1. Ejemplo de regresión lineal simple utilizando un conjunto de datos con dos variables y la función lm.

Se crea un conjunto de datos para 2 variables a partir de las estadisticas de los Pokemon iniciales de cada region.

# Vida Base Pokemon inicial
VB=c(78,79,80,78,85,80,80,100,70,76,84,95,110,95,75,75,72,88,95,80,78,80,70,100)
# Daño de ataque base Pokemon inicial
DA= c(84,83,82,84,105,82,120,110,85,104,86,109,123,100,75,69,95,107,115,74,107,115,85,125)

Grafique utilizando las funciones plot y abline. La función lm se utiliza para ajustar modelos lineales:

lm.fit=lm(VB~DA)
lm.fit
## 
## Call:
## lm(formula = VB ~ DA)
## 
## Coefficients:
## (Intercept)           DA  
##      42.887        0.419
summary(lm.fit)
## 
## Call:
## lm(formula = VB ~ DA)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -13.165  -8.500   1.013   4.825  15.578 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 42.88728    9.74743   4.400 0.000227 ***
## DA           0.41898    0.09925   4.222 0.000351 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 7.98 on 22 degrees of freedom
## Multiple R-squared:  0.4475, Adjusted R-squared:  0.4224 
## F-statistic: 17.82 on 1 and 22 DF,  p-value: 0.0003512
plot(VB~DA)
abline(42.887 , 0.419,col='blue')

2. Modelo de regresión lineal simple de la actividad 1 para predecir 5 nuevos registros e incorpórelos a su conjunto de datos.

DA_P<-c(3,46,78,105,147)

predict.lm(lm.fit,data.frame(DA=DA_P))
##         1         2         3         4         5 
##  44.14422  62.16028  75.56758  86.87999 104.47707

Se Calcula nuevamente la regresión lineal simple

VB = append(VB, c(44.14422, 62.16028, 75.56758, 86.87999, 104.47707))
DA = append(DA, DA_P)
lm.fit=lm(VB~DA)
lm.fit
## 
## Call:
## lm(formula = VB ~ DA)
## 
## Coefficients:
## (Intercept)           DA  
##      42.887        0.419
plot(VB~DA)
abline(42.887 , 0.419,col='red')

¿Se observa algún cambio en los coeficientes?

R= No se muestra ningun cambio, ya que la función de predicciones sigue el modelo del objeto, es decir, sobre la regresión lineal que poseemos

3. Tome un punto cualquiera de su conjunto de datos y multiplíquelo por 100

VB_Aux = append(VB, 85*100)
DA_Aux = append(DA, 105*100)
lm.fit = lm(VB_Aux~DA_Aux)
lm.fit
## 
## Call:
## lm(formula = VB_Aux ~ DA_Aux)
## 
## Coefficients:
## (Intercept)       DA_Aux  
##      6.5773       0.8088
plot(VB_Aux~DA_Aux)
abline( 6.5773 , 0.8088,col='green')

¿Se observa algún cambio en los coeficientes?

Se nota un cambio en la disminución y un aumento en los coeficientes resultantes respectivamente, cambiando asi, el modelo lineal, esto debido a que al multiplicar por 100 ambos nuevos valores da un resultado distinto al del metodo de predicción (metodo que sigue el modelo lineal)