Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad


inferencia estadistica, Apuntes de Estadística Inferencial

año 2026, inferencia, detalle de inferencia analisi mrlm para inferencia

Tipo: Apuntes

2025/2026

Subido el 25/06/2026

paula-alarcon-23
paula-alarcon-23 🇨🇱

5 documentos

1 / 2

Toggle sidebar

Esta página no es visible en la vista previa

¡No te pierdas las partes importantes!

bg1
Análisis de resultados:
La columna Estimate da los valores para construir la ecuación matemática
predictiva:
Visibilidad = 8.557 + 0.0123(Temperatura) + 0.0057
(Hora)
(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.
pf2

Vista previa parcial del texto

¡Descarga inferencia estadistica y más Apuntes en PDF de Estadística Inferencial solo en Docsity!

Análisis de resultados: La columna Estimate da los valores para construir la ecuación matemática

predictiva: Visibilidad = 8.557 + 0.0123(Temperatura) + 0.0057(Hora)

(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.