746 Leo 2015

INTRODUCCIN
En nuestros tiempos, las empresas agropecuariasdeben mantenerse al da con las

mejores tcnicas y avances, para el control de plagas y enfermedades de los cultivos,
debido a que el empleo tradicional y frecuente de compuestos qumicos de sntesis y
esta utilizacin inmoderada, incluso exclusiva, de fitosanitarios en los cultivos, ha
generado, entre otros problemas, una mayor incidencia de plagas y enfermedades,
aparicin de resistencias, nuevos problemas fitosanitarios (residuos, riesgos y
complicaciones legales), y numerosos problemas ambientales y toxicolgicos.
En vista de estas preocupaciones, se solicita a una estacin experimental agropecuaria
un estudio relacionado con la siembra de maz blanco, con la finalidad de determinar la
efectividad del control biolgico.
El estudio contempla dos etapas; la primera se refiere a la efectividad del control
biolgico y la segunda est dirigida a la comparacin de dos variedades de semillas en
relacin a los efectosproducidos por dos tipos de fertilizantes, uno comercial y el otro
semi-orgnico.
ASPECTOS METODOLGICOS
Poblacin y muestra
La poblacin es el conjunto de todos los elementos de inters en el estudio (efectividad
del control biolgico), en este casolas larvas de Spodoptera Fugiperda (gusano
cogollero). Como se considera muy costoso y poco prctico recolectar informacin de
toda la poblacin estudiada, se decide trabajar con una muestra, que es un subconjunto
de la poblacin. El estudio se baso en la observacin del comportamiento las larvas del
gusano cogollero (Spodopterafrugiperda), de los cuales se utiliz una muestra aleatoria
de 156 sujetos, a quienes les ser aplicado el insecticida de principio activo azairachtin
y el insecticida de principio activo nicotina, en dosis controladas, en condiciones de
laboratorio.
.
Instrumentos/ Materiales:
Materiales y Metodologa de la Etapa 1:

a) Cmaras climticas.
b) Recipientes de vidrio.
c) Larvas de Spodoptera Frugiperda (gusano cogollero).
Metodologa del Experimento:

a) La temperatura se mantuvo en los valores ptimos para el desarrollo de las
larvas, fluctuando entre los 20C y 30C.
b) La humedad relativa en el interior de la cmara fluctu entre el 70% y 90%.
c) Las observaciones se realizaron sobre colonias de laboratorio mantenidas para
fines experimentales, alimentndolas artificialmente como se recomienda para
estos casos.
d) Las larvas se clasificaron por edad, y se dividieron en dos grupos.
e) Por edad, un grupo se trat con insecticida de principio activo azairachtin y otro
coninsecticida de principio activo nicotina, en dosis controladas.
Se aplicarn varia herramientas descriptivas y herramientas de estadstica inferencial a

los datos recopilados a fin de poder realizar el estudio. Se utilizarn tablas de
distribucin para la presentacin de los datos de forma ordenada, lo cual permitir su
comparacin con los resultados obtenidos luego del anlisis. En el estudio se realizar
un anlisis de regresin mltiple, que nos permitir obtener estimaciones acerca de la
variable considerada como dependiente (Y) (tasa de mortalidad).
Variables para el Estudio Etapa 1:
Y : Tasa de mortalidad medida en porcentajes.

X1 : Edad de la larva al momento de aplicar el tratamiento.
X2 : Edad de la larva al momento de realizar la observacin de la variable Y .
X3 : Indicador del principio activo, 0 = azairachtin, 1 = nicotina.
X4 : Concentraciones de principio activo.
X5 : Temperatura en C.
X6 : Porcentaje de humedad relativa
Para la realizacin del Anlisis de Regresin Mltiple, se har uso de un paquete

computacional para la obtencin de los resultados, ya que su clculo manual es muy
extenso y complejo. El Software seleccionado esMinitab 14, el cual en sus herramientas
efecta el anlisis de regresin lineal utilizando el mtodo de "mnimos cuadrados", con
apoyo para la verificacin de resultados, y elaboracin de tablas del Software Microsoft
Excel (versin 2007).Estos Software ser utilizado bajo ambiente Windows 7 (como
sistema operativo), en un procesador Intel(R) Core(TM) i3-2100.
Materiales y Metodologa de la Etapa 2:
a) Terreno tipo franco arenoso con inclinacin inferior al 1%.
b) Varios elementos de siembra y mantenimiento de cultivo.
c) Cuatro invernaderos con cubierta especial para permitir el paso de la luz solar y
esquema de ventilacin para la efectiva polinizacin del maz.
d) Semillas de maz, variedades v826 y v344.

e) Fertilizantes comercial y semi-orgnico.
f) Sistema de riego localizado.
Metodologa:
a) El terreno se divide en cuatro parcelas que se identifican con las letras A, B, C y
D,
b) Se realiz un estudio del suelo, previo a la siembra de maz, aplicando tcnica de
muestreoen zigzag.
c) Se siembran 300 plantas de maz en cada parcela, en hileras separadas a un
metro y a 50cm entre plantas, con el objeto de facilitar el mantenimiento y control
de plagas.
d) En dos de las parcelas se sembr la variedad de mazDANAC-826 (Hbrido
simple de granoblanco de excelente potencial de rendimiento experimental y
buena estabilidad) y en las dosparcelas restantes se sembrDANAC-344
(Hbrido simple de grano blanco con excelentepotencial de rendimiento
experimental).
e) Dos cultivos se fertilizaron con el fertilizante comercial ms utilizado en
Venezuela y losotros dos con fertilizante semi-orgnico.
f) Para finalizar se realiz un anlisis foliar y un conteo de filas por mazorca y
granos por fila.
Variables consideradas:
X1:Identificacin de la parcela.
En el suelo,
X2 : Tipo de suelo.
X3 : PH en suelo.
X4 : Nivel de Nitrgeno (mg/l).
X5 : Nivel de Fsforo (mg/kg).
X6 : Nivel de Potasio (mg/Kg).
En la planta
X7 :Nmero de filas por mazorca.
X8 : Promedio de granos por filas.
X9 : Nivel de Nitrgeno (%).

X10 : Nivel de Fsforo (%).
X11 : Nivel de Potasio (%).
X12 : Nivel de Calcio (%).
X13 : Nivel de Magnesio (%).
X14 : Nivel de Azufre (%).
X15 : Nivel de Boro (ppm).
X16 : Nivel de Cobre (ppm).
X17 : Nivel de Hierro (ppm).
X18 : Nivel de Manganeso (ppm).
X19 : Nivel de Zinc (ppm).
X20 : Altura (cm).
X21 : Humedad del grano (%).
Otras,
X22 : Variedad de maz.
X23 : Tipo de fertilizante.
Mtodos Estadsticos
El Anlisis de Regresin Mltiple, estudia la relacin de una variable dependiente con
dos o msvariables independientes, a travs del uso de modelos de regresin mltiple.
En la terminologa que se emplea en regresin, a la variable que se va a predecir se le
llama variable dependiente (Y). A las variables que se usan para predecir el valor de la
variable dependiente se les llama variables independientes (X).
El Modelo de regresin mltiple es la Ecuacin matemtica que describe cmo est
relacionada la variabledependiente Y con las variables independientes X 1, X2, . . ., XPy
con el trmino del error .Se supone que el modelo de regresin mltiple toma la forma
siguiente:
y= 0 + 1 X 1+ 2 X 2 ++ p X p +
En donde 0, 1, 2,...,p, son parmetros y el trmino del error es una variable
aleatoria.
Suposiciones sobre el Trmino del Error en el Modelo de Regresin Mltiple
1. El trmino del error es una variable aleatoria cuya media o valor esperado es
cero,es decir, E() = 0.Consecuencia: Para valores dados de x1, x2, . . . , xp, el
valor esperado o valor promediode y est dado por
E ( y )= 0 + 1 X 1 + 2 X 2 ++ p X p
En esta ecuacin, E(y) representa el promedio de todos los valores que puede
tomary para valores dados de x1, x2, . . . , xp.
2. La varianza de se denota 2 y, es la misma para todos los valores de las
variables independientesx1, x2, . . . , xp.Consecuencia: La varianza de y respecto
a la lnea de regresin es 2 y es la misma para todos los valores de x1, x2, . . . ,
xp.
3. Los valores de son independientes. Consecuencia: El valor de para un

determinado conjunto de valores de las variables independientes no est
relacionado con el valor de de ningn otro conjunto de valores.
4. El trmino del error es una variable aleatoria distribuida normalmente y que
reflejala desviacin entre el valor de y,y el valor esperado de y dado por
0+ 1 X 1 + 2 X 2+ + p X p .Consecuencia: Como 0, 1, 2,..., pson constantes
para los valores dados de x1, x2, . . . , xp, la variable dependiente y es tambin
una variable aleatoria distribuida normalmente.
Anlisis de Varianza (ANOVA): la tabla general para el anlisis de varianza se obtiene

como resultado del uso del software, y proporciona los resultados importantes en la
aplicacin de los mtodos estadstico. a continuacin se presenta la informacin que
contiene:
Grados de
Suma de
Promedio de los
libertad
p
cuadrados
SCR
cuadrados
Regresi
n
Residuos
n-p-1
SCE
n-1
STC
Total
SCR
p
SCE
CME=
np1
CMR
F=
CMR
CME
En el caso de la regresin mltiple, la suma de cuadrados del total (STC) tiene n - 1

gradosde libertad, la suma de cuadrados debida a la regresin (SCR) tiene p grados de
libertad y la sumade cuadrados debida al error (SCE) tiene n -p- 1 grados de libertad.
Por tanto, el cuadrado mediodebido a la regresin (CMR) es SCR/p y el cuadrado
medio debido al error (CME) es SCE/(n - p - 1).
Prueba de significancia:
1. La prueba F se usa para determinar si existe una relacin de significancia entre
la variable dependiente y el conjunto de todas las variables independientes; a
esta prueba F se le llama prueba de significancia global.
2. Si la prueba F indica que hay significancia global, se usa la prueba t para ver si
cada una de las variables individuales es significativa. Para cada una de las
variables independientes del modelo se realiza una prueba t. A cada una de
estas pruebas t se le conoce como prueba de significancia individual.
Prueba F de significancia global
H 0 : 1= 2== p=0
H A :uno o ms de los parmetros no son iguales a cero .
Estadstico de prueba
F=
CMR
CME
Regla de rechazo
Valor aproximado p:
Rechazar H0 si valor p
Valor Crtico aproximado: Rechazar H0 si F F

Donde F pertenece a la distribucin F con p grados de libertad en el numerador y
n - p - 1 grados de libertad en el denominador.
Prueba t:
Si la prueba F indica que la relacin de regresin mltiple es significativa, se puede
realizar unaprueba t para determinar la significancia de cada uno de los parmetros. A
continuacin se presentala prueba t de significancia para cada uno de los parmetros.
Prueba t de significancia para cada uno de los parmetros

Para cualquier parmetroi
H 0 : i=0
H A : i 0.
t=
bi
sb
Regla de rechazo
Valor aproximado p:
Valor Crtico aproximado: Rechazar H0 si

Donde t /2
t t / 2 o si
t t /2
es un valor de distribucin t con n - p - 1 grados de libertad.
En el estadstico de prueba,
sb
es la estimacin de la desviacin estndar de bi. El
paquete de software proporciona el valor de
sb .
i
Eliminacin hacia atrs:

En el procedimiento de eliminacin hacia atrs se empieza con un modelo en el que se
incluyentodas las variables independientes. Despus, de una en una, se van eliminando
variables independientesmediante el mismo procedimiento que en la regresin por
pasos. Sin embargo, en el procedimientode eliminacin hacia atrs no se permite que
una variable que ya ha sido eliminadavuelva a ser ingresada al modelo. El
procedimiento se detiene cuando ninguna de las variablesindependientes del modelo
tenga un valor-p mayor que Alfaseleccionado para remover las variables.
En la eliminacin hacia atrs, el computador calcula todo el modelo utilizando todas las
variables explicativas, luego computa todos los valores t, y si alguno es insignificante, el
computador elimina el que tenga el valor t ms prximo a cero y calcula el modelo
nuevamente. Esto contina hasta que todos los b i restantes sean significativamente
diferentes de cero. Aqu en el paso inicial se incluyen en el modelo a todas las variables
independientes y en cada paso se elimina la variable cuyo p-value es ms grande
para la prueba de t o cuyo valor de la prueba t menor que 2 en valor absoluto. Una
variable que es eliminada del modelo ya no puede volver a entrar en un paso
subsiguiente. El proceso termina cuando todos los p-values son menores que 0,05, o
cuando todos los valores de la prueba t son mayores que 2 en valor absoluto.
Anlisis residual:
Los residuales estandarizados suelen emplearse en las grficas de residuales y en la
identificacin de observaciones atpicas. A continuacin se presenta la frmula general
para obtener el residual estandarizado de la observacin i.
Residual Estandarizado de la Observacin i
y i ^y i
S y ^y
i
donde
S y ^y =desviacin estndar del residu ali
i
La frmula general para obtener la desviacin estndar del residual i est definida como
se indicaa continuacin.
S y ^y =S 1hi
i
donde
S=error estndar de estimacin
hi=influencia de l a observacin i
La influencia de una observacin est determinada por qu tanlejos de sus medias
estn los valores de las variables independientes. En el anlisis de regresinmltiple,
10
calcular hiY, y por lo tanto el residual estandarizado de la observacin i es

muycomplicado como para hacerlo a mano. Sin embargo, los residuales estandarizados
se obtienenfcilmente como parte de los resultados de los paquetes de software para
estadstica.
Las grficas de residuales y de probabilidad normal se usan para confirmar las
suposiciones de un modelo de regresin. Si en esta revisin se encuentra que una o
ms de las suposiciones son dudosas, habr que considerar otro modelo o una
transformacin de los datos. Cuando se violan las suposiciones, las medidas a tomar
deben basarse en un criterio adecuado.
El anlisis de residuales es el principal mtodo estadstico para verificar si las
suposiciones del modelo de regresin son vlidas. Aun cuando no se encuentre
ninguna violacin, esto no necesariamente implica que el modelo vaya a proporcionar
buenas predicciones. Pero, si adems existen otras pruebas estadsticas que
favorezcan la conclusin de significancia y si el coeficiente de determinacin es grande,
deber ser posible obtener buenas estimaciones y predicciones empleando la ecuacin
de regresin estimada.
Procedimiento
Para iniciar el tratamiento de los datos se proceder a vaciar la data en el programa
(Minitab), el cuales se utilizar para construir los modelos de regresin y, obtener los
resultados y grficos necesarios para la posterior interpretacin.
Para realizar el anlisis se partir del estudio de los siguientes modelos de regresin
mltiple:
Modelo 1:
Y =b 0 +b1 X 1 +b2 X 2 +b3 X 4 +b 4 X 5+ b5 X 6
Modelo 2:
Y =b 0 +b1 X 5 +b2 X 6 +b 3 X 5 X 6+ b4 X 5+ b5 X 6
Modelo 3:
Y =b 1 X 6+ b2 X 6
11
Modelo 4:
Y =b 1 X 1+ b2 X 2+ b3 X 4 + b4 X 5 +b 5 X 6+ b6 X 5 X 6 +b 7 X 5+ b8 X 6
Se utilizar como se dijo anteriormente, el software estadstico para obtener la ecuacin

de regresin estimada que permita aproximar mejor la relacin lineal entre las variables
dependiente e independiente.
Para probar los modelos se utilizarn:
Pruebas de bondad de ajuste:
Coeficiente de Correlacin Mltiple.
Coeficiente de Determinacin Mltiple (R 2).
Coeficiente de Determinacin Ajustado ( R ).
Error Tpico o Estndar de Estimacin (Se).
Prueba de Significancia Global.
Pruebas Individuales para los Coeficiente de Regresin Parcial.
Regresin de paso a paso (eliminacin hacia atrs).
Luego, se proceder a elegir cul de los cuatro modelos simplificados justifica mejor la
variabilidad de la variable explicada.
Por ltimo, se proceder a realizar para el modelo elegido en el paso anterior, un
anlisis de los residuos.
12
INTERPRETACIN DE LOS RESULTADOS

MODELO 1:
Y =b 0 +b1 X 1 +b2 X 2 +b3 X 4 +b 4 X 5+ b5 X 6
La variable dependiente es la Tasa de mortalidad medida en porcentajes Y, y las
variables independientes son: X1: Edad de la larva al momento de aplicar el tratamiento;
X2: Edad de la larva al momento de realizar la observacin de la variable Y; X 3:
Indicador del principio activo, 0 = azairachtin, 1 = nicotina; X 4: Concentraciones de
principio activo; X5: Temperatura en C; X6: Porcentaje de humedad relativa.
Se utiliz para su evaluacin, los datos presentados en el Apndice A.
Coeficientes de Regresin
Predictor
Constant
X1
X2
X4
X5
X6
Coef
6,09
-5,8243
16,1702
-19,960
-0,3936
0,1264
SE Coef
23,31
0,9592
0,9555
8,393
0,4837
0,2282
T
0,26
-6,07
16,92
-2,38
-0,81
0,55
P
0,794
0,000
0,000
0,019
0,417
0,581
VIF
1,2
1,2
1,0
1,0
1,0
Modelo 1 estimado.
Y = 6,1 - 5,82 X1 + 16,2 X2 - 20,0 X4 - 0,394 X5 + 0,126 X6
El coeficiente de las variables independientes indica el cambio promedio en la variable
de respuesta Tasa de Mortalidad (Y) cuando, se incrementa en una unidad una de las
variables independientes, asumiendo que el resto de las otras variables permanecen
constantes.
13
Pruebas de Bondad de ajuste

S = 17,0371
R-Sq = 66,2%
PRESS = 47425,7
R-Sq(adj) = 65,1%
R-Sq(pred) = 63,18%
Estadsticas de la regresin
Coeficiente de correlacin mltiple
Coeficiente de determinacin R^2
R^2 ajustado
Error tpico
Observaciones
0,81360804
0,66195805
0,65068998
17,037099
156
Coeficiente de Correlacin Mltiple: es la correlacin entre el valor predicho y el valor

observado de la variable dependiente, y es otra medida de la fuerza de la relacin entre
la variable dependiente y las variables independientes. Tiene un valor de 0,813, lo cual
es un indicativo de una baja relacin entre la variable dependiente y las variables
independientes.
Coeficiente de Determinacin R2: significa que el 66,2% del cambio en la Tasa de
Mortalidad se puede explicar mediante los cambios en las variables
independientes.Entre mayor sea este coeficiente, mayor es el poder explicativo del
modelo, en este caso el poder explicativo del modelo es bajo.
Coeficiente de Determinacin Ajustado: es de 65,1%. Lo que nos muestra que hay
una disminucin con respecto al coeficiente de determinacin, esto es un indicativo de
que existe una variable independiente que no ofrece suficiente poder explicativo al
modelo.
14
Error tpico: nos indica un grado de dispersin de 17,03 de los valores de la Tasa de
Mortalidad proyectados alrededor del plano de regresin, lo cual refleja una tendencia a
desviarse del valor real de la Tasa de Mortalidad.
Prueba de Significancia Global

Analysis of Variance
Source
Regression
Residual Error
Total
DF
5
150
155
SS
85259
43539
128799
ANLISIS DE VARIANZA
Grados de
Suma de
libertad
cuadrados
MS
17052
290
F
58,75
P
0,000
Promedio de los
cuadrados
Valor
F
crtico de F
Regresi
n
Residuos
Total
5
150
155
85259
43539
128799
17052
290

H 0 : 3= 4= 5= 6= 7 = 8=0
F=
CMR 17052
=
=58,75
CME
290
Regla de rechazo
Valor aproximado p:

15
58,75
0,000
Donde F pertenece a la distribucin F con 5 grados de libertad en el numerador y 150

grados de libertad en el denominador, para un valor de = 0,05, F 0,95 =
2,27.Como58,75>2,27, se rechaza H0. Se concluye que existe una relacin significativa
entre la Tasa de Mortalidad de las larvas de Spodoptera Frugiperda (gusano cogollero)y
las variables independientes contenidas en el modelo de regresin.
Como la prueba anterior nos indica que hay una relacin significativa, se realizan las
pruebas t para los coeficientes de regresin parciales, y se procede a realizar la
regresin de paso a paso (eliminacin hacia atrs), en el cual se realizarn las pruebas
t para verificar la eliminacin de las variables paso a paso.
Prueba t de significancia para cada uno de los parmetros: como la prueba es
similar para cada uno de los parmetros, se proceder a plantearla de manera general
y se interpretaran los resultado para cada una de las variables.
Para cualquier parmetro i
H 0 : i=0
H A : i 0.
t=
bi
sb
Regla de rechazo
Valor aproximado p:

donde t /2
= 0,05;
t t / 2 o si
t t /2
es un valor de distribucin t con 150 grados de libertad, para un valor de

t /2=1,960 .
16
sb
(Error tpico) es la estimacin de la desviacin
estndar de bi (coeficiente). El paquete de software proporciona directamente el valor

del estadstico de prueba t (Estadstico t).
Predictor
Constant
X1
X2
X4
X5
X6
Coef
6,09
-5,8243
16,1702
-19,960
-0,3936
0,1264
SE Coef
23,31
0,9592
0,9555
8,393
0,4837
0,2282
T
0,26
-6,07
16,92
-2,38
-0,81
0,55
P
0,794
0,000
0,000
0,019
0,417
0,581
VIF
1,2
1,2
1,0
1,0
1,0
X1 : Edad de la larva al momento de aplicar el tratamiento:

Valor Crtico aproximado: Estadstico t = -6,07 se rechaza H 0. Se concluye que X1 :
Edad de la larva al momento de aplicar el tratamiento contribuye significativamente al
poder explicativo del modelo.
Valor aproximado p: Probabilidad p = 0,00. Como 0,00< 0,05, se rechaza H 0.
X2 : Edad de la larva al momento de realizar la observacin de la variable Y:
Valor Crtico aproximado: Estadstico t = 16,92, se rechaza H0. Se concluye que X2 :
Edad de la larva al momento de realizar la observacin de la variable Y, contribuye
significativamente al poder explicativo del modelo.
Valor aproximado p: Probabilidad p = 0,00. Como 0,00 < 0,05, se rechaza H 0.
X4 : Concentraciones de principio activo:
Valor Crtico aproximado: Estadstico t = -2,38, se rechaza H0. Se concluye que X4 :
Concentraciones de principio activo, contribuye significativamente al poder explicativo
del modelo.
Valor aproximado p: Probabilidad p = 0,02. Como 0,02< 0,05, se rechaza H 0.
17
X5 : Temperatura en C:
Valor Crtico aproximado: Estadstico t = -0,81, No se rechaza H0. Se concluye que el
X5: Temperatura en C, no contribuye significativamente al poder explicativo del modelo.
Valor aproximado p: Probabilidad p = 0,42. Como 0,42> 0,05, No se rechaza H 0.
X6 : Porcentaje de humedad relativa:
Valor Crtico aproximado: Estadstico t = 0,55, No se rechaza H0. Se concluye que el X6:
Porcentaje de humedad relativa, no contribuye significativamente al poder explicativo
del modelo.
Observaciones inusuales, grficas y Residuales, Modelo 1:
Unusual Observations
ObsX1
1 3,00
2 3,00
3 3,00
4 3,00
5 3,00
6 3,00
7 4,00
10 4,00
33 3,00
36 3,00
38 4,00
Y
0,00
0,00
0,00
99,00
0,00
0,00
70,00
74,00
100,00
100,00
100,00
Fit SE Fit Residual St Resid

42,30
4,66
-42,30
-2,58R
38,70
3,37
-38,70
-2,32R
34,57
3,64
-34,57
-2,08R
40,97
3,90
58,03
3,50R
39,97
3,77
-39,97
-2,41R
33,79
3,66
-33,79
-2,03R
34,95
3,65
35,05
2,11R
37,69
3,92
36,31
2,19R
66,38
3,28
33,62
2,01R
65,70
2,84
34,30
2,04R
63,35
2,53
36,65
2,18R
R denotes an observation with a large standardized residual.

Durbin-Watson statistic = 1,45150
Lack of fit test
Possible interaction in variable X2
(P-Value = 0,002 )
Possible interaction in variable X4
(P-Value = 0,022 )
Possible lack of fit at outer X-values (P-Value = 0,050)

18
Overall lack of fit test is significant at P = 0,002
Residual Plotsfor Y
Residual Plots for Y

Normal Probability Plot of the Residuals
Residuals Versus the Fitted Values
99
50
90
25
Residual
Percent
99,9
50
10
0
-25
1
0,1
-50
-50
-25
0
Residual
25
50
30
24
50
18
25
12
0
-25
6
0
-30
-15
0
15
Residual
30
45
60
-50
Observation Order
Eliminacin hacia atrs, Modelo 1:

Resultados arrojados porel programa:
Stepwise Regression: Y versus X1. X2. X4. X5. X6
Backward elimination.
120
Residuals Versus the Order of the Data
Residual
Frequency
Histogram of the Residuals
60
90
Fitted Value
Alpha-to-Remove: 0,1
Response is Y on 5 predictors, with N = 156
19
Step
Constant
1
6,088
2
16,238
3
7,454
X1
T-Value
P-Value
-5,82
-6,07
0,000
-5,88
-6,17
0,000
-5,90
-6,20
0,000
X2
T-Value
P-Value
16,17
16,92
0,000
16,18
16,97
0,000
16,14
16,97
0,000
X4
T-Value
P-Value
-20,0
-2,38
0,019
-19,9
-2,37
0,019
-20,5
-2,47
0,015
X5
T-Value
P-Value
-0,39
-0,81
0,417
-0,39
-0,81
0,421
X6
T-Value
P-Value
0,13
0,55
0,581
S
R-Sq
R-Sq(adj)
Mallows C-p
PRESS
R-Sq(pred)
17,0
66,20
65,07
6,0
47425,7
63,18
17,0
66,13
65,23
4,3
46917,5
63,57
17,0
65,98
65,31
3,0
46561,6
63,85
Paso 1, Regresin incluyendo todas las Variables.

Modelo estimado, paso 1.
Y =6,095,82 X 1+ 16,17 X 220 X 40,39 X 5 +0,13 X 6
Coeficiente de Correlacin Mltiple: tiene un valor de 0,813, lo cual es un indicativo
de una baja relacin entre la variable dependiente y las variables independientes.
20

Mortalidad se puede explicar mediante los cambios en las variables independientes.
Coeficiente de Determinacin Ajustado: es de 0,65. Lo que nos muestra que hay una
disminucin con respecto al coeficiente de determinacin, esto es un indicativo de que
existe alguna variable independiente que no ofrece suficiente poder explicativo al
modelo.
Mortalidad proyectados alrededor del plano de regresin, lo cual refleja una tendencia
baja a desviarse del valor real de la Tasa de Mortalidad.
H 0 : 3= 4= 5= 6= 7 = 8=0
F=
CMR 17051,88
=
=58,75
CME
290,26
Regla de rechazo
Valor aproximado p:

grados de libertad en el denominador, para un valor de = 0,05, F 0,95 = 2,27.Como
58,74 > 2,27, se rechaza H0. Se concluye que existe una relacin significativa entre la
Tasa de Mortalidad de las larvas de Spodoptera Frugiperda (gusano cogollero) y las
variables independientes contenidas en el modelo de regresin.
21
Prueba t de significancia para cada uno de los parmetros:

Regla de rechazo
Valor aproximado p:

Donde t /2
= 0,05;
t t / 2 o si
t t /2
t /2=1,960 .

poder explicativo del modelo. Valor aproximado p: Probabilidad p = 0,00. Como 0,00 <
0,05, se rechaza H0.
significativamente al poder explicativo del modelo. Valor aproximado p: Probabilidad p =
0,00. Como 0,00 < 0,05, se rechaza H0.
Valor Crtico aproximado: Estadstico t = -2.37, se rechaza H0. Se concluye que X4 :
del modelo. Valor aproximado p: Probabilidad p = 0,02. Como 0,02 < 0,05, se rechaza
H0.
Valor aproximado p: Probabilidad p = 0,42. Como 0,42 > 0,05, No se rechaza H 0.
22

del modelo. Valor aproximado p: Probabilidad p = 0,58. Como 0,58 > 0,05, No se
rechaza H0.
Paso 2, eliminando la variableX6: Porcentaje de humedad relativa.

Y =16,245,88 X 1 +16,18 X 219,88 X 40,39 X 5
Coeficiente de Determinacin Ajustado: es de 0,6506. Lo que nos muestra que hay
modelo.
23

H 0 : 3= 4= 5= 6= 8 =0
F=
CMR
=73,69
CME
Regla de rechazo
Valor aproximado p:

grados de libertad en el denominador, para un valor de = 0,05, F 0,95 = 2,43. Como
73,69 > 2,43, se rechaza H0. Se concluye que existe una relacin significativa entre la
Regla de rechazo
Valor aproximado p:

Donde t /2
= 0,05;
t t / 2 o si
t t /2
t /2=1,960 .

24

0,00. Como 0,00 < 0,05, se rechaza H0.
H0.
Paso 3, eliminando la Variable X5 : Temperatura en C.
Y =7,455,90 X 1 +16,14 X 220,53 X 4
25

modelo.
H 0 : 3= 4= 5= 6= 8 =0
F=
CMR
=98,26
CME
Regla de rechazo
Valor aproximado p:

98,26> 2,66, se rechaza H0. Se concluye que existe una relacin significativa entre la
Regla de rechazo
Valor aproximado p:
t t / 2 o si
26
t t /2
Donde t /2
= 0,05;
t /2=1,960 .

0,00. Como 0,00 < 0,05, se rechaza H0.
del modelo. Valor aproximado p: Probabilidad p = 0,01. Como 0,01< 0,05, se rechaza
H0.
En este paso culmina la aplicacin del procedimiento de eliminacin hacia atrs.
Al observar todos los resultados obtenidos en cada uno de los pasos se han
eliminando variables independientes que en la vida real se consideran importantes en la
determinacin de la tasa de mortalidadde las larvas de Spodoptera Frugiperda (gusano
cogollero), inferimos que esto se debe a que en el laboratorio para el experimento, las
condiciones de humedad y temperatura (variables eliminadas del modelo), eran
controladas en los niveles ptimos para el desarrollo de las larvas, lo que nos hace
recomendar que se realice posteriormente un estudio ms profundo, para determinar la
27
presencia de multicolinealidad en el modelo, la cual causa que se acepte con frecuencia

la hiptesis nula de que un parmetro es cero, aun cuando la correspondiente variable
independiente sea relevante.
28
MODELO 2:
Y =b 0 +b1 X 5 +b2 X 6 +b 3 X 5 X 6+ b4 X 25+ b5 X 26
variables independientes son: X5: Temperatura en C; X6: Porcentaje de humedad
relativa.
Predictor
Constant
X5
X6
X5X6
X52
X62
Coef
-129,6
13,32
0,96
0,1063
-0,4381
-0,02166
SE Coef
559,4
18,36
12,33
0,1333
0,3201
0,07397
T
-0,23
0,73
0,08
0,80
-1,37
-0,29
P
0,817
0,469
0,938
0,426
0,173
0,770
VIF
503,1
1014,9
248,4
383,2
937,7
Modelo 2 estimado.
Y = - 130 + 13,3 X5 + 1,0 X6 + 0,106 X5X6 - 0,438 X52 - 0,0217 X62

constantes.
S = 29,0495
PRESS = 138111
R-Sq = 1,7%
R-Sq(adj) = 0,0%
R-Sq(pred) = 0,00%
29
R^2 ajustado
Error tpico
Observaciones
0,13122501
0,01722
-0,01553933
29,0494892
156

es un indicativo de una muy baja relacin entre la variable dependiente y las variables
independientes.
Entre mayor sea este coeficiente, mayor es el poder explicativo del modelo, en este
caso el poder explicativo del modelo es bajo.
Coeficiente de Determinacin Ajustado: es de -0,01. Lo que nos muestra que hay
modelo.
30

Source
Regression
Residual Error
Total
DF
5
150
155
SS
2217,9
126580,9
128798,8
MS
443,6
843,9
F
0,53
P
0,757
ANLISIS DE VARIANZA
Valor
Grados de
Suma de
Promedio de los
libertad
cuadrados
cuadrados
F
F
0,5256518 0,7565864
2217,91654
126580,923
128798,84
443,583308
843,872821
Regresi
n
5
Residuos 150
Total
155
crtico de

H 0 : 3= 4= 5= 6= 7 = 8=0
F=
CMR
=0,52
CME
Regla de rechazo
Valor aproximado p:

grados de libertad en el denominador, para un valor de = 0,05, F 0,95 = 2,27. Como 0,52
< 2,27, NO se rechaza H0. Se concluye que No existe una relacin significativa entre la
31
Como la prueba anterior nos indica que NO hay una relacin significativa, no se realizan
las pruebas t para los coeficientes de regresin parciales, y se procede a realizar la
regresin de paso a paso (eliminacin hacia atrs), en el cual se realizarn las pruebas
t para verificar la eliminacin de las variables paso a paso.
Source DFSeq SS
X5
1
5,4
X6
1
131,2
X5X6
1
374,0
X521 1635,0
X62
1
72,3
ObsX5
1 20,0
2 24,4
3 22,8
5 21,4
6 23,6
8 27,5
9 29,2
12 28,9
62 29,6
123 29,7
Y
0,00 71,67
10,89
-71,67
-2,66RX
0,00 79,93
4,34
-79,93
-2,78R
0,00 78,40
3,99
-78,40
-2,72R
0,00 72,10
6,39
-72,10
-2,54R
0,00 79,47
3,95
-79,47
-2,76R
0,00 75,29
4,13
-75,29
-2,62R
0,00 66,62
7,76
-66,62
-2,38R
20,00 76,86
7,98
-56,86
-2,04R
85,00 62,63
10,36
22,37
0,82 X
100,00 74,77
10,00
25,23
0,93 X

X denotes an observation whose X value gives it large influence.
No evidence of lack of fit (P >= 0,1).
32
Residual Plotsfor Y
99,9
90
Residual
Percent
99
50
10
1
0
-40
-80
0,1
-100
-50
0
Residual
50
100
60
65
70
75
Fitted Value
80
45
Residual
Frequency
60
30
0
-40
15
0
-80
-80
-60
-40
-20
Residual
20
Observation Order

Stepwise Regression: Y versus X5. X6. X5X6. X52. X62

Step
Constant
1
-129,60
2
-89,82
X5
T-Value
P-Value
13
0,73
0,469
13
0,72
0,470
X6
T-Value
1
0,08
3
74,15
33
4
69,12
5
72,97
6
76,20
P-Value
0,938
X5X6
T-Value
P-Value
0,1063
0,80
0,426
0,1092
0,85
0,394
0,1549
1,40
0,164
0,0088
0,57
0,568
X52
T-Value
P-Value
-0,438
-1,37
0,173
-0,440
-1,39
0,168
-0,250
-1,41
0,162
-0,017
-0,56
0,577
X62
T-Value
P-Value
-0,022
-0,29
0,770
-0,016
-0,80
0,423
-0,023
-1,33
0,185
S
R-Sq
R-Sq(adj)
Mallows C-p
PRESS
R-Sq(pred)
29,0
1,72
0,00
6,0
138111
0,00
29,0
1,72
0,00
4,0
136001
0,00
28,9
1,38
0,00
2,5
134439
0,00
29,0
0,23
0,00
2,3
133909
0,00
0,0016
0,19
0,848
28,9
0,02
0,00
0,6
132181
0,00
28,8
-0,00
0,00
-1,4
130466
0,00

2
Y =130+13,32 X 5 +0,96 X 6 + 0,11 X 5 X 60,44 X 50,02 X 6

de una muy baja relacin entre la variable dependiente y las variables independientes.
Coeficiente de Determinacin Ajustado: es de -0,01. Lo que nos muestra que hay
que existe alguna variable independiente que no ofrece suficiente poder explicativo al
modelo.
34
H 0 : 3= 4= 5= 6= 7 = 8=0
H A :uno o ms de los parmetros n o son iguales a cero.
F=
CMR
=0,52
CME
Regla de rechazo
Valor aproximado p:

0,52> 2,27, No se rechaza H0. Se concluye que No existe una relacin significativa
entre la Tasa de Mortalidad de las larvas de Spodoptera Frugiperda (gusano cogollero)
y las variables independientes contenidas en el modelo de regresin.

Regla de rechazo
Valor aproximado p:

donde t /2
= 0,05;
t t / 2 o si
t t /2

t /2=1,960 .
35
Temperatura en C, no contribuye significativamente al poder explicativo del modelo.
del modelo. Valor aproximado p: Probabilidad p = 0,93. Como 0,93> 0,05, No se
rechaza H0.
X5X6: Temperatura en C por Porcentaje de humedad Relativa:
Valor Crtico aproximado: Estadstico t = 0,73, No se rechaza H0. Se concluye que la
Temperatura en C por Porcentaje de humedad Relativa, no contribuye
0,43. Como 0,43> 0,05, No se rechaza H0.
X52 : Temperatura en C al cuadrado:
Valor Crtico aproximado: Estadstico t = -1,37, No se rechaza H0. Se concluye que la
Temperatura en C al cuadrado, no contribuye significativamente al poder explicativo del
modelo. Valor aproximado p: Probabilidad p = 0,17. Como 0,17> 0,05, No se rechaza
H0.
X62 : Porcentaje de humedad relativa al cuadrado:
Porcentaje de humedad relativa al cuadrado, no contribuye significativamente al poder
explicativo del modelo. Valor aproximado p: Probabilidad p = 0,77. Como 0,77> 0,05, No
se rechaza H0.
36
Como se observa en las pruebas independientes para cada una de las variables, que
ninguna contribuye con el poder explicativo del modelo, se procede a comenzar
eliminando aquella variable que posee el valor p ms alto. En el anlisis de todos los
resultados hasta la finalizacin del procedimiento de eliminacin hacia atrs, en tanto
las pruebas de significancia global como en las pruebas de significancia para cada uno
de los parmetros nos arrojan resultados negativos en las relacin de la variable
dependiente con las variables independientes, por lo tanto, se procede a omitir las
interpretaciones y solo procedemos a indicar segn los resultados las variables
eliminadas en orden, ya que con las pruebas y anlisis anteriores hay argumentos
suficientes como para descartar el uso de este modelo.
Paso 2, eliminando la variable X6: Porcentaje de humedad relativa.
Paso 3, eliminando la Variable X5 : Temperatura en C.
Paso 4, eliminando la Variable X62.
Paso 5, eliminando la Variable X52 .
Corroborndose que no existe una relacin notoria entre las variables estudiadas.
Como se dijo con anterioridad esto puede ser consecuencia a que en el laboratorio para
el experimento, las condiciones de humedad y temperatura (variables incluidasenel
modelo), eran controladas en los niveles ptimos para el desarrollo de las larvas, lo
que nos hace recomendar que se realice posteriormente un estudio ms profundo, para
determinar la presencia de multicolinealidad en el modelo, la cual causa que se acepte
con frecuencia la hiptesis nula de que un parmetro es cero, aun cuando la
correspondiente variable independiente sea relevante.
37
MODELO 3:
Y =b 1 X 6+ b2 X 26
variables independientes son: X6: Porcentaje de humedad relativa y X62: Porcentaje de
humedad relativa al cuadrado.
Predictor
Noconstant
X6
X62
Coef
SE Coef
1,7664
-0,010119
0,3934
0,004842
4,49
-2,09
0,000
0,038
Modelo 3 estimado.
Y = 1,77 X6 - 0,0101 X62
constantes.
S = 28,8969
PRESS = 131970

es un indicativo de una baja relacin entre la variable dependiente y las variables
independientes.
38
R^2 ajustado
Error tpico
Observaciones
0,93579001
0,87570294
0,86840231
28,8968587
156

modelo.
Source
Regression
Residual Error
Lack of Fit
Pure Error
Total
DF
2
154
147
7
156
ANLISIS DE VARIANZA
Grados de
libertad
SS
905979
128594
124745
3849
1034573
Suma de
cuadrados
MS
452989
835
849
550
F
542,48
P
0,000
1,54
0,284
Promedio de los
cuadrados
39
Valor crtico
de F
Regresi
n
Residuos
Total
2
154
156
905978,62
128594,38
1034573
452989,31
835,028443
542,48368
8 3,4407E-70

H 0 : 3= 4= 5= 6= 7 = 8=0
F=
CMR
=542,48
CME
Regla de rechazo
Valor aproximado p:

542,48>3,06, se rechaza H0. Se concluye que existe una relacin significativa entre la
pruebas t para los coeficientes de regresin parciales.
H 0 : i=0
H A : i 0.
40
t=
bi
sb
Regla de rechazo
Valor aproximado p:

donde t /2
= 0,05;
t t / 2 o si
t t /2

t /2=1,960 .
sb

Predictor
Noconstant
X6
X62
Coef
SE Coef
1,7664
-0,010119
0,3934
0,004842
4,49
-2,09
0,000
0,038

Valor Crtico aproximado: Estadstico t = 4,49, se rechaza H0. Se concluye que el X6:
Porcentaje de humedad relativa, contribuye significativamente al poder explicativo del
modelo. Valor aproximado p: Probabilidad p = 0,00. Como 0,00< 0,05, se rechaza H 0.
Valor Crtico aproximado: Estadstico t = -2,09, se rechaza H0. Se concluye que el
Porcentaje de humedad relativa al cuadrado, contribuye significativamente al poder
explicativo del modelo. Valor aproximado p: Probabilidad p = 0,04. Como 0,04 < 0,05, se
rechaza H0.
41
Como en el modelo se observa que las variables independientes analizadas son

significativas para el poder explicativo del mismo, no se considera necesario realizar el
procedimiento de eliminacin hacia atrs.
142 rows with no replicates
Source DFSeq SS
X61 902332
X62
1
3647
ObsX6
1 70,2
2 86,7
3 80,7
5 87,6
6 77,0
8 75,7
9 72,2
Y
0,00
0,00
0,00
0,00
0,00
0,00
0,00

74,12
4,21
-74,12
-2,59R
77,08
3,46
-77,08
-2,69R
76,65
2,33
-76,65
-2,66R
77,08
3,75
-77,08
-2,69R
76,00
2,69
-76,00
-2,64R
75,73
2,92
-75,73
-2,63R
74,79
3,72
-74,79
-2,61R

* ERROR * No lack of fit test with NOCONSTANT
42
Residual Plotsfor Y

99,9
90
Residual
Percent
99
50
10
1
-40
-80
0,1
-100
-50
0
Residual
50
100
74
75
76
Fitted Value
Residual
Frequency
80
60
40
-40
20
0
-80
-80
-60
-40
-20
Residual
77
20
Observation Order
43
MODELO 4:
variables independientes son: X1: Edad de la larva al momento de aplicar el tratamiento;
X2: Edad de la larva al momento de realizar la observacin de la variable Y; X 3:
Indicador del principio activo, 0 = azairachtin, 1 = nicotina; X 4: Concentraciones de
principio activo; X5: Temperatura en C; X6: Porcentaje de humedad relativa.
Predictor
Noconstant
X1
X2
X4
X5
X6
X5X6
X52
X62
Coef
SE Coef
-5,6631
16,0860
-19,716
7,057
-2,028
0,02411
-0,1878
0,00970
0,9767
0,9643
8,425
9,528
2,988
0,07054
0,1848
0,02483
-5,80
16,68
-2,34
0,74
-0,68
0,34
-1,02
0,39
0,000
0,000
0,021
0,460
0,498
0,733
0,311
0,697
Modelo 4 estimado.
The regression equation is
Y = - 5,66 X1 + 16,1 X2 - 19,7 X4 + 7,06 X5 - 2,03 X6 + 0,0241 X5X6 - 0,188 X52
+ 0,0097 X62
Y =5,66 X 1 +16,09 X 219,72 X 4+ 7,06 X 52,03 X 6 0,02 X 5 X 60,19 X 25+ 0,01 X 26
44

constantes.
S = 17,0922
PRESS = 48126,6
R^2 ajustado
Error tpico
Observaciones
0,97888078
0,95820757
0,94947415
17,0922211
156

es un indicativo de alta relacin entre la variable dependiente y las variables
independientes.
45
modelo.

Source
Regression
DF
SS
8 991336 123917 424,16 0,000
Residual Error 148

Total
MS
43237
292
156 1034573
ANLISIS DE VARIANZA
Grados de
libertad
Regresi
n
8
Residuos
148
Total
156
Suma de
cuadrados
Promedio de los
cuadrados
991335,685
43237,3155
1034573
123916,961
292,144024

H 0 : 3= 4= 5= 6= 7 = 8=0
H A :uno o ms de los parmetros no son iguales a ce ro.
46
Valor crtico
F
de F
424,16394
2 1,7555E-97
F=
CMR
=424,16
CME
Regla de rechazo
Valor aproximado p:

grados de libertad en el denominador, para un valor de = 0,05, F 0,95 = 2. Como 424,16
> 2, se rechaza H0. Se concluye que existe una relacin significativa entre la Tasa de
Mortalidad de las larvas de Spodoptera Frugiperda (gusano cogollero) y las variables
independientes contenidas en el modelo de regresin.
pruebas t para los coeficientes de regresin parciales, y se procede a realizar la
regresin de paso a paso (eliminacin hacia atrs).
H 0 : i=0
H A : i 0.
t=
bi
sb
Regla de rechazo
Valor aproximado p:

donde t /2
= 0,05;
t t / 2 o si
t t /2

t /2=1,960 .
47
sb

Predictor
Coef SE Coef
Noconstant
X1
-5,6631 0,9767 -5,80 0,000
X2
16,0860 0,9643 16,68 0,000
X4
-19,716
X5
7,057
9,528 0,74 0,460
X6
-2,028
2,988 -0,68 0,498
X5X6
8,425 -2,34 0,021
0,02411 0,07054 0,34 0,733
X52
-0,1878 0,1848 -1,02 0,311
X62
0,00970 0,02483 0,39 0,697
Intercepcin
X1
X2
X4
X5
X6
X5X6
X5^2
X6^2
Coeficientes
0
-5,66307467
16,0860025
-19,7158928
7,05698455
-2,02768866
0,02411209
-0,1878185
0,00969985
Error tpico Estadstico t Probabilidad Inferior 95% Superior 95%

#N/A
#N/A
#N/A
#N/A
#N/A
0,97672899
-5,798 3,9108E-08 -7,59321079
-3,73293855
0,96430648
16,6814211 8,1258E-36 14,1804148
17,9915902
8,42486119 -2,34020388 0,02060876 -36,3644506
-3,06733513
9,52808566 0,74065083 0,46007861 -11,7716799
25,885649
2,98812983 -0,67858118 0,49846296 -7,93259922
3,87722191
0,0705351 0,34184529 0,73295224 -0,11527391
0,16349809
0,1848481 -1,01606945 0,31125447 -0,55310098
0,17746398
0,0248331
0,39060175
0,69665329
-0,03937339
0,0587731

48
poder explicativo del modelo. Valor aproximado p: Probabilidad p = 0,00. Como 0,00 <
0,05, se rechaza H0.
0,00. Como 0,00 < 0,05, se rechaza H0.
Valor Crtico aproximado: Estadstico t = -2.34, se rechaza H0. Se concluye que X4 :
H0.
Temperatura en C, no contribuye significativamente al poder explicativo del modelo.
X6: Porcentaje de humedad relativa, no contribuye significativamente al poder
se rechaza H0.
X5X6: Temperatura en C por Porcentaje de humedad Relativa:
Valor Crtico aproximado: Estadstico t = 0,34, No se rechaza H0. Se concluye que la
Temperatura en C por Porcentaje de humedad Relativa, no contribuye
49

0,73. Como 0,73 > 0,05, No se rechaza H0.
X52 : Temperatura en C al cuadrado:
Valor Crtico aproximado: Estadstico t = -1,02, No se rechaza H0. Se concluye que la
Temperatura en C al cuadrado, no contribuye significativamente al poder explicativo del
modelo. Valor aproximado p: Probabilidad p = 0,31. Como 0,31> 0,05, No se rechaza
H0.
Valor Crtico aproximado: Estadstico t = 0,39, No se rechaza H0. Se concluye que el
Porcentaje de humedad relativa al cuadrado, no contribuye significativamente al poder
se rechaza H0.
Source DFSeq SS
X11 830119
X21 158348
X4
1
2107
X5
1
2
X6
1
438
X5X6
1
15
X52
1
262
X62
1
45
ObsX1
1 3,00
2 3,00
3 3,00
4 3,00
5 3,00
Y
0,00
0,00
0,00
99,00
0,00

40,90
5,08
-40,90
-2,51R
40,08
3,67
-40,08
-2,40R
34,79
3,76
-34,79
-2,09R
42,54
4,20
56,46
3,41R
38,59
4,51
-38,59
-2,34R
50
6 3,00
7 4,00
10 4,00
38 4,00
0,00 34,77
70,00 35,82
74,00 37,78
100,00 62,92
3,92
3,82
4,20
2,91
-34,77
34,18
36,22
37,08
-2,09R
2,05R
2,19R
2,20R

* ERROR * No lack of fit test with NOCONSTANT
Residual Plotsfor Y
99
50
90
25
Residual
Percent
99,9
50
10
0
-25
1
0,1
-50
-50
-25
0
Residual
25
50
30
50
18
Residual
Frequency
120
24
12
6
0
60
90
Fitted Value
25
0
-25
-30
-15
0
15
Residual
30
45
-50
Observation Order
Como en estas pruebas se detectaron variables que no contribuyen con el poder

explicativo de modelo, se procede a realizar el procedimiento de eliminacin hacia
atrs, tenindose en cuenta de que en cada paso se ir eliminando la variable que no
contribuya con el poder explicativo del modelo y presenten un mayor valor p. Para
resumir un poco el procedimiento, se presentaran el resultado de la interpretacin de
los coeficientes obtenidos en forma de tablas, tenindose en cuenta que su anlisis e
interpretacin es similar al presentado en el procedimiento aplicado al modelo 1,
eliminacin hacia atrs.
51
Stepwise Regression: Y versus X5. X6. X5X6. X52. X62


* ERROR * X-matrix is (nearly) singular.
R^2 ajustado
Error tpico
Observaciones
ANLISIS DE VARIANZA
Grados de
libertad
Regresin
8
Residuos
148
Total
156
Coeficiente
s
Intercepci
n
X1
X2
X4
X5
0
-5,66
16,09
-19,72
7,06
Suma de
cuadrados
991335,68
43237,32
1034573,00
Error
tpico
#N/A
0,98
0,96
8,42
9,53
0,97888078
0,95820757
0,94947415
17,0922211
156
Promedio de los
cuadrados
123916,96
292,14
Estadstico
t
#N/A
-5,80
16,68
-2,34
0,74
52
Probabilida
d
#N/A
0,00
0,00
0,02
0,46
F
424,16
Inferior
95%
#N/A
-7,59
14,18
-36,36
-11,77
Valor crtico
de F
1,7555E-97
Superior
95%
#N/A
-3,73
17,99
-3,07
25,89
X6
X5X6
X5^2
X6^2
-2,03
0,02
-0,19
0,01
2,99
0,07
0,18
0,02
Coeficientes
Intercepcin
X1
X2
X4
X5
X6
X5X6
X5^2
X6^2
0
-5,66
16,09
-19,72
7,06
-2,03
0,02
-0,19
0,01
-0,68
0,34
-1,02
0,39
0,50
0,73
0,31
0,70
Estadstico t
#N/A
-5,80
16,68
-2,34
0,74
-0,68
0,34
-1,02
0,39
-7,93
-0,12
-0,55
-0,04
Probabilidad
#N/A
0,00
0,00
0,02
0,46
0,50
0,73
0,31
0,70
3,88
0,16
0,18
0,06
Interpretacin
#N/A
Contribuye
Contribuye
Contribuye
No Contribuye
No Contribuye
No Contribuye
No Contribuye
No Contribuye
Paso 2, eliminando la variable X5X6: Temperatura por Porcentaje de humedad

relativa.
R^2 ajustado
Error tpico
Observaciones
ANLISIS DE VARIANZA
Grados de
libertad
Regresin
6
Residuos
150
Total
156
Coeficiente
s
Intercepci
n
Suma de
cuadrados
991089,74
43483,262
1034573
0,9787593
0,9579698
0,9499022
17,02611
156
Promedio de los
cuadrados
165181,62
289,88841
F
569,81106
Valor crtico de
F
4,7E-100
Error
tpico
Estadstico
t
Probabilida
d
Inferior
95%
Superior
95%
#N/A
#N/A
#N/A
#N/A
#N/A
53
X1
X2
X4
X5
X5^2
X6^2
X1
X2
X4
X5
X5^2
X6^2
-5,83
16,13
-20,27
0,64
-0,02
0,00
Coeficientes
-5,83
16,13
-20,27
0,64
-0,02
0,00
0,96
0,96
8,37
1,13
0,03
0,00
-6,09
16,86
-2,42
0,56
-0,78
0,49
0,00
0,00
0,02
0,58
0,44
0,62
Estadstico t
-6,09
16,86
-2,42
0,56
-0,78
0,49
-7,72
14,24
-36,81
-1,60
-0,08
0,00
Probabilidad
0,00
0,00
0,02
0,58
0,44
0,62
-3,94
18,02
-3,73
2,88
0,03
0,00
Interpretacin
Contribuye
Contribuye
Contribuye
No Contribuye
No Contribuye
No Contribuye
Paso3, eliminando la variable X62: Porcentaje de humedad relativa al cuadrado.

R^2 ajustado
Error tpico
Observaciones
ANLISIS DE VARIANZA
Grados de
libertad
Regresin
5
Residuos
151
Total
156
Coeficiente
s
Intercepci
n
X1
X2
X4
X5
X5^2
0
-5,87
16,14
-20,18
1,00
-0,03
0,9787245
0,9579016
0,9501639
16,983418
156
Suma de
Promedio de los
cuadrados
cuadrados
991019,09
198203,82
43553,91
288,43649
1034573
Error
tpico
#N/A
0,95
0,95
8,35
0,85
0,02
Estadstico
t
#N/A
-6,18
16,91
-2,42
1,18
-1,24
54
Probabilida
d
#N/A
0,00
0,00
0,02
0,24
0,22
F
687,16623
Valor crtico
de F
1,93E-101
Inferior
95%
Superior
95%
#N/A
-7,75
14,25
-36,67
-0,68
-0,07
#N/A
-3,99
18,02
-3,69
2,69
0,02
Intercepcin
X1
X2
X4
X5
X5^2
Coeficientes
0
-5,87
16,14
-20,18
1,00
-0,03
Estadstico t
#N/A
-6,18
16,91
-2,42
1,18
-1,24
Probabilidad
#N/A
0,00
0,00
0,02
0,24
0,22
Interpretacin
#N/A
Contribuye
Contribuye
Contribuye
No Contribuye
No Contribuye
Paso 4, eliminando la variable X5: Temperatura en C.

R^2 ajustado
Error tpico
Observaciones
ANLISIS DE VARIANZA
Grados de
libertad
Regresin
4
Residuos
152
Total
156
Coeficiente
s
Intercepci
n
X1
X2
X4
X5^2
0
-5,70
16,63
-14,47
0,00
Suma de
cuadrados
990616,86
43956,136
1034573
Error
tpico
#N/A
0,94
0,86
6,81
0,01
Coeficientes
Intercepcin
X1
X2
X4
X5^2
0
-5,70
16,63
-14,47
0,00
0,9785258
0,9575128
0,9500953
17,005443
156
Promedio de los
cuadrados
247654,22
289,18511
Estadstico
t
Probabilida
d
#N/A
-6,06
19,35
-2,12
-0,39
Estadstico t
#N/A
-6,06
19,35
-2,12
-0,39
55
#N/A
0,00
0,00
0,04
0,70
F
856,38648
Valor crtico
de F
1,23E-102
Inferior
95%
Superior
95%
#N/A
-7,55
14,93
-27,93
-0,02
Probabilidad
#N/A
0,00
0,00
0,04
0,70
#N/A
-3,84
18,33
-1,01
0,01
Interpretacin
#N/A
Contribuye
Contribuye
Contribuye
No Contribuye
56
Paso 5, eliminando la variable X52: Temperatura en C al cuadrado.

R^2 ajustado
Error tpico
Observaciones
ANLISIS DE VARIANZA
Grados de
libertad
Regresin
3
Residuos
153
Total
156
Coeficiente
s
Intercepci
n
X1
X2
X4
0
-5,74
16,53
-15,81
Suma de
Promedio de
cuadrados
los cuadrados
990573,89
330191,3
43999,113
287,5759
1034573
Error
tpico
#N/A
0,93
0,81
5,84
Coeficientes
Intercepcin
X1
X2
X4
0,9785046
0,9574712
0,9503794
16,958063
156
0
-5,74
16,53
-15,81
Estadstico
t
#N/A
-6,18
20,29
-2,71
Error tpico
#N/A
0,93
0,81
5,84
Probabilida
d
#N/A
0,00
0,00
0,01
Estadstico t
#N/A
-6,18
20,29
-2,71
F
1148,1883
Valor crtico
de F
3,62E-104
Inferior
95%
Superior
95%
#N/A
-7,58
14,92
-27,35
Probabilidad
#N/A
0,00
0,00
0,01
#N/A
-3,91
18,14
-4,27
Inferior 95%
#N/A
Contribuye
Contribuye
Contribuye
57
Comparacin entre los Resultados de los Modelos Propuestos en el

Procedimiento de Eliminacin hacia atrs, para el MODELO 1 y MODELO 4.
Se realiza esta comparacin de los resultados, para determinar cul de los dos modelos
propuestos explica mejor a la variable dependiente estudiada, y as poder presentar el
resultado del anlisis de los residuales.
MODELO 1, Propuesto en el paso 3.
Y =7,455,90 X 1 +16,14 X 220,53 X 4
R^2 ajustado
Error tpico
Observaciones
ANLISIS DE VARIANZA
Grados de
libertad
Regresi
n
3
Residuos 152
Total
155
Intercepci
n
X1
X2
X4
0,8122861
0,6598087
0,6530944
16,978363
156
Suma de
cuadrados
Promedio de los
cuadrados
84982,591
43816,249
128798,84
28327,53
288,26479
Valor crtico
F
de F
98,26912
9
2,075E-35
Coeficiente
s
Error
tpico
Estadstico
t
Probabilida
d
Inferior
95%
Superior
95%
7,45
-5,90
16,14
-20,53
9,36
0,95
0,95
8,32
0,80
-6,20
16,97
-2,47
0,43
0,00
0,00
0,01
-11,04
-7,78
14,26
-36,98
25,94
-4,02
18,02
-4,08
58

Y =5,74 X 1 +16,53 X 2 15,81 X 4
R^2 ajustado
Error tpico
Observaciones
ANLISIS DE VARIANZA
Grados de
libertad
Regresin
3
Residuos
153
Total
156
Coeficiente
s
Intercepci
n
X1
X2
X4
0
-5,74
16,53
-15,81
0,9785046
0,9574712
0,9503794
16,958063
156
Suma de
Promedio de
cuadrados
los cuadrados
990573,89
330191,3
43999,113
287,5759
1034573
Error
tpico
#N/A
0,93
0,81
5,84
Estadstico
t
#N/A
-6,18
20,29
-2,71
59
F
1148,1883
Probabilida
d
#N/A
0,00
0,00
0,01
Valor crtico
de F
3,62E-104
Inferior
95%
#N/A
-7,58
14,92
-27,35
Superior
95%
#N/A
-3,91
18,14
-4,27
Anlisis residual:
Como se dijo con anterioridad, los residuales estandarizados suelen emplearse en las
grficas de residuales y en la identificacin de observaciones atpicas. A continuacin
se presentan los resultados y grficos obtenidos a travs del uso del paquete
computacional para el anlisis de los residuales.
Observacin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
Pronstico Y
39,39388927
36,23166805
33,06944684
39,39388927
36,23166805
33,06944684
33,6495362
30,48731498
27,32509376
33,6495362
30,48731498
27,32509376
55,92229231
52,76007109
49,59784987
55,92229231
52,76007109
49,59784987
50,17793923
47,01571802
43,8534968
50,17793923
47,01571802
43,8534968
44,43358616
41,27136495
38,10914373
44,43358616
41,27136495
38,10914373
72,45069534
69,28847412
Residuos
-39,39388927
-36,23166805
-33,06944684
59,60611073
-36,23166805
-33,06944684
36,3504638
-30,48731498
-27,32509376
40,3504638
-0,487314982
-7,325093765
-25,92229231
-9,760071089
-6,597849871
24,07770769
-3,760071089
5,402150129
21,82206077
26,98428198
-7,8534968
4,822060765
-3,015718017
1,1465032
-9,433586163
6,728635055
-12,10914373
10,56641384
-14,27136495
-13,10914373
25,54930466
8,711525876
60
Residuos estndares
-2,345682344
-2,157390032
-1,969097721
3,549205324
-2,157390032
-1,969097721
2,164463644
-1,815346435
-1,627054124
2,402640924
-0,029016839
-0,436167726
-1,543525265
-0,581156795
-0,392864483
1,433690729
-0,223890876
0,321667355
1,299379767
1,606760718
-0,467631126
0,287126329
-0,179568878
0,068267753
-0,561716472
0,400651998
-0,721030728
0,629169925
-0,849778719
-0,780575047
1,521315969
0,518721883
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
66,12625291
72,45069534
69,28847412
66,12625291
66,70634227
63,54412105
60,38189983
66,70634227
63,54412105
60,38189983
60,9619892
57,79976798
54,63754676
60,9619892
57,79976798
54,63754676
55,21763613
52,05541491
48,89319369
55,21763613
52,05541491
48,89319369
88,97909838
85,81687716
82,65465594
88,97909838
85,81687716
82,65465594
83,2347453
80,07252409
76,91030287
83,2347453
80,07252409
76,91030287
77,49039223
74,32817102
71,1659498
77,49039223
74,32817102
71,1659498
71,74603916
68,58381794
65,42159673
33,87374709
2,549304659
29,71152588
33,87374709
33,29365773
36,45587895
15,61810017
13,29365773
5,455878948
8,618100166
-0,961989198
4,20023202
5,362453237
17,0380108
2,20023202
30,36245324
-3,217636126
-27,05541491
-25,89319369
-11,21763613
-7,055414909
-28,89319369
-8,979098376
12,18312284
17,34534406
1,020901624
14,18312284
-6,654655941
11,7652547
4,927475913
23,08969713
11,7652547
17,92747591
-16,91030287
-4,490392233
7,671828985
23,8340502
3,509607767
8,671828985
8,834050202
23,25396084
-19,58381794
-27,42159673
61
2,016989232
0,151796612
1,769152601
2,016989232
1,982448206
2,170740517
0,929969152
0,791561808
0,324866601
0,513158913
-0,057280993
0,250099959
0,319303631
1,014516765
0,131011319
1,807911628
-0,191591955
-1,61099628
-1,541792608
-0,667946514
-0,420109882
-1,720425567
-0,534654306
0,725435764
1,032816715
0,060788893
0,844524403
-0,396246962
0,700554089
0,293403202
1,374860312
0,700554089
1,06747936
-1,006912483
-0,267377351
0,456813839
1,419182309
0,208977208
0,516358159
0,526017511
1,384641283
-1,16610512
-1,632800327
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
71,74603916
68,58381794
65,42159673
66,00168609
62,83946487
59,67724365
66,00168609
62,83946487
59,67724365
105,5075014
102,3452802
99,18305898
105,5075014
102,3452802
99,18305898
99,76314834
96,60092712
93,4387059
99,76314834
96,60092712
93,4387059
94,01879527
90,85657405
87,69435283
94,01879527
90,85657405
87,69435283
88,2744422
85,11222098
81,94999976
88,2744422
85,11222098
81,94999976
82,53008912
79,36786791
76,20564669
82,53008912
79,36786791
76,20564669
76,78573605
73,62351483
70,46129362
76,78573605
1,253960839
6,416182057
-7,421596726
-23,00168609
-13,83946487
-8,677243654
7,998313911
-7,839464872
-3,677243654
-5,507501411
-7,345280194
0,816941024
-5,507501411
-2,345280194
0,816941024
0,23685166
-1,600927122
6,561294096
0,23685166
3,399072878
6,561294096
5,981204732
7,14342595
12,30564717
5,981204732
9,14342595
12,30564717
-8,274442196
14,88777902
18,05000024
11,7255578
9,887779022
-1,949999761
0,469910876
18,63213209
6,794353311
-12,53008912
20,63213209
23,79435331
-19,78573605
-3,623514835
-0,461293617
-21,78573605
62
0,074666245
0,382047197
-0,441913929
-1,369619754
-0,824061523
-0,516680572
0,476254162
-0,466795604
-0,218958972
-0,327940426
-0,437369713
0,048644198
-0,327940426
-0,139648114
0,048644198
0,014103171
-0,095326117
0,390687794
0,014103171
0,202395483
0,390687794
0,356146768
0,42535044
0,732731391
0,356146768
0,54443908
0,732731391
-0,492696033
0,886482676
1,074774988
0,698190365
0,588761077
-0,11611141
0,027980523
1,109437633
0,404565147
-0,746095635
1,228526273
1,416818585
-1,178128197
-0,215759726
-0,027467415
-1,297216836
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
73,62351483
70,46129362
122,0359044
118,8736832
115,711462
122,0359044
118,8736832
115,711462
116,2915514
113,1293302
109,9671089
116,2915514
113,1293302
109,9671089
110,5471983
107,3849771
104,2227559
110,5471983
107,3849771
104,2227559
104,8028452
101,640624
98,4784028
104,8028452
101,640624
98,4784028
99,05849216
95,89627094
92,73404972
99,05849216
95,89627094
92,73404972
93,31413909
90,15191787
86,98969665
93,31413909
90,15191787
86,98969665
-27,62351483
-23,46129362
-22,03590445
-18,87368323
-15,71146201
-22,03590445
-18,87368323
-15,71146201
-16,29155137
-13,12933016
-9,967108939
-16,29155137
-13,12933016
-9,967108939
-10,5471983
-7,384977085
-4,222755867
-10,5471983
-7,384977085
-4,222755867
-4,802845231
-1,640624013
1,521597204
-4,802845231
-2,640624013
1,521597204
-1,058492159
4,103729058
5,265950276
0,941507841
1,103729058
6,265950276
6,685860913
9,84808213
13,01030335
4,685860913
9,84808213
9,010303348
Deteccin de observaciones atpicas
63
-1,644823403
-1,396986772
-1,312112943
-1,123820631
-0,93552832
-1,312112943
-1,123820631
-0,93552832
-0,970069346
-0,781777035
-0,593484723
-0,970069346
-0,781777035
-0,593484723
-0,62802575
-0,439733438
-0,251441126
-0,62802575
-0,439733438
-0,251441126
-0,285982153
-0,097689841
0,090602471
-0,285982153
-0,157234161
0,090602471
-0,063027196
0,244353756
0,313557428
0,056061444
0,065720796
0,373101748
0,398105041
0,586397353
0,774689664
0,279016401
0,586397353
0,536512385
Una observacinatpica, es un dato (una observacin) que no sigue la tendencia del

resto de los datos. Lasobservaciones atpicas son observaciones que son sospechosas
y que requieren un anlisis cuidadoso. Puede tratarse de datos errneos; si es as, esos
datos debe ser corregidos. Puede tratarse de una violacin a las suposiciones del
modelo; si es as, habr que considerar otro modelo. Porltimo, puede tratarse,
simplemente, de valores inusuales que se presenten por casualidad. En esecaso, esos
valores debern conservarse.
Para detectar observaciones atpicas usualmente se utiliza la identificacin grfica, pero
tambin se pueden usar los residuales estandarizados. Siuna observacin se aleja
mucho del patrn del resto de los datosel valor absoluto del correspondiente residual
estandarizado ser grande.
Para decidir qu hacer con una observacin atpica, primero hay que verificar si es una
observacincorrecta. Puede ser que se trate de un error al anotar los datos o al
ingresarlos a la computadora.La identificacin de los datos atpicos permitecorregir
errores en los datos y mejora los resultados de la regresin.
En los resultados obtenidosobservamos la presencia de pocos datos atpicos, ya que
las diferencias observadas no son muy grandes, razn por la cual no se considera que
afecten significativamente.
Observaci
n
1
2
5
4
10
Pronstic
oY
39,39388
9
36,23166
8
36,23166
8
39,39388
9
33,64953
6
Residuos
Residuos
estndare
s
-39,39389 -2,345682
-36,23167
-2,15739
-36,23167
-2,15739
59,606111 3,5492053
40,35046
4 2,4026409
64
7
38
33,64953
6
63,54412
1
36,35046
4 2,1644636
36,45587
9 2,1707405
Los residuales proporcionan la mejor informacin acerca de ; por lo tanto, el anlisis

de losresiduales es muy importante para determinar si las suposiciones hechas acerca
de son apropiadas.
Gran parte del anlisis residual se basa en examinar grficas.
Grfica de residuales contra x
La grfica de residuales contra la variable independiente x es una grfica en la que los
valores de la variable independiente se representan en el eje horizontal y los valores de
los residuales correspondientesse representan en el eje vertical. Para cada residual se
grafica un punto. La primeracoordenada de cada punto est dada por el valor x i y la
segunda coordenada est dada por el correspondiente valor del residual
y i^y i .
Si la suposicin de que la varianza de es la misma para todos los valores de x ysi el

modelo de regresin empleado representa adecuadamente la relacin entre las
variables, elaspecto general de la grfica de residuales ser el de una banda horizontal
de puntos
X1 Grfico de los residuales

100
Residuos
50
0
-50
X1
65

100
Residuos
50
0
-50
10
X2

100
Residuos
50
0
0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95
-50
1.05
X4
Los grficos de los residuales, nos muestran que los datos presentan un
comportamiento similar al de las variables categricas, por ello se observa en el
diagrama de dispersin que los datos se encuentran representados en los valores
correspondientes, esto se debe a que los datos de estas variables son nmeros
enteros.
Por lo tanto, se concluye que en el anlisis de las grficas de residuales contra x, no se
muestran evidencias de que las suposiciones hechas para el modelo de regresin
mltiple 4 propuesto puedan ser dudosas, salvo la presencia de pocos datos atpicos,
para lo cual se recomienda hacer un estudio ms detallado de los mismos. Se concluye
que el modelo de regresin lineal 4 propuesto es vlido.
Grfica de residuales contra
^y
66
En estaotra grfica de residuales los valores pronosticados para la variable dependiente

^y
se representan en el eje horizontal y los valores de los residuales en el eje vertical.
A cada residual corresponde un punto en la grfica. La primera coordenada de cada

^y i
uno de los puntos es
y la segunda coordenada es el valor correspondiente del
y i^y i . La forma de esta grfica de residuales es igual ala forma de la
residual i,
grfica de residuales contra la variable independiente x. Esta no es una forma

quepudiera llevar a dudar de las suposiciones del modelo.
X1 Curva de regresin ajustada

200
Y
100
Pronstico Y
0
2
X1

200
Y
100
Pronstico Y
0
3
X2
67
10

200
Y
100
0
0.5
Pronstico Y
0.6
0.7
0.8
0.9
1.1
X4
Al igual que en el anlisis anterior, se concluye que de residuales contra
^y , no se
muestran evidencias de que las suposiciones hechas para el modelo de regresin

mltiple 4 propuesto puedan ser dudosas.
Resultados de datos de probabilidad

Percentil
0,320512821
0,961538462
1,602564103
2,243589744
2,884615385
3,525641026
4,166666667
4,807692308
5,448717949
6,08974359
6,730769231
7,371794872
8,012820513
8,653846154
9,294871795
9,935897436
10,57692308
11,21794872
11,85897436
12,5
13,14102564
Y
0
0
0
0
0
0
0
20
20
23
25
25
26
27
30
30
35
36
38
43
43
68
13,78205128
14,42307692
15,06410256
15,70512821
16,34615385
16,98717949
17,62820513
18,26923077
18,91025641
19,55128205
20,19230769
20,83333333
21,47435897
22,11538462
22,75641026
23,3974359
24,03846154
24,67948718
25,32051282
25,96153846
26,6025641
27,24358974
27,88461538
28,52564103
29,16666667
29,80769231
30,44871795
31,08974359
31,73076923
32,37179487
33,01282051
33,65384615
34,29487179
34,93589744
35,57692308
36,21794872
36,85897436
37,5
38,14102564
38,78205128
39,42307692
40,06410256
40,70512821
41,34615385
41,98717949
42,62820513
43,26923077
43
44
44
45
45
46
47
48
49
49
49
51
52
55
55
55
55
55
56
57
58
60
60
60
60
62
69
69
70
70
70
70
72
73
73
74
74
74
75
75
76
76
78
78
80
80
80
69
43,91025641
44,55128205
45,19230769
45,83333333
46,47435897
47,11538462
47,75641026
48,3974359
49,03846154
49,67948718
50,32051282
50,96153846
51,6025641
52,24358974
52,88461538
53,52564103
54,16666667
54,80769231
55,44871795
56,08974359
56,73076923
57,37179487
58,01282051
58,65384615
59,29487179
59,93589744
60,57692308
61,21794872
61,85897436
62,5
63,14102564
63,78205128
64,42307692
65,06410256
65,70512821
66,34615385
66,98717949
67,62820513
68,26923077
68,91025641
69,55128205
70,19230769
70,83333333
71,47435897
72,11538462
72,75641026
73,3974359
80
80
80
81
82
83
83
83
85
85
90
95
95
95
95
95
95
95
96
97
98
98
98
98
98
98
98
98
99
99
99
99
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
70
74,03846154
74,67948718
75,32051282
75,96153846
76,6025641
77,24358974
77,88461538
78,52564103
79,16666667
79,80769231
80,44871795
81,08974359
81,73076923
82,37179487
83,01282051
83,65384615
84,29487179
84,93589744
85,57692308
86,21794872
86,85897436
87,5
88,14102564
88,78205128
89,42307692
90,06410256
90,70512821
91,34615385
91,98717949
92,62820513
93,26923077
93,91025641
94,55128205
95,19230769
95,83333333
96,47435897
97,11538462
97,75641026
98,3974359
99,03846154
99,67948718
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
Grfica de probabilidad normal
71
Otro manera de determinar la validez de la suposicin de que el trmino del error tiene
una distribucinnormal es la grfica de probabilidad normal.Si se satisfacela suposicin
de normalidad, el menor residual estandarizado deber tener un valor parecido aldel
menor punto normal, el siguiente residual estandarizado deber tener un valor parecido
al delsiguiente punto normal, y as sucesivamente. En el caso de que los residuales
estandarizados se encuentrendistribuidos de una manera aproximadamente normal, en
una grfica en la que los puntosnormales correspondan al eje horizontal y los
correspondientes residuales estandarizados al eje vertical,los puntos de la grfica
estarn situados cercanos a una lnea recta a 45 grados que pase porel origen. A esta
grfica es a lo que se le conoce como grfica de probabilidad normal.
Grfico de probabilidad normal

200
Y
100
0
0
20
40
60
80
100
120
Muestra percentil
La irregularidad observada en la grfica se debe a la presencia de unas observaciones

que pueden considerarse como atpicas, pero en general, como la mayora de los
puntos se encuentran cerca de esta recta. Se concluye, por lo tanto, que la suposicin
de que los trminos del error tienen una distribucin de probabilidad normal es
razonable.
72
DISCUSIN
1) Obtener los siguientes modelos de regresin lineal mltiple:

Modelo 1:
Y =b 0 +b1 X 1 +b2 X 2 +b3 X 4 +b 4 X 5+ b5 X 6
Modelo 2:
Y =b 0 +b1 X 5 +b2 X 6 +b 3 X 5 X 6+ b4 X 25+ b5 X 26
Modelo 3:
Y =b 1 X 6+ b2 X 26
Modelo 4:
Modelo 1 estimado:
Y =6,095,82 X 1+ 16,17 X 219,96 X 40,39 X 5 +0,13 X 6
Modelo 2 estimado:
Y =129,6+13,32 X 5 +0,96 X 6 + 0,11 X 5 X 60,44 X 250,02 X 26
Modelo 3 estimado:
Y =1,77 X 60,01 X 26
Modelo 4 estimado:
Y =5,66 X 1 +16,09 X 219,72 X 4+ 7,06 X 52,03 X 6 0,02 X 5 X 60,19 X 25+ 0,01 X 26
2) Explicar cul de los modelos anteriores considerara para realizar el estudio
Al observar los modelos (Modelo 1 y 4), en parmetros, se nota claramente que ambos
utilizan casi las mismas variables explicativas.Por esta razn, para poder realizar la
eleccin del modelo, nos centraremos en observar y seleccionar aquel modelo que
presenta los resultados ms favorables en las pruebas estadsticas realizadas.
73
Se descartan para esta evaluacin el Modelo 2 y Modelo 3, ya que en los resultados

observados en las pruebas de bondad de ajuste y pruebas de significancia, notamos
que:
El poder explicativo del modelo 2 es muy bajo, aparte de que se presume la

posible presencia de un problema de multicolinealidad, el cual no pudo ser
corregido satisfactoriamente con la aplicacin del procedimiento de eliminacin
hacia atrs.
El modelo 3, a pesar de presentar un poder explicativo alto, solo nos muestra la

relacin de la Tasa de mortalidad del gusano cogollero con una sola variable, que
es el porcentaje de humedad relativa, la cual estaba controlada durante el
experimento de laboratorio, por lo cual se considera muy poco prctico y alejado
de la realidad, utilizar ste modelo.
Claramente es el Modelo 4, el que explica mejor la variabilidad de la variable

dependiente, que en este caso es Tasa de mortalidad medida en porcentajes. Las
razones que sustentan esta eleccin son las siguientes:
Presenta un poder explicativo muy alto, del 0,96; lo que significa que el 95,82%
del cambio en laTasa de mortalidad del gusano cogollero, se puede explicar
mediante los cambios en las variables independientes

Existe en este modelo una alta relacin entre la variable dependiente y las
variables independientes.
Existe una relacin significativa entre el Tasa de mortalidad medida en
porcentajes y varias de las variables independientes contenidas en el modelo de
regresin(X1 : Edad de la larva al momento de aplicar el tratamiento; X2 : Edad de
la larva al momento de realizar la observacin de la variable Y ; X4 :
Concentraciones de principio activo).
Se descarta el uso del Modelo 1, porque no presenta un poder explicativo mucho
menor al presentado por el Modelo 4, en la prueba de significancia para cada
variable, nos revela que no existe una relacin lineal entre la Tasa de Mortalidad
(variable dependiente) y varias de las variables independientes. Otra de las
razones por la cual se descarta su uso, es por la similitud entre los modelos 4 y
1, ya que el modelo 4 incluye a las variables independientes analizadas en el
74
modelo 1, por lo cual se considera conveniente en esta fase ms el uso del

modelo 4.
3) A los modelos aplicar, en caso de ser necesario, el procedimiento de regresin

eliminacin hacia atrs; interpretndose en cada paso los resultados
arrojados por el programa.
Solo se consider necesario aplicar el procedimiento de regresin hacia atrs,ms
detallado al modelo 1 y al modelo 4, ya que estos presentaban un poder explicativo alto,
con lo cual este procedimiento nos podra ayudar a obtener un modelo que explique
mejor a la variable Y, adems en el anlisis de significancia individual de ambos
modelos indic que existan variablesque aparentemente no estaban relacionadas
linealmente con Y.
El procedimiento se realiz para el modelo 1 en tres pasos, y para el modelo 4 en cinco
pasos, en los cuales al observar los resultados para ambos modelos se logr obtener
un modelo que tuviera un suficiente poder explicativo como para ser tomado en
consideracin. De hecho ambos modelos simplificados presentan las mismas variables
dependientes (X1 : Edad de la larva al momento de aplicar el tratamiento; X 2 : Edad de
la larva al momento de realizar la observacin de la variable Y ; X 4 : Concentraciones de
principio activo), la diferencia en el poder explicativo de ellos se da, es por tomar en el
modelo la presencia de la estimacin de es la interseccin de larecta de regresin.
4) Elegir cul de los dos modelos simplificados justifica mejor la variabilidad de
la variable explicada.
Al observar los dos modelos (Modelo 1 y 4) simplificados, en parmetros, se nota
claramente que ambos tienen variables explicativasiguales, y como se dijo
anteriormente la nica diferencia entre ambos es la presencia de la estimacin de es la
interseccin. El eliminar la estimacin de la interseccin de la recta de regresin, en el
75
modelo estimado, eleva significativamente el poder explicativo del modelo, razn por la
cual se decide proponer el uso del Modelo 4 simplificado estimado:
Y =5,74 X 1 +16,53 X 2 15,81 X 4
Las razones que sustentan esta eleccin son las siguientes:
Presenta un poder explicativo muy alto, del 0,95; lo que significa que el 95,74%
del cambio en el Peso Promedio se puede explicar mediante los cambios en las
variables independientes
Existe en este modelo una alta relacin entre la variable dependiente y las
variables independientes
Existe una relacin significativa entre la tasa de mortalidad del gusano cogollero
y las variables independientes contenidas en el modelo de regresin.
5) Realizar para el modelo seleccionado un anlisis de residuos.

En los resultados obtenidos para el anlisis de los residuales observamos solo la
presencia de pocos datos atpicos,los cuales pueden afectan la normalidad de la
distribucin de los residuales, se recomienda hacer un estudio ms detallado del caso
para determinar si los valores asignados a estas observaciones son correctos
En el anlisis de las grficas de residuales contra x, no se muestran evidencias de que
las suposiciones hechas para el modelo de regresin mltiple 4 simplificado puedan ser
dudosas, salvo los dos valores atpicos presentes, para lo cual se recomienda hacer un
estudio ms detallado de los mismos. Se concluye que el modelo de regresin lineal 4
simplificado empleado es vlido.
76
CONCLUSIONES
Como conclusin podemos decir que de los modelos analizados, el modelo 4
simplificado, es el que mejor justifica la variabilidad de la variable respuesta, que en
este caso es la Tasa de mortalidad medida en porcentajes Y, y las variables
independientes son: X1: Edad de la larva al momento de aplicar el tratamiento; X 2: Edad
de la larva al momento de realizar la observacin de la variable Y; X 3: Indicador del
principio activo, 0 = azairachtin, 1 = nicotina; X4: Concentraciones de principio activo; X5:
Temperatura en C; X6: Porcentaje de humedad relativa. Esto nos demuestra que es un
modelo de regresin lineal que incluye variables que son importantes en teora para el
anlisis, y que en la vida real, se toman en consideracin a la hora de realizar la Tasa
de mortalidad del gusano cogollero (Spodoptera frugiperda).
Al observar todos los resultados obtenidos en el Modelo 1, notamos la existencia de
variables independientes que en la vida real se consideran importantes en la
determinacin de la tasa de mortalidad, por lo cual nos hace recomendar que se realice
posteriormente un estudio ms profundo, para determinar la presencia de
multicolinealidad en el modelo, la cual causa que se acepte con frecuencia la hiptesis
nula de que un parmetro es cero, aun cuando la correspondiente variable
independiente sea relevante; y pueda permitirse as elaborar un nuevo modelo que le
permita justifica la variabilidad de la tasa de mortalidad.
Para finalizar, en los resultados obtenidos en el Modelo 4 simplificado, observamos la
presencia de datos atpicos los cuales afectan la normalidad de la distribucin de los
residuales, se recomienda hacer un estudio ms detallado del caso para determinar si
los valores asignados a estas observaciones son correctoso puedan tratarse de datos
errneos; si es as, esos datos debe ser corregidos.
77
REFERENCIASBIBLIOGRFICAS
Anderson, David R.,Dennis J. Sweeney y Thomas A. Williams (2008). Estadstica para

administracin y economa, 10a. ed.Mxico,D.F.: CengageLearning Editores, S.A
Lind, Douglas A. (2005). Estadstica: aplicada a los negocios y a la economa. Mxico:
Mc.Graw-Hill.
Noguera, Guillermo GUIA: Elementos de Excel Para Estadistica .rea de
Matemtica - Universidad Nacional Abierta.
Webster, Allen L. (2000). Estadstica aplicada a los negocios y a la economa. Santa f
de Bogot: Mc.Graw-Hill.
78
APNDICE A
Tabla de Datos
Y
0
0
0
99
0
0
70
0
0
74
30
20
30
43
43
80
49
55
72
74
36
55
44
45
35
48
26
55
27
25
98
78
100
75
X1
3
3
3
3
3
3
4
4
4
4
4
4
3
3
3
3
3
3
4
4
4
4
4
4
5
5
5
5
5
5
3
3
3
3
X2
4
4
4
4
4
4
4
4
4
4
4
4
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
6
6
6
6
X3
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
X4
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
79
X5
20,04
24,36
22,77
24,33
21,40
23,56
26,30
27,52
29,16
22,44
20,66
28,91
29,26
26,32
25,58
27,14
27,33
28,59
24,88
23,96
23,49
27,84
21,16
21,42
27,04
24,78
21,39
26,38
29,21
25,38
23,64
21,44
26,54
21,89
X6
70,17
86,74
80,72
73,02
87,57
76,95
77,58
75,71
72,22
87,25
86,80
89,17
84,13
87,60
78,41
73,39
83,09
89,48
75,63
75,83
85,36
78,13
70,54
86,92
89,74
77,04
83,06
85,57
73,38
82,86
88,87
77,92
88,23
78,67
99
100
100
100
76
80
69
69
60
62
60
78
60
85
52
25
23
44
45
20
80
98
100
90
100
76
95
85
100
95
98
60
73
82
95
81
83
80
95
49
38
3
3
4
4
4
4
4
4
5
5
5
5
5
5
6
6
6
6
6
6
3
3
3
3
3
3
4
4
4
4
4
4
5
5
5
5
5
5
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
80
20,43
26,38
22,89
28,23
28,74
29,14
22,69
21,29
22,26
20,42
23,41
24,82
26,08
20,97
20,05
27,40
29,03
25,55
29,26
21,00
24,25
22,79
26,26
21,76
22,96
24,84
21,99
29,62
22,07
25,98
23,61
28,14
20,72
24,20
25,97
21,35
26,15
24,84
26,93
29,00
24,17
71,94
82,34
78,52
83,98
87,21
83,75
70,06
89,32
89,12
70,69
71,91
73,80
71,56
77,82
81,02
73,59
74,89
87,38
70,57
79,51
85,71
72,50
72,49
71,83
84,89
75,52
74,94
70,45
89,55
84,54
85,25
88,57
84,62
81,19
79,00
87,89
89,67
82,91
85,87
83,61
76,37
73
75
58
43
49
51
74
55
56
100
95
100
100
100
100
100
95
100
100
100
100
100
98
100
100
100
100
80
100
100
100
95
80
83
98
83
70
100
100
57
70
6
6
6
7
7
7
7
7
7
3
3
3
3
3
3
4
4
4
4
4
4
5
5
5
5
5
5
6
6
6
6
6
6
7
7
7
7
7
7
8
8
7
7
7
7
7
7
7
7
7
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
81
20,35
24,37
26,78
24,65
25,20
27,64
23,22
27,18
20,09
21,34
29,68
27,35
24,34
24,14
25,02
28,88
20,80
20,55
21,61
21,94
22,07
28,40
24,14
23,01
22,23
29,87
27,77
26,52
23,16
28,82
27,33
23,62
29,45
22,35
23,99
28,42
20,96
29,30
21,00
26,97
27,16
72,63
72,85
77,26
82,64
79,25
75,49
85,48
78,66
81,83
77,76
82,95
70,70
80,71
71,16
87,49
78,22
88,70
73,75
85,56
89,92
85,37
79,65
86,22
74,41
87,70
79,70
81,68
70,96
80,11
83,84
82,57
76,21
77,00
85,91
86,13
72,22
81,02
81,46
85,24
71,65
70,09
70
55
46
47
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
99
100
98
100
98
100
97
99
100
100
100
98
100
96
8
8
8
8
3
3
3
3
3
3
4
4
4
4
4
4
5
5
5
5
5
5
6
6
6
6
6
6
7
7
7
7
7
7
8
8
8
8
8
8
8
8
8
8
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
0
0
0
1
1
1
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
0,6
0,8
1
82
23,49
25,12
29,25
22,26
24,65
25,19
29,69
25,18
24,66
24,56
26,17
23,47
22,12
28,76
23,21
25,20
22,86
25,12
29,41
27,94
29,32
25,84
24,43
28,79
26,67
21,05
26,10
24,65
28,27
23,51
22,59
26,67
28,53
21,37
20,28
28,06
25,79
20,75
22,47
29,20
79,16
76,74
85,59
76,29
76,50
76,77
89,76
89,92
80,32
81,64
74,62
71,58
82,96
82,04
75,05
85,60
74,41
88,96
85,24
77,92
81,27
79,28
74,42
71,45
73,16
79,18
88,96
82,12
87,02
73,62
76,66
88,71
70,14
79,83
78,58
79,62
72,37
73,07
84,37
89,66
83
APNDICE B
Tabla de la Distribucin F de Fisher.
84
APNDICE C
Tabla de Distribucin t de Student.
85

746 Leo 2015

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

746 Leo 2015

Hochgeladen von

Copyright:

Verfügbare Formate

INTRODUCCIN

En nuestros tiempos, las empresas agropecuariasdeben mantenerse al da con las

Materiales y Metodologa de la Etapa 1:

Metodologa del Experimento:

Se aplicarn varia herramientas descriptivas y herramientas de estadstica inferencial a

Y : Tasa de mortalidad medida en porcentajes.

Para la realizacin del Anlisis de Regresin Mltiple, se har uso de un paquete

d) Semillas de maz, variedades v826 y v344.

X9 : Nivel de Nitrgeno (%).

3. Los valores de son independientes. Consecuencia: El valor de para un

Anlisis de Varianza (ANOVA): la tabla general para el anlisis de varianza se obtiene

En el caso de la regresin mltiple, la suma de cuadrados del total (STC) tiene n - 1

Valor Crtico aproximado: Rechazar H0 si F F

Prueba t de significancia para cada uno de los parmetros

Valor Crtico aproximado: Rechazar H0 si

es un valor de distribucin t con n - p - 1 grados de libertad.

es la estimacin de la desviacin estndar de bi. El

paquete de software proporciona el valor de

Eliminacin hacia atrs:

calcular hiY, y por lo tanto el residual estandarizado de la observacin i es

Y =b 0 +b1 X 1 +b2 X 2 +b3 X 4 +b 4 X 5+ b5 X 6

Se utilizar como se dijo anteriormente, el software estadstico para obtener la ecuacin

Pruebas de bondad de ajuste:

Coeficiente de Correlacin Mltiple.

Coeficiente de Determinacin Mltiple (R 2).

Coeficiente de Determinacin Ajustado ( R ).

Error Tpico o Estndar de Estimacin (Se).

Prueba de Significancia Global.

Pruebas Individuales para los Coeficiente de Regresin Parcial.

Regresin de paso a paso (eliminacin hacia atrs).

INTERPRETACIN DE LOS RESULTADOS

Pruebas de Bondad de ajuste

Coeficiente de Correlacin Mltiple: es la correlacin entre el valor predicho y el valor

Prueba de Significancia Global

Prueba F de significancia global

Valor Crtico aproximado: Rechazar H0 si F F

Donde F pertenece a la distribucin F con 5 grados de libertad en el numerador y 150

Valor Crtico aproximado: Rechazar H0 si

es un valor de distribucin t con 150 grados de libertad, para un valor de

(Error tpico) es la estimacin de la desviacin

estndar de bi (coeficiente). El paquete de software proporciona directamente el valor

X1 : Edad de la larva al momento de aplicar el tratamiento:

Fit SE Fit Residual St Resid

R denotes an observation with a large standardized residual.

Possible interaction in variable X4

Possible lack of fit at outer X-values (P-Value = 0,050)

Overall lack of fit test is significant at P = 0,002

Residual Plots for Y

Residuals Versus the Fitted Values

Eliminacin hacia atrs, Modelo 1:

Residuals Versus the Order of the Data

Histogram of the Residuals

Response is Y on 5 predictors, with N = 156

Paso 1, Regresin incluyendo todas las Variables.

Coeficiente de Determinacin R2: significa que el 66,20% del cambio en la Tasa de

Valor Crtico aproximado: Rechazar H0 si F F

Prueba t de significancia para cada uno de los parmetros:

Valor Crtico aproximado: Rechazar H0 si

es un valor de distribucin t con 150 grados de libertad, para un valor de

X1 : Edad de la larva al momento de aplicar el tratamiento:

X6 : Porcentaje de humedad relativa:

Paso 2, eliminando la variableX6: Porcentaje de humedad relativa.

Modelo estimado, paso 2.