Академический Документы
Профессиональный Документы
Культура Документы
Ejercicio 1
Para estudiar el efecto de las aguas residuales de las alcantarillas que afluyen a
un lago, se toman medidas de la concentracin de nitrato en el agua. Para
monitorizar la variable se ha utilizado un antiguo mtodo manual. Se idea un
nuevo mtodo automtico. Si se pone de manifiesto una alta correlacin positiva
entre las medidas tomadas empleando los dos mtodos, entonces se har uso
habitual del mtodo automtico. Los datos obtenidos son los siguientes:
Manual = X
Automtico = Y
25
30
40
80
120
150
75
80
150
200
300
350
270
240
400
320
450
470
575
583
>regresion=lm(Automtico~Manual,d
ata=datos)
> summary(regresion)
DESARROLLO
X
1
25
2
40
3
120
4
75
5
150
6
300
7
270
8
400
9
450
10 575
Call:
lm(formula
datos)
Y
30
80
150
80
200
350
240
320
470
583
= Automtico ~ Manual, data =
Residuals:
Min
1Q Median
3Q Max
-78.98 -18.57 14.31 23.53 44.24
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 26.11496 21.20188 1.232
0.253
Manual
0.93216 0.07064 13.195 1.04e06 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 .
0.1 1
ECUACION
Ejercicio 2
Sobre una hoja de papel cuadriculado dibuje aproximadamente 5 cuadrados de
diversos tamaos.
a. Cuntos cuadritos encierra cada
Ejercicio 3
A partir de las siguientes observaciones para 5 aos de las variables X e Y,
ajstese el modelo de regresin de Y en funcin de X ms idneo. Donde:
Y: produccin nacional de un subsector industrial, en millones de toneladas.
X: tiempo
Ao
1995
X
1
Y
1,25
1996
1997
11,25
1998
20
1999
30,5
EN R
>
datos=read.table("aos.txt",header=T)>
attach(datos)
> datos
>regresion=lm(PRODUCCION~TIEMPO,d
ata=datos)
> summary(regresion)
DESARROLLO
X
Y
1
1
1.25
2
2
5.00
3
3
11.25
4
4
20.00
5
5
30.50
Call:
lm(formula = PRODUCCION ~ TIEMPO, data =
datos)
Residuals:
1
2
3
4
5
2.35 -1.25 -2.35 -0.95 2.20
Coefficients:
ECUACION
Y=7,3500x-8,4500
R= 0,9671
se acerca a 1 valor que garantiza en cierta
forma el uso del modelo lineal para el problema
P-valor= 0.002552 <0.05
Indicando que si existe una relacin entre los
aos y su potencial de produccin
Ejercicio 4
Cinco nias de 2,4, 6,7 y 8 aos pesan respectivamente 15, 19, 25, 38, y 34
kilogramos
respectivamente,
entonces
una
nia
aproximadamente:
A. 45
B. 55
C. 15
D. 51
E. 61
EDAD
2
4
6
PESO
15
19
25
de
12
aos
pesara
7
8
38
34
EN R
DESARROLLO
>
datos2=read.table("pesos.txt",header
=T)> attach(datos2)
> datos
>
regresion=lm(Peso~Edad,data=datos
2)
> summary(regresion)
X Y
1 2 15
2 4 19
3 6 25
4 7 38
5 8 34
Call:
lm(formula = Peso ~ Edad, data = datos2)
Residuals:
1
2
3
4
5
1.491 -1.974 -3.440 5.828 -1.905
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.0431
5.1936 1.164 0.329
Edad
3.7328
0.8933 4.178 0.025 *
--Signif. Codes: 0 *** 0.001 ** 0.01 * 0.05 .
0.1 1
Residual standard error: 4.303 on 3 degrees of
freedom
Multiple R-squared: 0.8534, Adjusted Rsquared: 0.8045
F-statistic: 17.46 on 1 and 3 DF, p-value:
0.02497
m= 3.7328
b= 6.043
ECUACION
Y=3.7328x+6.043
R= 0.8534
se acerca a 1 valor que garantiza en cierta
forma el uso del modelo lineal para el
problema
P-valor= 0.02497 <0.05
Indicando que si existe una relacin entre
nia
de
12
aproximadamente:
Ejercicio 5
aos
pesara
edad y peso.
Y=3.7328x+6.043
Y=3.7328(12)+6.043
Y= 50,8367
Estatura
60
80 100 110
5
112
>
regresion=lm(Estatura~Edad,data=dato
RESULTADO
1
2
3
4
5
X
1
2
3
4
5
Y
60
80
100
110
112
Call:
lm(formula = Estatura ~ Edad, data = datos)
s)
> summary(regresion)
Residuals:
1 2 3 4 5
-5.6 1.0 7.6 4.2 -7.2
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 52.200
7.650 6.824 0.00644
**
Edad
13.400
2.307 5.810 0.01015 *
--Signif. Codes: 0 *** 0.001 ** 0.01 * 0.05 .
0.1 1
ECUACION
Ejercicio 7
El
Grafico para los puntos dispersos est dado por:
Ejercicio 8
El diagrama de dispersin para la regresin lineal est dado por
C