#Practica calificada

Obtener un conjunto de datos para regresion Replica paso a paso lo estudiado *Interpretacion cada resultado

#Ingresamos Datos

tecnologia <- data.frame(regresion=c(150,300,450,500,600,620,700,800,850),
                         television=c(40,45,50,55,60,65,70,75,80))

pasos para construir un modelo de regresión

Paso 1: Determinar las variables x,y Variable independiente (x): regresion Variable dependiente (y): television

##Diagrama de dispersion o puntos

#Grafica con plot
plot(x=tecnologia$regresion,y=tecnologia$television)

#Grafica con pairs
pairs(tecnologia)

Interpretacion: Segun los resultados, hay relacion lineal positiva o directa entre regresion y la television

#Coeficiente de correlacion

#Mediante la funcion cor
cor(tecnologia) #Matriz de correlaciones
##            regresion television
## regresion  1.0000000  0.9831876
## television 0.9831876  1.0000000

Coeficiente de Correlacion:

Regresion = 0.9831876

Interpretación: Existe correlacion como positiva muy alta entre la regresion y la television

(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

#Regresion lineal simple

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

Modelo para el caso: \(\hat{regresion} = b_0 + b_1 television\)

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

#lm = notacion: Y ~ X, data= 
modelo <- lm(regresion ~ television, data=tecnologia)

#Resumen de resultado
summary(modelo)
## 
## Call:
## lm(formula = regresion ~ television, data = tecnologia)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -74.222 -16.222  -6.222  29.778  61.778 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -431.778     70.654  -6.111 0.000486 ***
## television    16.400      1.151  14.246    2e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 44.59 on 7 degrees of freedom
## Multiple R-squared:  0.9667, Adjusted R-squared:  0.9619 
## F-statistic: 202.9 on 1 and 7 DF,  p-value: 1.996e-06
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -431.778     70.654  -6.111 0.000486 ***
## television    16.400      1.151  14.246    2e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 44.59 on 7 degrees of freedom
## Multiple R-squared:  0.9667, Adjusted R-squared:  0.9619 
## F-statistic: 202.9 on 1 and 7 DF,  p-value: 1.996e-06

Modelo final de los resultados:

Modelo general
\(\hat{Y} = -431.778 + 16.400X\)

Modelo para el caso:
\(\hat{regresion} = -431.778 + 16.400 television\)

Interpretación: Como Estimate (Intercept) tenemos -431.778 y en (televison) tenemos 16.400