Estadística Aplicada

Pregunta 5

VARIABLES:

Y: PUNTUACION GENERAL

X: PRECIO DE LOS TELEVISORES

A) GRAFICO

> plot(x,y)

Existe una asociación lineal directa entre las variables precio y puntuación general

B)

> cor(y,x)

[1] 0.67103

COEFICIENTE DE CORRELACION

R = 0.67103
Estadística Aplicada

Validación del coeficiente de correlación:

Ho: ρ=0 (no hay correlación entre las dos variables)

H1: ρ≠0 (hay correlación entre las dos variables)

> cor.test(y,x)

Pearson's product-moment correlation

data: y and x

t = 2.5599, df = 8, p-value = 0.03365

alternative hypothesis: true correlation is not equal to 0

95 percent confidence interval:

0.07169443 0.91434657

sample estimates:

cor

0.67103

Como el valor P=0.03365 ≤ ∝=0.05, existe evidencia estadística para rechazar la hipótesis nula.

Por lo tanto hay correlación a nivel poblacional entre el precio y la puntuación general

COEFICIENTE DE DETERMINACION

R2 = 0.4503 = 45.03%

El 45.03% de la puntuación general es explicado por la variación del precio de los televisores.

C)

> model<-lm(y~x)

> model

Call:

lm(formula = y ~ x)

Coefficients:

(Intercept) x

12.0175 0.0127

bo=12.0175
Estadística Aplicada

b1=0.0127

y =12.0175 + 0.0127x

D)

> new<-data.frame(x=c(3200))

> predict(model,newdata=new)

52.64723

Si x=3200, y=52.64723

Cuando el precio del televisor sea $3200, entonces la puntuación general será de 52.65

E)

> predict(model,newdata=new,interval="confidence")

fit lwr upr

1 52.64723 46.05691 59.23755

Intervalo de confianza

46.0569< y< 59.2376

Cuando el precio sea de $3200, la puntuación general varía entre 46.0569 y 59.2376