ESTADÍSTICA APLICADA Y

MODELAMIENTO NUMÉRICO

Elías A. Torres Armas Dr.

i
 MAESTRÍA DE GERENCIA EN
CAMBIO CLIMÁTICO,
AGRICULTURA Y DESARROLLO
RURAL SOSTENIBLE

CURSO

ESTADÍSTICA APLICADA Y
MODELAMIENTO NUMÉRICO

Docente: Elías A. Torres Armas

Guía de Aprendizaje 2

UNIDAD I:
Estadística básica, regresión lineal simple y múltiple

SEMANA 1

TEMA 2: Regresión lineal simple (RLS)

Chachapoyas, 2023
 ÍNDICE

I. INTRODUCCIÓN............................................................................................................................. 4
II. REGRESION Y CORRELACION SIMPLE ............................................................................. 5
2.1. Diagrama de dispersión: .......................................................................................................... 6
2.2. Modelo de regresión lineal simple. .................................................................................... 6
2.3. Estimación de los parámetros del modelo de regresión....................................... 7
2.4. Suposiciones fundamentales del modelo de regresión lineal. .......................... 7
2.5. Pruebas de significación del modelo ................................................................................ 9
2.5.1. Análisis de varianza. Prueba global de significación del modelo (Prueba
F) ............................................................................................................................................................ 9
2.5.1.1. Error estándar de la estimación. .................................................................................. 9
2.5.1.2. PRECISION DE LOS ERRORES ESTANDAR DE LOS ESTIMADORES DE
 j 10

2.5.1.3. INTERVALO DE CONFIANZA PARA LOS ESTIMADORES DE  j ................. 10

2.5.2. Prueba individual de significación de los estimadores de  j del modelo

(Prueba t-student) .................................................................................................................... 10
III. Análisis de correlación: .......................................................................................................... 11
3.1. Coeficiente de correlación, r: .............................................................................................. 11
3.2. Coeficiente de determinación. ............................................................................................ 11
3.3. Prueba individual de significación del coeficiente de correlación (Prueba
t-student)........................................................................................................................................ 12
3.4. Predicción. ...................................................................................................................................... 12
3.5. Ejemplo. ........................................................................................................................................... 12
IV. ACTIVIDADES DE AUTOAPRENDIZAJE ................................................................................... 15
4.1. Revisar la actividad de aprendizaje de la semana ............................................................................ 15
V. EVALUACIÓN ................................................................................................................................... 15
5.1. Evaluación procedimental de la Actividad ....................................................................................... 15
5.2. Evaluación actitudinal del curso ........................................................................................................ 16
VI. REFERENCIAS BIBLIOGRÁFICA ................................................................................................ 16
 Elías Alberto Torres Armas, Dr.

I. INTRODUCCIÓN
El modelo de regresión lineal simple es una herramienta estadística
fundamental que tiene una gran importancia en la ciencia de datos, la
estadística y la investigación en diversas disciplinas. Sus aplicaciones
y usos son amplios y versátiles. Aquí te presento algunos de los
aspectos más destacados de su importancia y sus aplicaciones:

La regresión lineal simple es uno de los modelos estadísticos más

simples y fundamentales. Sirve como base para comprender modelos
más complejos y avanzados.

Permite entender la relación cuantitativa entre dos variables. Ayuda a

responder preguntas como "¿Cómo afecta un cambio en X a un cambio
en Y?".

Cuando la relación entre las variables es lineal, la regresión lineal

simple puede proporcionar predicciones precisas y útiles.

Ayuda a identificar qué factores o variables independientes son más

relevantes para explicar las variaciones en la variable dependiente.

Se utiliza para analizar tendencias a lo largo del tiempo o en conjuntos

de datos longitudinales.

En economía, se utiliza para modelar relaciones entre variables como

el ingreso y el gasto, la inversión y el rendimiento financiero, etc.

En sociología, psicología y otras ciencias sociales, se emplea para

analizar la relación entre dos variables

El modelo de regresión lineal simple puede tener una relevancia

significativa en el contexto de la gerencia en cambio climático,
agricultura y desarrollo rural sostenible. A continuación, se describen
algunas de las maneras en que este modelo puede ser importante en
esta área:

Análisis de Datos Climáticos y Agrícolas: El cambio climático tiene un

impacto directo en la agricultura y el desarrollo rural sostenible. El
modelo de regresión lineal simple puede utilizarse para analizar datos
climáticos y agrícolas históricos, permitiendo identificar tendencias y
relaciones entre variables climáticas (como temperaturas,
precipitaciones, etc.) y variables agrícolas (como rendimientos de
cultivos).

4
 Métodos multivariados para la Investigación

Predicciones Climáticas y Agrícolas: La capacidad de predecir eventos

climáticos y sus efectos en la agricultura es fundamental para la gestión
del cambio climático y la toma de decisiones en el sector agrícola. El
modelo de regresión lineal simple puede utilizarse para desarrollar
modelos predictivos simples que ayuden a anticipar los efectos del
clima en la producción agrícola.

Identificación de Factores de Impacto: A través de la regresión lineal

simple, se pueden identificar los factores climáticos más relevantes que
influyen en la producción agrícola y el desarrollo rural sostenible. Esto
puede ser crucial para diseñar estrategias de adaptación y mitigación
frente al cambio climático.

Optimización de Prácticas Agrícolas: Utilizando datos históricos y

modelos de regresión lineal simple, es posible optimizar prácticas
agrícolas, como la elección de cultivos, fechas de siembra, uso de riego,
y otros factores que maximicen la producción y minimicen los impactos
climáticos negativos.

Evaluación de Políticas y Programas: El análisis de regresión lineal

simple también puede utilizarse para evaluar el impacto de políticas
gubernamentales o programas de desarrollo rural sostenible en la
producción agrícola y el bienestar de las comunidades rurales. Esto
ayuda a tomar decisiones informadas y ajustar las políticas según sea
necesario.

Planificación de Recursos: La gestión de recursos naturales, como el

agua y la tierra, es esencial para la agricultura sostenible. Los modelos
de regresión lineal simple pueden ayudar a comprender cómo estos
recursos se ven afectados por el cambio climático y cómo deben
asignarse de manera eficiente.

En conclusión, el modelo de regresión lineal simple es una herramienta

valiosa en la gestión del cambio climático, la agricultura y el desarrollo
rural sostenible, ya que permite analizar datos, identificar relaciones,
predecir eventos y tomar decisiones basadas en datos sólidos. Ayuda
a los profesionales y gestores a comprender mejor cómo el clima afecta
a la agricultura y cómo se pueden implementar estrategias efectivas
para enfrentar estos desafíos.

II. REGRESION Y CORRELACION SIMPLE

El modelo de regresión lineal simple es una herramienta fundamental
en estadística y análisis de datos que se utiliza para entender y predecir
la relación entre dos variables. En este caso, se asume que una variable
(llamada variable dependiente o respuesta) puede ser explicada en
función de otra variable (llamada variable independiente o predictora)

5
Elías Alberto Torres Armas, Dr.

mediante una relación lineal. A continuación, te proporcionaré una

introducción al modelo de regresión lineal simple:

Variables: En el modelo de regresión lineal simple, trabajamos con dos

tipos de variables:

- Variable Dependiente (Y): Es la variable que queremos predecir o

explicar. Representa el resultado o la respuesta que estamos
estudiando. Por ejemplo, el precio de una casa.

-Variable Independiente (X): Es la variable que utilizamos para

predecir la variable dependiente. Es la variable que creemos que tiene
una influencia sobre la variable dependiente. Por ejemplo, el número
de habitaciones de una casa.

Modelo Lineal: La idea central detrás del modelo de regresión lineal

simple es que existe una relación lineal entre la variable dependiente
(Y) y la variable independiente (X). Esta relación se representa
mediante la ecuación de una línea recta:

Yi =  0 + 1 X i +  i

Objetivo: El objetivo principal de la regresión lineal simple es estimar

los valores de los coeficientes βo y β1 llamados parámetros de
regresión, de manera que el modelo lineal se ajuste mejor a los datos
observados. Esto se hace minimizando la suma de los cuadrados de los
errores ε entre las predicciones del modelo y los valores reales de la
variable dependiente.

2.1. Diagrama de dispersión:

Gráfica que describe la relación entre las dos variables de interés.

Variable dependiente: la variable que se pronostica o estima.
Variable independiente: la variable que proporciona la base para
la estimación. Es la variable predictora.

2.2. Modelo de regresión lineal simple.

Propósito: determinar la ecuación de regresión; se usa para

predecir el valor de la variable dependiente (Y) basado en la
variable independiente (X). El modelo es:

Yi =  0 + 1 X i +  i

6
 Métodos multivariados para la Investigación

2.3. Estimación de los parámetros del modelo de regresión.

Procedimiento: seleccionar una muestra de la población y

enumerar los datos por pares para cada observación; dibujar un
diagrama de dispersión para visualizar la relación; determinar los
estimadores de los parámetros 0
 , y 1 del modelo de regresión.
La ecuación de regresión estimada es:

Yˆ = b0 + b1 x

Donde:

Ŷ Es el valor promedio pronosticado de Y para cualquier valor de

X.

 ,
b0: Es el estimador de 0 es la intercepción en Y, o el valor
estimado de Y cuando X = 0

b1: Es el estimador de 1 , es la pendiente de la recta, o cambio

promedio en Ŷ por cada cambio de una unidad en X

Para el cálculo de a y b, se usa el método de mínimos cuadrados

ordinarios:

 x y
 xy − n SP. XY Suma de productos XY
b1 = = =
( x ) 2
SC. X suma de cuadradosde X
x 2
−
n

b0 =
 y −b x
1
n n

2.4. Suposiciones fundamentales del modelo de regresión

lineal.

El modelo de regresión lineal se basa en varias suposiciones

fundamentales que deben cumplirse para que los resultados y las
conclusiones sean válidos. Estas suposiciones son:

Linealidad: La relación entre la variable independiente (X) y la

variable dependiente (Y) debe ser aproximadamente lineal. Esto
significa que un cambio en X se asocia con un cambio proporcional
en Y.

7
Elías Alberto Torres Armas, Dr.

Independencia de errores: Los errores (residuos) en las

observaciones de Y deben ser independientes entre sí. Esto
significa que el error en una observación no debe depender del
error en otra observación. La falta de independencia podría
ocurrir, por ejemplo, en datos de series temporales donde las
observaciones están correlacionadas en el tiempo.

Homocedasticidad: La variabilidad de los errores debe ser

constante en todos los niveles de X. Esto significa que la dispersión
de los residuos debe ser uniforme a lo largo de la línea de
regresión. En otras palabras, no debe haber un patrón sistemático
en la dispersión de los residuos a medida que X cambia.

Normalidad de los errores: Los errores deben seguir una

distribución normal. En otras palabras, la distribución de los
residuos debe ser aproximadamente simétrica y centrada
alrededor de cero. Esto es importante para realizar pruebas de
hipótesis y para la construcción de intervalos de confianza.

No multicolinealidad: Cuando se tienen múltiples variables

independientes en un modelo de regresión múltiple, no debe haber
una alta correlación entre las variables independientes. La
multicolinealidad puede dificultar la interpretación de los
coeficientes y afectar la estabilidad del modelo.

Ausencia de errores de medición: Las variables X e Y deben

estar medidas con precisión y sin errores significativos de
medición. Los errores de medición pueden distorsionar las
relaciones entre las variables.

Independencia de las observaciones: Las observaciones

deben ser independientes entre sí. Esto significa que no debe
haber ninguna estructura de dependencia en los datos, como la
autocorrelación en datos de series temporales.

Es importante verificar estas suposiciones antes de realizar un

análisis de regresión y, en caso de que alguna de ellas no se
cumpla, tomar medidas apropiadas. Por ejemplo, si los errores no
siguen una distribución normal, se pueden considerar
transformaciones de los datos. Si hay evidencia de
heterocedasticidad, se pueden aplicar técnicas de corrección. En
general, asegurarse de que estas suposiciones se cumplan ayuda
a garantizar que los resultados del modelo de regresión sean
confiables y que las conclusiones sean válidas.

8
 Métodos multivariados para la Investigación

2.5. Pruebas de significación del modelo

2.5.1. Análisis de varianza. Prueba global de

significación del modelo (Prueba F)

Hipótesis y nivel de significación:

H 0 :  i = 0 ( No existe regresiónlineal entre X e Y )
H 1 :  i  0 ( Existe regresiónlineal entre X e Y )
 : Nivel de significación

CÁLCULO DE LA SUMAS DE CUADRADOS

( y ) 2
SCT =  y − 2

SCR = 1 ( xy −   )
x y
ó
n
( x ) 2
SCR = 1 ( x −
2 2

n
SCE = SCT − SCR
CUADRO DE ANÁLISIS DE VARIANZA
Fuente de Suma de Grados Cuadrados Fc
variación cuadrados de medios
libertad
Debido a la SCR 1 CMR=SCR/1 CMR/CME
regresión
Debido al SCE n-2 CME=SCE/(n-
error 2)
Total SCT n-1
Decisión y conclusión: Re chazarH0 SiFc  F(1,n−2)
2.5.1.1. Error estándar de la estimación.
El error estándar de la estimación mide la dispersión de
los valores observados alrededor de la recta de
regresión. Fórmulas usadas para calcular el error
estándar:

S y. x =
 (Y − Yˆ ) 2

=
y 2
− b0  y − b1  xy
n−2 n−2
ó
SCE
S y. x = = CME
n−2

9
Elías Alberto Torres Armas, Dr.

2.5.1.2. PRECISION DE LOS ERRORES

ESTANDAR DE LOS ESTIMADORES DE
j

CME CME
Var (b1 ) =  sb1 =
SCX SCX
( x 2 )CME ( x 2 )CME
Var (b0 ) =  sb0 =
nSCX nSCX

2.5.1.3. INTERVALO DE CONFIANZA PARA LOS

ESTIMADORES DE  j

b0 − t n − 2; s b0   0  b0 + t n − 2; s b0
b1 − t n − 2; s b1   1  b1 + t n − 2; s b1

2.5.2. Prueba individual de significación de los

estimadores de  j del modelo (Prueba t-
student)

PARA  0

Hipótesis H 0 : 0 = 0
H1 :  0  0
Nivel de significación : 
b0
Estadistica de prueba : t c =  t n − 2;
s b0
Decisón : Re chazar H 0 si t c  t n − 2; prueba bilateral
si t c  −t n − 2; prueba unilateral izquierda
si t c  +t n − 2; prueba unilateral derecha
PARA  1
Hipótesis H 0 : 1 = 0
H 1 : 1  0
Nivel de significación : 
b1
Estadistica de prueba : t c =  t n − 2;
s b1
Decisón : Re chazar H 0 si t c  t n − 2; prueba bilateral
si t c  −t n − 2; prueba unilateral izquierda
si t c  +t n − 2; prueba unilateral derecha

10
 Métodos multivariados para la Investigación

III. Análisis de correlación:

Se usa un grupo de técnicas estadísticas para medir la fuerza de la
relación (correlación) entre dos variables.

3.1. Coeficiente de correlación, r:

El coeficiente de correlación (r) es una medida de la intensidad de

la relación entre dos variables. Requiere datos con escala de
intervalo o de razón (variables). Puede tomar valores entre -1.00
y 1.00. Valores de -1.00 o 1.00 indican correlación fuerte y
perfecta. Valores cercanos a 0.0 indican correlación débil. Valores
negativos indican una relación inversa y valores positivos indican
una relación directa.

 x y
 xy − n SCR SCE
r= ó r= = 1−
( x ) 2
( y ) 2 SCT SCT
( x 2 − )( y 2 − )
n n

Correlación negativa perfecta Correlación positiva perfecta

Correlación cero Correlación positiva fuerte

3.2. Coeficiente de determinación.

El coeficiente de determinación, r2 es la proporción de la variación

total en la variable dependiente Y que está explicada por o se debe
a la variación en la variable independiente X.

El coeficiente de determinación es el cuadrado del coeficiente de

correlación, y toma valores de 0 a 1.

11
Elías Alberto Torres Armas, Dr.

3.3. Prueba individual de significación del coeficiente de

correlación (Prueba t-student)

Hipótesis H0 :  = 0
H1 :   0
Nivel de significación : 
r n−2
Estadistica de prueba : t c =  t n − 2;
1− r2
Decisón : Re chazar H 0 si t c  t n − 2; prueba bilateral
si t c  −t n − 2; prueba unilateral izquierda
si t c  +t n − 2; prueba unilateral derecha

3.4. Predicción.

El intervalo de confianza (de predicción) de 100(1-α)% para la

media de Y dado un valor de X está definido por:

1 ( X − X )2 1 ( X − X )2
yˆ − t  CME ( +  Y  yˆ + t  CME ( +
n − 2;1− n SCX n − 2;1− n SCX
2 2

El intervalo de predicción (de predicción) de 100(1-α)% para un

valor individual de Y dado un valor de X se define por:

1 ( X − X )2 1 ( X − X )2
yˆ − t  CME (1 + +  Y  yˆ + t  CME (1 + +
n − 2;1− n SCX n − 2;1− n SCX
2 2

3.5. Ejemplo.

Se efectuó un experimento para evaluar el efecto el zinc en el peso

de las cacatúas. En el experimento, a 7 grupos de cacatúas
adultas se les dio diferentes dosis de zinc y sus pérdidas de peso
tras la primera semana fueron registradas. Los datos de los pesos
medios por grupo al final de la semana están expresados como
porcentajes sobre los pesos iniciales.

12
 Métodos multivariados para la Investigación

Y(Peso
X(Ingesta
medio X2 Y2 XY
de zinc)
%)
1 0 100 0 10000 0
2 2 92 4 8464 184
3 4 95 16 9025 380
4 8 90 64 8100 720
5 12 98 144 9604 1176
6 16 85 256 7225 1360
7 30 67 900 4489 2010
SUMA 72 627 1384 56907 5830
 X Y 72  627
 XY − 5830 −
1 = n = 7 , 1 = -0.96225577
( X )2 (72)
2

X 2
−
n
1384 −
7

0 =
 Y −    X  = 627 − (− 0.96225577) 72  ,
 0 = 99.4689165
 n 
n 7
1
 7 
 
Ecuación: Y =  0 + 1 X  Y = 99.4689165- 0.96225577X

CORRELACIÓN:

 X Y 72  627
 XY − n
5830 −
7
 = =

 X2 − ( X ) 2
 Y 2 − ( Y )
 2



1384 −
(72)2  56907 − (627)2 

 n   n  
 7  7 

  

 = 0.89382905

Coeficiente de determinación:

 2 = (- 0.89382905)2   2 = 0.79893037

Nota : El 80% de “Y” depende de “X”

ANÁLISIS DE VARIANZA:

(Y ) 2
6272
SCTOTAL =  Y 2
− = 56907 − = 745.714286
n 7


 ( X )2 
 = -0.962255771384 − 72
2

SCREGRESIÓN = 1  X −
2
  = 595.7737884
 n   7 
 

13
Elías Alberto Torres Armas, Dr.

SCERROR = SCTOTAL − SCREGRESION = 745.714286- 595.7737884 = 149.9404973

Hipótesis

H0: No existe regresión lineal entre x e y

Ha: Si existe regresión lineal entre x e y

Cuadro ANVA:
Sig
F.V. S.C. G.L. C.M. F.C.
.
595.77378 595.7737 19.86700
Regresión **
84 1 884 72
149.94049 29.98809
Error
73 5 947
745.71428
TOTAL
57 6
Con Excel
ANÁLISIS DE VARIANZA
Grados Promedio de
de Suma de los Valor crítico
libertad cuadrados cuadrados F de F
Regresión 1 595,773788 595,773788 19,8670072 0,00665746
Residuos 5 149,940497 29,9880995
Total 6 745,714286

Decisión: Ft=F(1,5)0.05 = 3.84. Fc > Ft entonces se rechaza H0.

Rechazar Ho si p_valor<nivel se significación, así: p=0,00665746<0.05, entonces

se rehaza Ho

Además, la significación individual de los parámetros, se observa

en el siguiente cuadro:

Estadístico Inferior Superior

Coeficientes Error típico t Probabilidad 95% 95%
Intercepción 99,4689165 3,03559148 32,7675569 4,9746E-07 91,6656802 107,272153
X(Ingesta de - - - -
zinc) 0,96225577 0,21588591 4,45724211 0,00665746 1,51720817 0,40730337

Conclusión: Existe suficiente evidencia estadística de que existe

regresión lineal entre x e y.

14
 Métodos multivariados para la Investigación

IV. ACTIVIDADES DE AUTOAPRENDIZAJE

4.1. Revisar la actividad de aprendizaje de la semana
V. EVALUACIÓN
5.1. Evaluación procedimental de la Actividad

Actividad 2: Revisar la guía de aprendizaje de la semana

Explora: revise cada uno de los temas presentados en este módulo, esquematice
mediante un mapa mental, mapa conceptual, cuadro sinóptico; o un diagrama
ilustrativo, edítelo en un Power Point y luego presente en exposición verbal en el
momento que se indique en la clase.

Aplica: Construya una base de datos recolectados de alguna población del entorno
de su profesión, que contenga una variable dependiente y una variable
independiente, utilizando fuentes primarias o secundarias, luego realice un análisis
de regresión y correlación completo, e interprete correctamente sus resultados
RÚBRICA
Criterio/Definición Calificación Total

4 puntos 2 puntos 0 puntos

Información general: La Cumple con Cumple entre Cumple
primera hoja debe tener (1) cinco tres y cuatro con menos
Maestría, (2) Curso, (3) elementos elementos de dos
Profesor, (4) Alumno y (5) requeridos. requeridos elementos
fecha de entrega. requeridos.
Ortografía Sin errores de Entre tres y Más de seis
ortografía. cinco errores errores de
Entre uno y de ortografía. ortografía.
dos errores de
ortografía.
Alta calidad del diseño Trabajo Trabajo Trabajo
sobresaliente y simple pero mal
atractivo. bien organizado.
organizado.
Elementos propios del Cumple con Cumple con No reúne
programa: (1) Aporta los los dos un elemento ningún
datos apropiados para elementos requerido. criterio
resolverlos (2) Manipula de requeridos. requerido.
forma estandarizada las
expresiones simbólicas.
Resultado e interpretación Trece Entre ocho y Menor que
programas doce siete
correctos con programas programas
su correctos con correctos
interpretación. su con su
interpretació interpretaci
n. ón.
Calificación de la actividad

15
Elías Alberto Torres Armas, Dr.

5.2. Evaluación actitudinal del curso

La evaluación actitudinal del curso se realizará de manera permanente, empleando
una rúbrica basada en las técnicas de comunicación además de la presentación de
tareas y evaluaciones.
RÚBRICA
Criterio/Definición Calificación Total

4 puntos 2 puntos 0 puntos

Comunicación: (1) Saluda, (2) Cumple con Cumple con No cumple
Expresa sus ideas en mensajes dos uno con
de texto de manera concisa y elementos elementos ninguno de
clara. requeridos. requeridos los
elementos
requeridos.
Temática: Todos los Un mensaje Un mensaje
(1) No envía mensajes mensajes que no o más que
referentes a su vida personal, cumplen con cumple con no cumple
(2) No envía algún texto, los dos alguno de los con los dos
imagen, video o enlace que sea elementos elementos elementos
no apropiado. requeridos. requeridos. requeridos.
Gramática y ortografía: No usa o Usa un Usa un
(1) Abreviaturas emoticones, comete mensaje con mensaje o
(2) Faltas de ortografía, (3) Uso ninguno de un elemento más, dos o
de mayúsculas. los tres requerido. más
elementos elementos
requeridos. requeridos.
Respeto: Cumple con Cumple con No reúne
(1) Participa más de tres veces los tres dos ningún
y debate alturadamente (2) No elementos elementos criterio
realiza bullyng, (3) Respeta los requeridos. requeridos. requerido.
horarios.
Responsabilidad del trabajo Cumple con Cumple con No cumple
académico: dos un elemento con los dos
(1) Presenta todas sus tareas, elementos requerido. elementos
(2) Presenta todas sus requeridos. requeridos.
evaluaciones.
Calificación de la actividad

VI. REFERENCIAS BIBLIOGRÁFICA

Anderson, D. y otros, (1999), Estadística para Administración y Economía, México: Internacional Thomson Editores S. A.

Berenson M. y Levine D. (1996): “Estadística Básica en Administración” Editorial Prentice Hall Hispanoamericana. 6ª edición –
México.

Chao, Linconl L. (1993): “Estadística para las Ciencias Administrativas”. Editorial Mc Graw Hill Interamericana S.A.- Colombia.

Córdova Zamora, Manuel (2000): “Estadística Descriptiva e Inferencial”. Editorial MOSHERA SRL.

Córdova Zamora, Manuel. (1998). Estadística: Descriptiva e Inferencial. Editorial Moshera Lima Perú.

García Ore. (1995). Distribuciones y Estadística Inferencial. Edit. San Marcos. Lima Perú.

Pérez, C. (2003). Análisis y Técnicas Estadísticas con SPSS.

16
 Métodos multivariados para la Investigación

Visauta Y Vinacua (2002). Análisis Estadístico con SPSS: Estadística descriptiva Vol.I. Análisis Multivaviante Vol.II.

William Mendehall, Richard L. Sheaffer y Dennis D. (1992). Estadística Matemática con aplicaciones. Tercera Edición. Editorial Grupo
Editorial Iberoamericana.

Di Rienzo, Julio Alejandro; Casanoves, Fernando; Gonzalez, Laura Alicia; Tablada, Elena Margot; Díaz, María Del Pilar; Robledo,
Carlos Walter. (2008). Estadística para las Ciencias Agropecuarias. Balzarini, Mónica Graciela, Séptima Edición. EDICIÓN
ELECTRÓNICA

Hair, J.F., Anderson, R.E., Tatham, R.L., y Black, C.B. (1999), \Análisis Multivariante", Prentice Hall.

Pérez López, César. (2004). Técnicas de Análisis Multivariante de datos con SPSS. Español. Pearson Educación.

Montanero, J. (2008), \Manual 59: Análisis Multivariante", Servicio de Publicaciones UEx. http://hdl.handle.net/10662/2444

Andrés Catena, Manuel M. Ramos, Humberto M. Trujillo. (2003). Análisis Multivariado. Un manual para investigadores. Editorial
Biblioteca nueva, S. L. Madrid.

Dallas E. Johnson. (2000). Métodos Multivariados Aplicados al Análisis de Datos. Español- Thomson

Johnson Richard A. (2007). Applied multivariable statistical analysis. Ingles. Pearson Education.
Anderson, T. (2003). An Introduction to Multivariate Analysis, Wiley.

Everitt, B. (2007). An R and S-plus Companion to Multivariate Analysis, Springer.

Chachapoyas, 21 de setiembre del 2023

………………………………..…..………
Dr. Elías A. Torres Armas
Docente de asignatura

17
Métodos Estadísticos para la Investigación experimental

18