EJERCICIOS

EJERCICIO 1.- Cinco cerdos de 2, 3, 5, 7 y 8 quincenas de días (medio mes) de edad pesan,
respectivamente: 14, 20, 32, 42 y 44 kilogramos.
a) Hallar la ecuación de la recta de regresión de la edad sobre el peso.
Y=a+Bx+u
Y=4,6308+5,1538x***
Y= Kg de los cerdos.
X=Edad en quincenas.

De acuerdo a lo revisado, el coeficiente es estadísticamente significativo

De acuerdo a fórmula en R
> quincena <- c(2,3,5,7,8)

> kg <- c(14,20,32,42,44)

> mrl1.1 <- lm(kg~quincena)

> summary (mrl1.1)

Call:
lm(formula = kg ~ quincena)
Residuals:
1 2 3 4 5
-0.93846 -0.09231 1.60000 1.29231 -1.86154
Coefficients:
 Estimate Std. Error t value Pr(>|t|)
(Intercept) 4.6308 1.8231 2.54 0.08468 .
quincena 5.1538 0.3318 15.54 0.00058 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.692 on 3 degrees of freedom

Multiple R-squared: 0.9877, Adjusted R-squared: 0.9836
F-statistic: 241.3 on 1 and 3 DF, p-value: 0.0005795

b) ¿Cuál serıa el peso aproximado de un cerdo de seis quincenas de días?

X= 6 quincenas
Y=35.55 kg
De acuerdo a fórmula en R
predict(mrl1.1, data.frame(quincena=c(6)))
1
35.55385

EJERCICIO 2.- El propietario de una tienda de fitosanitarios ubicada en Patacamaya sabe

que la cantidad de clientes que acuden a comprar en su tienda o sus sucursales está en
función a la distancia en kilómetros de estas sucursales a las fincas que producen papa,
con estos datos construye la siguiente tabla:

cliente <- c(15,19,25,23,34,40)

> km <- c(8,7,6,4,2,1)
> mrl2 <- lm(cliente~km)
> mrl2

Y=40,8305***-3,1780X**

Y=Numero de clientes
X=Distancia a las fincas en km

Call:
lm(formula = cliente ~ km)

Coefficients:
(Intercept) km
40.831 -3.178

> summary (mrl2)

Call:
lm(formula = cliente ~ km)

Residuals:
1 2 3 4 5 6
-0.4068 0.4153 3.2373 -5.1186 -0.4746 2.3475

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 40.8305 2.7748 14.715 0.000124 ***
km -3.1780 0.5213 -6.096 0.003662 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 3.269 on 4 degrees of freedom

Multiple R-squared: 0.9028, Adjusted R-squared: 0.8785
F-statistic: 37.17 on 1 and 4 DF, p-value: 0.003662

Se ve una relación inversa entre las variables del modelo.

a) Calcular el coeficiente de correlación lineal.

El coeficiente de correlación lineal "B" es de -3.1780 a un nivel de significancia estadística del

0.01.
Esto quiere decir que por cada km que las sucursales se alejan de los aglomerados de fincas
pierden aproximadamente 3 clientes
b) Si ubica una sucursal a 3 km de las fincas, ¿cuantos agricultores podrían acudir?

Podrían acudir aproximadamente 31 clientes a la sucursal.

Y=40,8305 - 3,1780X
Y=Cantidad de clientes
X= Km de distancia

Y=40,8305-3,1780(3)
Y= 31,2965
Y~31 clientes

c) Si desea recibir a 500 agricultores, ¿a qué distancia del aglomerado de fincas debe poner
su sucursal?

Debe ubicar una tienda a 76 metros del aglomerado de fincas, suponiendo que la población
de fincas si suponen más de 500 potenciales clientes.

Y=40,8305 - 3,1780X
Y=Cantidad de clientes
X= Km de distancia
Con los datos del modelo, si suponemos que X es igual a 1 Km entonces:
Y=40,8305-3,1780=37,6525 ~ 38 personas aproximadamente visitaran las sucursales a una
distancia de un 1 km.

Entonces realizamos una regla de 3 inversa, si aproximadamente 38 personas asisten a una

sucursal a 1 Km, ¿A cuántos km debe ubicarse una sucursal para que asistan 500 personas?

(38*1)/500=0,076 km.

EJERCICIO 3.- Las notas obtenidas por cinco estudiantes en Matemáticas y Química son:

Determinar las rectas de regresión y calcular la nota esperada en Química para un

estudiante que tiene 7.5 en Matemáticas.

Y=a+Bx+u
Y=Quimica
X=Matematicas
Funcion en R
> mat <- c(6.0,4.0,8.0,5.0,3.5)
> quim <- c(6.5,4.5,7.0,5.0,4.0)
> mrl3 <- lm(quim~mat)
> plot(quim,mat, main='RELACIÓN DE NOTAS')
> abline(mrl3)
> abline(mrl3, col='blue')
> grid()

Un alumno con una nota de 7.5 en Matemáticas podría obtener una nota de 6.9 en
Química de acuerdo al modelo presentado.
> predict(mrl3, data.frame(mat=c(7.5)))
1
6.929688

EJERCICIO 5.- Las edades de bovinos expresadas en semana y sus respectivos pesos se
muestran en la tabla siguiente:

Calcular:
a) La recta de regresión de Y sobre X.
Y= -108,576** + 1,028X***
Donde Y es el peso de bovino en kg y X son semanas de vida
 Funcion en R
> edad <- c(186,189,190,192,193,195,198,201,203,205)
> pesos <- c(85,85,86,90,87,91,93,103,100,101)

> mrl4 <- lm(pesos~edad)

> mrl4

Call:
lm(formula = pesos ~ edad)

Coefficients:
(Intercept) edad
-108.576 1.028

> summary(mrl4)

Call:
lm(formula = pesos ~ edad)

Residuals:
Min 1Q Median 3Q Max
-2.8383 -1.1048 -0.7401 0.8626 4.9373

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -108.5759 24.7222 -4.392 0.00231 **
edad 1.0281 0.1266 8.121 3.92e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.414 on 8 degrees of freedom

Multiple R-squared: 0.8918, Adjusted R-squared: 0.8783
F-statistic: 65.95 on 1 and 8 DF, p-value: 3.919e-05

b) El coeficiente de correlación es de 0.94, lo que significa es que el peso de los bovinos

si puede esta explicada por la edad de estos.
> cor(pesos,edad)
[1] 0.9443633

c) Un bovino de 1435 dias (205 semanas) tiene un peso de 102,17 kg de acuerdo a

nuestro modelo mrl4.
> predict (mrl4, data.frame(edad=c(205)))
1
102.1749

Ejercicio 8.- En la Weiling de Bélgica (bolsa de valores agropecuarios), se ha podido

registrar la cantidad de sacos de cebada asignados (Y) para distintos precios que se van
fijando a través de las pujas (X).
a) Hallar el coeficiente de correlación e interpretar el resultado obtenido.
El coeficiente de correlación es de 0.96, lo que significa que la cantidad de sacos de
cebada si puede ser explicada por las variaciones en el precio de la bolsa.
> precio <-c(25,42,33,54,29,36)
> cebada <-c(42,72,50,90,45,48)
> cor(cebada,precio)
[1] 0.9649844

b) Calcular la recta de regresión de Y sobre X. Predecir las asignaciones para un

precio de 47.

Ecuación del modelo

Y= -6.7802 + 1.7702 X**
Donde Y es la cantidad de sacos de cebada y X es el precio del saco en la bolsa.

> mrl8 <- lm(cebada~precio)

> mrl8

Call:
lm(formula = cebada ~ precio)

Coefficients:
(Intercept) precio
-6.78 1.77

Por otro lado, si el precio del saco se acordara en 47 USD, se asignan

aproximadamente 76 sacos de cebada.

> predict(mrl8, data.frame(precio=c(47)))

1
76.42078