

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Prepara tus exámenes
Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Prepara tus exámenes con los documentos que comparten otros estudiantes como tú en Docsity
Encuentra los documentos específicos para los exámenes de tu universidad
Estudia con lecciones y exámenes resueltos basados en los programas académicos de las mejores universidades
Responde a preguntas de exámenes reales y pon a prueba tu preparación
Consigue puntos base para descargar
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Comunidad
Pide ayuda a la comunidad y resuelve tus dudas de estudio
Ebooks gratuitos
Descarga nuestras guías gratuitas sobre técnicas de estudio, métodos para controlar la ansiedad y consejos para la tesis preparadas por los tutores de Docsity
año 2026, inferencia, detalle de inferencia analisi mrlm para inferencia
Tipo: Apuntes
1 / 2
Esta página no es visible en la vista previa
¡No te pierdas las partes importantes!


Análisis de resultados: La columna Estimate da los valores para construir la ecuación matemática
(Intercept) 8.557: Es el punto de partida. Si la temperatura fuera 0 y la hora fuera 0, la visibilidad base estimada sería de aproximadamente 8.55 millas. temperatura 0.0123: Por cada grado de temperatura que aumenta, la visibilidad aumenta muy levemente en 0.0123 millas (asumiendo que la hora no cambia). hora 0.0057: Por cada hora que avanza el día, la visibilidad aumenta en 0.0057 millas (asumiendo que la temperatura no cambia). La columna (Pr(>|t|)) para probar hipótesis. Se compara el valor "p" con un nivel de significancia de 0.05 (95% de confianza). Temperatura (< 2e-16): Este número es prácticamente cero (mucho menor que 0.05). Tiene tres asteriscos ***. Esto significa que la temperatura SÍ es estadísticamente significativa para explicar los cambios en la visibilidad.
Hora (0.0632): Este valor es mayor que 0.05. Por lo tanto, la hora del día NO es estadísticamente significativa en este modelo (bajo un nivel de confianza del 95%). RStudio le pone un punto. al lado, indicando que solo sería significativa si fueras más laxa y usaras un 90% de confianza. En conclusión, no hay evidencia fuerte de que la hora afecte la visibilidad en el aeropuerto LGA. El valor Multiple R-squared: 0. Esto se traduce a porcentaje multiplicándolo por 100: 1.31%. Interpretación: El modelo (temperatura + hora) solo explica el 1.31% de las variaciones en la visibilidad. El 98.69% restante se debe a otros factores que no están en este modelo. F-statistic y p-value El p-value: < 2.2e-16 en la última línea indica que el modelo en su conjunto es estadísticamente válido (es decir, es matemáticamente mejor que simplemente intentar adivinar la visibilidad sin ningún dato). Conclusión: Aunque la temperatura tiene un efecto real y estadísticamente significativo sobre la visibilidad (mientras que la hora no lo tiene), el modelo tiene un poder predictivo extremadamente bajo ($R^2$ de 1.3%). Es por aquello que para gestionar la visibilidad en un entorno de transporte aéreo crítico como el Aeropuerto LGA, la temperatura y la hora por sí solas no son determinantes. Posiblemente se necesitan incorporar otras variables meteorológicas, como el nivel de precipitaciones, la humedad relativa, la neblina o la velocidad del viento, para obtener un modelo predictivo robusto.