Scripts Curso Estadistica

Regresion Lineal Simple

library(lmtest)
datos=read.table("dataset.txt",header = TRUE)
View(datos)
head(datos,n=12L)
attach(datos)
# Gráfica de dispersion
plot(x=Variable Independiente,
     y=Variable Dependiente,
     xlab = "Variable Independiente",
     ylab = "Variable dependiente",
     main="Diagrama de dispersión para la relación...",
     pch="*")

# Modelo matemático
modelo=lm(Variable Dependiente~Variable Independiente,data = datos)
#Coeficente de correlación
coef_correlacion=cor(Variable Independiente,Variable Dependiente)
print(coef_correlacion)
#La fuerza de la relación entre las variables Tiempo y Rendimiento está explicada en un 67.33% por el modelo de regresion lineal simple
summary(modelo)
#Intervalos de confianza para los coeficientes de regresión
confint(modelo,level = 0.95)
#Anova
anova=anova(modelo)
print(anova)
#Anova LOF, en caso de varias observaciones de y para cada x.
#anova_lof=anovaPE(modelo)
#print(anova_lof)

#Gráfica de la recta ajustada

plot(Var Independiente,Var Dependiente,
     type = "p",
     pch="*",
     xlab = "Var Independiente",
     ylab = "Var Dependiente",
     main = "Recta de Regresión Ajustada",
     col="#D8152F")
abline(modelo,col="#BB00BB",lty=2,lwd=3)

#Pruebas de adecuación
normalidad=shapiro.test(resid(modelo))
print(normalidad)
independencia=dwtest(modelo)
print(independencia)
homocedasticidad=bartlett.test(list(Tiempo,Rendimiento))
print(homocedasticidad)

Regresion Lineal Múltiple

library(lmtest)
library(car)
#Carga de datos
df=read.csv("dataset.csv")
View(df)
attach(df)
#Plantear modelo matemático
modelo=lm(Variable Dependeinte~Variable Independiente1+Variable Independiente2+...,data=df)
summary(modelo)
#Selección del mejor modelo
step(modelo)
#Matriz de correlación
cor(df)
#Analisis Residual
normalidad=shapiro.test(resid(modelo))
print(normalidad)
independencia=dwtest(modelo)
print(independencia)
#Activar la libreria car, y dentro de ella se utiliza la funcion ncvTest
igualdad_varianzas=ncvTest(modelo)
print(igualdad_varianzas)

Diseño Completamente al Azar

library(lmtest)
library(car)
df=read.csv("dataset.csv")
View(df)
attach(df)
#Para cambiar el tipo de dato del conjunto a factor utilizaremos la funcion as. factor
f.tratamiento=as.factor(Tratamiento)
#Modelo matemático
modelo=lm(Respuesta~f.tratamiento)
summary(modelo)
anova=aov(modelo)
summary(anova)
#Analisis post hoc
prueba_rango_multiple=TukeyHSD(anova,conf.levl = .95)
print(prueba_rango_multiple)
#Gráfica de caja y bigote
boxplot(Respuesta~Tratamiento,xlab = "Niveles del Tratamiento",
        ylab = "Variable de respuesta ",
        main="Titulo...")
#Pruebas de adecuación
normalidad=shapiro.test(resid(modelo))
print(normalidad)
independencia=dwtest(modelo)
print(independencia)
varianzas_iguales=ncvTest(modelo)
print(varianzas_iguales)

Diseño en Bloques Completamente al Azar

library(lmtest)
library(car)
df=read.csv("dataset.csv")
View(df)
attach(df)
f.tratamiento=as.factor(Tratamiento)
f.bloque=as.factor(Bloque)
#Modelo matematico
modelo=lm(Respuesta~f.tratamiento+f.bloque)
summary(modelo)
f.bloque=as.factor(Bloque,ordered=TRUE)
f.bloque=factor(f.bloque,levels = c("Lunes","Martes","Miercoles","Jueves","Viernes"))
#Modelo matematico
modelo=lm(Respuesta~f.tratamiento+f.bloque)
summary(modelo)
#Analisis de varianza
anova=aov(modelo)
summary(anova)
#Pruebas de rango múltiple
prueba_tukey=TukeyHSD(anova)
print(prueba_tukey)
#Gráfica de cajas
boxplot(Respuesta~f.tratamiento)
boxplot(Respuesta~f.bloque)
#Pruebas de adecuacion
normalidad=shapiro.test(resid(modelo))
print(normalidad)
independencia=dwtest(modelo)
print(independencia)
varianzas_iguales=ncvTest(modelo)
print(varianzas_iguales)
install.packages("readxl")

Diseño Factorial

library(lmtest)
library(car)
datos=read.csv("dataset.csv")
#datos=read_excel("nombre_archivo.xlsx")
View(datos)
attach(datos)
f.t1=as.factor(Tratamiento1)
f.t2=as.factor(Tratamiento2)
modelo=lm(Respuesta~f.t1+f.t2+f.t1*f.t2)
summary(modelo)
anova=aov(modelo)
summary(anova)
#Pruebas de Tukey
tukey=TukeyHSD(anova)
print(tukey)

#Graficas de caja para los efectos individuales
pieza=boxplot(Respuesta~f.t1,
              xlab = "Descripcion del tratamiento1",
              ylab = "Variable de Respuesta",
              main = "Titulo del gráfico...",
              col = "...")
inspector=boxplot(Respuesta~f.inspector,
                  xlab = "Descripcion del tratamiento2",
                  ylab="Variable de Respuesta",
                  main="Titulo...",
                  col="...")
#Grafica de interacciones
interaccion=interaction.plot(x.factor = f.t1,
                             trace.factor = f.t2,
                             response = Respuesta,
                             main="Interacciones Tratamiento1-Tratamiento2")
#Pruebas de adecuación
normalidad=shapiro.test(resid(modelo))
print(normalidad)
independencia=dwtest(modelo)
print(independencia)
varianzas_iguales=ncvTest(modelo)
print(varianzas_iguales)