Workshop 2

pagos <-c(107,92,97,95,105,101,91,99,95,104)

t.test(pagos, y=NULL,alternative="two.sided", mu=100,paired=FALSE,var.equal=FALSE,conf.level=0.90)

## 
##  One Sample t-test
## 
## data:  pagos
## t = -0.79888, df = 9, p-value = 0.4449
## alternative hypothesis: true mean is not equal to 100
## 90 percent confidence interval:
##   95.38755 101.81245
## sample estimates:
## mean of x 
##      98.6

# Si es de una cola, alternative puede ser: "less" o "greater".

# Si p value es mayor a 0.10 (Por significancia del 10%) no se rechaza H0.

# Conclusion: No se rechaza H0
# Intervalo de Confianza: Entre 95 y 101 dolares

# 8-70
# Drive-a-Lemon, renta automóviles en buenas condiciones mecánicas, pero más antiguos que los que ofrecen las grandes cadenas nacionales de renta de coches. Como resultado, anuncia que sus tarifas son considerablemente más bajas que las de sus competidores grandes. Una encuesta de la industria estableció que el cargo total promedio por renta en una de las compañías más importantes es $77.38. Una muestra aleatoria de 18 transacciones realizadas por Drive-a-Lemon mostró un cargo total promedio de $87.61, con una desviación estándar muestral de $19.48. Verifique que para  0.025, el cargo total promedio de Drive-a-Lemon es significativamente más alto que el de las compañías grandes. ¿Indica este resultado que las tarifas de Drive-a-Lemon, en efecto, no son más bajas que las de las cadenas nacionales importantes? Explique su respuesta.


# Respuesta:
# Paso 1: Plantear hipotesis
# H0 =  X
# H0 =  X

# Paso 2: Nivel de Significado y Grados de libertad
# a = 0.025
# GL = 17

# Paso 3:
t <- (87.61-77.38)/(19.48/sqrt(18))
t

## [1] 2.22804

# Paso 4: Funcion
t <-(87.61-77.38)/(19.48/sqrt(18))
t

## [1] 2.22804

# Paso 5:

# De modo que se rechaza la hipótesis nula. Sin embargo, si Drive-a-Lemon no tiene la misma presencia a nivel nacional que las principales cadenas del país, entonces una comparación de sus tasas promedio con el promedio nacional de las grandes cadenas puede conducir a una conclusión errónea.

library(stats)

# Ejercicio 4 1
## resistance < -read.csv("C:\\Users\\MSI\\Documents\\2023\\fwfwfwf\\Actividad 5\\ANOVA Grado.csv")
### resistencia$Mezcla <- as.factor(resistencia$Mezcla)
### qf(.95,df1=3,df20)
### anova1 <- aov(Valor ~ Mezcla, data = resistencia)
### summary(anova1)

# Ejercicio 2
### manchado <- read.csv("C:\\Users\\MSI\\Documents\\2023\\fwfwfwf\\Images Actividad 5\\ANOVA Mezclas.csv")
### manchado$Manchado <- as.factor(manchado$manchado)
### qf(.99,df1=3,df20)
### anova2 <- aov(Valor ~ Manchado, data = manchado)
### summary(anova2)

# Ejercicio 1 

x <- c(0.2,0.5,1,2,3)
y <- c(8,10,18,35,60)

regresion <-lm(y~x)
summary(regresion)

## 
## Call:
## lm(formula = y ~ x)
## 
## Residuals:
##       1       2       3       4       5 
##  3.0591 -0.5354 -1.8596 -3.5079  2.8437 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)   
## (Intercept)    1.211      2.451   0.494  0.65510   
## x             18.648      1.450  12.863  0.00101 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.341 on 3 degrees of freedom
## Multiple R-squared:  0.9822, Adjusted R-squared:  0.9763 
## F-statistic: 165.5 on 1 and 3 DF,  p-value: 0.001014

plot(regresion)

# Ejercicio 2
# a < - c(-6,-3,0,3,6,9,12,15,20,25)
# b < - c(2,2.8,3.9,4.2,5.8,6.2,7.5,8.2,9.3,10.9)
# regresion2 <- lm(b~a)
# summary(regresion2)

Ejercicio 1

x <- c(0.2,0.5,1,2,3)
y <- c(8,10,18,35,60)

regresion <-lm(y~x)
summary(regresion)

## 
## Call:
## lm(formula = y ~ x)
## 
## Residuals:
##       1       2       3       4       5 
##  3.0591 -0.5354 -1.8596 -3.5079  2.8437 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)   
## (Intercept)    1.211      2.451   0.494  0.65510   
## x             18.648      1.450  12.863  0.00101 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.341 on 3 degrees of freedom
## Multiple R-squared:  0.9822, Adjusted R-squared:  0.9763 
## F-statistic: 165.5 on 1 and 3 DF,  p-value: 0.001014

plot(regresion)

plot(x,y, pch = 16, cex = 1.3, col = "blue", main = "Ejercicio 1", xlab = "x", ylab = "y")
abline(lm(y ~ x))

Ejercicio 2

a <- c(-6,-3,0,3,6,9,12,15,20,25)
b <- c(2,2.8,3.9,4.2,5.8,6.2,7.5,8.2,9.3,10.9)
regresion2 <- lm(b~a)
summary(regresion2)

## 
## Call:
## lm(formula = b ~ a)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.41088 -0.12507 -0.03329  0.14807  0.32493 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 3.746694   0.101162   37.04 3.10e-10 ***
## a           0.288062   0.008087   35.62 4.22e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.2438 on 8 degrees of freedom
## Multiple R-squared:  0.9937, Adjusted R-squared:  0.993 
## F-statistic:  1269 on 1 and 8 DF,  p-value: 4.223e-10

plot(a,b, pch = 16, cex = 1.3, col = "blue", main = "Ejercicio 2", xlab = "x", ylab = "y")
abline(lm(b ~ a))

plot(regresion2)