1. Cargar el csv

Cargamos los datos

## Rows: 78 Columns: 3
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): Municipio
## dbl (2): Bachillerato_o_mas, Ingreso_per_capita
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Revisamos su estructura

## spc_tbl_ [78 × 3] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
##  $ Municipio         : chr [1:78] "Adjuntas" "Aguada" "Aguadilla" "Aguas Buenas" ...
##  $ Bachillerato_o_mas: num [1:78] 32.1 23.2 38 15.9 47.2 45.6 17.3 11.7 19 33.3 ...
##  $ Ingreso_per_capita: num [1:78] 14344 16246 11410 23621 10887 ...
##  - attr(*, "spec")=
##   .. cols(
##   ..   Municipio = col_character(),
##   ..   Bachillerato_o_mas = col_double(),
##   ..   Ingreso_per_capita = col_double()
##   .. )
##  - attr(*, "problems")=<externalptr>

Utilizando la función “str()”, podemos visualizar que la base de datos cuenta con 78 observaciones y 3 variables, las mimas siendo pueblo, educación y GDP. Además, para poder hacer regresión, se necesita que las variables sean númericas y haya un caracter. En este caso, la variable de los municipios es caracter y las otras variables son numéricas.

2. Calcula las estadísticas descriptivas

##                         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

Haz un diagrama de suspensión

Podemos visualizar que los puntos estan dispersos alrededor de el plano y no siguen un patrón.

Analiza su correlacion

## [1] 0.07062226

Debido a que los puntos no siguen un patrón claro, coincide con el resultado de correlación 0.07. Esto indica que casi no existe la relación entre el nivel educativo y el ingreso per cápita del municipio.

## 
## Call:
## lm(formula = data_rls$Ingreso_per_capita ~ data_rls$Bachillerato_o_mas, 
##     datas = data_rls)
## 
## 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_rls$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

4. Ajusta una regresión lineal simple.

5. Interpreta la salida del modelo.

El modelo de regresion lineal simple ajustado no resulta tan significativo. El valor de R^2 ajustado resultó ser un valor negativo, lo que significa que el modelo no explica nada de la variacion en el ingreso per cápita. Además, el valor p-value es mayor de 0.05. En conclusión, los reusltados confirman que no hay una relacion lineal certera entre ambas variables de estos datos.