Академический Документы
Профессиональный Документы
Культура Документы
Durante los 9 meses que dura el embarazo, se realizan varias ecografas que
permiten controlar y monitorizar el desarrollo del futuro beb.
En ellas uno de los parmetros ms importantes que se estiman es el peso del
feto.
Aunque las mediciones no son ms que estimaciones, con sus mrgenes de
error, son un gran indicativo de la normalidad del desarrollo del futuro beb.
a) Determine el objetivo del estudio
Evaluar la relacin entre el peso de los recin nacidos y el nmero de semanas
de gestacin.
b) Identifique las variables e indique en que escala han sido
medidas las variables
Las variables son:
Peso
Semanas
Peso
Variable explicativa
Semanas
pairs(datos1)
Y 32 x 1=X 132 x 2B 2 x 1+ 32 x 1
Luego:
^ 2x 1
Y^ 32 x 1=X 132 x 2B
Dnde:
2940
3130
2420
2450
2760
2440
3226
3301
2729
3410
2715
38
38
36
34
39
35
40
42
37
40
36
1
1
1
1
1
1
1
1
1
1
1
3095
3130
3244
2520
2928
3523
3446
2920
2957
3530
2580
39
39
39
35
39
41
42
38
39
42
38
1
1
1
1
1
3040
3500
3200
2000
3459
Donde:
37
42
41
39
40
1
1
1
1
1
3346
2619
3175
1500
2841
V1=columna de unos
V2=Peso
V3=Semanas
X1=as.matrix(X[,c(1,3)])
Y=as.matrix(X[,c(2)])
Y
[,1]
[1,] 2940
[2,] 3130
[3,] 2420
[4,] 2450
[5,] 2760
[6,] 2440
[7,] 3226
[8,] 3301
[9,] 2729
[10,] 3410
[11,] 2715
[12,] 3095
[13,] 3130
[14,] 3244
[15,] 2520
[16,] 2928
[17,]
[18,]
[19,]
[20,]
[21,]
[22,]
[23,]
[24,]
[25,]
[26,]
[27,]
[28,]
[29,]
[30,]
[31,]
[32,]
3523
3446
2920
2957
3530
2580
3040
3500
3200
2000
3459
3346
2619
3175
1500
2841
X1
V1 V3
[1,] 1 38
[2,] 1 38
[3,] 1 36
[4,] 1 34
[5,] 1 39
[6,] 1 35
[7,] 1 40
[8,] 1 42
[9,] 1 37
[10,] 1 40
[11,]
[12,]
[13,]
[14,]
[15,]
[16,]
[17,]
[18,]
[19,]
[20,]
[21,]
1
1
1
1
1
1
1
1
1
1
1
36
39
39
39
35
39
41
42
38
39
42
42
35
41
38
36
[22,]
[23,]
[24,]
[25,]
[26,]
[27,]
1
1
1
1
1
1
38
37
42
41
39
40
[28,]
[29,]
[30,]
[31,]
[32,]
1
1
1
1
1
42
35
41
38
36
Dnde:
B=INV%*%X1Y
B
Interpretacin:
B0:
B1: Por cada semana que incrementamos el peso del recin nacido aumenta en
132.940
g) Obtenga las respuestas ajustadas y los residuos del ajuste
modelo=lm(Peso~Semanas)
Yest=modelo$fitted.values
e=modelo$residuals
EJERCICIO 2
h) Determine el objetivo del estudio
Analizar el comportamiento del precio relativo de los textiles en funcin de la
renta per capital y el consumo per capital del sector textil holands.
i) Identifique las variables e indique en que escala han sido
medidas las variables
Las variables son:
Consumo
Renta
Precio
Variable explicativa
escala: Razn)
pairs(datos)
^ 3 x1
Y^ 17 x 1=X 117 x 3B
Dnde:
datos=read.table("Ejercicio2.txt", header=TRUE)
datos
uno consumo renta Precio
1 1 99.2 96.7 100.0
2 1 99.0 98.1 100.1
3 1 100.0 100.0 100.0
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Donde:
1
1
1
1
1
1
1
1
1
1
1
1
1
1
111.6 104.9
122.2 104.9
117.6 109.5
121.1 110.8
136.0 112.3
154.2 109.3
153.6 105.3
158.5 101.7
140.6 95.4
136.2 96.4
168.0 97.6
154.3 102.4
149.0 101.6
165.5 103.8
90.6
86.5
89.7
90.6
82.8
70.1
65.4
61.3
62.5
63.6
52.6
59.7
59.5
61.3
V1=columna de unos
V2=Consumo
V3=Renta
V4=Precio
> X1=as.matrix(datos2[,c(1,2,3)])
> X1
uno
[1,]
[2,]
[3,]
[4,]
[5,]
[6,]
[7,]
[8,]
[9,]
[10,]
[11,]
[12,]
[13,]
[14,]
[15,]
[16,]
[17,]
consumo renta
1 99.2 96.7
1 99.0 98.1
1 100.0 100.0
1 111.6 104.9
1 122.2 104.9
1 117.6 109.5
1 121.1 110.8
1 136.0 112.3
1 154.2 109.3
1 153.6 105.3
1 158.5 101.7
1 140.6 95.4
1 136.2 96.4
1 168.0 97.6
1 154.3 102.4
1 149.0 101.6
1 165.5 103.8
> Y=as.matrix(datos2[,c(4)])
>Y
[,1]
[1,] 100.0
[2,] 100.1
[3,] 100.0
[4,]
[5,]
[6,]
[7,]
[8,]
[9,]
[10,]
[11,]
[12,]
[13,]
[14,]
[15,]
[16,]
[17,]
90.6
86.5
89.7
90.6
82.8
70.1
65.4
61.3
62.5
63.6
52.6
59.7
59.5
61.3
Dnde:
[,1]
uno
1296.3
consumo 168372.2
renta 133758.1
> B=INV%*%X1Y
>B
[,1]
uno
88.8542232
consumo -0.6839216
renta
0.7709107
Interpretacin:
B0: Cuando el consumo y la renta es 0 el precio es 88.85
B1 y B2: Por cada persona que consume el producto textil y la renta aumente
en una unidad se incrementa el precio en -0.6839+0.7791
> e=modelo1$residuals
>e
1
2
3
4
5
4.4437355 3.3276762 2.4468674 -2.7971042 0.3524650
6
7
8
9
10
-3.1397638 -0.8482220 0.3858442 2.4459500 0.4192399
11
12
13
14
15
2.4457345 -3.7397251 -6.4198910 3.4037239 -2.5663739
16
17
-5.7744299 5.6142734
EJERCICIO 3
(Y)
Cajas (X1)
:
:
Distancia (X2)
Distancia recorrida
Variable explicativa
escala: Razn)
pairs(datos3)
13
14
15
16
17
18
19
20
21
22
23
24
25
4
6
9
10
6
7
3
17
10
26
9
8
4
225 13.50
462 19.75
448 24.00
776 29.00
200 15.35
132 19.00
36 9.50
770 35.10
140 17.90
810 52.32
450 18.75
635 19.83
150 10.75
^3x 1
Y^ 25 x 1=X 125 x 3B
Dnde:
X1
1
1
1
1
1
X2 X3
y
7 560 16.68
3 220 11.50
3 340 12.03
4 80 14.88
6 150 13.75
6
7
8
9
10
11
1 7 330 18.11
1 2 110 8.00
1 7 210 17.83
1 30 1460 79.24
1 5 605 21.50
1 16 688 40.33
12
13
14
15
16
17
18
1
1
1
1
1
1
1
10
4
6
9
10
6
7
215 21.00
225 13.50
462 19.75
448 24.00
776 29.00
200 15.35
132 19.00
19
20
21
22
23
24
25
1
1
1
1
1
1
1
3
17
10
26
9
8
4
36 9.50
770 35.10
140 17.90
810 52.32
450 18.75
635 19.83
150 10.75
Donde:
V1=columna de unos
V2=Cajas
V3=Distancia
V4=Tiempo
> X1=as.matrix(datos33[,c(1,2,3)])
> X1
X1 X2 X3
[1,] 1 7 560
[2,] 1 3 220
[3,] 1 3 340
[4,] 1 4 80
[5,] 1 6 150
[6,] 1 7 330
[7,] 1 2 110
[8,] 1 7 210
[9,] 1 30 1460
[10,] 1 5 605
[11,] 1 16 688
[12,] 1 10 215
[13,] 1 4 225
[14,] 1 6 462
[15,] 1 9 448
[16,] 1 10 776
[17,] 1 6 200
[18,] 1 7 132
[19,] 1 3 36
[20,] 1 17 770
[21,] 1 10 140
[22,] 1 26 810
[23,] 1 9 450
[24,] 1 8 635
[25,] 1 4 150
> Y=as.matrix(datos33[,c(4)])
>Y
[,1]
[1,] 16.68
[2,] 11.50
[3,] 12.03
[4,] 14.88
[5,] 13.75
[6,] 18.11
[7,] 8.00
[8,] 17.83
[9,] 79.24
[10,] 21.50
[11,] 40.33
[12,] 21.00
[13,] 13.50
[14,] 19.75
[15,] 24.00
[16,] 29.00
[17,] 15.35
[18,] 19.00
[19,] 9.50
[20,] 35.10
[21,] 17.90
[22,] 52.32
[23,] 18.75
[24,] 19.83
[25,] 10.75
> INV=solve(t(X1)%*%X1)
> X1Y=t(X1)%*%Y
> INV
X1
X2
X3
X1 1.128434e-01 -4.544570e-03 -8.094721e-05
X2 -4.544570e-03 2.758184e-03 -4.807176e-05
X3 -8.094721e-05 -4.807176e-05 1.230288e-06
> X1Y
[,1]
X1 559.60
X2 7375.44
X3 336666.69
> B=INV%*%X1Y
>B
[,1]
X1 2.37671760
X2 1.61552060
X3 0.01434847
Interpretacin:
B0: Cuando la distancia y el tiempo es 0 el tiempo de reparto es de
2.38.
B1 y B2: Por cada unidad de caja y por cada unidad de distancia que
> ajustadas=modelo1$fitted.values
> ajustadas
1
2
3
4
5
6
7
95.55626 96.77232 97.55313 93.39710 86.14753 92.83976 91.44822
8
9
10
11
12
13
14
82.41416 67.65405 64.98076 58.85427 66.23973 70.01989 49.19628
15
16
17
62.26637 65.27443 55.68573
> e=modelo1$residuals
>e
1
2
3
4
5
4.4437355 3.3276762 2.4468674 -2.7971042 0.3524650
6
7
8
9
10
-3.1397638 -0.8482220 0.3858442 2.4459500 0.4192399
11
12
13
14
15
2.4457345 -3.7397251 -6.4198910 3.4037239 -2.5663739
16
17
-5.7744299 5.6142734
Dnde: