Ejercicio: Una institución desea saber si existe relación entre las horas de estudio semanales y el puntaje obtenido en un examen final por un grupo de estudiantes. Realizar
• Simular o carga dos vectores llamados horas_usodelcelular y puntaje_examen, con al menos 40 observaciones cada uno.
horas_usocelular<-sample(1:10,40,replace=TRUE)
puntaje_examen<-round(runif(40,min=50,max=100)-horas_usocelular*runif(40,min=1,max=5))
print(horas_usocelular)## [1] 7 8 4 3 7 10 1 5 1 1 8 5 1 2 3 5 4 9 10 2 4 2 1 8 4
## [26] 7 7 2 5 6 8 9 4 8 3 9 4 3 6 6print(puntaje_examen)## [1] 63 71 72 48 77 18 56 56 60 70 54 73 47 83 74 57 39 65 50 88 49 56 90 64 57
## [26] 86 58 48 49 42 30 56 88 26 79 20 72 88 70 79• Verificar si ambas variables se distribuyen normalmente con shapiro.test().
shapiro.test(horas_usocelular)##
## Shapiro-Wilk normality test
##
## data: horas_usocelular
## W = 0.94125, p-value = 0.03812shapiro.test(puntaje_examen)##
## Shapiro-Wilk normality test
##
## data: puntaje_examen
## W = 0.96151, p-value = 0.1885print(paste("si el valor-p resultante es mayor que 0.05 no se rechaza la hipotesis nula de normalidad, lo que indica que la variable sigue una distribución normal"))## [1] "si el valor-p resultante es mayor que 0.05 no se rechaza la hipotesis nula de normalidad, lo que indica que la variable sigue una distribución normal"• Según el resultado de normalidad, elige la prueba de correlación adecuada:
o cor.test(…, method = “pearson”) si hay normalidad. o cor.test(…, method = “spearman”) si no hay normalidad.
cor.test(horas_usocelular,puntaje_examen,method = "pearson")##
## Pearson's product-moment correlation
##
## data: horas_usocelular and puntaje_examen
## t = -2.6438, df = 38, p-value = 0.01185
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## -0.62849968 -0.09421986
## sample estimates:
## cor
## -0.3941605• Interpretar: o ¿Existe una relación significativa entre horas de estudio y puntaje? o ¿La relación es positiva o negativa?
print(paste0("si existe una relacion significativa,ya que las variables tienen una distribucion normal, el valor-p es menor 0.05 . y la relacion es negativa de -0.6199647" ))## [1] "si existe una relacion significativa,ya que las variables tienen una distribucion normal, el valor-p es menor 0.05 . y la relacion es negativa de -0.6199647"print(paste("Hipotesis Nula (H_0): No existe una relacion significativa entre las horas de uso del celular y el puntaje del examen. "))## [1] "Hipotesis Nula (H_0): No existe una relacion significativa entre las horas de uso del celular y el puntaje del examen. "print(paste("hipotesis alterna(H_A): Existe una relacion significativa entre las horas de uso del celular y el puntaje del examen. "))## [1] "hipotesis alterna(H_A): Existe una relacion significativa entre las horas de uso del celular y el puntaje del examen. "• Verifica la normalidad de los datos:
shapiro.test(horas_usocelular)##
## Shapiro-Wilk normality test
##
## data: horas_usocelular
## W = 0.94125, p-value = 0.03812shapiro.test(puntaje_examen)##
## Shapiro-Wilk normality test
##
## data: puntaje_examen
## W = 0.96151, p-value = 0.1885• Simula o carga un conjunto de datos llamado notas (al menos 30 observaciones).
notas<-round(runif(30, min=50, max=100))
print(notas)## [1] 81 95 93 54 71 64 85 74 90 80 81 71 80 89 79 80 87 95 78 87 72 56 86 50 82
## [26] 70 70 52 87 75• Usa la función shapiro.test(notas) para comprobar si los datos siguen una distribución normal.
shapiro.test(notas)##
## Shapiro-Wilk normality test
##
## data: notas
## W = 0.93243, p-value = 0.05699print(paste("Como el valor-p es mayor a 0.05, podemos asumir normalidad."))## [1] "Como el valor-p es mayor a 0.05, podemos asumir normalidad."