Atrapanieblas Elvis

4.3.
ANALISIS DE REGRESION 1
1.- PROTOTIPO MEJORADO DE ATRAPANIEBLAS
Se construir y se demostrara que la atrapa nieblas son mui rentables

para la poblacin limea
2. Diseo del Prototipo
Para disear el prototipo consideraremos la curva de la cicloide ya que

es una curva que une dos puntos de manera que los cuerpos, digamos
gotas de agua, que caen por ella lo hagan en el menor tiempo posible,
como se mostr en la seccin anterior.
El diseado del prototipo ser de forma de un cilindro cuya directriz

ser la curva semi arco de cicloide (para esto consideraremos un circulo
de radio 0,25m y considerando un punto en el borde lo hacemos girar a
travs de una recta).
Figura 2.2: Generacion de la cicloide

Figura 2.3: Resultado del trazado
del semi arco de cicloide
2.6. CONSTRUCCION DEL PROTOTIPO
2.1. Construccin del Prototipo
El prototipo propuesto se construy usando varillas de fierro de

construccin de 127 mm de dimetro, las cuales se doblaron en forma del
trazo del semi cicloide obtenido (2 varillas de 1,10 m). Posteriormente se
soldaron sobre la base del prisma construido tambin de varillas de fierro.
4.3. ANALISIS DE REGRESION 2
Figura 2.4: construccion de la cicloide
Los atrapa nieblas construidos que nos permitir registrar informacin

lo llamaremos declinmetro o colectores de niebla. El declinmetro
propuesto es de 1m2 la cual es recubierta por una malla doble raschel de
65% de sombra y consta de una canaleta para la cosecha de agua. El
declinmetro convencional se construy usando varillas de fierro de
construccin de 127 mm de dimetro de forma de un cuadrado de rea
de 1m2 recubierta por una malla doble raschel de 65% de sombra y consta
tambin de una canaleta.
Figura 2.5: Diseno propuesto Figura 2.6: Diseno convencional
Capitul 3
Recoleccin de datos y
evaluacin del prototipo
Los datos que se presentan se tomaron en la Urb. Antonia Moreno de

Cceres sexto sector derecho Ventanilla con el equipo ATMOSPHERIC DATA
CENTER ADC.PRO BRUNTON, el cual proporciona informacin de la
temperatura, velocidad del viento, presin baromtrica, altitud y humedad
relativa.
Los declinmetros se instalaron a 6 km del mar, a 215 msnm

aproximadamente1 y a 8,5 m del suelo en la direccin opuesta a la
velocidad del viento provenientes del mar.
Para realizar el anlisis de datos, consideraremos el resumen de datos

(cuadro 3.4) , obtenidos de los promedios presentados por el mencionados
equipo (cuadro 3.1 , 3.2 y
3.3).
Figura 3.1: Ubicacion de los neblinometros con

respecto al mar Figura 3.2: Dias de registro de datos
21
1 http://www.google earth
Figura 3.3: Equipo ATMOSPHERIC DATA CEN-

TER ADC.PRO BRUNTON Figura 3.4: Cosecha de agua
Cuadro 3.1:
Cuadro 3.2:
Cuadro 3.3:
Cuadro 3.4: Resumen de datos
Captulo 4
Analisis e interpretacion de
datos
Determinaremos si el conjunto de datos provienen o no de una

distribucin normal. Para ello usaremos el mtodo de prueba no
paramtrico de Kolmogorov-Smirnov para una muestra que no requiere
organizar los datos por intervalos y el mtodo grfico P-P (percentil-
percentil) normal [4].
En general la prueba de Kolmogorov - Smirnov se utiliza para probar

que una muestra de datos se ajusta a una distribucin particular terica
(Uniforme, Binomial, Poisson, geomtrica, normal, exponencial etc.)[14].
El procedimiento para determinar si es normal la poblacin de la que ha

sido extrada la muestra aleatoria simple utilizando el nivel significancia
es el siguiente [4]:
1. Se ordenan los n datos y se obtiene la distribucin de frecuencia
acumulativa relativa Sn (xi). Las proporciones acumuladas estn dadas por
Sn(xi) = k/n, donde k es el nmero de observaciones menor o igual que xi.
2. Se obtienen las proporciones o probabilidades tericas Fi = P[X = xi] de la

distribucin normal a partir de los datos tipificados:Zi = (xi x)/s.
3. Si los datos provienen de una distribucin normal, entonces, los puntos P-

P proporciones acumuladas empricas (eje horizontal) y tericas (eje
vertical), deben estar aproximadamente en la recta de la diagonal
principal. Esta es la grfica P-P normal.
4.1. El mtodo de Kolmogorov - Smirnov
Es un procedimiento no paramtrico que se utiliza para comprobar la

hiptesis nula de que la muestra procede de una poblacin en la que la
variable est distribuida segn
26
4.1. EL METODO DE KOLMOGOROV - SMIRNOV
La normal (uniforme o Poisson)[4]. Para tomar la decisin de debe llegar a

calcular la mxima desviacin:
D = max|Fo(xi) Sn(xi)|
En la tabla de Kolmogorov- Smirnov se encuentran ciertos valores crticos

de la distribucin maestral de D para diversos valores de n y . Se
rechazara que los datos provienen de una distribucin normal si el valor
de D es mayor que el valor critic correspondiente.
En lo que sigue mostraremos los resultados obtenidos con el software

SPSS19 del resumen de datos registrados (cuadro 3.4).
Interpretacin de los resultados de la prueba de Kolmogorov -

Smirnov (cuadro 4.1)
Comprobamos el nivel de significacin, si es menor que = 0.05 la
distribucin no es normal, si es mayor que 0.05 la distribucin es normal.
En este caso:
Se afirma que es normal la poblacin de la cual se ha obtenido la
muestra de la cosecha de agua, pues el nivel de significacin 0,305 es
mayor que 0,05.

muestra de la temperatura, pues el nivel de significacin 0,438 es
mayor que 0,05.

muestra de la velocidad del viento, pues el nivel de significacin
0,231 es mayor que 0,05.

muestra de la presin, pues el nivel de significacin 0,953 es mayor
que 0,05.

muestra de la humedad relativa, pues el nivel de significacin 0,787
es mayor que 0,05.
Cuadro 4.1: Resultado de los datos del cuadro 3.4

4.2. Correlacion
Cuando se analizan un conjunto de datos, uno de los objetivos es

conocer las relaciones que existen entre las variables, esto es, obtener
una medida de la dependencia o medida de la relacin entre esas
variables [14].
Estudiaremos algunos ndices estadsticos que nos permitan cuantificar
el grado de asociacin existente entre dos variables.
4.2.1. Correlacin bivariada
El procedimiento Correlaciones bivariada calcula el coeficiente de

correlacin de Pearson, la rho de Spearman y la Tau-b de Kendall con sus
niveles de significacin. En nuestro trabajo consideraremos solo la
correlacin de Pearson, ya las dems correlaciones son para datos
ordinales o de intervalo que no satisfacen la condicin de normalidad [14].
4.2.2. Cuantificacin de la correlacin
Para cuantificar el grado de la relacion lineal entre las variables se

utiliza el coeficiente de correlacin de PEARSON ( r ).
Donde:
1 = Relacin nula o independencia entre las dos variables.
2 = Relacin perfecta y positiva
-1 = Relacin perfecta y negativa
Para obtener coeficientes de correlacin usaremos el software SPSS 19.
Interpretacin de los resultados de tabla de correlaciones
(cuadro 4.2)
La matriz es simtrica y los valores de la diagonal igual a 1, puesto

que corresponden a la correlacin de cada variable consigo mismo.
El primer valor de cada celda nos indica el coeficiente de correlacion

de PEARSON (r) entre cada par de variables (pueden oscilar entre
-1 y 1).
El segundo valor indica el grado de significacin de cada coeficiente y

que se basa en la prueba de que en la poblacin la relacin entre las
dos variables sea cero (El valor de coeficiente o ndice de correlacin
maestral, r est sujeto a variaciones mustrales. Es decir, el valor
positivo o negativo de r, no implica necesariamente que
El correspondiente valor del parmetro sea positivo o negativo. Aun
ms, el valor de r =6 0, no implica necesariamente que el valor de
=6 0). Previa comprobacin del ajuste de ambas variables a una ley
normal, se calcula el estadstico de contraste:
Que sigue una distribucin t de Suden con = N 2 grados de

libertad.
El tercer valor de cada celda de la matriz hace referencia a los datos

que intervienen en el clculo de la relacionante cada par de variables.
En la matriz son siempre 12 , ya que para todas las variables
poseemos informacin de 12 datos.
El coeficiente de correlacin entre cantidad de aguas atrapa

niebla propuesto y Temperatura es r = 0,612 y p = 0 , 035(<
0,05), este resultado permite rechazar la hiptesis nula y nos indica
que existe alta correlacin entre las dos variables analizadas.
El coeficiente de correlacin entre cantidad de aguas atrapa

niebla propuesto y velocidad del viento es r = 0,088 y p = 0 ,
785(> 0,05), este resultado permite aceptar la hiptesis nula y nos
indica que no existe correlacin entre las dos variables analizadas.
El coeficiente de correlacin entre humedad relativa y presin

es r = 0,651 y p = 0 , 02(< 0,05), este resultado permite rechazar la
hiptesis nula y nos indica que existe alta correlacin entre las dos
variables analizadas.

4.2.3. Dos muestras con datos apareados
Esta prueba trata de comprobar la hiptesis de que las medias de dos

muestras con datos apareados son iguales y que no existen diferencias
significativas entre las medias.
Esta situacin se da en los mismos sujetos en dos situaciones

diferentes, o que sean sujetos distintos en ambos grupos, pero que sean
comparables par a par respecto a una serie de caractersticas o
circunstancias de investigacin o experimentacin [14].
En esta investigacin consideremos la cosecha de agua, atraves de

la atrapa niebla convencional y la atrapa niebla propuesto bajo las
mismas condiciones.

Interpretacin de los resultados de los cuadros 4.3 , 4.4 y 4.5

Los resultados nos indican los estadsticos (cuadro 4.3), la correlacin
(cuadro 4.4) y la prueba de hiptesis de las muestras relacionadas (cuadro
4.5). Se observa la media -62.16667, la desviacin estndar 85,55363 y el
error estndar 24,69721 de la variable cosecha de agua entre la atrapa
niebla convencional y la atrapa niebla propuesto.
Como el resultado de la media es negativo, esto nos indica que la

cosecha de agua promedio de la atrapa niebla propuesto es superior a
la de la atrapa niebla convencional con una T de 2,517 y una p =
0,029 (< 0,05), el cual nos demuestra que existe diferencias significativas
entre las muestras.
4.3. Analisis de regresion
El anlisis de regresin es una tcnica estadstica que estudia las

variaciones de una variable cuantitativa continua en funcin de una o ms
variables cuantitativas continuas
[4].
La variable cuya variabilidad queremos estudiar es la variable
dependiente o respuesta, y las variables en funcin de las cuales varia
son las variables independientes, tambin llamadas variables
predictores.
El objetivo del anlisis de regresin es predecir los valores de la

variable respuesta, en funcin de los valores de la variable
independientes.
4.3.1. Tipos de anlisis de regresion
Los anlisis de regresin pueden ser de varios tipos, segn el nmero

de variables independientes y de la funcin:
1. Regresin lineal simple cuando el nmero de variables independientes es

una.
2. Regresin lineal mltiple cuando el nmero de variables independientes

es mas de uno
En nuestro trabajo de investigacin realizaremos una regresin mltiple

ya que tenemos varias variables.
4.3.2. Regresin lineal mltiple
El anlisis estadstico permite utilizar ms de una variable

independiente y, por tanto, permite ajustar modelos de regresin lineal
mltiple.
Pero un anlisis de regresin mltiple la ecuacin de regresin ya no

define una recta en un plano, sino un hiperplano en un espacio
multidimensional. La regresin lineal mltiple es una extensin del modelo
simple al que se incorporan dos o mas variables independientes:
X1,X2,...,XP , que se relacionan con una variable dependiente Y mediante el
modelo estadstico:
Y = 0 + 1X1 + 2X2 + ... + pXp + e

Donde:
0,1,..,p: son los parametros desconocidos.
e: el termino error, es una variable aleatoria que se supone tiene
distribucion normal
Con media=0 y varianza constante= 2.
Los coeficientes de regresin i de Xi indican el cambio promedio
de Y correspondiente a un incremento unitario Xi cuando las dems
X permanecen constantes.
El modelo estadstico en funcin de la muestra de variables aleatorias
es:
Yi = 0 + 1X1i + 2iX2 + ... + pXpi + ei , i = 1,2,..,n
Donde:
Xpi: es la puntuacin de un sujeto i en la variable independiente p.

: son los parmetros desconocidos. ei:Son los
errores, de media =0 y varianza constante= 2.
4.3.3. Estimacin del modelo de regresin
El primer objetivo del estudio de la regresin es estimar el modelo de

regresin(o ecuacin de regresin poblacional)
Y = 0 + 1X1 + 2X2 + ... + pXp
La estimacin del modelo de la regresin denominado tambin ecuacin

de regresin maestral es:
Y = B0 + B1X1 + B2X2 + ... + BpXp
Donde,
Y: es la estimacin de Y (o de Y en el modelo estadstico),
B0,B1,...,Bp: son las estimaciones de los parmetros j = 0,1,2,...,p.
Los coeficientes de regresin maestral B0,B1,...,Bp se calculan aplicando
el mtodo de mnimos cuadrados a los datos de una muestra aleatoria].
4.3.4. Ecuacin de regresin
El cuadro 4.4 contiene en la columna encabezada coeficientes no

estandarizados se encuentran los coeficientes (Bp) que forman parte
de la ecuacin de regresin lineal mltiple:
Y = B0 + B1X1 + B2X2 + B3X3 + B4X4

Cuadro 4.6:
Donde
B0 = 42086,733 es el valor del termino independiente.
B1 = 113,757 es el coeficiente de regresin mltiple correspondiente a la

variable TEMPERATURA.

variable
VELOCIDAD DEL VIENTO.

variable PRESION.

variable
HUMEDAD RELATIVA.
Los coeficientes de regresin mltiple (B1, B2, B3 y B4) se

denominan COEFIECIENTES DE REGRESION PARCIAL y son distintos de
cero, y contribuyen a la ecuacin de regresin significativamente.
La ecuacin estimada de regresin mltiple es:
Y = 42086,733 113,757X1 + 68,674X2 39,869X3 8,813X4 (4.1)
Donde:
Y : Cantidad de agua atrapaniebla propuesta.
X1 : Temperatura
X2 : Velocidad del viento
X3 : Presion
X4 : Humedad relativa
4.3.5. Coeficiente de regresin estandarizada (Beta)
Los coeficientes Beta [ver apndice A.2] indican la cantidad de cambio

que se producir en la variable dependiente por cada cambio de una
unidad en la correspondiente variable independiente (manteniendo

constante el resto de variables independientes).
Estos coeficientes proporcionan informacin til sobre la importancia

relativa de cada variable independiente en la ecuacin de regresin. En
general, una variable tiene tanto ms peso (importancia) en la ecuacin de
regresin cuanto mayor (en valor absoluto) es su coeficiente de regresin
estandarizado.
La estimacin estandarizada del modelo de regresin es:
ZY = 0,713ZX1 + 0,375ZX2 0,425ZX3 0,321ZX4 (4.2)
Observando los coeficientes Beta podemos comprobar que la variable

TEMPERATURA es la ms importante, presenta (|0,713 |) en la ecuacin,
seguido de la PRESION que presenta (|0,425 |), seguida de la
VELOCIDAD DEL VIENTO (0,375) y seguida de la HUMEDAD RELATIVA (|
0,321 |).
4.3.6. Bondad de ajuste
Observando el cuadro 4.7 se tiene:
Cuadro 4.7:
El coeficiente de determinacin R2 = 0,487 [ver apndice A.3] nos

indica que aproximadamente el 48,7% de la variabilidad de la cosecha
de agua queda estadsticamente explicada por su relacin lineal con
la Temperatura, la velocidad viento, la presin y la humedad relativa.
El coeficiente de determinacin R2 tiene el defecto de crecer con el nu

mero de variables independientes del modelo de regresin. Para
corregir este sesgo se aplica el coeficiente o ndice de

determinacin mltiple corregido (ajustado) que se denota por RA2 [ver
apndice A.4]. En nuestro caso, el RA2 corregido = 0,193 nos indica
que el 19,3% de las variaciones observadas en la variable
dependiente (cantidad de agua atrapa niebla propuesto) se explican
por las variables: Temperatura, velocidad viento, presin y humedad
relativa.
Error tipo de la estimacin = 131,03418 se obtiene sacando la ra

z cuadrada de la media cuadrtica residual del ANOVA.
4.3.7. Evaluacin del modelo de regresin
Una vez obtenida la estimacin del modelo de regresin lineal mltiple,

debemos analizar la idoneidad o validez del modelo. Es decir, debemos
analizar si el modelo estimado es el adecuado para ser utilizado en las
predicciones de los valores de la variable dependiente Y (cosecha de
agua).
4.3.8. Prueba de hiptesis global de los coeficientes de

regresin
Para determinar si existe o no regresin lineal real de la variable

dependiente Y con todas las variables independientes en conjunto se
aplica el mtodo de anlisis de varianza (ANOVA). Este mtodo es
conocido como el anlisis global de significacin de los coeficientes de la
estimacin del modelo de regresin lineal mltiple.
La prueba est basada en un estadstico que tiene una distribucin F

particular cuando H0 es verdadera.
El mtodo de anlisis global prueba la hiptesis nula,
H0 : 1 = 2 =,...,p = 0,
contra,
Hiptesis alternativa H1 : al menos una de las i es distinto de cero.
= MCR
Valor estadstico de prueba: Fcal MCE
Regin de rechazo para una prueba de nivel : Fcal > F1,p,np1
Fuente de Suma Grados Medias Estadstic

o
variabilid de de cuadrticas F
ad cuadrados libertad
Regresin SCR p Fcal =
MCEMCR
residual SCE np
1
Total SCT n-1
De los datos que tenemos se obtiene la siguiente tabla:
Cuadro 4.8:
El ANOVA (cuadro 4.8) muestra la F observada = 1,660 y la (Sig)

p = 0.262(> 0.05) esto indica que no existe significacin estadstica
entre la Variable dependiente y el conjunto de variables
independientes juntas (esto es, se acepta H0); por tanto podemos
mencionar que ninguno de los coeficientes de regresin mltiple es
distinto de cero y que el hiperplano definido por la ecuacin de
regresin no ofrece un buen ajuste a la nube de puntos.
4.3.9. Prueba de hiptesis individual de los coeficientes de

regresin
Si se rechaza la hiptesis nula del contraste global de los parmetros de

regresin, es decir si se acepta que existe regresin de la variable
dependiente Y globalmente con todas las variables independientes X en
conjunto, es deseable determinar que variables contribuyen en forma

significativa al modelo de regresin mltiple. Si alguna variable
independiente Xi no contribuye en forma significativa al modelo, se la
debera descartar del modelo propuesto y buscar luego, la estimacin del
modelo con las variables que contribuyen significativamente al modelo de
regresin lineal.
La prueba de significacin de los parmetros en forma individual

consiste en realizar el contraste de:
H0 : i = 0 contra H1 : i 6= 0 i = 1,2,..,p
La estadstica de la prueba, como el modelo de regresin lineal simple es:
donde, ES(Bi) =Error estndar de la estadstica Bi.

Observemos que el nmero de grados de libertad de la estadstica t
Student es la misma de la MCE.
La decisin de rechazar o aceptar H0 se puede realizar aplicando:

Prueba de hiptesis t-Student bilateral
Si se supone que H0 es verdadera, entonces, la estadstica resultante es:
Dado el nivel de significacin , en la tabla t(n p 1) se halla el valor

critic t0 =
. Se rechazara H0 si |tical| > t0, donde tical es el valor de Ti.
Si la decisin es aceptar H0 : i = 0, podemos afirmar con una
probabilidad de error tipo I igual a , que la variable Xi no contribuye
significativamente al modelo de regresin mltiple y deber ser
descartada.
En el cuadro 4.6, los estadsticos t y los niveles crticos (Sig.) sirven para
contrastar la hiptesis nula de que los coeficientes de regresin valen cero
en la poblacin.
Si los niveles crticos (Sig.) son muy pequeos (generalmente < 0.05) se
deben rechazar la hiptesis nula.
Un coeficiente cero indica ausencia de relacin lineal, de modo que los

coeficientes significativamente distintos de cero informan que variables
son relevantes en la ecuacin de regresin.
Observando el cuadro 4.6, el nivel crtico asociado a cada prueba de t,

puede verse que las variables independientes utilizadas no poseen
coeficientes significativamente distintos de cero, considerando = 0,05
(en todos ellos, Sig., =0,314; 0,059; 0,318; 0,336 y 0,460 son > 0.05). Las
variables independientes, por tanto, no contribuyen de forma significativa
al ajuste del modelo.
Capitul 5
Resultados
Del anlisis de datos se obtiene los siguientes resultados:
Comparando la cantidad de agua promedio cosechada por las dos

atrapa nieblas, propuesto y convencional, se concluye segun el
cuadro 3.4 y 4.5 que la atrapa niebla propuesto es superior a la
de la atrapa niebla convencional.
Segun el cuadro de correlaciones 4.2, existe una alta correlacin

entre la cantidad de agua cosechada por el atrapa niebla
propuesto y la temperatura.
Sabiendo que los coeficientes de regresin estandarizada beta

(ecuacin (4.2)), proporcionan informacin til sobre la importancia
relativa de cada variable independiente(temperatura, velocidad del
viento, presin y humedad relativa) con respecto a la variable
dependiente (cantidad de agua cosechada por la atrapa niebla
propuesta) en la ecuacin de regresin 4.1 se tiene que: que la
variable TEMPERATURA es la ms importante (presenta coeficiente de

regresin estandarizada beta |0,713 | en la ecuacin 4.2), seguido de
la PRESION (presenta coeficiente de regresin estandarizada beta |
0,425 | en la ecuacin 4.2), seguida de la VELOCIDAD DEL VIENTO
(presenta coeficiente de regresin estandarizada beta 0,375 en la
ecuacin 4.2) y seguida de la HUMEDAD RELATIVA (presenta
coeficiente de regresin estandarizada beta |0,321 | en la ecuacin
4.2).
De la evaluacin del modelo de regresin (segn la prueba de

hiptesis individual de los coeficientes de regresin), la ecuacin 4.1
no puede ser utilizado como modelo de prediccin de la cantidad de
agua cosechada por la atrapa niebla propuesta.
Capitul 6
Discusin
El desarrollo del presente trabajo de investigacin nos ha permitido

llegar a la conclusin de que el diseo propuesto, optimiza la cosecha de
agua de niebla en comparacin con la atrapa niebla convencional
instalados bajo las mismas condiciones.
Respecto al diseo, en 1980 Pilar Cereceda y un grupo de investigadores

de la Universidad Catlica [2], confeccionan Atrapa nieblas de forma
cilndrica y que posteriormente ensayaron otros como la atrapaniebla
Macro diamante que fue el primer artefacto desarrollado para la captacin
de agua de niebla en Chile y el mundo, que tuvo como desventaja el costo
de fabricacin por metro cuadrado. Los distintos ensayos de materiales
permitieron comprobar en terreno y establecer que la malla tipo Rachel, de
peculiar diseo romboidal, era la de mayor eficiencia en el trabajo de
captacin de agua (atrapaniebla convencional).
En cuanto al costo de fabricacin de la atrapaniebla de un metro

cuadrado propuesto es de 85 soles y el convencional es de 50 soles.

Atrapanieblas Elvis

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Atrapanieblas Elvis

Cargado por

Copyright:

Formatos disponibles

4.3.

1.- PROTOTIPO MEJORADO DE ATRAPANIEBLAS

Se construir y se demostrara que la atrapa nieblas son mui rentables

2. Diseo del Prototipo

Para disear el prototipo consideraremos la curva de la cicloide ya que

El diseado del prototipo ser de forma de un cilindro cuya directriz

Figura 2.2: Generacion de la cicloide

2.1. Construccin del Prototipo

El prototipo propuesto se construy usando varillas de fierro de

Figura 2.4: construccion de la cicloide

Los atrapa nieblas construidos que nos permitir registrar informacin

Figura 2.5: Diseno propuesto Figura 2.6: Diseno convencional

Los datos que se presentan se tomaron en la Urb. Antonia Moreno de

Los declinmetros se instalaron a 6 km del mar, a 215 msnm

Para realizar el anlisis de datos, consideraremos el resumen de datos

Figura 3.1: Ubicacion de los neblinometros con

Figura 3.3: Equipo ATMOSPHERIC DATA CEN-

Cuadro 3.4: Resumen de datos

Determinaremos si el conjunto de datos provienen o no de una

En general la prueba de Kolmogorov - Smirnov se utiliza para probar

El procedimiento para determinar si es normal la poblacin de la que ha

2. Se obtienen las proporciones o probabilidades tericas Fi = P[X = xi] de la

3. Si los datos provienen de una distribucin normal, entonces, los puntos P-

4.1. El mtodo de Kolmogorov - Smirnov

Es un procedimiento no paramtrico que se utiliza para comprobar la

La normal (uniforme o Poisson)[4]. Para tomar la decisin de debe llegar a

En la tabla de Kolmogorov- Smirnov se encuentran ciertos valores crticos

En lo que sigue mostraremos los resultados obtenidos con el software

Interpretacin de los resultados de la prueba de Kolmogorov -

Se afirma que es normal la poblacin de la cual se ha obtenido la

Se afirma que es normal la poblacin de la cual se ha obtenido la

Se afirma que es normal la poblacin de la cual se ha obtenido la

Se afirma que es normal la poblacin de la cual se ha obtenido la

Cuadro 4.1: Resultado de los datos del cuadro 3.4

Cuando se analizan un conjunto de datos, uno de los objetivos es

4.2.1. Correlacin bivariada

El procedimiento Correlaciones bivariada calcula el coeficiente de

4.2.2. Cuantificacin de la correlacin

Para cuantificar el grado de la relacion lineal entre las variables se

La matriz es simtrica y los valores de la diagonal igual a 1, puesto

El primer valor de cada celda nos indica el coeficiente de correlacion

El segundo valor indica el grado de significacin de cada coeficiente y

Que sigue una distribucin t de Suden con = N 2 grados de

El tercer valor de cada celda de la matriz hace referencia a los datos

El coeficiente de correlacin entre cantidad de aguas atrapa

El coeficiente de correlacin entre cantidad de aguas atrapa

El coeficiente de correlacin entre humedad relativa y presin

Cuadro 4.2: Resultado de los datos del cuadro 3.4

Esta prueba trata de comprobar la hiptesis de que las medias de dos

Esta situacin se da en los mismos sujetos en dos situaciones

En esta investigacin consideremos la cosecha de agua, atraves de

Cuadro 4.3: Resultado de los datos del cuadro 3.4

Cuadro 4.4: Resultado de los datos del cuadro 3.4

Cuadro 4.5: Resultado de los datos del cuadro 3.4

Interpretacin de los resultados de los cuadros 4.3 , 4.4 y 4.5

Como el resultado de la media es negativo, esto nos indica que la

4.3. Analisis de regresion

El anlisis de regresin es una tcnica estadstica que estudia las

El objetivo del anlisis de regresin es predecir los valores de la

Los anlisis de regresin pueden ser de varios tipos, segn el nmero

1. Regresin lineal simple cuando el nmero de variables independientes es

2. Regresin lineal mltiple cuando el nmero de variables independientes

En nuestro trabajo de investigacin realizaremos una regresin mltiple

4.3.2. Regresin lineal mltiple