Carga el CSV y revisa su estructura.

attach(Edu_Ingre) data<- read.csv(“Edu_Ingre”)

Calcula estadísticas descriptivas (media, mediana y desviación estándar) para ambas variables.

lm <- lm(Bachillerato_o_mas ~ Ingreso_per_capita) summary(lm)

Call: lm(formula = Bachillerato_o_mas ~ Ingreso_per_capita)

Residuals: Min 1Q Median 3Q Max -17.874 -9.306 -2.580 7.975 30.804

Coefficients: Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.105e+01 5.873e+00 3.584 0.000594 *** Ingreso_per_capita 2.416e-04 3.914e-04 0.617 0.538940
— Signif. codes: 0 ‘’ 0.001 ‘’ 0.01 ‘’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 12.23 on 76 degrees of freedom Multiple R-squared: 0.004988, Adjusted R-squared: -0.008105 F-statistic: 0.381 on 1 and 76 DF, p-value: 0.5389

Haz un diagrama de dispersión y analiza su correlación.

plot(Bachillerato_o_mas,Ingreso_per_capita)

Plot
Plot

cor(Bachillerato_o_mas, Ingreso_per_capita)

[1] 0.07062226

Interpreta la salida del modelo

Correlación = 0.071, muestra una relación lineal muy probe, es decir no existe una relación lineal entre Bachillerato_o_mas y Ingreso_per_capita

Pendiente = 2.416e-04, por cada una unidad adicional de ingreso por capita el % Bachillerato_o_mas aumenta 2.416e-04.

Intercepto = 2.105e+01, cuando el ingreso per capita es 0, el % estimado de bachillerato o más es 21.05%

P-Value = 0.538940, el p-value es > que 0.05 así que decimos que no hay suficiente evidencia para decir que el ingreso per capita explica el % bachilerato.

Residual standard Error = 12.23 Cuanto se desvían los valores observados sabemos que 12.23 es un numero grande así que el modelo lo se ajusta bien.