Ingresamos datos

ejemplo1 <- data.frame(ganancia=c(20,25,34,30,33,34,36,35,40,37,41,20),
                       inversion=c(2,4,5,4,6,5,5,7,8,7,8,2))
ejemplo1
##    ganancia inversion
## 1        20         2
## 2        25         4
## 3        34         5
## 4        30         4
## 5        33         6
## 6        34         5
## 7        36         5
## 8        35         7
## 9        40         8
## 10       37         7
## 11       41         8
## 12       20         2

pasos para construir un modelo de regresión

Paso 1: Determinar las variables x,y Variable independiente (x): Inversion Variable dependiente (y): Ganancia

Paso 2: Evaluar la relacion entre variables(Correlacion) graficamente

##Diagrama de dispersion o puntos

#Grafica con plot
plot(x=ejemplo1$inversion,y=ejemplo1$ganancia)

#Grafica con pairs
pairs(ejemplo1)

Interpretacion: Segun los resultados, hay relacion lineal positiva o directa entre inversion y la ganancia.

##Coeficiente de correlacion

#Mediante la funcion cor
cor(ejemplo1) #Matriz de correlaciones
##            ganancia inversion
## ganancia  1.0000000 0.9369924
## inversion 0.9369924 1.0000000

Coeficiente de Correlacion:

r= 0.9369924

Interpretación: Existe correlacion como positiva muy alta entre la inversion y la ganancia.

(Recordar: Si el r es menor que 0.35 para algunos autores, no es vaible la regresion, para otros autores se debe probar la hipotesis) Como en este caso de coeficiente de correlacion es superior a 0.35, es viable la regresion

Paso 3: Regresion

#Regresion lineal simple

Modelo general \(\hat{Y} = b_0 + b_1X\)

Modelo para el caso: \(\hat{ganancia} = b_0 + b_1 inversion\)

Para obtener el modelo se va a utilizar una funcion de R la funcion se llama > lm

#lm = notacion: Y ~ X, data= 
modelo1 <- lm(ganancia ~ inversion, data=ejemplo1)

#Resumen de resultado
summary(modelo1)
## 
## Call:
## lm(formula = ganancia ~ inversion, data = ejemplo1)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.0631 -1.6306 -0.8198  2.1329  4.7207 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  15.1982     2.1254   7.151 3.10e-05 ***
## inversion     3.2162     0.3792   8.482 7.03e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.579 on 10 degrees of freedom
## Multiple R-squared:  0.878,  Adjusted R-squared:  0.8658 
## F-statistic: 71.94 on 1 and 10 DF,  p-value: 7.032e-06
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  15.1982     2.1254   7.151 3.10e-05 ***
## inversion     3.2162     0.3792   8.482 7.03e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.579 on 10 degrees of freedom
## Multiple R-squared:  0.878,  Adjusted R-squared:  0.8658 
## F-statistic: 71.94 on 1 and 10 DF,  p-value: 7.032e-06

Modelo final de los resultados:

Modelo general
\(\hat{Y} = 15.1982 + 3.2162X\)

Modelo para el caso:
\(\hat{ganancia} = 15.1982 + 3.2162 inversion\)

#Resumen: Regresion linela simple

Paso 1: variable x,y Paso 2: Correlacion entre variable -Metodo grafico - diagrama de dispersion -metodo del coeficiente - r *Paso 3: Modelo Regresion lienal simple

#Practica calificada

Obtener un conjunto de datos para regresion Replica paso a paso lo estudiado Interpretacion cada resultado Publicarlo en Rpubs - Cargar resultado en EVA *Hasta domingo 28 hasta 11:59 p.m