Sitio del libro Estadística Aplicada e Inferencial

Índice

En este repositorio se almacena el material computacional que complementa al libro Estadística Aplicada e Inferencial del Profesor Christian Salas-Eljatib del Laboratorio de Biometría y Modelación Forestal y del Magíster en Políticas Públicas de la Universidad de Chile.

1. Instrucciones generales para el correcto uso del presente sitio

Como parte del proceso de aprendizaje del libro, se ha diseñado una serie de materiales, dentro de los cuales, los computacionales se enlazan mayormente al uso del software estadístico R, y se dividen en:

1.1. Datos

Información de variables de diferentes disciplinas, que son usadas para demostrar conceptos en el libro, y/o para realizar ejemplos y ejercicios. Estos datos se encuentran disponibles en las librerías (o paquetes) de R: datana y biometrics.

Por lo tanto, debe primero instalarlas como sigue 

install.packages("datana")
install.packages("biometrics")

Para verificar que ambos paquetes estan correctamente instalados, ejecute: 

library(datana)
library(biometrics)

y para verificar la versión del paquete, puede emplear la función packageVersion() como sigue 

packageVersion("datana")

Cita del paquete 

citation("datana")

Es importante destacar que las versiones más recientes de los paquetes antes mencionados se encuentran en el siguiente web, para vuestra descarga, y uso. Esto se debe a que la frecuencia con la cual se puede actualizar un paquete en en CRAN, el repositorio oficial de R, es generalmente menor a la cual nosotros realizamos cambios.

1.2. Scripts

Algunos ejemplos y ejercicios a ser resueltos en computador por los estudiantes se encuentran acá disponibles como scripts de R.

2. Flujo de los scripts

Cada uno de los scripts son presentados siguiendo la estructura de capítulos del libro, y los cuales siguen por lo tanto un sentido lógico docente, para ir reforzando los conceptos expuestos en el texto.

2.1. → Cap. 4: Inferencia

phipotesis.r
Calcula valor de test estadístico de t, así como el valor respectivo de la distribución de t para un nivel de significancia y los grados de libertad del ejemplo.
phipovalorp.r
Es similar al anterior, aunque ahora además se calcula el denominado valor-P del test estadístico.
phipointconf.r
Relaciona intervalo de confianza con prueba de hipótesis.
phipotesisf.r
Version full, relaciona intervalo de confianza con prueba de hipotesis y valor-P

2.2. → Cap. 5: Alternativas de estimación

modmedia1.r
Ajuste modelo del simple promedio.
  • Datos: largo de peces.
modmedia2.r
Ajuste modelo del simple promedio.
  • Datos: largo de peces.

2.3. → Cap. 6: Regresión lineal simple (RLS)

2.3.1. Una introducción a regresión lineal

rls1ejea.r (ejemplo A)
Ajuste modelo de regresion lineal simple, empleando estimador de mínimos cuadrados. Entre otras cosas, en este ejercicio se revisan los parámetros estimados del modelo y se usa el modelo para predecir dado un valor para la variable predictora.
  • Datos: Tamaño de peces (fishfgrowth2).
  • Ejemplo: Relación entre largo y edad de peces.
rls1ejeb.r (ejemplo B)
Ajuste modelo de regresion lineal simple, empleando estimador de mínimos cuadrados. Entre otras cosas, en este ejercicio se revisan los parámetros estimados del modelo y se usa el modelo para predecir dado un valor para la variable predictora.
  • Datos: Gasto social a nivel país (sociecon).
  • Ejemplo: Relación entre pobreza y gasto social.

2.3.2. Mínimos cuadrados (en RLS)

Se explica desde un punto de vista teórico-aplicado como se realiza la estimación por mínimos cuadrados en el caso de un modelo de regresón lineal simple. Complementar con la siguiente aplicación web.

2.3.3. Ejemplo de ajuste modelo RLS

Se revisan los valores de los parámetros estimados y como estimar la variable respuesta a partir de un valor dado para la variable predictora.

rls2ejea.r (ejemplo A)
Valores esperados del modelo ajustado. Entre otras cosas, en este ejercicio se calculan los valores esperados para un modelo ajustado y se representa lo anterior gráficamente sobre la dispersión de los datos.
  • Datos: Tamaño de peces (fishfgrowth2).
  • Ejemplo: Relación entre largo y edad de peces
rls2ejeb.r (ejemplo B)
Valores esperados del modelo ajustado. Entre otras cosas, en este ejercicio se calculan los valores esperados para un modelo ajustado y se representa lo anterior graficamente sobre la dispersion de los datos.
  • Datos: Gasto social a nivel país (sociecon).
  • Ejemplo: Relación entre pobreza y gasto social.

2.3.4. Empleando un modelo de regresión ajustado

Cálculo de valores ajustados y residuales, y gráficos para evaluar el ajuste sobre la dispersión de la muestra.

rls3ejea.r (ejemplo A)
Valores ajustados y residuales. Entre otras cosas, en este ejercicio para cada observacion se calculan el valor ajustado por el modelo y su respectivo residual, y se realizan diferentes gráficos basados en los valores ajustados y residuales.
  • Datos: Tamaño de peces (fishfgrowth2).
  • Ejemplo: Relación entre largo y edad de peces
rls3ejeb.r (ejemplo b)
Valores ajustados y residuales. Entre otras cosas, en este ejercicio para cada observacion se calculan el valor ajustado por el modelo y su respectivo residual, y se realizan diferentes gráficos basados en los valores ajustados y residuales.
  • Datos: Gasto social a nivel país (sociecon).
  • Ejemplo: Relación entre pobreza y gasto social.

2.3.5. Prueba de hipótesis en regresión

Se enfatiza en los test de hipótesis que normalmente se realizan en modelos de regresión.

rls4ejea.r (ejemplo A)
Valores ajustados y residuales. Se ajusta modelo y se revisa test de hipotesis, empleando diferentes niveles de significancia. Se calculan intervalos confidenciales.
  • Datos: Tamaño de peces (fishfgrowth2).
  • Ejemplo: Relación entre largo y edad de peces
rls4ejeb.r (ejemplo B)
Valores ajustados y residuales. Se ajusta modelo y se revisa test de hipotesis, empleando diferentes niveles de significancia. Se calculan intervalos confidenciales.
  • Datos: Gasto social a nivel país (sociecon).

  • Ejemplo: Relación entre pobreza y gasto social.

    Detenerse en la parte del script donde se muestra el resumen del modelo ajustado y analizar los resultados

2.3.6. Transformando variables en un modelo de regresión

Un modelo estadístico lineal puede representar también relaciones curvilíneas entre las variables de interés.

comportarls1ejea.r (ejemplo A)
Comportamiento de 3 modelos ajustados, con diferentes transformaciones de la variable predictora. Se ajustan y se comparan tres modelos de regresión lineal simple, describiendo el valor esperado de cada modelo.
  • Datos: Tamaño de árboles (idahohd2).
  • Ejemplo: Relación alométrica entre altura y diámetro.
comportarls1ejeb.r (ejemplo B)
Comportamiento de 4 modelos ajustados, con diferentes transformaciones de la variable predictora. Se ajustan y se comparan cuatro modelos de regresión lineal simple, describiendo el valor esperado de cada modelo.
  • Datos: Área y peso foliar (leafw2).
  • Ejemplo: Relación alométrica entre variables de hojas.
comportarls2ejeC.r (ejemplo C)
Comportamiento de 4 modelos ajustados, con diferentes transformaciones de la variable predictora. Se ajustan y se comparan cuatro modelos de regresión lineal simple, describiendo el valor esperado de cada modelo.
  • Datos: Tamaño de peces (fishfgrowth2).
  • Ejemplo: Relación entre largo y edad de peces.

2.3.7. Inervalos de estimación vs. de predicción

Se construyen intervalos confidenciales para valores ajustados y para valores predichos, a partir del ajuste de un modelo RLS.

intpredslr.r
Intervalos de confianza para valores ajustados y predichos. Muestra intervalos mencionados a partir de un modelo de regresion lineal simple.
  • Datos: Ozono (airnyc2).
  • Ejemplo: Relación entre variables astmosféricas.

2.4. → Cap. 7: Regresión lineal múltiple

rlm1ejea.r
Ajuste de un modelo de regresión lineal simple y otro múltiple, empleando estimador de mínimos cuadrados.
rlm2ejea.r
Ajuste de un modelo de regresión lineal simple y otro múltiple, empleando estimador de mínimos cuadrados.
rlm3ejea.r
Ajuste y comparación de cuatro modelos de regresión lineal múltiple, empleando estimador de mínimos cuadrados.
regrematri.r
Ajuste de un modelo de regresión lineal simple, empleando un estimador de mínimos cuadrados pero mediante álgebra matricial.

2.5. → Cap. 8: Residuales

2.6. → Cap. 9: Supuestos de un modelo de regresión

3. Sugerencias/errores

En caso de encontrar errores, tenga sugerencias, o dudas, por favor escribir a este email.

Autor: Christian Salas-Eljatib

Created: 2026-05-16 Sat 04:01

Validate