Ejercicio Análisis de Regresión Simple

1- Utilice
la calificación general como variable dependiente y elabore tres diagramas de dispersión
empleando en cada caso como variables independientes el precio, el número de megapíxeles y el
peso. ¿Cuál de las tres variables independientes parece ser un mejor predictor de la calificación
general (es decir, cuál tiene mayor relación)? Explique por qué. 

R-Aunque no existe una relacion perfecta entre la calificacion y el precio, son las variables que mayor
corelación tienen pues son las únicas que muestran una inclinación clara en la línea de regresión.

Por otro lado, las gráficas de dispersión dónde la variable independiente es el número de megapíxeles y
peso; la línea de regresión se muestra casi totalmente horizontal, teniendo datos totalmete dispersos, lo
que indica que tienden a una correlación de 0 por lo que se puede mostrar que estas no muestran
correlación alguna ya que todos los puntos están alejados de la recta.
Realice un análisis de regresión simple tomando como variable dependiente la calificación general de
la cámara y como variable independiente la variable que señaló en la pregunta 1 como la que mejor
predice la calificación general. Para ello, pruebe si hay una relación estadísticamente significativa
entre ambas variables con un nivel de significancia de 0.05. Explique los resultados obtenidos. 

En las tablas obtenidas se puede apreciar como existe una relación no tan fuerte entre estas dos
variables, esto lo podemos deducir al ver los resultados del coeficiente de correlación que es
0.0552 este indica poca fuerza de relación lineal entre la calificación general y el precio de las cámaras ,
estando este valor entre 0 y 1,. Para este análisis se eliminaron 11 observaciones atípicas, lo que
aumentó el coeficiente de determinación de 46.68%, es decir que la variable precio explica ese
porcentaje de la variable calificación, Con un nivel de confianza del 95% el P-valor en este caso
es = 0.000 < 0.05, rechazando la hipótesis nula, la cual nos dice que no existe relación alguna.
1. Con ayuda sólo de los datos de las cámaras de Canon, analice si es apropiado estimar un
modelo de regresión simple para predecir la calificación general utilizando el precio de la
cámara. En el caso de que sea apropiado, estime el análisis de regresión simple de las
variables. Explique los resultados obtenidos

A partir de la grafica de dispersión de calificación vs precio de las cámaras Canon se puede decir
que, si es apropiado realizar un análisis de regresión simple para predecir la calificación general
ya que se observa una relación positiva, sin embargo, no es perfecta ya que algunos puntos
están alejados de la recta.
Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 47.29 2.57 18.38 0.000  
Precio 0.0665 0.0136 4.88 0.000 1.00

Model Summary
S R-sq R-sq(adj) R-sq(pred)
3.61854 68.39% 65.52% 53.13%

Analysis of Variance
Source DF Adj SS Adj MS F-Value P-Value
Regression 1 311.66 311.660 23.80 0.000
  Precio 1 311.66 311.660 23.80 0.000
Error 11 144.03 13.094    
  Lack-of-Fit 6 104.78 17.464 2.22 0.199
  Pure Error 5 39.25 7.850    
Total 12 455.69      

El análisis de regresión simple entre calificación final y precio de cámaras Canon da un coeficiente de
correlación de 0.0665 lo que indica poca relación lineal entre la calificación general y el precio de las
cámaras. Por otro lado, el valor de R cuadrado (Coeficiente de determinación) indica que el modelo
puede explicar el 68.39% de la variabilidad de la calificación con respecto al precio.

Con un nivel de confianza del 95% el P-valor en este caso es = 0.000 < 0.05, por lo que rechazamos Ho
(No existe relación alguna entre la calificación general y el precio de las cámaras) y aceptamos Ha (Si
existe relación entre la calificación general y el precio de las cámaras).

2. Pronostique la calificación de las cámaras de Canon si el precio es de 400. Además,

pronostique la calificación de las cámaras Nikon si el precio es de 400. Explique los resultados
obtenidos.

Cannon

Prediction
Fit SE Fit 95% CI 95% PI
73.8820 3.24119 (66.7481, 81.0158) (63.1898, 84.5741) XX
 Nikon

Prediction
Fit SE Fit 95% CI 95% PI
65.1782 3.55757 (57.4925, 72.8638) (51.8853, 78.4711) X
Cuando se trata de los precios de las dos marcas y el uso de la predicción, se puede decir
que cuanto mayor sea el precio de la cámara Canon, mayor será su calificación: precio = 400, puntaje
esperado = 73.88, por otro lado, el precio de la cámara Nikon. = 400 puntuación esperada = 65,17. En
otras palabras, el precio de una cámara Canon es el factor determinante para una calificación más alta
que una cámara Nikon