Informe Aplicacion Regresion Lineal
Juan Pablo Gomez
3/8/2022
EJERCICIO 1. Prediccion de los precios de las acciones. Analizar el comportamiento de los precios de las Acciones de Ecopetrol segun la variacion del precio del barril de petroleo WTI producido en Colombia. Se tienen los siguientes precios
library(readxl)
library(ggplot2)
library(CGPfunctions)## Warning: package 'CGPfunctions' was built under R version 4.1.2library(ggplot2)
library(plotly)## Warning: package 'plotly' was built under R version 4.1.2##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutlibrary(lmtest)## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericdata1 = read_excel("G:/ACADEMIA/JAVERIANA CALI/2. SEMESTRE 2022 - II/2. Met. Estad. para la Toma Decisiones/Datos1.xlsx")
data1## # A tibble: 18 x 3
## fecha Precio_accion Precio_WTIxBarril
## <chr> <dbl> <dbl>
## 1 dic 14-15 1090 35.6
## 2 dic 15-15 1170 36.3
## 3 dic 16-15 1160 37.4
## 4 dic 18-15 1230 35.0
## 5 dic 21-15 1155 34.5
## 6 dic 22-15 1165 35.8
## 7 dic 23-15 1205 36.1
## 8 dic 24-15 1170 37.5
## 9 dic 28-15 1150 37.8
## 10 dic 29-15 1130 36.8
## 11 dic 30-15 1110 37.9
## 12 ene 04-16 1105 37.0
## 13 ene 05-16 1085 36.8
## 14 ene 06-16 1060 36.0
## 15 ene 07-16 1035 34.0
## 16 ene 08-16 1015 33.3
## 17 ene 12-16 955 31.4
## 18 ene 13-16 961 30.4Desarrollo modelo
mod1=lm(Precio_accion~Precio_WTIxBarril, data = data1)
summary(mod1)##
## Call:
## lm(formula = Precio_accion ~ Precio_WTIxBarril, data = data1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -59.90 -40.74 -15.94 33.40 136.82
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 177.768 232.828 0.764 0.45627
## Precio_WTIxBarril 26.192 6.542 4.004 0.00102 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 57.13 on 16 degrees of freedom
## Multiple R-squared: 0.5005, Adjusted R-squared: 0.4692
## F-statistic: 16.03 on 1 and 16 DF, p-value: 0.001024a) La ecuacion esta dada por: Precio_accion=177.768+26.192*Precio_WTIxBarril
R^2=0.4692
b) Existe una relacion significativa entre Precio_accion y Precio_WTIxBarril, ya que el pvalue=0.001024, tomando como base ?? = 0.05
c) El precio minimo de la accion esperado es 177.768 si Precio_WTIxBarril=0 (intercepto) Por cada unidad en el precio Precio_WTIxBarril, el Precio_accion aumenta en 26.192
d) Validacion de supuestos
#exploracion bivariada
g1=ggplot(data=data1,mapping=
aes(x=Precio_WTIxBarril,y=Precio_accion))+geom_point()+theme_bw()+
geom_smooth()
ggplotly(g1)## `geom_smooth()` using method = 'loess' and formula 'y ~ x'par(mfrow=c(2,2))
plot(mod1)
#normalidad en los residuales
shapiro.test(mod1$residuals)##
## Shapiro-Wilk normality test
##
## data: mod1$residuals
## W = 0.89259, p-value = 0.04276ggplot(data = data1, aes(mod1$fitted.values, mod1$residuals)) +
geom_point() +
geom_smooth(color = "firebrick", se = FALSE) +
geom_hline(yintercept = 0) +
theme_bw()## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
bptest(mod1)##
## studentized Breusch-Pagan test
##
## data: mod1
## BP = 0.029563, df = 1, p-value = 0.8635Conclusiones mod1: +Cumple normalidad +Cumple idenpendencia en los residuos +No cumple con el supuesto de homocedasticidad
e) Por lo anterior se requiere algun tipo de transformacion para garantizar la validez del modelo
EJERCICIO 2. Los siguientes datos corresponden a la INFLACION y al SALARIO MINIMO LEGAL MENSUAL (SMLM) desde el ano 1999 para Colombia.
data2 = read_excel("G:/ACADEMIA/JAVERIANA CALI/2. SEMESTRE 2022 - II/2. Met. Estad. para la Toma Decisiones/Datos2.xlsx")
data2## # A tibble: 17 x 3
## ANO INFLACION SMLM
## <dbl> <dbl> <dbl>
## 1 1999 9.23 236460
## 2 2000 8.75 260100
## 3 2001 7.65 286000
## 4 2002 6.99 309000
## 5 2003 6.49 332000
## 6 2004 5.5 358000
## 7 2005 4.85 381500
## 8 2006 4.48 408000
## 9 2007 5.69 433700
## 10 2008 7.67 461500
## 11 2009 2 496900
## 12 2010 3.17 515000
## 13 2011 3.73 535600
## 14 2012 2.44 566700
## 15 2013 1.94 589500
## 16 2014 3.66 616027
## 17 2015 6.77 644350Desarrollo modelo
mod2=lm(SMLM~INFLACION, data = data2)
summary(mod2)##
## Call:
## lm(formula = SMLM ~ INFLACION, data = data2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -75463 -63456 -42854 17623 263207
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 648486 58947 11.00 1.4e-08 ***
## INFLACION -39489 10151 -3.89 0.00145 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 94130 on 15 degrees of freedom
## Multiple R-squared: 0.5022, Adjusted R-squared: 0.469
## F-statistic: 15.13 on 1 and 15 DF, p-value: 0.00145a) La ecuacion esta dada por: SMLM=648486-39.489*INFLACION
R^2=0.469
b) Existe una relacion significativa entre INFLACION Y SMLM, ya que el pvalue=0.00145, tomando como base ?? = 0.05, sin embargo no es una relacion practica, quiza seria una mejor aprox relacionar la inflacion con las variaciones, ano a ano.
c)
cor(data2$SMLM,data2$INFLACION)## [1] -0.7086581summary(mod2)$r.squared## [1] 0.5021963Existe una correlacion alta negativa en las variables, el coeficiente de determinacion indica que solo el 50 porciento de la varianza de SMLM se explica con la inflacion.
d) Coeficientes mod2: 648486 (intercepto) indica el valor minimo de SMLM frente a una inflacion de cero. -39489 (pendiente) por cada unidad de inflacion se reduce en dicha proporcion el smlm.
e) analisis grafico
#exploracion bivariada
g2=ggplot(data=data2,mapping=
aes(x=INFLACION,y=SMLM))+geom_point()+theme_bw()+
geom_smooth()
ggplotly(g2)## `geom_smooth()` using method = 'loess' and formula 'y ~ x'par(mfrow=c(2,2))
plot(mod2)
Graficamente parece ser un modelo consistente, cumpliendo los supuestos correspondientes.
f) Es un modelo de regresion linea de baja capacidad de prediccion, ademas la interpretabilidad de los resultados no es lo suficientemente practica y robusta.
EJERCICIO 3. Con base en los datos de precios de vivienda de la actividad, realice los siguientes puntos:
a) Realice un filtro a la base de datos e incluya solo las ofertas de apartamentos,de la zona norte de la ciudad con precios inferiores a los 500 millones de pesos y areas menores a 300 mt2.
data3 = read_excel("G:/ACADEMIA/JAVERIANA CALI/2. SEMESTRE 2022 - II/2. Met. Estad. para la Toma Decisiones/Datos_Vivienda.xlsx")
data3## # A tibble: 8,322 x 12
## Zona piso Estrato precio_millon Area_contruida parqueaderos Banos
## <chr> <chr> <dbl> <dbl> <dbl> <chr> <dbl>
## 1 Zona Sur 2 6 880 237 2 5
## 2 Zona Oeste 2 4 1200 800 3 6
## 3 Zona Sur 3 5 250 86 NA 2
## 4 Zona Sur NA 6 1280 346 4 6
## 5 Zona Sur 2 6 1300 600 4 7
## 6 Zona Sur 3 6 513 160 2 4
## 7 Zona Sur 2 6 870 490 3 6
## 8 Zona Sur 5 5 310 82.5 1 2
## 9 Zona Sur 9 4 240 80 1 2
## 10 Zona Sur 6 6 690 150 2 5
## # ... with 8,312 more rows, and 5 more variables: Habitaciones <dbl>,
## # Tipo <chr>, Barrio <chr>, cordenada_longitud <dbl>, Cordenada_latitud <dbl>library(sqldf)## Loading required package: gsubfn## Loading required package: proto## Loading required package: RSQLitedata3_1=sqldf("select *
from data3
where Zona = 'Zona Norte'
and precio_millon <=500
and Area_contruida <=300
")
head(data3_1,3)## Zona piso Estrato precio_millon Area_contruida parqueaderos Banos
## 1 Zona Norte 2 3 135 56 1 1
## 2 Zona Norte NA 5 400 212 NA 2
## 3 Zona Norte NA 3 78 54 2 1
## Habitaciones Tipo Barrio cordenada_longitud
## 1 3 Apartamento torres de comfandi -76.46745
## 2 4 Casa santa mv=nica residencial -76.47300
## 3 3 Apartamento chiminangos -76.47820
## Cordenada_latitud
## 1 3.40763
## 2 3.41800
## 3 3.44898summary(data3_1$precio_millon)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 65 145 240 250 340 500summary(data3_1$Area_contruida)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 30.0 64.0 89.0 109.3 130.0 300.0sqldf("select Zona, count()
from data3_1
group by Zona")## Zona count()
## 1 Zona Norte 1507#Grafico para puntos Zona Norte
require(leaflet)## Loading required package: leaflet## Warning: package 'leaflet' was built under R version 4.1.2leaflet()%>%addCircleMarkers(lng=data3_1$cordenada_longitud, lat=data3_1$Cordenada_latitud,radius = 0.1,color = 'red')%>%
addTiles()La gran mayoria de puntos se encuentran en la Zona Norte, sin embargo existe una dispersion importante en otros areas de la ciudad lo que indica un problema en calidad de datos.
b) Realice un anaisis exploratorio de datos enfocado en la correlacion entre la variable respuesta (precio del apartamento) en funcion del areea construida, estrato y si tiene parqueadero.
sub3_1=sqldf("select precio_millon,Area_contruida,Estrato,parqueaderos
from data3_1")sub3_1$parqueaderos=as.numeric(sub3_1$parqueaderos)## Warning: NAs introducidos por coerciónsub3_1[is.na(sub3_1)] <- 0sub3_1## precio_millon Area_contruida Estrato parqueaderos
## 1 135 56.00 3 1
## 2 400 212.00 5 0
## 3 78 54.00 3 2
## 4 175 130.00 3 0
## 5 340 106.00 5 2
## 6 265 162.00 4 1
## 7 120 130.00 3 1
## 8 380 177.00 3 0
## 9 135 103.00 3 1
## 10 75 54.00 3 1
## 11 125 140.00 3 1
## 12 175 77.00 4 1
## 13 99 58.00 3 0
## 14 95 55.00 3 0
## 15 140 130.00 3 1
## 16 110 57.00 3 1
## 17 150 93.00 3 0
## 18 140 102.00 3 0
## 19 180 140.00 3 2
## 20 230 82.00 3 0
## 21 275 85.00 3 1
## 22 170 150.00 3 0
## 23 335 166.00 3 2
## 24 180 140.00 3 1
## 25 230 160.00 3 0
## 26 155 62.00 3 1
## 27 158 65.00 3 1
## 28 158 65.00 3 1
## 29 155 66.00 3 1
## 30 159 63.00 3 1
## 31 158 65.00 3 1
## 32 140 100.00 3 0
## 33 180 114.00 3 1
## 34 80 44.00 3 0
## 35 80 54.00 3 1
## 36 155 62.00 3 1
## 37 159 62.00 3 1
## 38 155 62.00 3 1
## 39 155 62.00 3 1
## 40 160 100.00 3 1
## 41 155 60.00 3 1
## 42 159 62.00 3 1
## 43 159 62.00 3 1
## 44 175 250.00 3 0
## 45 135 64.00 3 2
## 46 150 60.00 3 0
## 47 150 60.00 3 0
## 48 150 60.00 3 0
## 49 150 60.00 3 0
## 50 185 160.00 3 0
## 51 220 144.00 3 0
## 52 310 95.00 3 0
## 53 390 102.00 5 2
## 54 105 63.00 4 0
## 55 88 60.00 3 1
## 56 125 62.00 3 0
## 57 200 146.00 3 0
## 58 145 95.00 3 1
## 59 320 85.00 5 1
## 60 370 83.00 5 1
## 61 144 110.00 3 0
## 62 270 250.00 3 0
## 63 204 120.00 3 0
## 64 220 180.00 3 1
## 65 220 90.00 3 0
## 66 235 160.00 3 1
## 67 219 183.00 3 0
## 68 110 65.00 3 0
## 69 138 61.00 4 0
## 70 120 70.00 3 1
## 71 145 75.00 3 1
## 72 132 55.00 4 1
## 73 155 110.00 3 1
## 74 80 48.00 3 1
## 75 280 100.00 3 0
## 76 350 137.00 5 2
## 77 162 75.00 3 0
## 78 180 138.00 3 1
## 79 245 250.00 3 1
## 80 128 65.00 3 0
## 81 430 105.00 5 0
## 82 320 87.00 5 2
## 83 140 70.00 3 0
## 84 130 77.00 3 0
## 85 85 60.00 3 1
## 86 190 90.00 3 0
## 87 110 62.00 3 0
## 88 122 65.00 4 1
## 89 75 50.64 3 0
## 90 110 100.00 3 0
## 91 92 53.00 3 0
## 92 110 64.00 3 1
## 93 162 120.00 3 0
## 94 143 61.00 3 0
## 95 205 67.00 3 0
## 96 160 65.00 3 1
## 97 135 60.00 3 1
## 98 77 55.00 3 0
## 99 65 60.00 3 0
## 100 310 242.00 3 0
## 101 80 60.00 3 0
## 102 100 70.00 3 1
## 103 180 73.00 4 1
## 104 70 60.00 3 0
## 105 95 46.00 3 1
## 106 76 49.00 3 1
## 107 132 90.00 3 0
## 108 155 90.00 3 0
## 109 118 115.00 3 0
## 110 145 70.00 3 0
## 111 96 45.00 3 0
## 112 135 72.00 3 0
## 113 75 60.00 3 0
## 114 170 130.00 3 0
## 115 117 120.00 3 0
## 116 115 57.00 3 1
## 117 165 142.00 3 0
## 118 165 120.00 3 0
## 119 168 91.00 3 0
## 120 350 200.00 3 0
## 121 85 54.00 3 0
## 122 320 85.00 5 1
## 123 78 49.00 3 0
## 124 70 46.00 3 0
## 125 78 44.00 3 1
## 126 120 120.00 3 0
## 127 92 58.00 3 0
## 128 127 60.00 3 0
## 129 280 137.00 3 2
## 130 98 90.00 3 0
## 131 250 240.00 3 1
## 132 105 59.00 3 1
## 133 122 58.00 3 1
## 134 250 72.00 3 0
## 135 210 60.00 3 0
## 136 89 64.00 3 0
## 137 120 75.00 3 0
## 138 105 59.00 3 0
## 139 110 60.00 3 0
## 140 79 64.00 3 0
## 141 87 54.00 3 0
## 142 86 64.00 3 0
## 143 93 64.00 3 0
## 144 155 75.00 3 0
## 145 170 62.00 3 0
## 146 87 62.00 3 0
## 147 87 62.00 3 0
## 148 72 61.00 3 0
## 149 119 58.00 3 1
## 150 240 150.00 3 0
## 151 215 120.00 3 0
## 152 117 60.00 3 0
## 153 120 75.00 3 0
## 154 200 160.00 3 0
## 155 85 62.00 3 0
## 156 170 77.00 4 0
## 157 215 120.00 3 0
## 158 210 100.00 3 0
## 159 165 140.00 3 1
## 160 330 150.00 3 3
## 161 120 62.00 3 0
## 162 113 56.00 3 0
## 163 205 70.00 4 0
## 164 115 58.00 3 0
## 165 130 62.00 3 1
## 166 160 120.00 4 0
## 167 110 58.00 3 0
## 168 176 75.00 3 0
## 169 105 60.00 3 0
## 170 109 58.00 3 1
## 171 75 62.00 3 0
## 172 120 65.00 3 1
## 173 113 58.00 3 0
## 174 250 120.00 3 1
## 175 280 240.00 3 2
## 176 145 63.00 4 1
## 177 155 60.00 3 1
## 178 130 68.00 3 1
## 179 170 65.00 3 1
## 180 350 104.00 5 2
## 181 285 84.00 5 1
## 182 300 88.00 5 1
## 183 170 120.00 3 0
## 184 378 96.81 6 2
## 185 240 82.00 4 1
## 186 99 58.00 3 0
## 187 113 57.00 3 1
## 188 235 200.00 3 0
## 189 175 180.00 3 0
## 190 223 73.00 4 1
## 191 250 115.00 4 1
## 192 145 90.00 3 0
## 193 140 70.00 3 0
## 194 350 99.00 5 1
## 195 125 58.00 3 0
## 196 120 65.00 4 0
## 197 290 78.00 5 1
## 198 115 55.00 3 0
## 199 140 62.00 3 1
## 200 115 58.00 3 1
## 201 170 120.00 4 0
## 202 170 74.00 3 1
## 203 130 66.00 3 1
## 204 160 120.00 4 0
## 205 170 120.00 4 0
## 206 140 65.00 3 1
## 207 130 62.00 3 1
## 208 390 84.00 5 1
## 209 185 58.00 4 1
## 210 99 58.00 3 0
## 211 160 115.00 3 0
## 212 160 120.00 4 0
## 213 98 59.00 3 1
## 214 155 70.00 3 1
## 215 145 65.00 3 1
## 216 160 100.00 3 0
## 217 115 58.00 3 0
## 218 180 150.00 3 1
## 219 243 150.00 3 0
## 220 98 59.00 3 0
## 221 125 53.00 3 1
## 222 140 65.00 3 1
## 223 145 60.00 3 1
## 224 105 58.00 3 2
## 225 95 60.00 3 1
## 226 140 75.00 3 0
## 227 135 90.00 3 0
## 228 412 140.00 3 1
## 229 198 90.00 3 0
## 230 135 57.00 3 0
## 231 120 60.00 4 1
## 232 116 60.00 3 0
## 233 420 115.00 5 2
## 234 290 170.00 3 1
## 235 110 65.00 3 0
## 236 250 94.00 4 1
## 237 300 195.00 3 2
## 238 99 58.00 3 0
## 239 350 160.00 5 2
## 240 160 72.00 4 1
## 241 108 57.00 3 1
## 242 91 63.00 3 0
## 243 330 165.00 4 1
## 244 90 53.00 3 0
## 245 200 132.00 3 1
## 246 95 60.00 3 0
## 247 95 55.00 3 1
## 248 93 60.00 3 0
## 249 85 60.00 3 0
## 250 117 60.00 3 0
## 251 300 108.00 5 2
## 252 89 57.00 3 0
## 253 95 60.00 3 0
## 254 240 240.00 3 1
## 255 450 228.00 3 0
## 256 430 228.00 3 0
## 257 90 53.00 3 0
## 258 75 54.00 3 0
## 259 105 65.00 3 0
## 260 198 55.00 3 0
## 261 108 54.00 3 0
## 262 140 65.00 3 1
## 263 120 53.00 4 1
## 264 99 55.00 3 0
## 265 190 86.00 4 0
## 266 180 120.00 3 0
## 267 160 100.00 3 0
## 268 215 75.00 4 1
## 269 190 30.00 3 1
## 270 180 120.00 3 0
## 271 253 85.00 4 1
## 272 135 59.00 3 1
## 273 125 58.00 3 0
## 274 168 90.00 3 0
## 275 89 55.00 3 1
## 276 290 190.00 5 2
## 277 280 180.00 4 0
## 278 110 53.00 3 1
## 279 119 57.00 3 0
## 280 175 120.00 3 0
## 281 125 45.00 5 0
## 282 223 73.00 4 1
## 283 130 65.00 3 1
## 284 118 62.00 3 0
## 285 120 48.00 3 1
## 286 75 57.00 3 1
## 287 130 60.00 3 0
## 288 105 55.00 3 0
## 289 120 58.00 3 1
## 290 130 54.00 3 1
## 291 235 165.00 3 1
## 292 120 61.00 3 0
## 293 118 62.00 3 0
## 294 85 60.00 3 0
## 295 160 135.00 4 0
## 296 235 122.00 3 1
## 297 115 64.00 3 0
## 298 370 113.00 6 1
## 299 140 58.00 3 0
## 300 220 100.00 4 1
## 301 215 72.00 4 1
## 302 120 54.00 3 1
## 303 120 55.00 3 0
## 304 135 52.00 3 0
## 305 130 90.00 3 0
## 306 175 135.00 3 1
## 307 130 100.00 3 0
## 308 130 68.00 3 0
## 309 195 128.00 3 1
## 310 97 55.00 3 0
## 311 95 54.00 3 0
## 312 500 210.00 3 0
## 313 120 64.00 3 0
## 314 199 176.00 3 0
## 315 295 60.00 3 0
## 316 360 85.00 5 1
## 317 120 55.00 3 0
## 318 118 55.00 3 0
## 319 110 65.00 3 0
## 320 152 66.00 4 1
## 321 150 77.00 4 1
## 322 160 55.00 4 0
## 323 90 53.00 3 0
## 324 125 60.00 3 0
## 325 115 58.00 3 0
## 326 145 55.00 4 1
## 327 320 235.00 5 0
## 328 135 54.00 3 0
## 329 350 265.00 3 0
## 330 90 58.00 3 0
## 331 128 60.00 3 1
## 332 115 160.00 3 0
## 333 280 180.00 3 1
## 334 350 264.00 3 0
## 335 130 54.00 3 0
## 336 140 58.00 3 0
## 337 98 59.00 3 1
## 338 110 58.00 3 1
## 339 120 58.00 3 0
## 340 96 56.00 3 0
## 341 380 300.00 3 2
## 342 270 196.00 3 1
## 343 104 60.00 3 1
## 344 137 60.00 3 0
## 345 350 83.00 5 1
## 346 340 100.00 5 1
## 347 130 85.00 3 0
## 348 215 95.00 3 1
## 349 190 146.00 3 1
## 350 170 238.00 3 0
## 351 370 240.00 4 2
## 352 270 84.00 5 1
## 353 158 72.00 4 1
## 354 160 72.00 4 1
## 355 110 65.00 3 0
## 356 120 63.00 3 0
## 357 250 136.00 5 2
## 358 320 86.00 5 1
## 359 300 83.00 5 2
## 360 125 60.00 3 1
## 361 125 65.00 3 0
## 362 165 70.00 3 1
## 363 280 148.00 3 2
## 364 167 77.00 3 1
## 365 250 75.00 3 0
## 366 100 60.00 3 1
## 367 148 58.00 4 0
## 368 136 52.00 3 0
## 369 112 61.00 4 0
## 370 120 60.00 3 0
## 371 100 62.00 3 1
## 372 100 55.00 3 0
## 373 295 73.00 4 1
## 374 110 50.96 3 0
## 375 105 60.00 3 0
## 376 123 67.00 3 0
## 377 110 50.00 3 0
## 378 140 58.00 4 0
## 379 245 72.00 4 1
## 380 143 60.00 4 0
## 381 120 58.00 3 1
## 382 142 58.00 3 0
## 383 105 58.00 3 0
## 384 110 56.00 3 1
## 385 115 55.00 3 0
## 386 215 90.00 3 1
## 387 145 54.00 3 1
## 388 305 90.00 5 1
## 389 350 85.00 5 1
## 390 110 54.00 3 0
## 391 125 72.00 3 0
## 392 108 58.00 3 1
## 393 120 63.00 3 1
## 394 310 70.00 3 1
## 395 120 60.00 3 1
## 396 210 135.00 3 2
## 397 380 229.00 5 2
## 398 125 55.00 3 0
## 399 350 200.00 3 1
## 400 165 100.00 3 0
## 401 130 70.00 3 0
## 402 110 58.00 3 0
## 403 130 60.00 3 0
## 404 430 115.00 5 2
## 405 245 84.00 3 1
## 406 158 77.00 4 1
## 407 120 58.00 3 1
## 408 330 240.00 3 1
## 409 153 80.00 3 0
## 410 155 80.00 3 0
## 411 305 268.00 3 0
## 412 210 110.00 3 1
## 413 138 54.00 3 1
## 414 370 99.00 5 1
## 415 115 60.00 3 1
## 416 135 90.00 3 0
## 417 380 100.00 5 1
## 418 415 100.00 5 1
## 419 115 57.00 3 0
## 420 115 55.00 3 1
## 421 321 249.00 5 1
## 422 270 180.00 3 4
## 423 125 60.00 3 0
## 424 160 100.00 3 0
## 425 320 87.00 5 1
## 426 400 115.00 5 2
## 427 300 100.00 5 1
## 428 140 57.00 3 1
## 429 97 57.00 3 1
## 430 120 57.00 3 1
## 431 115 55.00 3 0
## 432 122 72.00 3 1
## 433 470 128.00 4 4
## 434 125 58.00 3 0
## 435 180 120.00 4 0
## 436 220 110.00 3 2
## 437 128 55.00 3 0
## 438 132 58.00 3 0
## 439 120 59.00 3 1
## 440 135 100.00 3 0
## 441 123 65.00 3 0
## 442 98 60.00 3 1
## 443 125 72.00 3 0
## 444 128 60.00 3 1
## 445 133 55.00 3 1
## 446 130 55.00 4 1
## 447 345 85.00 5 0
## 448 118 58.00 3 0
## 449 350 264.00 5 2
## 450 155 82.00 4 1
## 451 105 66.00 3 0
## 452 300 147.00 3 1
## 453 105 58.00 3 0
## 454 130 61.00 3 0
## 455 116 60.00 3 1
## 456 300 133.00 3 3
## 457 315 86.00 5 1
## 458 115 65.00 3 1
## 459 152 58.00 3 0
## 460 165 120.00 3 0
## 461 120 60.00 3 0
## 462 135 42.00 3 1
## 463 480 121.00 5 2
## 464 185 74.00 5 0
## 465 125 70.00 3 0
## 466 168 100.00 3 0
## 467 300 255.00 3 0
## 468 400 300.00 3 0
## 469 340 208.00 5 0
## 470 360 172.00 5 0
## 471 128 54.00 3 1
## 472 270 150.00 3 0
## 473 300 224.00 3 0
## 474 149 58.00 3 0
## 475 135 60.00 3 1
## 476 110 58.00 3 0
## 477 110 58.00 3 0
## 478 120 60.00 3 1
## 479 145 59.00 3 0
## 480 120 58.00 3 0
## 481 122 56.00 3 1
## 482 230 120.00 3 1
## 483 350 150.00 3 0
## 484 130 52.00 3 0
## 485 268 106.00 5 2
## 486 96 56.00 3 0
## 487 125 55.00 3 1
## 488 430 128.00 5 1
## 489 115 65.00 3 1
## 490 115 56.00 3 1
## 491 130 60.00 4 1
## 492 299 162.00 3 0
## 493 125 60.00 3 1
## 494 140 62.00 4 0
## 495 160 61.00 3 1
## 496 135 60.00 4 1
## 497 115 55.00 3 0
## 498 135 64.00 3 0
## 499 240 62.00 3 0
## 500 96 58.00 3 1
## 501 145 57.00 3 0
## 502 115 58.00 3 0
## 503 135 62.00 4 1
## 504 145 59.00 3 1
## 505 140 57.00 3 1
## 506 178 75.00 3 0
## 507 205 120.00 3 1
## 508 400 150.00 3 1
## 509 140 60.00 3 0
## 510 116 54.00 3 0
## 511 115 55.00 4 0
## 512 350 280.00 4 2
## 513 130 54.00 3 1
## 514 260 90.00 5 1
## 515 115 56.00 3 1
## 516 325 100.00 5 1
## 517 165 55.00 3 1
## 518 138 54.00 3 1
## 519 130 54.00 3 1
## 520 135 53.00 3 0
## 521 130 54.00 3 1
## 522 330 275.00 4 2
## 523 140 60.00 3 0
## 524 120 62.00 3 0
## 525 135 62.00 3 0
## 526 215 79.88 3 2
## 527 125 58.00 3 0
## 528 98 72.00 3 0
## 529 130 96.00 3 0
## 530 92 60.00 3 0
## 531 98 68.00 3 0
## 532 160 80.00 4 1
## 533 95 58.00 3 0
## 534 135 53.00 3 1
## 535 220 97.00 3 1
## 536 155 73.00 3 0
## 537 420 60.00 3 0
## 538 310 100.00 4 2
## 539 120 80.00 3 1
## 540 145 60.00 4 0
## 541 115 65.00 3 1
## 542 280 130.00 4 2
## 543 155 70.00 3 0
## 544 150 77.00 4 1
## 545 230 145.00 3 0
## 546 145 59.00 3 0
## 547 145 78.00 4 1
## 548 155 80.00 4 1
## 549 380 300.00 3 0
## 550 110 60.00 4 1
## 551 170 105.00 3 0
## 552 260 150.00 4 0
## 553 215 143.85 4 0
## 554 250 243.00 5 1
## 555 200 104.00 3 0
## 556 95 46.00 3 1
## 557 125 43.00 3 2
## 558 230 250.00 4 2
## 559 350 150.00 3 1
## 560 310 265.00 3 2
## 561 280 65.00 4 1
## 562 200 103.00 3 1
## 563 180 75.00 4 1
## 564 372 124.00 5 1
## 565 235 95.00 5 1
## 566 202 67.40 3 0
## 567 155 77.00 3 1
## 568 270 100.00 5 0
## 569 230 84.00 5 1
## 570 148 65.00 3 1
## 571 135 70.00 3 1
## 572 210 58.00 4 0
## 573 280 147.00 4 1
## 574 210 120.00 3 1
## 575 200 105.00 3 1
## 576 257 120.00 3 0
## 577 125 60.00 3 1
## 578 145 75.00 3 1
## 579 280 103.50 4 1
## 580 260 150.00 3 0
## 581 178 79.00 4 1
## 582 220 70.00 5 1
## 583 175 78.00 4 1
## 584 128 65.00 3 1
## 585 130 78.00 5 1
## 586 240 100.00 5 1
## 587 250 96.00 5 1
## 588 125 58.00 3 1
## 589 180 65.00 3 1
## 590 132 54.00 3 0
## 591 185 55.00 3 1
## 592 395 120.00 5 2
## 593 178 74.00 4 1
## 594 158 78.00 4 1
## 595 155 77.00 4 1
## 596 155 75.00 4 1
## 597 330 140.00 4 1
## 598 330 260.00 4 1
## 599 110 48.00 3 0
## 600 150 80.00 4 1
## 601 320 100.00 4 1
## 602 310 120.00 4 1
## 603 400 300.00 3 0
## 604 250 135.00 3 0
## 605 145 75.00 4 1
## 606 155 78.00 4 1
## 607 156 78.00 4 1
## 608 130 74.00 4 1
## 609 200 57.00 5 1
## 610 240 85.00 5 1
## 611 405 90.41 5 1
## 612 320 200.00 4 2
## 613 300 150.00 3 0
## 614 150 59.00 4 1
## 615 320 210.00 5 2
## 616 290 76.00 5 1
## 617 160 76.00 4 1
## 618 300 76.00 5 1
## 619 330 258.00 4 2
## 620 295 76.00 5 1
## 621 350 216.00 5 2
## 622 365 198.00 4 2
## 623 285 76.00 4 1
## 624 290 75.86 5 1
## 625 215 68.00 4 1
## 626 275 155.00 3 1
## 627 420 100.00 4 2
## 628 370 216.00 4 2
## 629 350 158.00 5 0
## 630 220 82.00 4 0
## 631 450 240.00 5 0
## 632 395 145.00 5 2
## 633 405 280.00 5 0
## 634 260 120.00 5 2
## 635 132 50.00 3 0
## 636 270 88.00 5 1
## 637 250 85.00 4 1
## 638 440 222.00 5 2
## 639 120 60.00 3 0
## 640 355 207.00 5 2
## 641 130 90.00 3 0
## 642 290 76.00 4 1
## 643 320 150.00 5 2
## 644 340 158.00 4 2
## 645 260 90.00 5 1
## 646 285 88.00 6 1
## 647 485 228.00 5 1
## 648 320 89.00 5 1
## 649 253 140.00 4 2
## 650 360 216.00 4 2
## 651 275 88.00 5 1
## 652 480 300.00 3 0
## 653 420 102.00 5 2
## 654 270 100.00 4 1
## 655 95 55.00 3 1
## 656 130 54.00 3 0
## 657 280 100.00 5 1
## 658 260 90.00 5 1
## 659 120 110.00 3 0
## 660 320 100.00 5 1
## 661 390 155.00 5 3
## 662 380 123.00 4 1
## 663 240 95.00 4 1
## 664 350 203.00 5 2
## 665 330 104.00 5 2
## 666 310 83.00 5 1
## 667 305 117.00 4 0
## 668 180 73.00 4 1
## 669 377 85.00 3 1
## 670 285 89.00 5 1
## 671 190 84.00 4 2
## 672 485 280.00 5 2
## 673 430 180.00 5 2
## 674 360 160.00 5 2
## 675 320 90.00 5 2
## 676 240 72.00 5 1
## 677 328 120.00 5 1
## 678 100 53.00 3 0
## 679 290 108.00 5 1
## 680 115 58.00 3 0
## 681 320 140.00 4 2
## 682 380 156.00 5 2
## 683 210 73.00 4 1
## 684 208 72.00 5 1
## 685 270 100.00 5 1
## 686 320 200.00 5 2
## 687 240 75.00 4 1
## 688 210 72.00 4 1
## 689 350 190.00 5 1
## 690 220 75.00 4 0
## 691 220 100.00 5 1
## 692 285 82.00 5 1
## 693 93 120.00 3 1
## 694 190 75.00 5 1
## 695 400 113.00 5 2
## 696 320 160.00 5 1
## 697 200 60.00 5 2
## 698 250 74.00 4 1
## 699 220 105.00 5 1
## 700 162 60.00 4 0
## 701 350 145.00 6 2
## 702 250 100.00 5 1
## 703 290 83.00 5 1
## 704 178 96.00 5 1
## 705 449 220.00 4 4
## 706 330 130.00 5 4
## 707 350 132.00 5 2
## 708 425 104.00 5 2
## 709 213 63.00 5 1
## 710 73 60.00 3 0
## 711 295 76.00 5 1
## 712 295 87.00 5 1
## 713 320 138.00 5 2
## 714 260 76.00 5 1
## 715 290 87.00 5 1
## 716 300 90.00 5 2
## 717 320 170.00 5 1
## 718 225 65.00 5 0
## 719 250 75.00 5 0
## 720 350 140.00 5 2
## 721 325 107.00 5 0
## 722 240 70.00 5 1
## 723 215 102.00 5 1
## 724 485 228.00 5 2
## 725 340 180.00 5 2
## 726 275 87.00 5 1
## 727 72 48.00 3 0
## 728 305 90.00 5 1
## 729 250 74.00 4 1
## 730 229 74.00 4 1
## 731 193 83.00 4 2
## 732 160 90.00 4 1
## 733 195 35.00 5 0
## 734 330 91.00 5 0
## 735 230 84.00 5 1
## 736 420 290.00 3 0
## 737 380 110.00 5 2
## 738 262 76.00 5 1
## 739 400 231.00 5 2
## 740 480 267.00 4 2
## 741 225 84.00 4 0
## 742 370 117.00 4 0
## 743 295 84.00 5 1
## 744 240 70.00 5 1
## 745 240 68.00 5 1
## 746 280 82.00 5 1
## 747 343 170.00 5 3
## 748 270 171.00 4 3
## 749 380 287.00 4 1
## 750 380 140.00 4 1
## 751 450 200.00 5 0
## 752 170 132.00 3 0
## 753 275 120.00 4 1
## 754 350 118.00 4 0
## 755 310 102.00 4 0
## 756 495 125.00 5 1
## 757 148 77.00 4 1
## 758 315 90.00 5 0
## 759 155 60.00 4 0
## 760 240 87.00 5 1
## 761 155 51.00 4 0
## 762 370 114.00 5 2
## 763 240 75.00 4 0
## 764 155 62.00 4 0
## 765 350 264.00 4 0
## 766 340 99.00 5 1
## 767 170 56.00 5 1
## 768 130 68.00 3 1
## 769 160 55.00 4 0
## 770 220 100.00 5 1
## 771 383 100.00 5 2
## 772 430 257.00 5 3
## 773 235 70.00 5 1
## 774 405 89.00 5 2
## 775 385 99.58 5 1
## 776 380 264.00 5 3
## 777 352 85.00 5 1
## 778 490 107.00 5 2
## 779 420 100.00 5 2
## 780 315 118.00 5 2
## 781 340 295.00 4 2
## 782 370 264.00 4 1
## 783 150 65.00 5 0
## 784 395 165.00 5 0
## 785 350 240.00 5 2
## 786 480 278.00 5 0
## 787 350 160.00 5 2
## 788 330 246.00 5 2
## 789 280 75.00 5 1
## 790 225 67.00 4 1
## 791 328 86.00 5 1
## 792 121 58.00 3 1
## 793 340 203.00 5 2
## 794 380 192.00 4 2
## 795 260 145.00 5 0
## 796 220 68.00 4 0
## 797 380 300.00 5 0
## 798 382 225.00 4 0
## 799 300 205.00 5 2
## 800 255 86.60 5 2
## 801 320 264.00 4 1
## 802 295 162.00 3 0
## 803 395 106.00 4 0
## 804 220 85.00 5 2
## 805 380 180.00 5 1
## 806 189 64.00 5 0
## 807 135 67.00 3 1
## 808 140 85.00 5 1
## 809 160 54.00 4 0
## 810 260 76.00 4 0
## 811 130 55.00 4 0
## 812 240 93.00 5 0
## 813 400 99.00 5 1
## 814 360 107.00 5 2
## 815 340 87.00 5 1
## 816 285 89.00 5 1
## 817 380 282.00 4 0
## 818 165 58.00 5 0
## 819 430 112.00 5 2
## 820 240 64.00 4 1
## 821 255 74.00 4 1
## 822 175 75.00 5 1
## 823 250 160.00 4 0
## 824 230 73.00 4 1
## 825 228 73.00 4 1
## 826 400 120.00 5 0
## 827 408 99.00 5 1
## 828 350 84.00 5 1
## 829 410 99.00 5 1
## 830 346 84.00 5 1
## 831 406 99.00 5 1
## 832 410 99.00 5 1
## 833 408 99.00 5 1
## 834 430 107.00 5 2
## 835 400 113.00 5 2
## 836 210 72.00 4 1
## 837 260 73.00 5 1
## 838 340 123.00 5 2
## 839 235 70.00 5 1
## 840 420 107.00 5 2
## 841 164 77.00 4 1
## 842 230 120.00 5 2
## 843 380 180.00 5 1
## 844 415 107.00 5 2
## 845 400 112.00 5 0
## 846 380 230.00 5 1
## 847 314 68.00 4 0
## 848 355 85.00 5 1
## 849 223 67.00 4 1
## 850 270 85.00 4 0
## 851 270 121.00 5 2
## 852 160 54.00 4 1
## 853 430 225.00 4 2
## 854 250 74.00 5 1
## 855 300 90.00 5 1
## 856 390 76.00 5 1
## 857 250 73.00 5 1
## 858 480 180.00 5 5
## 859 480 180.00 5 5
## 860 270 75.00 4 0
## 861 225 67.00 4 1
## 862 320 130.00 5 2
## 863 149 62.00 4 0
## 864 334 243.00 5 4
## 865 230 70.00 4 1
## 866 210 72.00 4 1
## 867 450 103.00 6 2
## 868 220 52.00 4 2
## 869 360 84.00 5 1
## 870 147 60.00 4 0
## 871 275 90.00 5 0
## 872 320 143.00 5 2
## 873 360 100.00 5 2
## 874 390 113.00 5 2
## 875 375 88.00 5 1
## 876 340 100.00 5 1
## 877 290 108.00 5 1
## 878 439 104.00 5 2
## 879 260 88.00 5 1
## 880 390 110.00 5 2
## 881 250 89.00 5 1
## 882 300 147.00 5 1
## 883 150 61.00 4 0
## 884 390 300.00 4 0
## 885 385 84.00 5 1
## 886 164 77.00 4 1
## 887 160 59.00 4 1
## 888 320 115.00 4 0
## 889 390 113.00 5 2
## 890 415 113.00 5 2
## 891 410 113.00 5 1
## 892 423 113.00 5 2
## 893 398 116.00 5 2
## 894 400 113.00 5 2
## 895 410 220.00 5 1
## 896 170 61.00 4 0
## 897 175 75.00 4 1
## 898 220 70.00 4 0
## 899 300 100.00 5 1
## 900 260 72.00 5 1
## 901 420 113.00 5 2
## 902 211 77.00 4 1
## 903 405 113.00 5 2
## 904 410 112.00 5 2
## 905 175 60.00 4 1
## 906 157 77.00 4 1
## 907 420 113.00 5 2
## 908 160 64.00 4 0
## 909 215 71.00 4 1
## 910 290 63.00 5 1
## 911 340 100.00 5 1
## 912 480 121.00 5 2
## 913 315 84.00 5 2
## 914 385 99.00 5 1
## 915 305 86.00 5 2
## 916 300 100.00 5 1
## 917 225 71.00 4 1
## 918 260 100.00 5 2
## 919 300 102.00 5 1
## 920 385 124.00 5 0
## 921 175 57.00 4 1
## 922 365 180.00 5 2
## 923 285 144.00 5 1
## 924 275 90.00 5 1
## 925 397 125.00 5 2
## 926 340 264.50 4 2
## 927 300 106.00 5 2
## 928 420 241.00 5 0
## 929 250 87.00 5 1
## 930 340 100.00 5 1
## 931 325 89.00 5 1
## 932 260 71.00 5 1
## 933 410 104.00 5 1
## 934 379 88.00 5 1
## 935 360 85.00 5 1
## 936 350 85.00 5 1
## 937 420 113.00 5 2
## 938 158 57.00 4 0
## 939 225 62.00 4 1
## 940 180 57.00 4 0
## 941 176 57.00 4 0
## 942 212 71.00 4 1
## 943 230 71.00 4 1
## 944 215 71.00 4 1
## 945 220 70.00 4 0
## 946 225 62.00 4 1
## 947 210 70.00 5 1
## 948 208 64.00 4 1
## 949 215 62.00 4 1
## 950 230 70.00 4 1
## 951 350 130.00 4 1
## 952 370 85.00 5 1
## 953 360 83.00 4 1
## 954 420 104.00 5 2
## 955 320 138.00 5 2
## 956 375 85.00 5 1
## 957 390 84.00 5 1
## 958 345 87.00 5 1
## 959 320 95.00 5 1
## 960 300 99.00 5 1
## 961 290 108.00 4 1
## 962 400 105.00 5 1
## 963 420 105.00 5 0
## 964 320 90.00 4 1
## 965 420 104.00 5 2
## 966 350 84.00 5 0
## 967 270 75.00 5 1
## 968 420 104.00 5 2
## 969 438 104.00 5 2
## 970 168 77.00 4 1
## 971 210 70.00 4 1
## 972 160 59.00 4 0
## 973 335 120.00 5 1
## 974 335 120.00 5 1
## 975 215 67.00 4 1
## 976 208 70.00 4 1
## 977 430 217.00 5 5
## 978 450 121.00 6 0
## 979 320 85.00 5 2
## 980 330 85.00 5 0
## 981 280 76.00 5 0
## 982 310 87.00 5 2
## 983 285 72.00 5 1
## 984 320 86.00 5 2
## 985 305 87.00 5 2
## 986 415 113.00 5 2
## 987 260 90.00 5 1
## 988 290 85.00 5 1
## 989 210 70.00 4 1
## 990 250 73.00 4 0
## 991 157 60.00 4 0
## 992 450 220.00 4 2
## 993 320 143.00 5 2
## 994 310 86.00 5 1
## 995 240 69.00 5 1
## 996 339 88.00 5 1
## 997 290 108.00 5 1
## 998 290 100.00 5 1
## 999 340 84.00 5 2
## 1000 360 107.00 5 2
## 1001 200 107.00 5 2
## 1002 480 121.00 5 2
## 1003 220 60.00 4 1
## 1004 400 105.00 5 2
## 1005 320 85.00 5 2
## 1006 295 52.00 5 1
## 1007 290 100.00 5 1
## 1008 390 280.00 5 2
## 1009 310 90.00 5 0
## 1010 290 107.00 5 1
## 1011 255 90.00 5 2
## 1012 320 149.00 5 2
## 1013 155 77.00 4 1
## 1014 340 207.00 4 0
## 1015 470 131.00 5 2
## 1016 170 63.00 4 0
## 1017 488 200.00 5 6
## 1018 170 107.00 5 2
## 1019 230 120.00 3 0
## 1020 450 280.00 5 1
## 1021 295 147.00 5 2
## 1022 210 73.00 4 1
## 1023 160 65.00 4 0
## 1024 300 102.00 5 2
## 1025 260 100.00 5 1
## 1026 445 113.00 5 2
## 1027 425 104.17 5 2
## 1028 230 68.00 5 1
## 1029 285 84.00 5 1
## 1030 215 76.00 5 1
## 1031 385 125.00 5 1
## 1032 250 90.00 5 1
## 1033 270 86.00 4 0
## 1034 240 90.00 5 1
## 1035 270 96.00 5 2
## 1036 440 276.00 5 1
## 1037 335 100.00 5 1
## 1038 410 104.00 5 2
## 1039 420 113.00 5 2
## 1040 335 88.00 5 1
## 1041 360 88.00 5 1
## 1042 290 62.00 5 1
## 1043 375 83.00 5 1
## 1044 420 109.00 5 2
## 1045 185 104.00 4 1
## 1046 135 75.00 3 1
## 1047 390 90.00 5 1
## 1048 392 90.00 5 1
## 1049 270 70.00 5 1
## 1050 250 82.00 5 2
## 1051 140 56.00 4 1
## 1052 145 60.00 3 0
## 1053 330 114.00 5 1
## 1054 250 103.00 5 2
## 1055 420 200.00 5 2
## 1056 290 110.00 5 1
## 1057 300 146.00 5 1
## 1058 480 139.00 5 3
## 1059 415 105.00 6 2
## 1060 340 85.00 5 1
## 1061 320 108.00 5 1
## 1062 200 78.00 5 1
## 1063 340 84.00 5 1
## 1064 220 65.00 5 0
## 1065 470 131.00 5 2
## 1066 330 275.00 5 2
## 1067 190 61.00 4 0
## 1068 370 160.00 5 3
## 1069 320 230.00 5 2
## 1070 380 240.00 4 4
## 1071 430 300.00 6 3
## 1072 360 170.00 5 3
## 1073 370 180.00 5 2
## 1074 350 110.00 5 1
## 1075 285 90.00 4 0
## 1076 440 132.00 5 1
## 1077 380 125.00 5 2
## 1078 265 125.00 4 2
## 1079 320 85.00 5 2
## 1080 275 78.00 5 2
## 1081 325 128.00 5 1
## 1082 390 110.00 5 2
## 1083 279 83.00 5 1
## 1084 260 90.00 5 1
## 1085 340 84.00 5 1
## 1086 270 83.00 5 1
## 1087 370 99.55 6 1
## 1088 365 90.00 5 1
## 1089 260 100.00 5 1
## 1090 220 74.00 4 0
## 1091 310 87.00 5 2
## 1092 340 100.00 5 1
## 1093 215 75.00 5 1
## 1094 272 90.00 4 0
## 1095 470 155.00 5 2
## 1096 250 75.00 4 1
## 1097 400 210.00 5 1
## 1098 260 86.00 5 1
## 1099 265 94.00 5 0
## 1100 170 63.00 4 1
## 1101 395 145.00 5 1
## 1102 320 86.00 5 2
## 1103 290 85.00 5 1
## 1104 310 85.00 5 1
## 1105 320 130.00 5 1
## 1106 290 75.00 5 2
## 1107 410 108.00 5 0
## 1108 315 116.00 5 1
## 1109 230 70.00 5 1
## 1110 300 77.00 5 1
## 1111 420 265.00 4 0
## 1112 415 120.00 6 1
## 1113 185 58.00 4 0
## 1114 380 126.00 4 2
## 1115 135 58.00 4 0
## 1116 370 160.00 5 2
## 1117 300 128.00 5 2
## 1118 390 240.00 5 1
## 1119 265 147.00 5 1
## 1120 195 89.00 5 1
## 1121 205 53.00 5 1
## 1122 220 105.00 5 1
## 1123 385 125.00 5 1
## 1124 235 94.00 4 1
## 1125 210 77.00 4 1
## 1126 202 117.00 5 1
## 1127 270 152.00 4 1
## 1128 150 80.00 4 1
## 1129 480 158.00 5 0
## 1130 240 120.00 5 0
## 1131 480 115.00 6 2
## 1132 139 64.00 4 0
## 1133 149 60.00 4 0
## 1134 165 60.00 4 0
## 1135 120 60.00 4 1
## 1136 340 121.00 4 2
## 1137 410 240.00 5 2
## 1138 107 102.00 4 0
## 1139 300 110.00 5 0
## 1140 175 65.00 4 0
## 1141 175 65.00 4 0
## 1142 250 105.00 5 1
## 1143 210 70.00 5 0
## 1144 430 270.00 4 2
## 1145 230 120.00 3 0
## 1146 330 285.00 3 0
## 1147 335 300.00 4 3
## 1148 250 113.00 5 1
## 1149 330 220.00 5 2
## 1150 350 85.00 5 1
## 1151 320 86.00 5 1
## 1152 390 90.00 5 1
## 1153 365 188.00 5 0
## 1154 204 74.00 5 1
## 1155 200 60.00 4 1
## 1156 70 46.00 3 1
## 1157 250 70.00 5 1
## 1158 235 101.00 5 1
## 1159 350 118.00 5 2
## 1160 115 54.00 3 1
## 1161 125 60.00 4 1
## 1162 112 58.00 3 1
## 1163 145 58.00 3 1
## 1164 240 98.00 4 1
## 1165 210 117.00 5 1
## 1166 450 210.00 5 0
## 1167 260 138.00 5 0
## 1168 150 63.00 4 0
## 1169 150 59.00 4 0
## 1170 340 240.00 5 2
## 1171 415 118.00 5 2
## 1172 300 152.00 5 1
## 1173 190 68.00 5 0
## 1174 300 287.00 4 1
## 1175 280 105.00 5 1
## 1176 490 118.00 5 2
## 1177 150 67.00 3 1
## 1178 460 95.00 5 2
## 1179 380 240.00 4 0
## 1180 320 165.00 5 2
## 1181 240 103.00 4 1
## 1182 435 90.00 6 2
## 1183 310 93.00 6 0
## 1184 190 104.12 4 1
## 1185 300 77.00 5 1
## 1186 440 116.00 5 2
## 1187 176 140.00 5 0
## 1188 225 73.00 4 1
## 1189 470 152.00 5 2
## 1190 330 240.00 4 1
## 1191 225 78.00 5 1
## 1192 190 145.00 5 0
## 1193 397 160.48 4 1
## 1194 420 125.00 5 2
## 1195 385 120.00 6 2
## 1196 225 95.00 4 1
## 1197 450 300.00 4 1
## 1198 300 163.00 4 1
## 1199 250 118.00 4 1
## 1200 220 136.00 5 2
## 1201 430 250.00 4 7
## 1202 390 268.00 5 0
## 1203 450 220.00 5 3
## 1204 320 100.00 5 2
## 1205 250 106.00 5 1
## 1206 180 147.00 5 0
## 1207 251 140.00 5 1
## 1208 300 170.00 5 1
## 1209 390 187.00 6 1
## 1210 118 60.00 4 0
## 1211 142 60.00 4 0
## 1212 435 170.00 3 2
## 1213 385 116.00 5 2
## 1214 460 152.00 5 2
## 1215 300 76.00 5 1
## 1216 175 90.00 4 0
## 1217 140 60.00 3 0
## 1218 380 171.10 5 2
## 1219 250 106.00 4 1
## 1220 327 143.00 5 2
## 1221 250 270.00 5 1
## 1222 330 80.00 5 1
## 1223 330 142.00 5 2
## 1224 190 81.00 4 1
## 1225 350 124.00 5 2
## 1226 350 98.00 4 2
## 1227 400 110.00 6 0
## 1228 250 98.00 4 1
## 1229 300 136.00 4 2
## 1230 450 230.00 5 2
## 1231 175 80.00 3 1
## 1232 260 110.00 5 1
## 1233 350 120.00 5 2
## 1234 155 61.00 3 0
## 1235 370 240.00 5 3
## 1236 420 300.00 3 2
## 1237 370 264.00 3 0
## 1238 390 280.00 5 2
## 1239 400 300.00 3 1
## 1240 230 198.00 3 0
## 1241 265 140.00 3 0
## 1242 320 140.00 5 1
## 1243 355 190.00 4 2
## 1244 440 300.00 5 2
## 1245 210 144.00 3 1
## 1246 175 226.00 3 1
## 1247 280 145.00 3 0
## 1248 110 57.00 3 1
## 1249 270 111.00 4 1
## 1250 340 211.00 5 1
## 1251 260 115.00 5 1
## 1252 120 70.00 3 0
## 1253 130 60.00 3 1
## 1254 300 193.00 5 2
## 1255 92 47.00 3 0
## 1256 96 60.00 3 1
## 1257 400 126.00 5 4
## 1258 225 99.00 4 1
## 1259 110 60.00 3 1
## 1260 110 59.00 3 1
## 1261 95 54.00 3 1
## 1262 70 45.00 3 1
## 1263 270 100.00 5 1
## 1264 160 60.00 3 0
## 1265 120 58.00 3 1
## 1266 78 56.00 3 0
## 1267 130 60.00 4 0
## 1268 360 120.00 5 2
## 1269 290 48.00 6 0
## 1270 390 120.00 5 2
## 1271 300 136.00 4 2
## 1272 230 95.00 5 1
## 1273 450 118.00 6 0
## 1274 355 188.00 5 1
## 1275 246 159.38 5 2
## 1276 320 143.00 5 2
## 1277 300 126.00 4 2
## 1278 450 250.00 5 5
## 1279 480 219.00 6 2
## 1280 260 85.00 5 1
## 1281 445 47.00 5 0
## 1282 260 115.00 5 1
## 1283 300 115.00 5 1
## 1284 360 230.00 5 2
## 1285 350 133.00 6 2
## 1286 140 58.00 4 0
## 1287 295 140.00 5 1
## 1288 360 264.50 4 3
## 1289 350 300.00 5 3
## 1290 350 200.00 5 3
## 1291 143 58.00 4 0
## 1292 249 135.00 5 1
## 1293 245 165.00 5 2
## 1294 335 202.00 5 1
## 1295 400 290.00 5 2
## 1296 400 171.00 5 1
## 1297 250 114.00 5 2
## 1298 335 220.00 5 1
## 1299 485 250.00 4 1
## 1300 310 147.00 4 1
## 1301 120 80.00 3 0
## 1302 400 186.00 5 1
## 1303 380 180.00 5 1
## 1304 320 142.00 5 2
## 1305 100 52.00 3 0
## 1306 310 137.00 5 2
## 1307 200 65.00 5 1
## 1308 275 85.00 5 1
## 1309 250 114.00 5 2
## 1310 350 240.00 5 2
## 1311 335 165.00 5 2
## 1312 370 107.00 5 3
## 1313 350 179.00 6 2
## 1314 315 270.00 4 2
## 1315 340 162.00 4 1
## 1316 245 67.00 5 1
## 1317 230 64.00 5 1
## 1318 342 250.00 5 1
## 1319 350 265.00 4 0
## 1320 435 297.00 4 1
## 1321 220 75.00 3 0
## 1322 129 84.00 3 0
## 1323 275 190.00 4 0
## 1324 125 60.00 3 1
## 1325 270 173.00 5 2
## 1326 250 74.00 4 1
## 1327 155 61.00 4 1
## 1328 115 54.00 3 0
## 1329 138 59.00 4 0
## 1330 250 85.00 4 1
## 1331 310 300.00 3 0
## 1332 490 200.00 5 4
## 1333 310 300.00 3 0
## 1334 415 143.00 5 1
## 1335 369 208.00 5 1
## 1336 154 104.00 3 0
## 1337 220 150.00 3 1
## 1338 240 100.00 4 1
## 1339 185 85.00 4 1
## 1340 260 152.00 5 1
## 1341 360 129.00 6 2
## 1342 470 111.00 6 2
## 1343 215 60.00 4 1
## 1344 115 80.00 3 0
## 1345 390 90.00 5 1
## 1346 165 80.00 4 2
## 1347 170 73.00 4 1
## 1348 320 129.00 5 1
## 1349 420 145.00 4 1
## 1350 240 72.00 5 1
## 1351 470 300.00 6 1
## 1352 370 152.00 5 1
## 1353 280 173.00 6 2
## 1354 271 226.00 4 0
## 1355 435 250.00 4 0
## 1356 300 115.00 5 2
## 1357 225 90.00 4 1
## 1358 415 297.00 4 1
## 1359 405 174.00 5 2
## 1360 296 232.00 4 0
## 1361 470 131.00 6 2
## 1362 295 75.00 5 1
## 1363 295 75.00 5 1
## 1364 340 86.00 5 1
## 1365 350 191.00 6 2
## 1366 280 140.00 5 1
## 1367 340 250.00 5 2
## 1368 110 66.00 3 1
## 1369 225 73.00 4 1
## 1370 190 78.00 4 1
## 1371 330 70.00 5 1
## 1372 411 90.00 5 2
## 1373 320 90.00 5 0
## 1374 310 88.00 5 1
## 1375 250 96.00 4 0
## 1376 280 173.00 4 2
## 1377 480 293.00 5 1
## 1378 470 111.00 6 2
## 1379 195 57.00 4 1
## 1380 500 145.00 5 2
## 1381 203 44.00 5 1
## 1382 252 63.00 5 1
## 1383 215 145.00 3 0
## 1384 340 160.00 5 2
## 1385 404 270.00 5 1
## 1386 420 250.00 5 1
## 1387 89 130.00 3 1
## 1388 135 53.00 3 0
## 1389 430 116.00 6 2
## 1390 225 117.00 5 1
## 1391 390 180.00 5 0
## 1392 145 75.00 3 1
## 1393 69 50.00 3 0
## 1394 255 74.00 5 1
## 1395 100 60.00 3 0
## 1396 395 150.00 5 2
## 1397 480 300.00 5 1
## 1398 320 120.00 5 1
## 1399 260 87.00 5 1
## 1400 370 192.00 4 2
## 1401 180 78.00 3 1
## 1402 160 80.00 4 1
## 1403 420 198.00 4 0
## 1404 500 239.00 6 1
## 1405 315 125.00 4 1
## 1406 480 236.00 6 0
## 1407 120 53.00 3 0
## 1408 440 92.00 5 0
## 1409 150 63.00 5 1
## 1410 280 180.00 4 0
## 1411 100 55.00 3 0
## 1412 150 75.00 4 1
## 1413 285 95.00 5 0
## 1414 320 108.00 4 2
## 1415 400 225.00 4 0
## 1416 500 200.00 5 4
## 1417 152 82.00 4 1
## 1418 450 150.00 5 2
## 1419 430 117.00 6 2
## 1420 430 214.00 6 2
## 1421 450 85.00 6 2
## 1422 390 100.00 6 1
## 1423 480 178.00 6 2
## 1424 450 106.00 6 0
## 1425 420 149.00 5 2
## 1426 480 240.00 6 0
## 1427 250 104.00 6 0
## 1428 380 130.00 6 2
## 1429 420 84.00 6 2
## 1430 310 95.00 5 1
## 1431 445 131.00 5 2
## 1432 470 223.10 6 1
## 1433 400 117.00 6 2
## 1434 98 58.00 3 0
## 1435 470 131.00 5 2
## 1436 340 127.00 4 0
## 1437 440 150.00 6 0
## 1438 180 54.53 6 1
## 1439 180 54.53 6 1
## 1440 490 130.00 6 2
## 1441 200 190.00 3 1
## 1442 440 230.00 4 0
## 1443 260 72.00 5 1
## 1444 270 137.00 4 0
## 1445 230 73.00 5 1
## 1446 159 61.00 4 0
## 1447 337 80.00 4 0
## 1448 160 160.00 3 0
## 1449 420 124.00 5 3
## 1450 160 56.00 4 0
## 1451 390 265.00 5 1
## 1452 380 120.00 5 2
## 1453 470 170.00 6 2
## 1454 230 170.00 3 1
## 1455 385 103.00 5 2
## 1456 250 96.00 4 1
## 1457 220 67.00 4 1
## 1458 400 156.00 6 2
## 1459 490 118.00 5 0
## 1460 450 225.00 5 0
## 1461 124 64.00 3 1
## 1462 450 300.00 4 0
## 1463 155 80.00 3 0
## 1464 318 108.00 5 0
## 1465 500 160.00 4 0
## 1466 440 140.00 5 0
## 1467 98 57.00 3 0
## 1468 240 78.00 4 0
## 1469 360 240.00 4 0
## 1470 100 49.00 3 0
## 1471 370 120.00 5 0
## 1472 435 113.00 5 2
## 1473 310 90.00 5 0
## 1474 285 82.00 5 1
## 1475 480 126.00 6 0
## 1476 145 55.00 4 1
## 1477 220 86.00 5 2
## 1478 260 280.00 4 2
## 1479 245 103.00 4 1
## 1480 320 173.00 5 3
## 1481 135 57.00 3 1
## 1482 95 56.00 3 0
## 1483 155 92.00 4 0
## 1484 150 60.00 5 1
## 1485 340 264.00 4 2
## 1486 330 240.00 4 0
## 1487 160 80.00 4 1
## 1488 130 65.00 3 0
## 1489 167 100.00 3 0
## 1490 415 116.00 6 0
## 1491 210 83.00 4 0
## 1492 490 227.00 6 0
## 1493 340 200.00 4 0
## 1494 430 100.00 6 0
## 1495 152 62.00 3 0
## 1496 330 280.00 3 2
## 1497 300 67.00 6 0
## 1498 283 61.00 6 0
## 1499 420 200.00 5 4
## 1500 310 120.00 4 1
## 1501 135 60.00 3 0
## 1502 149 130.00 3 0
## 1503 280 145.00 5 0
## 1504 320 86.00 5 1
## 1505 390 240.00 4 0
## 1506 170 62.00 5 0
## 1507 400 220.00 5 1library(PerformanceAnalytics)## Loading required package: xts##
## Attaching package: 'xts'## The following object is masked from 'package:leaflet':
##
## addLegend##
## Attaching package: 'PerformanceAnalytics'## The following object is masked from 'package:graphics':
##
## legendchart.Correlation(as.matrix(sub3_1),histogram = TRUE,pch=12)
#exploracion bivariada: precio_millon vs Area_construida
g3_1=ggplot(data=sub3_1,mapping=
aes(x=Area_contruida,y=precio_millon))+geom_point()+theme_bw()+
geom_smooth(method = "lm")
ggplotly(g3_1)## `geom_smooth()` using formula 'y ~ x'#exploracion bivariada: precio_millon vs Estrato
g3_2=ggplot(data=sub3_1,mapping=
aes(x=Estrato,y=precio_millon))+geom_point()+theme_bw()+
geom_smooth(method = "lm")
ggplotly(g3_2)## `geom_smooth()` using formula 'y ~ x'#exploracion bivariada: precio_millon vs Estrato
g3_3=ggplot(data=sub3_1,mapping=aes(x=parqueaderos,y=precio_millon))+geom_point()+theme_bw()+
geom_smooth(method = "lm")
ggplotly(g3_3)## `geom_smooth()` using formula 'y ~ x'En conclusion: Podemos observar una realcion lineal directamente proporcional entre los atributos y el precio del inmueble.
c) Estime un modelo de regresion lineal multiple con las variables del punto anterior e interprete los coeficientes si son estadisticamente significativos.
mod3 <- lm(precio_millon ~Area_contruida+Estrato+parqueaderos, data = sub3_1 )
summary(mod3)##
## Call:
## lm(formula = precio_millon ~ Area_contruida + Estrato + parqueaderos,
## data = sub3_1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -199.743 -36.332 -4.719 29.130 295.975
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -122.56056 7.03538 -17.421 < 2e-16 ***
## Area_contruida 0.86344 0.02657 32.501 < 2e-16 ***
## Estrato 64.92647 1.80809 35.909 < 2e-16 ***
## parqueaderos 14.54242 2.03775 7.137 1.48e-12 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 58.44 on 1503 degrees of freedom
## Multiple R-squared: 0.7295, Adjusted R-squared: 0.729
## F-statistic: 1351 on 3 and 1503 DF, p-value: < 2.2e-16Tiene un R^2 de 0.729 lo que indica una interpretacion de la varianza bastante alta por parte de las variables explicativas.
Todas las variables son significativas y positivas lo que indica como se observo previamente que el aumento en los valores en cada una de estas aumenta el precio del inmueble.
d) Validacion de supuestos
par(mfrow=c(2,2))
plot(mod3)
shapiro.test(mod3$residuals)##
## Shapiro-Wilk normality test
##
## data: mod3$residuals
## W = 0.97798, p-value = 1.975e-14Cumple con normalidad
bptest(mod3)##
## studentized Breusch-Pagan test
##
## data: mod3
## BP = 76.206, df = 3, p-value < 2.2e-16Cumple con heterocedasticidad
dwtest( mod3,
alternative = "two.sided",
data = sub3_1)##
## Durbin-Watson test
##
## data: mod3
## DW = 1.8136, p-value = 0.0002719
## alternative hypothesis: true autocorrelation is not 0Cumple con indepencia en los residuos
Conclusion Cumple con los supuestos requeridos, lo que evidencia un modelo robusto para tomar decisiones.
e) Con el modelo identificado predecir el precio de un apartamento con 100 mt2, de estrato 4 y con parqueadero. si este apartamento lo estan ofreciendo en 450 millones cual seria su opinion con base en el resultado del modelo considera que es una buena oferta?
predict(mod3,list(Area_contruida=100, Estrato=4, parqueaderos=1),interval="confidence",level=0.95)## fit lwr upr
## 1 238.0318 234.9782 241.0854El modelo pronostica un precio de $238M para esas condiciones, por lo que una oferta de 450 es sobreestimada frente a lo que plantea el modelo.
f) Con las predicciones del modelo sugiera potenciales ofertas para una persona interesada en un apartamento en la zona norte con mas de 100 mt2 de area, de estrato 4, que tenga parqueadero y tenga encuentra que la persona tiene un credito preaprobado de minimo 400 millones de pesos.
#Oferta 1
predict(mod3,list(Area_contruida=100, Estrato=4, parqueaderos=1),interval="confidence",level=0.95)## fit lwr upr
## 1 238.0318 234.9782 241.0854#Oferta 2
predict(mod3,list(Area_contruida=125, Estrato=4, parqueaderos=1),interval="confidence",level=0.95)## fit lwr upr
## 1 259.6178 256.5114 262.7242#Oferta 3
predict(mod3,list(Area_contruida=150, Estrato=4, parqueaderos=1),interval="confidence",level=0.95)## fit lwr upr
## 1 281.2038 277.5474 284.8603#Oferta 4
predict(mod3,list(Area_contruida=275, Estrato=4, parqueaderos=2),interval="confidence",level=0.95)## fit lwr upr
## 1 403.6763 394.3135 413.0391#Oferta 5
predict(mod3,list(Area_contruida=285, Estrato=4, parqueaderos=1),interval="confidence",level=0.95)## fit lwr upr
## 1 397.7683 388.1706 407.3659Bajo las condiciones dadas, se puede presentar ofertas de apto hasta de 285 mts con 1 parqueadero en Estrato 4 y hasta de 275 mts con 2 parqueaderos.
EJERCICIO 4 Con base en los datos de arboles proponga un modelo de regresion lineal multiple que permita predecir el peso del arbol en funcion de las covariables que considere importantes y seleccionandolas de acuerdo con un proceso adecuado.
data4 = read_excel("G:/ACADEMIA/JAVERIANA CALI/2. SEMESTRE 2022 - II/2. Met. Estad. para la Toma Decisiones/data_arboles.xlsx")
head(data4)## # A tibble: 6 x 5
## finca mg peso diametro altura
## <chr> <chr> <chr> <chr> <chr>
## 1 FINCA_1 GENOTIPO_1 13.73 4.7 5
## 2 FINCA_1 GENOTIPO_1 14.58 5.3 5.6
## 3 FINCA_1 GENOTIPO_1 15.88 4.8 5.8
## 4 FINCA_1 GENOTIPO_1 8.99 3.2 4.3
## 5 FINCA_1 GENOTIPO_1 6.99 2.2 3.3
## 6 FINCA_1 GENOTIPO_2 19.34 6.3 7.9data4$diametro=as.numeric(data4$diametro)
data4$altura=as.numeric(data4$altura)#se prueba un primer modelo con la totalidad de variables
mod4 <- lm(peso ~diametro+altura+mg+finca, data = data4 )
summary(mod4)##
## Call:
## lm(formula = peso ~ diametro + altura + mg + finca, data = data4)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.1009 -1.8569 -0.5094 1.5578 12.8691
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -13.95177 1.68295 -8.290 1.59e-12 ***
## diametro 2.57058 0.76282 3.370 0.001138 **
## altura 2.98566 0.76616 3.897 0.000195 ***
## mgGENOTIPO_2 -4.50270 1.23667 -3.641 0.000468 ***
## fincaFINCA_2 -0.03095 0.99140 -0.031 0.975166
## fincaFINCA_3 3.51938 0.83466 4.217 6.23e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.983 on 84 degrees of freedom
## Multiple R-squared: 0.8738, Adjusted R-squared: 0.8662
## F-statistic: 116.3 on 5 and 84 DF, p-value: < 2.2e-16library(fastDummies)
data4 = dummy_cols(data4, select_columns = c("mg","finca"))colnames(data4)## [1] "finca" "mg" "peso" "diametro"
## [5] "altura" "mg_GENOTIPO_1" "mg_GENOTIPO_2" "finca_FINCA_1"
## [9] "finca_FINCA_2" "finca_FINCA_3"#se prueba modelo con variables dummy para categoricas
mod4_1 <- lm(peso ~ diametro+altura+mg_GENOTIPO_1+
finca_FINCA_1+finca_FINCA_2,
data = data4 )
summary(mod4_1)##
## Call:
## lm(formula = peso ~ diametro + altura + mg_GENOTIPO_1 + finca_FINCA_1 +
## finca_FINCA_2, data = data4)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.1009 -1.8569 -0.5094 1.5578 12.8691
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -14.9351 2.7436 -5.444 5.08e-07 ***
## diametro 2.5706 0.7628 3.370 0.001138 **
## altura 2.9857 0.7662 3.897 0.000195 ***
## mg_GENOTIPO_1 4.5027 1.2367 3.641 0.000468 ***
## finca_FINCA_1 -3.5194 0.8347 -4.217 6.23e-05 ***
## finca_FINCA_2 -3.5503 0.8991 -3.949 0.000163 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.983 on 84 degrees of freedom
## Multiple R-squared: 0.8738, Adjusted R-squared: 0.8662
## F-statistic: 116.3 on 5 and 84 DF, p-value: < 2.2e-16Se obtiene un modelo robusto, de buena capacidad de explicacion de varianza con un 86.6% y con variables explicativas significantes.
par(mfrow=c(2,2))
plot(mod4_1)
head(data4)## # A tibble: 6 x 10
## finca mg peso diametro altura mg_GENOTIPO_1 mg_GENOTIPO_2 finca_FINCA_1
## <chr> <chr> <chr> <dbl> <dbl> <int> <int> <int>
## 1 FINCA_1 GENOT~ 13.73 4.7 5 1 0 1
## 2 FINCA_1 GENOT~ 14.58 5.3 5.6 1 0 1
## 3 FINCA_1 GENOT~ 15.88 4.8 5.8 1 0 1
## 4 FINCA_1 GENOT~ 8.99 3.2 4.3 1 0 1
## 5 FINCA_1 GENOT~ 6.99 2.2 3.3 1 0 1
## 6 FINCA_1 GENOT~ 19.34 6.3 7.9 0 1 1
## # ... with 2 more variables: finca_FINCA_2 <int>, finca_FINCA_3 <int>Validacion Cruzada
##Paso 1 - Segmentar los datos
id_modelar=sample(1:200, size=160)
peso_modelar=data4[id_modelar,]
peso_validar=data4[-id_modelar,]
##Paso 2 - Estimar el modelo en el set de entrenamiento
mod4_modelar=lm(peso ~ diametro+altura+mg_GENOTIPO_1+
finca_FINCA_1+finca_FINCA_2,
data = peso_modelar )
##Paso 3 - Predecir set de validacion
peso_pred=predict(mod4_modelar,list(diametro=peso_validar$diametro,
altura=peso_validar$altura,
mg_GENOTIPO_1=peso_validar$mg_GENOTIPO_1,
finca_FINCA_1=peso_validar$finca_FINCA_1,
finca_FINCA_2=peso_validar$finca_FINCA_2))
##Paso 4 - Comparar ventas del modelo y reales
peso_real=peso_validar$peso
error=as.numeric(peso_real)- as.numeric(peso_pred)
res=data.frame(peso_real,peso_pred,error)
##Paso 5 - Calcular indicador de evaluacion de prediccion
MAE=mean(abs(error))
MAE## [1] 2.019837RMSE=sqrt(mean(error^2))
RMSE## [1] 2.188783res## peso_real peso_pred error
## 1 13.73 12.813118 0.9168821
## 2 16.62 18.173938 -1.5539380
## 3 15.83 14.562068 1.2679316
## 4 7.87 5.584666 2.2853339
## 5 11.04 8.857498 2.1825018
## 6 10.69 12.831752 -2.1417523
## 7 9.93 7.516704 2.4132959
## 8 16.08 19.594321 -3.5143206
## 9 23.82 27.639085 -3.8190851
## 10 17.01 18.301655 -1.2916546
## 11 25.24 24.412025 0.8279751
## 12 32.44 30.253911 2.1860893
## 13 30.51 28.184557 2.3254429
## 14 33.42 31.411617 2.0083827
## 15 17.71 18.984442 -1.2744423
## 16 13.98 15.100518 -1.1205177
## 17 24.47 22.441504 2.0284961
## 18 22.82 26.009958 -3.1899579
## 19 21.8 25.056329 -3.2563295
## 20 13.3 12.125664 1.1743362
## 21 15.4 13.762080 1.6379202