EJERCICIO 1

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

Peso de los recin nacidos

Semanas

Semanas de gestacin de la Madre.

c) Identifique la variable respuesta y las variables explicativas.

Variable respuesta :

Peso

Variable explicativa

Semanas

d) Explore el posible modelo que relacione las variables

datos=read.table("ejercicio1.txt", header = TRUE)

pairs(datos1)

Observando el grafico podemos observar que entre el Peso y Semanas existe

una relacin lineal eso nos podra indicar que el modelo que relacione las
variables sera un modelo lineal.
e) Asuma que el modelo que relaciona las variables es un modelo
de regresin lineal de medicin y exprselo en forma matricial

Sea el modelo de regresin lineal expresado en matrices:

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:

^ 2 x 1=( X 1' 32 x 2X 132 x 2)1( X 1' 32 x2Y 32 x1 )

B

datos=read.table("ejercicio.txt", header = FALSE)

datos
1
1
1
1
1
1
1
1
1
1
1

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:

X1 es la matriz conformada por la columna de unos y la variable

Semanas de orden 17x3.
Y es la columna de los pesos de orden 17x1.

f) Estime los parmetros del modelo e interprtelos

Calculemos el beta estimado mediante matrices:
INV=solve(t(X1)%*%X1)
X1Y=t(X1)%*%Y
INV
X1Y

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

Consumo per cpita

Renta

Renta real per cpita

Precio

Precio relativo de los textiles

j) Identifique la variable respuesta y las variables explicativas.

Variable respuesta :

Precio (Variable cuantitativa, escala: Razn)

Variable explicativa
escala: Razn)

Consumo y Precio (Variable cuantitativa,

k) Explore el posible modelo que relacione las variables

datos=read.table("Ejerc2.txt",header=TRUE)
datos

pairs(datos)

Observando el grafico podemos observar que entre el Precio, el consumo y la

renta existe una relacin lineal, eso nos podra indicar que el modelo que
relacione las variables sera un modelo de regresin multiple.
l) Asuma que el modelo que relaciona las variables es un modelo
de regresin lineal de medicin y exprselo en forma matricial

Sea el modelo de regresin lineal expresado en matrices:

Y 17 x 1=X 117 x 3B3 x1 + 17 x 1

Luego:

^ 3 x1
Y^ 17 x 1=X 117 x 3B

Dnde:

^ 3 x 1=( X 1' 17 x 3X 117 x3 )1( X 1'17 x3Y 17 x 1)

B

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:

X1 es la matriz conformada por la columna de unos y las variables Renta

y consumo de orden 17x3.
Y es la columna de los precios de orden 17x1.

m) Estime los parmetros del modelo e interprtelos

Calculemos el beta estimado mediante matrices:
> INV=solve(t(X1)%*%X1)
> X1Y=t(X1)%*%Y
> INV
uno
consumo
renta
uno
24.92025289 -1.198751e-02 -2.257575e-01
consumo -0.01198751 1.128628e-04 -3.100727e-05
renta -0.22575750 -3.100727e-05 2.232695e-03
> X1Y

[,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

n) Obtenga las respuestas ajustadas y los residuos del ajuste

> modelo1=lm(Precio~Renta+Consumo)
> anova(modelo1)
Analysis of Variance Table
Response: Precio
Df Sum Sq Mean Sq F value Pr(>F)
Renta
1 152.8 152.8 10.393 0.006123 **
Consumo 1 4144.4 4144.4 281.852 1.137e-10 ***
Residuals 14 205.9 14.7
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
> 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

EJERCICIO 3

a) Determine el objetivo del estudio

El objetivo del presente estudio es averiguar porqu vara el tiempo
utilizado por un repartidor para cargar y dar servicio a las mquinas
surtidoras de refrescos.
b) Identifique las variables e indique en que escala han sido
medidas las variables
Las variables son:
Tiempo

(Y)

Cajas (X1)

:
:

Distancia (X2)

Tiempo en que demora

cantidad de cajas del producto entregado

:

Distancia recorrida

c) Identifique la variable respuesta y las variables explicativas.

Variable respuesta :

Tiempo (Variable cuantitativa, escala: Razn)

Variable explicativa
escala: Razn)

Cajas y Distancia (Variables cuantitativa,

d) Explore el posible modelo que relacione las variables

datos3=read.table("Ejercico3.txt",header=TRUE)
datos3
x1 x2
y
1 7 560 16.68
2 3 220 11.50
3 3 340 12.03
4 4 80 14.88
5 6 150 13.75
6 7 330 18.11
7 2 110 8.00
8 7 210 17.83
9 30 1460 79.24
10 5 605 21.50
11 16 688 40.33
12 10 215 21.00

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

Observando el grafico podemos observar que entre el Tiempo, Cajas y la

distancia existe una relacin lineal, eso nos podra indicar que el modelo que
relacione las variables sera un modelo de regresin multiple.
e) Asuma que el modelo que relaciona las variables es un modelo
de regresin lineal de medicin y exprselo en forma matricial

Sea el modelo de regresin lineal expresado en matrices:

Y 25 x 1=X 125 x 3B3 x 1 + 25 x1

Luego:

^3x 1
Y^ 25 x 1=X 125 x 3B

Dnde:

^ 3 x 1=( X 1' 25 x 3X 125 x3 )1( X 1' 25 x 3Y 25 x1 )

B

> datos33=read.table("Ejercicio3.1.txt", header=TRUE)

> datos33
1
2
3
4
5

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

a) Estime los parmetros del modelo e interprtelos

Calculemos el beta estimado mediante matrices:

> 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

aumente el tiempo aumentara en 1.62+0.01

> 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:

X1 es la matriz conformada por la columna de unos y las variables Renta

y consumo de orden 17x3.
Y es la columna de los precios de orden 17x1.