5% y por ello se rechaza la hipótesis de que sea lineal,

MODELO DE REGRESION SIMPLE nuestro modelo no es lineal.

ANALISIS PARA VARIABLES TOT. EMISION
f) En la sección de coeficientes se verifica la
BRUTA Vs. AREA SEMBRADA.
En la siguiente grafica se muestra la relación de las
ecuación de regresión estimada si es cierta y sus
emisiones brutas del CO2 con el área sembrada en el
valores coinciden, al igual que se observa que si
cultivo de la emisión de gases de efecto invernadero proporciona un buen ajuste; además se proporciona
un R-Cuadrado ajustado verídico.

g).

b) CORRELACION DE PEARSON = 0,259; existe una

correlación positiva muy débil entre emisión de co2 y el
área sembrada, ambas variables tienden a aumentar o
disminuir a la vez, están relacionadas.

c) Ecuación de regresión
T. Emisiones Brutas = 86024 + 19,55 Area T. Sembrada

d) En la ecuación anterior la constante (86024) es el
intercepto, del cual se infiere que puede pasar por 0
debido a que su Pvalor es 5,9% > 5 % de su nivel de
significancia, aunque sea muy poco, y su coeficiente arroja
un intervalo de confianza que abarca ámbitos negativos y
positivos. En cuanto a la pendiente su Pvalor es del
0%<5% antes nombrado y el intervalo de confianza
arrojado por el coeficiente de la pendiente va a ser
siempre positivo, por lo tanto, nunca va a tomar el valor de
0. Si la constante es 0 y la pendiente diferente de 0 aún
existe relación entre las emisiones brutas del co2 y el área
total sembrada
De la imágen anterior que contiene dos graficas
(probabilidad-histograma) de las dos podemos
concluir que no cumple el principio de normalidad
puesto que en la grafica de probabilidad
observamos que los datos no siguen una linea recta
sino una forma distorsionada, al igual que en la
grafica de histograma no se observa una campana
de gauss.

e) Ya se hizo el análisis de las pruebas de hipótesis de

pendiente y de intersecto en el inciso anterior. En cuanto
a la varianza y el error de variabilidad, se concluye que
este es mayor que la varianza en la regresión, y su Pvalor
es de 0% por tanto se rechaza la hipótesis de que sean
iguales, las varianzas son diferentes. En este último caso
sucede lo mismo que los anteriores, la prueba de hipótesis
de falta de ajuste proporciona un valor P de 0% menor al
De la imágen anterior (dispersion) podemos decir que los
datos no cumplen con el princicpio de linealidad puesto
como se observa no siguen una linea recta.

b) Correlación de Pearson, en la que se muestra si

las variables independientes se relacionan con la
De la tabla anterior (vs ajustes) se concluye que NO se dependiente.
cumple el principio de homocedasticidad puesto que es
probable sigua un patron. Correlaciones en parejas de Pearson
IC de 95%
Muestra 1 Muestra 2 Correlación para ρ Valor p
MACHOS Total Emisiones 0,350 (0,249; 0,000
Brutas 0,444)
HERMBRAS Total Emisiones 0,330 (0,228; 0,000
Brutas 0,425)
Área total Total Emisiones 0,259 (0,153; 0,000
sembrada Brutas 0,359)
HERMBRAS MACHOS 0,915 (0,895; 0,000
0,931)
Área total MACHOS 0,584 (0,507; 0,000
sembrada 0,653)
Área total HERMBRAS 0,682 (0,618; 0,000
sembrada 0,737)

La tabla muestra el coeficiente de correlación entre las

De la tabla anterior (vs orden) decimos que en principio no
se puede definir si son o no independientes debido a que
tenemos muchos datos y la grafica arroja una linea en la
que se podria pensar que muchos datos son dependientes
unos de otros. Sin embargo al observar que las pocas
variaciones que se presentan son muy visuales aun en
medio de tantos datos tambien se puede decir que son
independientes.
MODELO DE REGRESION SIMPLE
ANALISIS PARA VARIABLES TOT. EMISION
BRUTA Vs. MACHOS, HEMBRAS Y AREA
SEMBRADA.
a) La grafica muestra la dispersión entre la variable
dependiente (emisiones de gases de invernadero)
y la independiente ( ganado vacuno bovino
macho, ganado vacuno bovino hembra y area
total sembrada)
variables en observaciones de parejas,
independientemente de si son o no independientes, se
muestra el intervalo de confianza para cada correación de
pearson, al igual que el valor P que se puede usar en
pruebas de hipotesis de dichas correlaciones.
c) Ecuación de regresión múltiple
Total Emisiones = 56910 + 23,29 MACHOS - 1,06 HERMBRAS
Brutas + 6,60 Área total sembrada
d) En el analisis del intercepto que equivale a la
constante(56910) posee un intervalo de confianza
que puede pasar por cero, por tanto en el
momento en que sea cero se eliminaria pero no
afectaria a la relación de las variables
independientes con la dependiente. Por otro lado,
en las pendientes se analiza que la pendiente de
la variable (macho) es 23,29 y su intervalo de
confianza es netamente positivo, por tanto no
pasará por cero, lo que confirma la relación entre
 las dos variables; en el caso de la En cuanto a la variable de ganado vacuno macho se
variable(hembra) es -1,06 negativa lo que da a rechaza la hipótesis de que la regresión o el modelo sea
entender que no tiene relacion con la variable lineal, pues el valor P es (0,016) menor que el de
dependiente (emision de gas), el intervalo de significancia (0,05) de la regresión, también se observa
confianza lo confirma pues la pendiente puede que el error es menor que el valor correspondiente a esta
pasar por cero y confirmar que no hay relación variable en la suma de cuadrados ajustada, por tanto, la
entre las variables; y por ultimo la pendiente de la variabilidad es mínima; no se presentan valores de falta
variable(area total sembrada) es 6,60 positivo de ajuste debido a que no existen valores repetidos entre
pero el intervalo de confianza puede pasar por las variables independientes y en su relación entre sí. En
cero, momento en el que no existiría relación entre el caso de ganado vacuno hembra sucede lo mismo a
las dos variables. Por lo tanto, luego de analizar excepción de que el valor P (0,880) es mucho mayor que
las pendientes y el intercepto en la ecuación de el de significancia, por ende, no se puede rechazar la
regresión lineal si concluye que la variable mas hipótesis de que sea lineal, no se puede saber con
conveniente y que mejor se relaciona con la exactitud si es o no lineal. En el tercer caso se tiene el área
dependiente es la de ganado vacuno macho, pues total sembrada y se evidencia que tampoco se puede
es positiva y su intervalo de confianza no pasa por rechazar la hipótesis de que la regresión de esta sea
cero, su relación siempre va a estar presente. lineal, debido a que su valor P (0,232) también es mayor
e) Analisis de prueba de hipotesis del modelo con que el (0,05) nivel de significancia del modelo, en la parte
nivel del significancia del 5%. del error de variabilidad se verifica que es menor que el
Análisis de Varianza valor que le corresponde a dicha variable en la SC
Ajustada.
Fuente SC Sec. SC Ajust. MC Ajust. Valo
rF f) En la sección de coeficientes se verifica la
Regresi 2,00126E+13 2,00126E+13 6,67087E+12 15,12
-ón
ecuación de regresión estimada si es cierta y sus
MACH 1,92969E+13 2,57055E+12 2,57055E+12 5,83 valores coinciden, al igual que se observa que si
-OS proporciona un buen ajuste, se proporciona un R-
HERM 82592166611 10029314345 10029314345 0,02 Cuadrado ajustado que es un poco más alto que
-BRAS
Area 6,33098E+11 6,33098E+11 6,33098E+11 1,43 en la regresión simple debido a que en este caso
total influyen 2 variables más una de ellas con
sembra pendiente negativa, pero aun así se considera un
da
Error 1,37233E+14 1,37233E+14 4,41264E+11
ajuste que podría ser verídico, al ser apenas de
Total 1,57246E+14 11,86%.
Fuente Valor p
Regres- 0,000 Al observar las graficas se evidencia que tanto en la
ión grafica de porcentaje y la de frecuencia, correspondientes
MACH 0,016
-OS
a la normalidad, no hay normalidad en el modelo, no existe
HERM 0,880 una campana de gauss en la grafica de frecuencia, asi
-BRAS como tampoco se observa la formación de una linea con
Area 0,232
los datos; de igual forma se observa que el principio de
total
sembra homecedasticidad no se cumple y existen al menos dos
da datos influyentes que se encuentran demasiado lejos de
Error los demas, aumentando la variabilidad de los datos y el
Total
error de estos en los analisis. En cuanto al principio de
En cuanto a las pruebas de hipótesis de varianza y error
independencia, el modelo no es lo sufucientemente
de variabilidad, se observa el valor de la suma de
valioso para decir si es o no dependiente, pues al
cuadrados no coordina con el de mínimos cuadrados, el
trabajarse con tres variables independientes entre sí, y
valor P equivalente al 0% es mucho menor al nivel de
corriendo el riesgo de que al menos una no cumple el
significancia 5%, dando a entender que se rechaza la
principio; a menos que se elimine dicha variable, el modelo
hipótesis de que el modelo sea lineal, el modelo no es
no cumple con el principio.
lineal; siguiendo con el análisis al revisar el error y su
relación con la regresión se evidencia que el error es
menor que el valor de la regresión.
 _ Al tener al menos dos
datos influyentes en la
variable hace que el
modelo de regresión si
pasara por el origen arrojara
una estimación sesgada de
las pendientes, más aún
cuando una de ellas es
negativa.
De igual forma en las gráficas de dispersión para cada una
de las variables independientes, respecto a la
dependiente, se verifica que el modelo no es lineal, no
cumple con el principio de linealidad.
_ Como la relación entre
las variables no es lineal,
entonces la distribución
propuesta para los
estimadores es falsa.
_ De igual forma como
existe
heterocedasticidad no
se pueden usar los
intervalos de confianza,
los test y los errores
estandares aun después
del analisis previo de
estos.

g) Cuadro comparativo
Regresión simple
_No se cumplen los
principios residuales
(normalidad,
homocedasticidad,
independencia y
linealidad), por lo que el
modelo de regresión no es
válido para el estudio de
este caso.
_No se cumplen los
supuestos, sin embargo, se
pueden eliminar algunos
datos influyentes y realizar
un estudio más fraccionado
de los datos para que este
se acople al modelo y este
a su vez sea más
apropiado.
Regresión Múltiple
_ No se cumplen los
principios residuales
(normalidad,
homocedasticidad,
independencia y
linealidad), por lo que el
modelo de regresión no
es válido para el estudio
de este caso.
_ Factor de
multicolinealidad, y por
esta razón se debe
abandonar el modelo de
regresión lineal.
_Se recomienda usar
una transformación de
los datos antes de
aplicar un modelo.