Desarrollo:

Correlacion lineal entre la altitud y la presión atmosférica, en consecuencia la falta de

oxígeno.
  El análisis se realizo en base de doce muestras que
corresponden a la altura en metros desde el nivel del mar y la
presión atmosférica allí medida.
Los datos fueron extraidos de la revista cultura de montaña
Altitud(m) Presión(atm)
0 1
500 0,942
1000 0,887
1500 0,834
2000 0,785
2500 0,737
3000 0,692
3500 0,649
4000 0,608
4500 0,57
5000 0,533
5500 0,498
En el grafico se
observa la recta
azul se asemeja a
todos los datos y
representa el
modelo de regresion
lineal negativa,la
recta color verde
presenta el limite de
confianza y la recta
de color gris el limite
de prediccion.
 Regresión Simple - Presion(atm) vs. Altura(m)
Variable dependiente: Presion(atm)
Variable independiente: Altura(m)
Lineal: Y = a + b*X

Coeficientes
Mínimos Estándar Estadístico
Cuadrados

Parámetro Estimado Error T Valor-P

Intercepto 0,978013 0,00722658 135,336 0,0000

Pendiente - 0,0000022257 -40,8598 0,0000

0,0000909441 6
 SSR

Fuente Suma de Gl Cuadrado Razón-F Valor-P

Cuadrados Medio
Modelo 0,295682 1 0,295682 1669,52 0
Residuo 0,00177105 10 0,000177105
Total (Corr.) 0,297453 11

SSE SST S2

• Coeficiente de Correlación = -0,997019

• R-cuadrada = 99,4046 porciento
• R-cuadrado (ajustado para g.l.) = 99,3451 porciento
• Error estándar del est. = 0,0133081
• Error absoluto medio = 0,0104281
• Estadístico Durbin-Watson = 0,331352 (P=0,0000)
• Autocorrelación de residuos en retraso 1 = 0,582878
• Para el análisis de varianza, la suma de los cuadrados del
modelo SSR tiene un valor p nulo (cero). Esto significa que,
realizando un test de hipótesis, podemos asegurar que la altitud y
la disminucion de la presion atmosferica se relacionan
estadísticamente para un nivel de confianza del 99%. En otras
palabras, Realizamos un test de hipótesis y tomamos como
Hipótesis nula H0 al hecho de que las variables no están
relacionadas( B1=0), frente a una H1 de que las variables si lo
están(B1≠0). Entonces hay pruebas suficientes para rechazar
H0 en un nivel de confianza de 99%: La probabilidad de
equivocarnos en la decisión es de tan sólo 1%.
La salida muestra los resultados del ajuste al modelo lineal para describir la relación entre
Altura y Presion atmosferica. La ecuación del modelo ajustado es:

Presion(atm) = 0,978013 - 0,0000909441*Altura(m)

El estadístico R-cuadrado indica que el modelo explica un 99,4046 de la variabilidad. Esto

quiere decir que de todos los factores que influyen en la variacion de la presion atmosferica la
variacion de la altura tiene una influencia del 99,4046%. El coeficiente de correlación es igual a
0,997019 indicando una relación fuerte entre las variables. El error estándar de la
estimación muestra la desviación típica de los residuos que es 0,0133081
El error absoluto medio (MAE) de 0,0104281 es el valor medio de los residuos. El
estadístico Durbin-Watson (DW) con valor de 0,331352 examina los residuos para
determinar si hay alguna correlación significativa basada en el orden en el que se han
introducido los datos en el fichero. Dado que el p-valor es inferior a 0.05, hay indicio de una
posible correlación serial.
 Los residuos Estudentizados miden cuántas desviaciones estándar se desvía
cada valor observado de Presión (atm) del modelo ajustado, utilizando todos los
datos excepto esa observación. En este caso, hay 2 residuos Estudentizados
mayores que 2, pero ninguno mayor que 3. Indicio de que existe correlacion entre
las variables
A su vez el gráfico de residuos nos indica que el ajuste lineal no es adecuado, ya
que en los datos cargados se puede observar datos atípicos (probablemente se
deba al gran tamaño de la muestra).
La media cero es una recta que pasa por el 0. Analiza si los residuos se
encuentran por debajo o por encima de ella para detectar si el modelo se ajusta
correctamente. En nuestro caso los residuos se distribuyen por debajo de la media
cero, indicando que la recta estimada se encuentra relativamente lejos de la recta
verdadera .
En la investigacion se puede observar que la presion atmosferica variaba con la altura
.Una vez alcanzada una cierta altura la presion seguia disminuyendo pero no en
cantidades iguales. Esto se debe a que la densidad del aire varía según la humedad y
también la temperatura.

Este trabajo se realizó con el fin de analizar la relación que existe entre las variables de
Presion atmosferica(dependiente) y la altitud (independiente). En base a las mediciones
obtenidas y al análisis realizado por el programa statgraphics se puede afirmar que existe
una relación entre ambas variables. Dicha relación no es lineal debido a la forma
curvilínea que se observa en los gráficos analizados, (gráficos de dispersión, de residuos
contra la variable independiente y de modelo ajustado).
• Como el modelo de regresión lineal no fue el adecuado para este tipo de
variables, se probó con el modelo de regresión exponencial.

• En la diapositiva siguiente se presentará dicha grafica y algunos datos

arrojados por el software. No obstante, no hay que perder de vista que este
tipo de modelo escapa el alcance de la asignatura y por tanto lo que
se presenta a continuación es solamente a fin de complementar el trabajo
práctico y profundizar en la relación de las variables.
Comparación modelo lineal vs exponencial
Modelo R-cuadrado Error de est.
Lineal 99,4046 0,0133081

Exponencial 99,9986 0,000676398

Evidentemente el modelo exponencial presenta coeficientes de correlación y

r-cuadrado apenas mayores al modelo lineal. Esto, junto a un error estándar
de estimación considerablemente más bajo nos da la pauta de que un
modelo exponencial se ajustaría mejor a la muestra obtenida..
Dejando de lado las comparaciones entre modelos, el principal objetivo del
trabajo fue comprobar la relación entre las dos variables involucradas, lo que
evidentemente se pudo demostrar.
• http://culturademontania.com.ar/Relatos/REL_secretos_aclimat
acion_importancia_fisiologia_humana_en_altura.htm
• https://animalderuta.com/2013/05/28/la-altura-y-el-oxigeno/
• https://www.geogebra.org/m/JXZ8T7Bf
• http://dm.udc.es/asignaturas/estadistica2/sec9_3.html