Ev. Final
Dilmer Sandoval Ramos - Katherine Soto Tenazoa
2024-01-19
#RESUMEN
El caso de estudio se enfoca en “Pulso Climático - Perspectivas Globales sobre la Temperatura”, explorando el análisis de las temperaturas mundiales desde 1849 hasta 2013. Este período abarca desde la limitada disponibilidad de datos en el siglo XIX hasta el desarrollo de tecnologías avanzadas para medir temperaturas en la actualidad. La investigación resalta la variabilidad temporal, evidenciando fluctuaciones naturales y tendencias a largo plazo, especialmente el calentamiento global documentado en el último siglo. Se examinan las causas del cambio climático, incluyendo la actividad humana, y se destacan los impactos ambientales derivados del aumento de las temperaturas, como el derretimiento de glaciares y cambios en patrones climáticos.
Desde una perspectiva estadística, el objetivo es analizar y comprender estas tendencias, identificando patrones y causas mediante una población de estudio representada por datos climáticos globales. La muestra seleccionada se centra en capturar la variabilidad climática global, utilizando como unidad de análisis los datos individuales de temperatura recopilados entre 1849 y 2013, focalizandonos en Perú, ciudad Lima, año 2013.
En términos de variables, se identifican aspectos clave para el análisis, incluyendo el año como variable discreta, la temperatura media como variable continua, y las variables categóricas de ciudad y país que proporcionan contexto geográfico a las mediciones. En conjunto, este enfoque estadístico busca contribuir al conocimiento científico sobre el cambio climático y facilitar información relevante para la formulación de políticas y acciones destinadas a mitigar sus efectos negativos.
###Cargar el conjunto de datos
#Cargar
temperatura <- read.csv("Temperatura_Global.csv", sep=",")I. Aspectos generales
1.1 Nombre de la organización y/o empresa
Pulso Climático - “Perspectivas globales sobre la temperatura”
1.2 Descripción del caso
Examinar las temperaturas en Lima, Perú, durante el año 2013 es esencial para entender el cambio climático a nivel local y sus posibles consecuencias. Aunque inicialmente se abordó el análisis de tendencias globales desde 1849, ahora nos dirigimos a una muestra más precisa y geográficamente limitada para obtener una visión detallada del clima en esta región específica durante el año mencionado.
Aspectos a considerar al analizar las temperaturas en Lima, Perú en el año 2013:
Variabilidad temporal a nivel local: Se observarán las fluctuaciones naturales en las temperaturas locales, influenciadas por fenómenos específicos de la región, como patrones de viento locales, eventos climáticos regionales y cambios estacionales.
Tendencias a corto plazo: A pesar de la variabilidad natural, se buscarán patrones específicos para el año 2013 en Lima. ¿Hubo un aumento o disminución notable en las temperaturas locales durante ese período específico?
Causas locales del cambio climático: Además de las causas globales, se examinarán factores específicos de la región que podrían contribuir al cambio climático en Lima durante 2013, incluyendo actividades humanas locales y cambios en el uso del suelo.
Impactos locales del cambio climático: Se explorarán los posibles efectos del cambio climático en Lima durante 2013, como cambios en los patrones de precipitación, eventos climáticos extremos específicos de la región y las posibles consecuencias para el entorno local.
Al centrarnos en un análisis más detallado, nuestro objetivo es recopilar información minuciosa sobre las condiciones climáticas en Lima, Perú, durante el año 2013. Esto permitirá obtener una comprensión más exacta de los desafíos y oportunidades vinculados al cambio climático en esta ubicación geográfica concreta.
II. Fundamentos básicos de la Estadística
2.1 Objetivo de estudio
El objetivo principal de este estudio es analizar de manera detallada las condiciones climáticas en Lima, Perú, durante el año 2013. Al enfocarnos en esta muestra específica, buscamos comprender con precisión las variaciones de temperatura, patrones climáticos y posibles cambios relacionados con el cambio climático en esta área geográfica particular. A través de este análisis, pretendemos identificar tanto los desafíos ambientales locales como las oportunidades para implementar medidas de adaptación y mitigación, contribuyendo así a una comprensión más profunda de las implicaciones del cambio climático en Lima, Perú.
2.2 Población de estudio
La población de estudio son los datos climáticos globales recopilados desde 1849 hasta 2013, incluyendo mediciones de temperatura de diversas fuentes como estaciones meteorológicas terrestres, registros oceánicos y mediciones satelitales. Representa una amplia variedad de regiones geográficas y condiciones climáticas, y es objeto de análisis para comprender las tendencias climáticas globales y el cambio climático.
2.3 Muestra
La muestra para este estudio comprende datos climáticos específicos de Lima, Perú, durante el año 2013. Se recopilarán y analizarán registros detallados de temperaturas, patrones de precipitación y otros indicadores climáticos locales durante ese período específico. La selección de esta muestra permite una evaluación más precisa de las condiciones climáticas en Lima en 2013, facilitando así un análisis detallado de los posibles efectos del cambio climático en esta área geográfica durante ese año en particular.
2.4 Unidad de análisis
La unidad de análisis en este estudio se refiere a los datos climáticos específicos de Lima, Perú, durante el año 2013. Cada conjunto individual de registros climáticos, que incluyen aspectos como temperaturas, patrones de precipitación y eventos extremos, será considerado como la unidad de análisis. Al examinar minuciosamente estas unidades, el objetivo es obtener una comprensión completa de las condiciones climáticas en Lima durante el año 2013 y su relación con el cambio climático. Esto contribuirá a una evaluación más precisa de los impactos climáticos en esta área geográfica particular.
III. Variables y tipo de variables
En este estudio, las variables bajo consideración son los datos climáticos específicos de Lima, Perú, durante el año 2013, podemos identificar varias variables y clasificarlas según su tipo:
Año: Esta variable representa el año en el que se registró la temperatura media. Es una variable numérica discreta que indica el período temporal en el que se realizó la medición.
Temperatura media: Es la temperatura promedio registrada durante un año específico en una ciudad determinada. Es una variable numérica continua que indica la magnitud promedio de la temperatura durante un período de tiempo determinado.
Ciudad: Indica la ciudad donde se registró la temperatura media. Es una variable categórica que describe la ubicación específica de la medición dentro de una ciudad.
País: Indica el país al que pertenece la ciudad donde se registró la temperatura media. Es una variable categórica que describe la ubicación geográfica a nivel nacional de la medición.
IV. Manejo de base de datos
datos_temperatura <- data.frame(
Año = c("2013-01-01", "2013-02-01", "2013-03-01", "2013-04-01", "2013-05-01", "2013-06-01", "2013-07-01", "2013-08-01"),
Temperatura_Media = c(19.729, 20.519, 19.970, 17.756, 16.512, 14.491, 13.343, 13.643),
Ciudad = c("Peru", "Peru", "Peru", "Peru", "Peru", "Peru", "Peru", "Peru"),
País = c("Lima", "Lima", "Lima", "Lima", "Lima", "Lima", "Lima", "Lima")
)
# Visualizar las primeras filas de los datos
head(datos_temperatura, n = 8)## Año Temperatura_Media Ciudad País
## 1 2013-01-01 19.729 Peru Lima
## 2 2013-02-01 20.519 Peru Lima
## 3 2013-03-01 19.970 Peru Lima
## 4 2013-04-01 17.756 Peru Lima
## 5 2013-05-01 16.512 Peru Lima
## 6 2013-06-01 14.491 Peru Lima
## 7 2013-07-01 13.343 Peru Lima
## 8 2013-08-01 13.643 Peru LimaV. Tablas de frecuencia (Para cada variable)
# Verificar el nombre de la columna
colnames(datos_temperatura)## [1] "Año" "Temperatura_Media" "Ciudad"
## [4] "País"# Verificar la estructura de datos
str(datos_temperatura)## 'data.frame': 8 obs. of 4 variables:
## $ Año : chr "2013-01-01" "2013-02-01" "2013-03-01" "2013-04-01" ...
## $ Temperatura_Media: num 19.7 20.5 20 17.8 16.5 ...
## $ Ciudad : chr "Peru" "Peru" "Peru" "Peru" ...
## $ País : chr "Lima" "Lima" "Lima" "Lima" ...# Verificar si hay valores faltantes en la columna de años
sum(is.na(datos_temperatura$Año))## [1] 0# Tabla de frecuencia para la variable Año
tabla_frecuencia_año <- table(datos_temperatura$Año)
print(tabla_frecuencia_año)##
## 2013-01-01 2013-02-01 2013-03-01 2013-04-01 2013-05-01 2013-06-01 2013-07-01
## 1 1 1 1 1 1 1
## 2013-08-01
## 1# Tabla de frecuencia para la variable Temperatura Media
tabla_frecuencia_temperatura <- table(datos_temperatura$Temperatura_Media)
print(tabla_frecuencia_temperatura)##
## 13.343 13.643 14.491 16.512 17.756 19.729 19.97 20.519
## 1 1 1 1 1 1 1 1# Tabla de frecuencia para la variable Ciudad
tabla_frecuencia_ciudad <- table(datos_temperatura$Ciudad)
print(tabla_frecuencia_ciudad)##
## Peru
## 8# Tabla de frecuencia para la variable País
tabla_frecuencia_pais <- table(datos_temperatura$País)
print(tabla_frecuencia_pais)##
## Lima
## 8VI. Representación gráfica de datos.
# Cargar la biblioteca ggplot2
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.3.2# Gráfico de barras para la frecuencia de los años con colores
ggplot(data = datos_temperatura, aes(x = Año, fill = factor(Año))) +
geom_bar() +
labs(title = "Frecuencia de los Años", x = "Año", y = "Frecuencia") +
scale_fill_brewer(palette = "Set3")
# Gráfico de barras para la frecuencia de la temperatura media con colores
ggplot(data = datos_temperatura, aes(x = Temperatura_Media, fill = factor(Temperatura_Media))) +
geom_bar() +
labs(title = "Frecuencia de la Temperatura Media", x = "Temperatura Media", y = "Frecuencia") +
scale_fill_brewer(palette = "Set3")
# Gráfico de barras para la frecuencia de las ciudades con colores
ggplot(data = datos_temperatura, aes(x = Ciudad, fill = factor(Ciudad))) +
geom_bar() +
labs(title = "Frecuencia de las Ciudades", x = "Ciudad", y = "Frecuencia") +
theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1)) +
scale_fill_brewer(palette = "Set3")
# Gráfico de barras para la frecuencia de los países con colores
ggplot(data = datos_temperatura, aes(x = País, fill = factor(País))) +
geom_bar() +
labs(title = "Frecuencia de los Países", x = "País", y = "Frecuencia") +
theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1)) +
scale_fill_brewer(palette = "Set3")
# Cargar la biblioteca ggplot2
library(ggplot2)
# Gráfico circular para la frecuencia de los años con colores
ggplot(data = datos_temperatura, aes(x = factor(Año), fill = factor(Año))) +
geom_bar(stat = "count") +
coord_polar(theta = "y") +
labs(title = "Frecuencia de los Años") +
scale_fill_brewer(palette = "Set3")
# Gráfico circular para la frecuencia de la temperatura media con colores
ggplot(data = datos_temperatura, aes(x = factor(Temperatura_Media), fill = factor(Temperatura_Media))) +
geom_bar(stat = "count") +
coord_polar(theta = "y") +
labs(title = "Frecuencia de la Temperatura Media") +
scale_fill_brewer(palette = "Set3")
# Gráfico circular para la frecuencia de las ciudades con colores
ggplot(data = datos_temperatura, aes(x = factor(Ciudad), fill = factor(Ciudad))) +
geom_bar(stat = "count") +
coord_polar(theta = "y") +
labs(title = "Frecuencia de las Ciudades") +
scale_fill_brewer(palette = "Set3")
# Gráfico circular para la frecuencia de los países con colores
ggplot(data = datos_temperatura, aes(x = factor(País), fill = factor(País))) +
geom_bar(stat = "count") +
coord_polar(theta = "y") +
labs(title = "Frecuencia de los Países") +
scale_fill_brewer(palette = "Set3")
VII. Medidas estadísticas de tendencia
# Calcular la media de la temperatura media
media_temperatura <- mean(datos_temperatura$Temperatura_Media)
print(paste("Media de la temperatura media:", media_temperatura))## [1] "Media de la temperatura media: 16.995375"# Calcular la mediana de la temperatura media
mediana_temperatura <- median(datos_temperatura$Temperatura_Media)
print(paste("Mediana de la temperatura media:", mediana_temperatura))## [1] "Mediana de la temperatura media: 17.134"# Calcular la desviación estándar de la temperatura media
desviacion_temperatura <- sd(datos_temperatura$Temperatura_Media)
print(paste("Desviación estándar de la temperatura media:", desviacion_temperatura))## [1] "Desviación estándar de la temperatura media: 2.93742817237412"# Resumen estadístico básico de la temperatura media
resumen_temperatura <- summary(datos_temperatura$Temperatura_Media)
print(resumen_temperatura)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 13.34 14.28 17.13 17.00 19.79 20.52VIII. Medidas estadísticas de posición
# Calcular cuantiles para la temperatura media
cuantiles_temperatura <- quantile(datos_temperatura$Temperatura_Media, probs = c(0.25, 0.5, 0.75))
print("Cuantiles para la temperatura media:")## [1] "Cuantiles para la temperatura media:"print(cuantiles_temperatura)## 25% 50% 75%
## 14.27900 17.13400 19.78925# Calcular el valor mínimo y máximo de la temperatura media
min_temperatura <- min(datos_temperatura$Temperatura_Media)
max_temperatura <- max(datos_temperatura$Temperatura_Media)
print(paste("Valor mínimo de la temperatura media:", min_temperatura))## [1] "Valor mínimo de la temperatura media: 13.343"print(paste("Valor máximo de la temperatura media:", max_temperatura))## [1] "Valor máximo de la temperatura media: 20.519"# Calcular el rango de la temperatura media
rango_temperatura <- range(datos_temperatura$Temperatura_Media)
print(paste("Rango de la temperatura media:", rango_temperatura))## [1] "Rango de la temperatura media: 13.343"
## [2] "Rango de la temperatura media: 20.519"IX. Manejo de datos Missing
library(VIM)
library(mice)
resumen_missing <- aggr(datos_temperatura, numbres=T)
summary(resumen_missing)##
## Missings per variable:
## Variable Count
## Año 0
## Temperatura_Media 0
## Ciudad 0
## País 0
##
## Missings in combinations of variables:
## Combinations Count Percent
## 0:0:0:0 8 100Para determinar mejor los patrones de comportamiento de missing se puede utilizar la siguiente funcion
matrixplot(datos_temperatura)
otra presentacion
# con la libreria mice
library(mice)
md.pattern(datos_temperatura, rotate.names = TRUE)## /\ /\
## { `---' }
## { O O }
## ==> V <== No need for mice. This data set is completely observed.
## \ \|/ /
## `-----'
## Año Temperatura_Media Ciudad País
## 8 1 1 1 1 0
## 0 0 0 0 0La libreria visdat permite visualizar
library(visdat)
vis_dat(datos_temperatura)
Para obtener columnas
vis_miss(datos_temperatura)
# Identificar datos faltantes en la variable Temperatura_Media
datos_faltantes <- datos_temperatura[is.na(datos_temperatura$Temperatura_Media), ]solo para este ejemplo se va a eliminar filas:
temperatura_corregido1 <- na.omit(datos_temperatura)
str(temperatura_corregido1)## 'data.frame': 8 obs. of 4 variables:
## $ Año : chr "2013-01-01" "2013-02-01" "2013-03-01" "2013-04-01" ...
## $ Temperatura_Media: num 19.7 20.5 20 17.8 16.5 ...
## $ Ciudad : chr "Peru" "Peru" "Peru" "Peru" ...
## $ País : chr "Lima" "Lima" "Lima" "Lima" ...which(colSums(is.na(temperatura_corregido1))!=0)## named integer(0)library(DMwR2)
temperatura_corregido2 <- centralImputation(datos_temperatura) #DMwR, mediana (númerico), moda(no númerico)
str(temperatura_corregido2)## 'data.frame': 8 obs. of 4 variables:
## $ Año : chr "2013-01-01" "2013-02-01" "2013-03-01" "2013-04-01" ...
## $ Temperatura_Media: num 19.7 20.5 20 17.8 16.5 ...
## $ Ciudad : chr "Peru" "Peru" "Peru" "Peru" ...
## $ País : chr "Lima" "Lima" "Lima" "Lima" ...which(colSums(is.na(temperatura_corregido2))!=0)## named integer(0)Utilizando otra libreria para imputar datos
library(VIM)
temperatura_corregido3 <- initialise(datos_temperatura, method = "median")
str(temperatura_corregido3)## 'data.frame': 8 obs. of 4 variables:
## $ Año : Factor w/ 8 levels "2013-01-01","2013-02-01",..: 1 2 3 4 5 6 7 8
## $ Temperatura_Media: num 19.7 20.5 20 17.8 16.5 ...
## $ Ciudad : Factor w/ 1 level "Peru": 1 1 1 1 1 1 1 1
## $ País : Factor w/ 1 level "Lima": 1 1 1 1 1 1 1 1which(colSums(is.na(temperatura_corregido3))!=0)## named integer(0)X. Manejo de valores outliers
Gráfico de cajas
Gráfico de cajas y bigotes
#Gráfico de cajas y bigotes
boxplot(datos_temperatura$Temperatura_Media)
Según los resultados, la temperatura media no tiene valores atípicos
# Calcular el rango intercuartílico para la variable Temperatura_Media
Q1 <- quantile(datos_temperatura$Temperatura_Media, 0.25)
Q3 <- quantile(datos_temperatura$Temperatura_Media, 0.75)
IQR <- Q3 - Q1
# Definir los límites para identificar outliers
lower_bound <- Q1 - 1.5 * IQR
upper_bound <- Q3 + 1.5 * IQR
# Filtrar los datos para eliminar outliers
datos_sin_outliers <- datos_temperatura[datos_temperatura$Temperatura_Media >= lower_bound & datos_temperatura$Temperatura_Media <= upper_bound, ]XI. Transformación de variables
# Aplicar transformación logarítmica a la variable Temperatura_Media
log(datos_temperatura$Temperatura_Media)## [1] 2.982090 3.021351 2.994231 2.876723 2.804087 2.673528 2.590992 2.613227Graficamente
hist(log(datos_temperatura$Temperatura_Media))
# Aplicar transformación cuadrática a la variable Temperatura_Media
datos_temperatura$Temperatura_Media^2## [1] 389.2334 421.0294 398.8009 315.2755 272.6461 209.9891 178.0356 186.1314# Aplicar estandarización a la variable Temperatura_Media
scale(datos_temperatura$Temperatura_Media)## [,1]
## [1,] 0.9306185
## [2,] 1.1995612
## [3,] 1.0126631
## [4,] 0.2589425
## [5,] -0.1645572
## [6,] -0.8525740
## [7,] -1.2433921
## [8,] -1.1412619
## attr(,"scaled:center")
## [1] 16.99537
## attr(,"scaled:scale")
## [1] 2.937428# Cargar el paquete MASS
library(MASS)
# Aplicar transformación Box-Cox a la variable Temperatura_Media
bc <- boxcox(datos_temperatura$Temperatura_Media ~ 1, data = datos_temperatura)
lambda <- bc$x[which.max(bc$y)]
datos_temperatura$boxcox_Temperatura_Media <- ifelse(lambda == 0, log(datos_temperatura$Temperatura_Media), (datos_temperatura$Temperatura_Media^lambda - 1)/lambda)XII. Estandarización y normalización de variables
# Aplicar estandarización a la variable Temperatura_Media
scale(datos_temperatura$Temperatura_Media)## [,1]
## [1,] 0.9306185
## [2,] 1.1995612
## [3,] 1.0126631
## [4,] 0.2589425
## [5,] -0.1645572
## [6,] -0.8525740
## [7,] -1.2433921
## [8,] -1.1412619
## attr(,"scaled:center")
## [1] 16.99537
## attr(,"scaled:scale")
## [1] 2.937428# Aplicar normalización a la variable Temperatura_Media
min_temperatura <- min(datos_temperatura$Temperatura_Media)
max_temperatura <- max(datos_temperatura$Temperatura_Media)
(datos_temperatura$Temperatura_Media - min_temperatura) / (max_temperatura - min_temperatura)## [1] 0.88991081 1.00000000 0.92349498 0.61496656 0.44161093 0.15997770 0.00000000
## [8] 0.04180602XIII. Modelamiento predictivo
# Carga los datos
datos_temperatura <- data.frame(
Año = c("2013-01-01", "2013-02-01", "2013-03-01", "2013-04-01", "2013-05-01", "2013-06-01", "2013-07-01", "2013-08-01"),
Temperatura_Media = c(19.729, 20.519, 19.970, 17.756, 16.512, 14.491, 13.343, 13.643),
Ciudad = c("Peru", "Peru", "Peru", "Peru", "Peru", "Peru", "Peru", "Peru"),
País = c("Lima", "Lima", "Lima", "Lima", "Lima", "Lima", "Lima", "Lima")
)### Convierte la columna 'Año' a formato de fecha
datos_temperatura$Año <- as.Date(datos_temperatura$Año)#### Visualiza los datos
print(datos_temperatura)## Año Temperatura_Media Ciudad País
## 1 2013-01-01 19.729 Peru Lima
## 2 2013-02-01 20.519 Peru Lima
## 3 2013-03-01 19.970 Peru Lima
## 4 2013-04-01 17.756 Peru Lima
## 5 2013-05-01 16.512 Peru Lima
## 6 2013-06-01 14.491 Peru Lima
## 7 2013-07-01 13.343 Peru Lima
## 8 2013-08-01 13.643 Peru LimaPasos para construir un modelo de regresión:
Paso 1: Determinar las variables X,Y
- Variable independiente (X): Año
- Variable dependiente (y): Temperatura_Media
Paso 2: Evaluar la relación entre variables (Correlación) graficamente
Diagrama de dispersión o puntos
# Gráfico con plot
plot(x = datos_temperatura$Año, y = datos_temperatura$Temperatura_Media,
main = "Relación entre Año y Temperatura Media",
xlab = "Año", ylab = "Temperatura Media",
col = "blue", pch = 16)
str(datos_temperatura) #para saber que datos son numericos y cuales no## 'data.frame': 8 obs. of 4 variables:
## $ Año : Date, format: "2013-01-01" "2013-02-01" ...
## $ Temperatura_Media: num 19.7 20.5 20 17.8 16.5 ...
## $ Ciudad : chr "Peru" "Peru" "Peru" "Peru" ...
## $ País : chr "Lima" "Lima" "Lima" "Lima" ...# Convierte la variable Año a un formato numérico
datos_temperatura$Año_Numeric <- as.numeric(datos_temperatura$Año)
# Selecciona solo las variables numéricas
datos_numericos <- datos_temperatura[, sapply(datos_temperatura, is.numeric)]
# Grafica las variables numéricas usando pairs
pairs(datos_numericos)
Interpretación: Según los resultados, hay relación lineal negativa alta entre el año y la temperatura.
Coeficiente de correlación
# Selecciona solo las variables numéricas
datos_numericos <- datos_temperatura[, sapply(datos_temperatura, is.numeric)]
# Calcula la matriz de correlación
correlacion_matrix <- cor(datos_numericos)
# Muestra la matriz de correlación
print(correlacion_matrix)## Temperatura_Media Año_Numeric
## Temperatura_Media 1.0000000 -0.9551571
## Año_Numeric -0.9551571 1.0000000Coeficiente de correlación:
r = -0.9551571
Interpretación: Existe correlación negativa muy alta entre el año y la temperatura.
Paso 3: Regresión
Regresión lineal simple
Modelo:
\(\hat{ingresos} = b_0 + b_1 cantidad\)
Para obtener el modelo, se va a utilizar una función de R > lm
# Ajusta un modelo de regresión lineal
modelo <- lm(Temperatura_Media ~ Año, data = datos_temperatura)
# Muestra un resumen del modelo
summary(modelo)##
## Call:
## lm(formula = Temperatura_Media ~ Año, data = datos_temperatura)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.2626 -0.7838 0.1197 0.6867 1.2133
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 615.909561 75.797733 8.126 0.000187 ***
## Año -0.037878 0.004794 -7.902 0.000218 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9395 on 6 degrees of freedom
## Multiple R-squared: 0.9123, Adjusted R-squared: 0.8977
## F-statistic: 62.43 on 1 and 6 DF, p-value: 0.0002179## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 615.909561 75.797733 8.126 0.000187 ***
## Año -0.037878 0.004794 -7.902 0.000218 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9395 on 6 degrees of freedom
## Multiple R-squared: 0.9123, Adjusted R-squared: 0.8977
## F-statistic: 62.43 on 1 and 6 DF, p-value: 0.0002179Modelo final con los resultados:
Modelo:
\(\hat{Temperatura_Media} = 615.909561 + -0.037878 Año\)