## Introducción

En este informe, utilizamos el conjunto de datos mtcars para realizar un análisis exploratorio, visualizar relaciones entre variables y ajustar un modelo de regresión lineal.

Cargar Datos

El conjunto de datos mtcars viene preinstalado en R. A continuación, cargamos los datos y mostramos las primeras filas del conjunto.

# Cargar los datos mtcars
data(mtcars)

# Mostrar las primeras 6 filas
head(mtcars)
##                    mpg cyl disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
## Valiant           18.1   6  225 105 2.76 3.460 20.22  1  0    3    1
# Resumen estadístico
summary(mtcars[, c("mpg", "hp")])
##       mpg              hp       
##  Min.   :10.40   Min.   : 52.0  
##  1st Qu.:15.43   1st Qu.: 96.5  
##  Median :19.20   Median :123.0  
##  Mean   :20.09   Mean   :146.7  
##  3rd Qu.:22.80   3rd Qu.:180.0  
##  Max.   :33.90   Max.   :335.0
# Gráfico de dispersión entre millas por galón y caballos de fuerza
plot(mtcars$hp, mtcars$mpg,
     xlab = "Caballos de Fuerza",
     ylab = "Millas por Galón",
     main = "Relación entre Caballos de Fuerza y Millas por Galón")

library(ggplot2)

# Gráfico de dispersión con línea de tendencia
ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point(color = "blue", size = 3) +
  geom_smooth(method = "lm", color = "red") +
  labs(title = "Relación entre Peso y Millas por Galón",
       x = "Peso (miles de libras)", y = "Millas por Galón") +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

# Ajuste del modelo de regresión
modelo <- lm(mpg ~ wt + hp, data = mtcars)

# Resumen del modelo
summary(modelo)
## 
## Call:
## lm(formula = mpg ~ wt + hp, data = mtcars)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -3.941 -1.600 -0.182  1.050  5.854 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 37.22727    1.59879  23.285  < 2e-16 ***
## wt          -3.87783    0.63273  -6.129 1.12e-06 ***
## hp          -0.03177    0.00903  -3.519  0.00145 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.593 on 29 degrees of freedom
## Multiple R-squared:  0.8268, Adjusted R-squared:  0.8148 
## F-statistic: 69.21 on 2 and 29 DF,  p-value: 9.109e-12
# Predicciones para los primeros 5 autos
predicciones <- predict(modelo, newdata = mtcars[1:5, ])
predicciones
##         Mazda RX4     Mazda RX4 Wag        Datsun 710    Hornet 4 Drive 
##          23.57233          22.58348          25.27582          21.26502 
## Hornet Sportabout 
##          18.32727
# Info adicional
media<- mean(mtcars$mpg)
media
## [1] 20.09062