Professional Documents
Culture Documents
Ejercicio 1
a)
Matriz de correlacin y determinante
Grfico de correlacin
Grfico de Dispersin
Significancia global
H 0 :Todos los j=0
H 1 : Al menos un j 0
F7,192=250, valor p< 2,2 x 1016
H 0 , por lo que
H 0 , por lo que
1 es significativamente diferente
16
H 0 , por lo que
es significativamente diferente
H 0 , por lo que
3 es significativamente diferente
H 0 , por lo que
es significativamente diferente
H 0 : 5=0
H 1 : 5 0
t 0,25;192 =8,947 , valor p=3,1 x 10
16
H 0 , por lo que
5 es significativamente diferente
H 0 , por lo que
es significativamente diferente
H 0 , por lo que
es significativamente diferente
2
adj
=0,9011
h)
influencia para cada uno con lo que concluimos que ninguno de estos es
realmente influencial.
Grficas para los supuestos sobre residuales
Normalidad
H 0 : el error se ajusta a una distribucin normal
H 1 : elerror no se ajusta a una distribucin normal
Varianza constante
H 0 : 2 cte
H 1 : 2 no cte
Esta conclusin la podemos sacar al ver la grfica de los residuos
estandarizados contra la respuesta del modelo ajustado, y dado a que
no se presenta ningn tipo de patrn podemos optar por no rechazar Ho.
Media = 0
H 0 : =0
H1: 0
6,281306 E [ y x ] 7,048351
(1,2699+ 14,3631 x )
^y =1,9483(1ee
=0,1025
b)
c)
(1,2699+ 14,3631 x )
^y =1,9483(1ee
(1,2699+14,3631 (0) )
^y =1,9483 ( 1ee
1,2699
Esto indica que cuando el grosor del cable tiende a cero, su sensibilidad
tiende a 1,8929
1 y
0,927727 1 2,968873
2,7409 2 0,2011
Intervalo de confianza del 90% para
2 ,7409
e
^1=0,927727 ( 1e
) =0,927726828
0,2011
^2=0,927727 ( 1ee
2,7409
e
^3=2,968873 ( 1e
) =2,96887245
0,2011
^4 =2,968873 ( 1ee
) =0,5182393009
) =1,658447655
0, 5182393009 ^ 2,96887245
Ejercicio 3
Datos
xito= embrin normal
5 experimentos
Primero: dosis= 2,5; tamao de muestra= 38; xitos=0,5(38)=19
Segundo: dosis= 5; n=36; xitos=0,95(36)=34
Tercero: dosis= 10, n=33; xitos=0,9(33)=29
Cuarto: dosis= 25; n=5; xitos=1(5) =5
Quinto: dosis=50; n=2; xitos=1(2)=2
logit ( ^ ) =0,3386+0,3120 x
^
=
1
(0,33860,3120 x)
1+e
^
=
1
(0,33860,3120(8))
1+e
=0,8963
Anexos, cdigos en R
#Codigo taller computacional 2a, ejercicio 1, RLM
source("https://dl.dropboxusercontent.com/u/9601860/generatedata.R")
datos(200059331)
rm(datos)
d <- read.table("/Users/ANDREA/Documents/datos200059331.txt", header =
TRUE)
head(d)
#matriz de correlacion
cor(d)
det(cor(d))
## esto permite mejorar el grafico de correlacion
panel.cor <- function(x, y, digits = 2, prefix = "", cex.cor, ...)
{
usr <- par("usr"); on.exit(par(usr))
par(usr = c(0, 1, 0, 1))
r <- abs(cor(x, y))
txt <- format(c(r, 0.123456789), digits = digits)[1]
txt <- paste0(prefix, txt)
if(missing(cex.cor)) cex.cor <- 1.5
text(0.5, 0.5, txt, cex = 1.5)
}
##Grafico de Correlacion
pairs(d, lower.panel = panel.smooth, upper.panel = panel.cor, las = 1)
##Grafico de disperion
pairs(d)
##Modelo de RLM
m <- lm(y ~ x1 + x2 + x3 + x4 + x5 + x6 + x7, data = d)
summary(m)
##modelo de regresion marginal
#x1
m1 <- lm(y ~ x1, data = d)
summary(m1) # esto nos permite ver los betas
#x2
m2 <- lm(y ~ x2, data = d)
summary(m2)
#x3
m3 <- lm(y ~ x3, data = d)
summary(m3)
#x4
m4 <- lm(y ~ x4, data = d)
summary(m4)
#x5
m5 <- lm(y ~ x5, data = d)
summary(m5)
#x6
m6 <- lm(y ~ x6, data = d)
summary(m6)
#x7
m7 <- lm(y ~ x7, data = d)
summary(m7)
#todos los trminos sin interacciones
m8 <- lm(y ~ x1 + x2 + x3 +x4 + x5 + x6 + x7, data = d)
summary(m8)
anova(m)
##paquete 'car'
if(require(car)) install.packages("car")
library(car)
##VIF
vif(m)
##Numero de IC
X <- with(d, model.matrix(~x1 + x2 + x3 + x4 + x5 + x6 + x7))
kappa(X)
##paquete "leaps"
if(!require(leaps)) install.packages('leaps')
require(leaps)
##metodo de todas las regresiones posibles
todas <- regsubsets(y ~ ., data = d, nbest = 128, really.big= TRUE)
resultado <- summary(todas)
out <- with(resultado, cbind(which, rsq, rss, adjr2, cp, bic))[,-1]
p <- rowSums(out[,1:5])
out <- data.frame(modelo = 1:NROW(out), p, out)
out
#backwards elimination
mback <- step(m, direction = 'backward')
summary(mback)
##analisis residual
#graficamente
par(mfrow = c(2, 2))
plot(m)
##residuales crudos vs. cada variable
# residuales
r <- residuals(m)
# vs. x1
par(mfrow = c(1, 3))
plot(d$x1, r, las = 1, ylab = 'Residual', main = "\n\nx1")
abline(h = 0, col = 2, lty = 2)
# vs. x2
plot(d$x2, r, las = 1, ylab = 'Residual', main = "\n\nx2")
abline(h = 0, col = 2, lty = 2)
# vs. x3
plot(d$x3, r, las = 1, ylab = 'Residual', main = "\n\nx3")
abline(h = 0, col = 2, lty = 2)
# vs. x4
plot(d$x4, r, las = 1, ylab = 'Residual', main = "\n\nx4")
x<-seq(0.05,0.20,by=0.01)
show(x)
y<c(1.51,1.49,1.47,1.43,1.35,1.19,0.96,0.85,0.65,0.64,0.58,0.56,0.52,0.53,0.49,0.
50)
d<-data.frame(x,y)
#Estimar
A<-nls(y~beta1*(1-exp(-(exp(-(beta2+beta3*x))))), start=list(beta1=1.9,beta2=1.2,beta3=14.3),data=d)
summary(A)
#Grafico
with(d, plot(x,y, las=1))
points(d$x,predict(A), type='l',col=14)