Se tiene como objetivo desarrollar, aplicar e interpretar tres técnicas fundamentales de modelado estadístico en R:

  • Regresión lineal simple
  • Regresión lineal múltiple
  • Regresión polinomial

Para cada enfoque se presenta su fundamento teórico, la descripción de la base de datos utilizada, el planteamiento de un problema práctico, la estimación del modelo y su visualización gráfica.

1 Regresión lineal simple

La regresión lineal simple modela la relación entre una variable dependiente o respuesta (\(Y\)) y una única variable independiente o predictora (\(X\)) mediante una línea recta:

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

Donde:

  • \(\beta_0\) es el intercepto (valor esperado de \(Y\) cuando \(X = 0\)).
  • \(\beta_1\) es la pendiente (cambio promedio en \(Y\) por cada unidad adicional de \(X\)).
  • \(\varepsilon\) representa el error aleatorio o residuo.

1.1 Base de datos y descripción

Se utiliza el conjunto de datos “Hours and Scores.csv” obtenido de Kaggle, compuesto por 25 registros de estudiantes con 2 variables cuantitativas principales:

  • Hours (Horas de estudio): Variable independiente \(X\), representa las horas diarias dedicadas al estudio.
  • Scores (Puntaje): Variable dependiente \(Y\), representa el puntaje obtenido en la evaluación académica.
datosrls <- read.csv("Hours and Scores.csv")
datosrls <- datosrls[, c("Hours", "Scores")]
summary(datosrls)
##      Hours           Scores     
##  Min.   :1.100   Min.   :17.00  
##  1st Qu.:2.700   1st Qu.:30.00  
##  Median :4.800   Median :47.00  
##  Mean   :5.012   Mean   :51.48  
##  3rd Qu.:7.400   3rd Qu.:75.00  
##  Max.   :9.200   Max.   :95.00

1.2 Planteamiento de la situación

La coordinación académica de una institución educativa busca determinar en cuántos puntos incrementa el puntaje promedio de un estudiante por cada hora adicional diaria dedicada al estudio, con el fin de proyectar el rendimiento esperado y diseñar estrategias de acompañamiento académico.

1.3 Estimación del modelo por mínimos cuadrados

x <- datosrls$Hours
y <- datosrls$Scores
xbar <- mean(x)
ybar <- mean(y)
sxy <- sum((x - xbar) * (y - ybar))
sxx <- sum((x - xbar)^2)
b1 <- sxy / sxx
b0 <- ybar - b1 * xbar
yest <- b0 + b1 * x
res <- y - yest
sct <- sum((y - ybar)^2)
scr <- sum((yest - ybar)^2)
sce <- sum(res^2)
r2 <- scr / sct
r <- sxy / sqrt(sxx * sct)
round(c(b0 = b0, b1 = b1, r = r, r2 = r2), 2)
##   b0   b1    r   r2 
## 2.48 9.78 0.98 0.95

1.4 Interpretación de resultados

  • Ecuación estimada: \(\hat{y} = 2.48 + 9.78x\).
  • Intercepto (\(\beta_0 = 2.48\)): El puntaje base estimado cuando las horas de estudio son cero es de 2.48 puntos.
  • Pendiente (\(\beta_1 = 9.78\)): Por cada hora diaria adicional de estudio, la calificación del estudiante aumenta en promedio 9.78 puntos.
  • Correlación y ajuste (\(r = 0.98\), \(R^2 = 0.95\)): Existe una relación lineal positiva muy fuerte; las horas de estudio explican el 95% de la variabilidad total observada en los puntajes.

1.5 Visualización gráfica

plot(x, y,
     main = "Horas de estudio vs Puntaje",
     xlab = "Horas de estudio",
     ylab = "Puntaje",
     pch = 19, col = "#2C3E50")
abline(a = b0, b = b1, col = "#E74C3C", lwd = 2)
grid()