Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DEPARTAMENTO DE PARASITOLOGÍA
AGRÍCOLA
Epidemiología
Presenta:
La incidencia acumulada, el tiempo (t) es fijo para todos los individuos, es decir,
independientemente del momento en que se presentó la epidemia, todos tuvieron
el mismo tiempo de seguimiento; por ello, el tiempo se elimina de la ecuación y
solo queda A/AB. El tiempo de no exposición en los individuos que enferman es
variable en esta tasa de incidencia y depende del momento en que enferman
durante el periodo de estudio, situación que debería descontarse del tiempo total
de seguimiento, sin embargo, no se toma en cuenta para el cálculo final (Fajardo,
2017).
V. RESULTADOS Y DISCUSION
patógeno policíclico ya que tiene una tasa de crecimiento que comienza suave y
aumenta mientras avanza el tiempo.
Las tasas
de
Modelo exponencial
La ecuación de regresión es
LN = - 3.653 + 0.04243 DÍAS
Análisis de varianza
Fuente GL SC MC F P
Regresió 1 20.0694 20.069 102.10 0.000
n 4
Error 12 2.3588 0.1966
Total 13 22.4282
Gráfica 3.- Modelo Exponencial (Línea ajustada vs. Residuos)
Modelo logístico
La ecuación de regresión es
LOG = - 4.081 + 0.06409 DÍAS
Análisis de varianza
Fuente GL SC MC F P
Regresió 1 45.7844 45.784 401.40 0.000
n 4
Error 12 1.3687 0.1141
Total 13 47.1532
Modelo Monomolecular
La ecuación de regresión es
MONO = - 0.3246 + 0.02013 DÍAS
Análisis de Varianza
Fuente GL SC MC F P
Regresió 1 5.55840 5.5584 152.75 0.000
n 0
Error 13 0.47307 0.0363
9
Total 14 6.03147
Modelo Gompertz
La ecuación de regresión es
GOMPERTZ = - 1.812 + 0.03712 DÍAS
Análisis de varianza
Fuente GL SC MC F P
Regresió 1 15.3606 15.360 830.43 0.000
n 6
Error 12 0.2220 0.0185
Total 13 15.5825
Los datos obtenidos como la ordenada en el origen, la pendiente, pero sobre todo
la R2 son datos que nos ayudaron a elegir el mejor modelo. Camacho (2022) dice
que la pendiente de la recta muestra el cambio en “Y” por cada unidad de “X”, una
pendiente de cero indica que la variable “X” no sirve para nada, pero una
pendiente grande no indica lo contrario, ya que para eso es necesario conocer las
escalas de las variables y la dispersión de la nube de puntos, así pues, un
diagrama de dispersión redondeado con una recta implícita de gran pendiente no
significa gran cosa en términos de relación. Por otro lado, la ordenada en el origen
hace referencia al valor de “Y” cuando “X” es igual a 0. Para Cardona, González,
Rivera y Cárdenas (2013) en términos de variación, el modelo lineal del conjunto
de los datos observados explica la bondad de ajuste, es importante destacar que
del cociente entre la variación explicada y la variación total obtendremos la
proporción de variación explicada por el modelo, lo que permitirá hacernos una
idea del ajuste del modelo a la proporción de variación explicada por el mismo, de
esta forma, podemos hacernos una idea de cuánto explica el modelo la realidad
estudiada.
Hay otros puntos que podemos tomar en cuenta para ver que tan fiel es el modelo
para poder predecir o estimar ocurrencias del fenómeno, este otro dato a tomar en
cuenta es la F, Moral (2006) menciona como un modelo se adecua a los datos de
los que disponemos en el modelo de regresión lineal comparándose con la F
estadística parcial obtenida en cada uno de los modelos, los resultados del
análisis de varianza (ANOVA) se proporcionan para evaluar la significación del
modelo, cuanto mayor sea el estadístico F, mejor será la predicción mediante el
modelo lineal.
El estudio del error o la grafica de puntuaciones residuales también es un buen
parámetro para poder describir que es lo que ocurre y si nuestro modelo se ajusta.
Camacho (2022) menciona que la parte aleatoria hace referencia justamente a
aquello que el modelo no explica. Este parámetro muestra la deficiencia del
modelo, aun que es obvio que ningún modelo, dada su complejidad, carece de
error. (Moral, 2006) en este sentido menciona que, si el modelo de regresión
resulta adecuado para explicar nuestros datos, los residuos deberían de
distribuirse según la ley normal de media 0 y varianza constante. Este supuesto
puede comprobarse gráficamente al representar mediante una nube de puntos
cómo se distribuyen los residuos de nuestro modelo de regresión. A través de este
método se puede diagnosticar la homocedasticidad o la heterocedasticidad.
Sabiendo esto podemos decir que el modelo que mejor se ajusta es el Gompertz
ya que muestra una estrecha relación entre la variación de los valores con
respecto a la ecuación de regresión lineal, ósea que, los puntos dispuestos en la
gráfica tienen una estrecha relación con la línea que pasa entre ellos, esto está
dado, por el valor de R 2 que es igual a un 98.5% a diferencia de los modelos
probados donde la R2 tuvo valores inferiores. El otro punto fue la F estadística
donde en el análisis de varianza del modelo Gompertz mostro un valor mas alto a
diferencia de los otros modelos. La otra característica para definir el modelo fue la
gráfica de residuos, donde podemos observar que en los modelos Exponencial,
Logarítmico y Monomolecular presentaron heterocedasticidad, o bien, que la
varianza de dichos modelos no fue constante, a diferencia del modelo Gompertz
donde en la gráfica de residuos se observan esa variación constante a manera de
puntos mas dispersos en la gráfica.
Se buscó en las tablas el valor de “Y” en las tablas (Anexos) para hacer la
regresión y se obtuvo que:
Se busco en la tabla el porcentaje (50%) para obtener el valor de “Y” en los datos
de Gompertz.
Y= 0.36651
VI. CONCLUSION
El uso de los modelos para predecir la presencia del patógeno es de gran ayuda
para establecer en tiempo y forma las estrategias pertinentes dentro de un plan de
manejo.
VII. BIBLIOGRAFIA
Cardona, D., González, J., Rivera, M., & Cárdenas, E. (2013). Inferencia
estadística: Módulo de regresión lineal simple. Universidad del Rosario,
Facultad de Administración.
Jeger, M. J. 1998. Building models of epidemics to help take decisions, pp. 135-
150. En: Information Technology, Plant Pathology and Biodiversity. P.
Bridge, P. Jeffries, D.R. Morse y P.R. Scott (Ed.), pp. Ed. CAB International.
Wallingford.