40.0 42.5 11.1350 6.6300
## 124 Perca 1100.0 39.0 42.0 44.6 12.8002 6.8684
## 125 Perca 1000.0 39.8 43.0 45.2 11.9328 7.2772
## 126 Perca 1100.0 40.1 43.0 45.5 12.5125 7.4165
## 127 Perca 1000.0 40.2 43.5 46.0 12.6040 8.1420
## 128 Perca 1000.0 41.1 44.0 46.6 12.4888 7.5958
## 129 Lucio 200.0 30.0 32.3 34.8 5.5680 3.3756
## 130 Lucio 300.0 31.7 34.0 37.8 5.7078 4.1580
## 131 Lucio 300.0 32.7 35.0 38.8 5.9364 4.3844
## 132 Lucio 300.0 34.8 37.3 39.8 6.2884 4.0198
## 133 Lucio 430.0 35.5 38.0 40.5 7.2900 4.5765
## 134 Lucio 345.0 36.0 38.5 41.0 6.3960 3.9770
## 135 Lucio 456.0 40.0 42.5 45.5 7.2800 4.3225
## 136 Lucio 510.0 40.0 42.5 45.5 6.8250 4.4590
## 137 Lucio 540.0 40.1 43.0 45.8 7.7860 5.1296
## 138 Lucio 500.0 42.0 45.0 48.0 6.9600 4.8960
## 139 Lucio 567.0 43.2 46.0 48.7 7.7920 4.8700
## 140 Lucio 770.0 44.8 48.0 51.2 7.6800 5.3760
## 141 Lucio 950.0 48.3 51.7 55.1 8.9262 6.1712
## 142 Lucio 1250.0 52.0 56.0 59.7 10.6863 6.9849
## 143 Lucio 1600.0 56.0 60.0 64.0 9.6000 6.1440
## 144 Lucio 1550.0 56.0 60.0 64.0 9.6000 6.1440
## 145 Lucio 1650.0 59.0 63.4 68.0 10.8120 7.4800
## 146 Capellan 6.7 9.3 9.8 10.8 1.7388 1.0476
## 147 Capellan 7.5 10.0 10.5 11.6 1.9720 1.1600
## 148 Capellan 7.0 10.1 10.6 11.6 1.7284 1.1484
## 149 Capellan 9.7 10.4 11.0 12.0 2.1960 1.3800
## 150 Capellan 9.8 10.7 11.2 12.4 2.0832 1.2772
## 151 Capellan 8.7 10.8 11.3 12.6 1.9782 1.2852
## 152 Capellan 10.0 11.3 11.8 13.1 2.2139 1.2838
## 153 Capellan 9.9 11.3 11.8 13.1 2.2139 1.1659
## 154 Capellan 9.8 11.4 12.0 13.2 2.2044 1.1484
## 155 Capellan 12.2 11.5 12.2 13.4 2.0904 1.3936
## 156 Capellan 13.4 11.7 12.4 13.5 2.4300 1.2690
## 157 Capellan 12.2 12.1 13.0 13.8 2.2770 1.2558
## 158 Capellan 19.7 13.2 14.3 15.2 2.8728 2.0672
## 159 Capellan 19.9 13.8 15.0 16.2 2.9322 1.8792names(peces.aic)=c("Especie", "Peso", "Largo1", "Largo2", "Largo3", "Altura", "Ancho")
peces.aic$Peso =as.numeric(peces.aic$Peso)
peces.aic$Largo1 =as.numeric(peces.aic$Largo1)
peces.aic$Largo2 =as.numeric(peces.aic$Largo2)
peces.aic$Largo3 =as.numeric(peces.aic$Largo3)
peces.aic$Altura =as.numeric(peces.aic$Altura)
peces.aic$Ancho =as.numeric(peces.aic$Ancho)
modelo1= lm(Peso~ Largo3+ Altura+ Ancho,data=peces.aic)
summary(modelo1)##
## Call:
## lm(formula = Peso ~ Largo3 + Altura + Ancho, data = peces.aic)
##
## Residuals:
## Min 1Q Median 3Q Max
## -246.79 -77.57 -33.26 82.47 453.51
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -521.000 29.331 -17.763 < 2e-16 ***
## Largo3 19.445 1.812 10.728 < 2e-16 ***
## Altura 3.853 3.849 1.001 0.318
## Ancho 62.833 14.560 4.315 2.83e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 126.3 on 155 degrees of freedom
## Multiple R-squared: 0.8778, Adjusted R-squared: 0.8755
## F-statistic: 371.3 on 3 and 155 DF, p-value: < 2.2e-16Al correr el resumen del modelo podemos ver que el largo3 y el ancho son las variables que mejor definirían el peso de los peces.
library(AICcmodavg)
modelo2= lm(Peso~ Largo3 + Ancho, data=peces.aic)
modelos=list(modelo1, modelo2)
myModels=aictab(modelos, modnames=c("modelo1", "modelo2"), sort=T)
knitr::kable(myModels, digits = 2, row.names = F, padding = 0)| Modnames | K | AICc | Delta_AICc | ModelLik | AICcWt | LL | Cum.Wt |
|---|---|---|---|---|---|---|---|
| modelo2 | 4 | 1995.21 | 0.00 | 1.00 | 0.63 | -993.47 | 0.63 |
| modelo1 | 5 | 1996.32 | 1.11 | 0.57 | 0.37 | -992.96 | 1.00 |
Al visualizar ambos modelos podemos evidenciar que el modelo para definir el peso de los peces es el modelo2(Largo3 +Ancho) como se pudo ver en el análisis anterior. Esto se debe a que su valor AICcwt (0.63) indica que este modelo es el mejor con los datos dados.
Podemos concluir que el mejor modelo para este problema es el que incluye la variable del largo del pez ya sea el 1,2 o 3 debido a que estos están altamente correlacionados por lo que al elegir cualquiera de estos se explica el patrón de los otros, y también la variable del ancho del pez. Además, podemos determinar que el modelo es un modelo bueno debido a que este explica el 87% de varianza de modelo.
Explicacion pescadores: Para poder identificar el peso de el pez si tener la balanza es necesario tener encuenta el largo del pez y e ancho, para asi poder determinar su precio.