#### UNIVERSIDAD CENTRAL DEL ECUADOR ######
#### AUTOR: JHONNY JOSÉ CATUCUAMBA CALCAN ####
#### CARRERA: INGENIERÍA AMBIENTAL ####
### VARIABLES:TOTAL_OTRA, SUP_T_A, TOTAL_VEG ####
### MODELO DE REGRESIÓN MÚLTIPLE LINEAL #####
setwd("/cloud/project")
datos <- read.csv("Conaf_Data_Chile_2017.csv")
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
###################### ESTADÍSTICA Multivariable ###############################
plot(1, type = "n", axes = FALSE, xlab = "", ylab = "") # Crear un gráfico vacío
text(x = 1, y = 1,
labels = "ESTADÍSTICA MULTIVARIABLE",
cex = 2, # Tamaño del texto (ajustable)
col = "blue", # Color del texto
font =6) #tipo
sup_total <- datos$sup_t_a
otraveg_total <- datos$total_otra
veg_total <- datos$total_veg
# 1. Plantear el modelo cuya ecuacion es:
# y= B0 + B1x1 + B2x2
plot(1, type = "n", axes = FALSE, xlab = "", ylab = "") # Crear un gráfico vacío
text(x = 1, y = 1,
labels = "Regresión multiple modelo lineal",
cex = 2, # Tamaño del texto (ajustable)
col = "blue", # Color del texto
font =6) #tipo
y <- sup_total
x1 <- otraveg_total
x2 <- veg_total
# 2. Anlizar la correlacion
library(scatterplot3d)
Grafico <- scatterplot3d(x1, x2, y,
main = "Gráfica Nº 10.1: Modelo de regresión múltiple
lineal 3D ",
pch = 19,
angle = 70,
color = 4,
ylab = "Vegetación Total",
xlab = "Otras Superficies Afectadas",
zlab = "Superficie Total Afectada"
)
Tmaxreg <- scatterplot3d(x1, x2, y,
main = "Gráfica Nº 10.2: Modelo de regresión múltiple
lineal 3D con plano de regresión",
pch = 19,
angle = 70,
color = 4,
ylab = "Vegetación Total",
xlab = "Otras Superficies Afectadas",
zlab = "Superficie Total Afectada"
)
modelo <- lm(y ~ x1 + x2)
summary(modelo)
##
## Call:
## lm(formula = y ~ x1 + x2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -20073 53 56 56 38188
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -56.42243 12.25086 -4.606 4.21e-06 ***
## x1 -1.27781 0.13011 -9.821 < 2e-16 ***
## x2 3.53927 0.02735 129.425 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 883.9 on 5231 degrees of freedom
## Multiple R-squared: 0.871, Adjusted R-squared: 0.8709
## F-statistic: 1.765e+04 on 2 and 5231 DF, p-value: < 2.2e-16
b0 <- coef(modelo)[1]
b1 <- coef(modelo)[2]
b2 <- coef(modelo)[3]
Tmaxreg$plane3d(modelo, main = "Gráfica Nº 10.2: Modelo de regresión múltiple
lineal 3D con plano de regresión")
b0
## (Intercept)
## -56.42243
b1
## x1
## -1.277806
b2
## x2
## 3.539273
#Formamos la ecuación
plot(1, type = "n", axes = FALSE, xlab = "", ylab = "") # Crear un gráfico vacío
text(x = 1, y = 1,
labels = " Ecuación multiple \n Y= a + bx1 + cx2
Y = - 113 - 1.28x1 + 3.54x2",
cex = 2, # Tamaño del texto (ajustable)
col = "blue", # Color del texto
font =6) #tipo
# Conjetura: Es un plano
# REsumen de regresion
summary(modelo)
##
## Call:
## lm(formula = y ~ x1 + x2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -20073 53 56 56 38188
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -56.42243 12.25086 -4.606 4.21e-06 ***
## x1 -1.27781 0.13011 -9.821 < 2e-16 ***
## x2 3.53927 0.02735 129.425 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 883.9 on 5231 degrees of freedom
## Multiple R-squared: 0.871, Adjusted R-squared: 0.8709
## F-statistic: 1.765e+04 on 2 and 5231 DF, p-value: < 2.2e-16
# Test de Pearson
r <- cor(y,x1+x2)
print(paste("Correlación de Pearson: ", round(r, 4)))
## [1] "Correlación de Pearson: 0.9199"
# Coeficinte de determinación
r2 <- (r^2) * 100
print(paste("Coeficinte de determinación: ", round(r2, 2), "%"))
## [1] "Coeficinte de determinación: 84.62 %"
# Restricciones :
# y, x1 , x2 >= 0
# Estimaciones
CE_50_100 <- -113 - (1.28)*50 + (3.54)*100
CE_50_100
## [1] 177
plot(1, type = "n", axes = FALSE, xlab = "", ylab = "") # Crear un gráfico vacío
text(x = 1, y = 1,
labels = "¿Que cantidad de Superficie total afectada
se espera cuando se tenga
50(ha) otra superficie y
100(ha) vegetación total?
\n R= 177 (ha) ",
cex = 1.8, # Tamaño del texto (ajustable)
col = "blue", # Color del texto
font = 6)
# CONCLUSIONES
plot(1, type = "n", axes = FALSE, xlab = "", ylab = "") # Crear un gráfico vacío
text(x = 1, y = 1,
labels = "CONCLUSIONES",
cex = 2, # Tamaño del texto (ajustable)
col = "blue", # Color del texto
font = 6)
library(knitr)
Tabla_resumen <- data.frame(Variables = c("x1", "x2","y"),
Com = c("Regresión múltiple lineal ", "",""),
Modelo = c("Otraveg_total (ha) ", "veg_total (ha)","sup_total (ha)"),
Restricciones = c("x1 >= 0 ","x2 >= 0","y >= 0"),
Coeficiente_pearson = c("0.92 ", "",""),
Coeficiente_determinacion = c("84.62 % ","15.38 % ",""),
Ecuacion = c("Y = - 113 - 1.28x1 + 3.54x2", "",""))
colnames(Tabla_resumen) <- c("Variables ", "Modelo ","Nombres ", "Restricciones",
"Coef. Pearson" , "Coef. Determinación", "Ecuación")
kable(Tabla_resumen, align = 'c', caption = "Resumen del Modelo Múltiple")
Resumen del Modelo Múltiple
| x1 |
Regresión múltiple lineal |
Otraveg_total (ha) |
x1 >= 0 |
0.92 |
84.62 % |
Y = - 113 - 1.28x1 + 3.54x2 |
| x2 |
|
veg_total (ha) |
x2 >= 0 |
|
15.38 % |
|
| y |
|
sup_total (ha) |
y >= 0 |
|
|
|
###### Entre el total veg, la superficie total y Otraveg total de los incendios de Chile en 2017 existe una
###### relación de Regresión múltiple lineal representada por Y = - 113 - 1.28x1 + 3.54x2 siendo X el total veg en (ha)
##### Y la superficie total (ha) donde la superficie total es influenciada en un 84.62 % " y el "15.38 % se debe a otras causas
##### y aprueban el test de pearson con un 94% y con restricciones " x >= 4000 (ha)","y > 0 (ha)")
##### "x1 >= 0 ","x2 >= 0","y >= 0"