lab10_infEstad_Parte_R.Rmd

---
title: "laboratorio 10 Inferencia Estad Parte R"
author: "Luis Martinez"
date: "Otoño 20201"
output: pdf_document
number_sections: TRUE
---

Vamos a correr un modelo de regresión lineal simple en R. 
```{r}
library(tidyverse)
library(ggplot2)
library(ggcorrplot)
library(dplyr)
library(ggpubr)
```

En este caso vamos a usar los datos \textit{mtcars}, ya cargados a R y realizaremos inferencia sobre los mismos. 
```{r}
#Cargamos los datos
data("mtcars")
datos.coches<- mtcars
#Glimpse al data frame
head(mtcars)

# Manipulación de variables
x<- datos.coches$wt
y<- datos.coches$mpg


#Correlaciones
(cor(x, y, method="pearson"))
(cor(x,y, method = "spearman"))
(cor(x,y, method = "kendall"))

#Sugerencia de una relacion negativa entre miles per galon y weight
ggplot(datos.coches, aes(x,y))+geom_point()+stat_smooth()

#Construimos el modelo de regresion lineal simple 
(modelo<- lm(y~x, data=datos.coches))
summary(modelo)

#Corremos la Regresion
ggplot(datos.coches)+ geom_point(aes(x= wt, y= mpg))+
                      stat_smooth(aes(x= wt, y= mpg), method= "lm",
                      formula= y ~ x, se=TRUE)+theme_minimal()
    

#Intervalos de confianza para estimadores del modelo al 97.5%
confint(modelo)

#Coeficiente de correlación R^2
#Este coeficiente mide cuanta proporcion del modelo es explicada por la 
#regresion
(R.cuadrada<- (cor(x, y, method="pearson"))^2)
```