1. Carga de librerías

Cargamos los paquetes necesarios para la manipulación de datos y la visualización gráfica.

library(ggplot2)

2. Importación y limpieza de datos

Importamos el archivo en formato CSV (separado por punto y coma) para optimizar el uso de memoria, seleccionamos las variables de interés y eliminamos los valores faltantes.

# Importar base de datos CSV
archivo <- "datos csv.csv"
datos <- read.csv2(archivo)

# Seleccionar únicamente las columnas de interés
datos <- datos[, c("PUNT_MATEMATICAS", "PUNT_LECTURA_CRITICA")]

# Eliminar registros con datos faltantes
datos <- na.omit(datos)

Planteamiento del problema

A partir de los registros oficiales analizados, resulta de gran interés analizar la relación existente entre el desempeño en el área de matemáticas y el puntaje de lectura crítica de los estudiantes evaluados.

Para ello, se toma como referencia la base de datos disponible, planteando un modelo de regresión lineal simple que permita explicar y predecir el comportamiento de los resultados:

\[Y = \beta_0 + \beta_1 X\]

Tenemos como objetivos principales: 1. Estimar la ecuación de la recta de mínimos cuadrados ordinarios. 2. Evaluar la significancia estadística del modelo y su bondad de ajuste (\(R^2\)). 3. Analizar la relación y correlación entre ambas variables cuantitativas.


3. Estadísticas descriptivas

Calculamos el resumen general, los promedios y las desviaciones estándar de ambas variables para conocer el comportamiento inicial de la muestra.

summary(datos)
##  PUNT_MATEMATICAS PUNT_LECTURA_CRITICA
##  Min.   :  0.00   Min.   :  0.00      
##  1st Qu.: 42.00   1st Qu.: 45.00      
##  Median : 51.00   Median : 52.00      
##  Mean   : 50.61   Mean   : 52.16      
##  3rd Qu.: 59.00   3rd Qu.: 60.00      
##  Max.   :100.00   Max.   :100.00
cat("Promedio de Matemáticas:", round(mean(datos$PUNT_MATEMATICAS), 2), "\n")
## Promedio de Matemáticas: 50.61
cat("Promedio de Lectura Crítica:", round(mean(datos$PUNT_LECTURA_CRITICA), 2), "\n")
## Promedio de Lectura Crítica: 52.16
cat("Desviación estándar de Matemáticas:", round(sd(datos$PUNT_MATEMATICAS), 2), "\n")
## Desviación estándar de Matemáticas: 12
cat("Desviación estándar de Lectura Crítica:", round(sd(datos$PUNT_LECTURA_CRITICA), 2), "\n")
## Desviación estándar de Lectura Crítica: 10.54

4. Diagrama de dispersión y recta de regresión

Visualizamos la relación entre el puntaje de Matemáticas (\(X\)) y el puntaje de Lectura Crítica (\(Y\)).

ggplot(datos, aes(x = PUNT_MATEMATICAS, y = PUNT_LECTURA_CRITICA)) +
  geom_point(alpha = 0.2, color = "#b05b73") +
  geom_smooth(method = "lm", color = "#7b1e3a", se = TRUE) +
  labs(
    title = "Relación entre Puntaje de Matemáticas y Lectura Crítica",
    x = "Puntaje de Matemáticas",
    y = "Puntaje de Lectura Crítica"
  ) +
  theme_minimal()

5. Modelo de Regresión Lineal

Ajustamos el modelo lineal simple para evaluar el impacto de los resultados en Matemáticas sobre Lectura Crítica.

modelo <- lm(PUNT_LECTURA_CRITICA ~ PUNT_MATEMATICAS, data = datos)
summary(modelo)
## 
## Call:
## lm(formula = PUNT_LECTURA_CRITICA ~ PUNT_MATEMATICAS, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -62.750  -4.658   0.081   4.728  47.588 
## 
## Coefficients:
##                   Estimate Std. Error t value Pr(>|t|)    
## (Intercept)      19.459464   0.041870   464.8   <2e-16 ***
## PUNT_MATEMATICAS  0.646121   0.000805   802.6   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 7.138 on 546210 degrees of freedom
## Multiple R-squared:  0.5411, Adjusted R-squared:  0.5411 
## F-statistic: 6.441e+05 on 1 and 546210 DF,  p-value: < 2.2e-16

6. Análisis de Varianza (ANOVA) e Intervalos de Confianza

# Tabla ANOVA del modelo
anova(modelo)
## Analysis of Variance Table
## 
## Response: PUNT_LECTURA_CRITICA
##                      Df   Sum Sq  Mean Sq F value    Pr(>F)    
## PUNT_MATEMATICAS      1 32823198 32823198  644145 < 2.2e-16 ***
## Residuals        546210 27832808       51                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Intervalos de confianza al 95% para los parámetros
confint(modelo, level = 0.95)
##                       2.5 %     97.5 %
## (Intercept)      19.3774006 19.5415278
## PUNT_MATEMATICAS  0.6445435  0.6476992