1. Cargar el CSV.

Cargar los datos

Aplicando la función ‘read.csv’ podemos cargar los datos de excel al archivo de R Markdown.

## 'data.frame':    78 obs. of  3 variables:
##  $ Municipio         : chr  "Adjuntas" "Aguada" "Aguadilla" "Aguas Buenas" ...
##  $ Bachillerato_o_mas: num  32.1 23.2 38 15.9 47.2 45.6 17.3 11.7 19 33.3 ...
##  $ Ingreso_per_capita: int  14344 16246 11410 23621 10887 18701 17064 10335 16364 16381 ...

Revisar la estructura

Al aplicar la función str() se puede visualizar que la base de datos cuenta con 78 observaciones y 3 variables (Municipio, nivel de educación e ingreso por capita). Además, se revisa que la estructura de las variables sean correctas, pues pueblo es cáracter y el nivel de educación e ingreso son númericas.

## 'data.frame':    78 obs. of  3 variables:
##  $ Municipio         : chr  "Adjuntas" "Aguada" "Aguadilla" "Aguas Buenas" ...
##  $ Bachillerato_o_mas: num  32.1 23.2 38 15.9 47.2 45.6 17.3 11.7 19 33.3 ...
##  $ Ingreso_per_capita: int  14344 16246 11410 23621 10887 18701 17064 10335 16364 16381 ...

2. Calcular la Media, Mediana y la Desviación Estándar de las variables.

Las variables utilizadas para el informe son el nivel de educación y el ingreso. Para cada variable se calcula la media, la mediana y la desviación estándar.

##                         Medias Medianas   Desv_est
## Bachillerato_o_mas    24.57179    22.75   12.18042
## Ingreso_per_capita 14580.53846 14065.00 3560.66435

3. Diagrama de dispersión y análisis de correlación

Con la gráfica “scatter” se puede visualizar la dispersión entre las variables de educación e ingreso. El eje de X (Bachillerato_o_mas) presenta la variable independiente, mientras que el eje de Y (Ingreso_per_capita) representa una variable dependiente o respuesta. Visualmente los puntos en la gráfica notan estar separados sin un patrón definido, es decir, simula estar débil.

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

La correlación de 0.07 es un resultado débil. No muestra tener una relación lineal clara.

## [1] 0.07062226

4. Ajuste de la Regresión Lineal Simple

Según los resultados presentados en la tabla se puede determinar que el ingreso promedio, cuando no tienen un nivel de educación de bachillerato o más, es de $14,073.26. A medida que las personas evidencian tener un nivel de eduación más alto, el ingreso aumenta aproximadamente 20.6 unidades.

## 
## Call:
## lm(formula = data$Ingreso_per_capita ~ data$Bachillerato_o_mas, 
##     datos = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -6460.6 -2744.2  -656.2  1693.4  9618.8 
## 
## Coefficients:
##                         Estimate Std. Error t value Pr(>|t|)    
## (Intercept)             14073.26     916.17  15.361   <2e-16 ***
## data$Bachillerato_o_mas    20.64      33.45   0.617    0.539    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3575 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

Luego, determinamos la línea de regresión que permite ver la relación entre las dos variables estudiadas.

5. Interpretación de la salida del modelo

El modelo representa los datos detrás de las gráficas y variables presentadas. Como mencionado, mientras el nivel educativo de las personas se mantuvo bajo el bachillerato, el ingreso promedio es de $14,073.26. Este aumenta 20.64 unidades mientras la eduación es de bachillerato o más. Por otra parte, el p-value evidencia si las estadísticas son suficientes. En este caso, el valor es de 0.5 (0.5>0.05) probando que los datos no son suficientes para afirmar que X afecta a Y.