Regresión Lineal en el Diseño Experimental

En un documento RMarkdown, podemos escribir ecuaciones matemáticas utilizando sintaxis de Latex, hay un documento que enseña como escribri ecuaciones y se llama:

Apuntes de Latex

1. ¿Qué es la Regresión Lineal Simple?

La Regresión Lineal Simple (RLS) es un modelo estadístico que describe la relación funcional entre una variable dependiente (\(Y\)) (respuesta) y una única variable independiente (\(X\)) (predictora), suponiendo que dicha relación puede aproximarse mediante una línea recta.

Su objetivo principal es:

  • Explicar cómo cambia (\(Y\)) cuando varía (\(X\)).
  • Cuantificar la intensidad y dirección de esa relación.
  • Realizar predicciones de (\(Y\)) a partir de valores conocidos de (\(X\)).

2. Ecuación Matemática (LaTeX)

El modelo de Regresión Lineal Simple se expresa como:

\[Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i\]

Donde:

  • (\(Y_i\)): valor observado de la variable respuesta.
  • (\(X_i\)): valor observado de la variable explicativa.
  • (\(\beta_0\)): intercepto o término independiente.
  • (\(\beta_1\)): pendiente de la recta.
  • (\(\varepsilon_i\)): término de error aleatorio.

La recta estimada (modelo ajustado) es:

\[\hat{Y} = \hat{\beta}_0 + \hat{\beta}_1 X\]

3. Interpretación de los Parámetros

🔹 1. Intercepto ((\(\beta_0\)))

  • Representa el valor esperado de (\(Y\)) cuando (\(X = 0\)).
  • Es el punto donde la recta corta el eje vertical.
  • En algunos contextos puede no tener interpretación práctica si (\(X = 0\)) no es realista.

🔹 2. Pendiente ((\(\beta_1\)))

  • Indica cuánto cambia (\(Y\)) en promedio cuando (\(X\)) aumenta una unidad.
  • Si (\(\beta_1 > 0\)): relación positiva (directa).
  • Si (\(\beta_1 < 0\)): relación negativa (inversa).
  • Si (\(\beta_1 = 0\)): no hay relación lineal.

🔹 3. Término de error ((\(\varepsilon_i\)))

  • Representa la variabilidad no explicada por el modelo.
  • Incluye factores no medidos, errores de medición y variabilidad natural.

4. Supuestos del Modelo

  1. Linealidad.
  2. Independencia de los errores.
  3. Homocedasticidad (varianza constante).
  4. Normalidad de los errores (para inferencia).

5. Ejemplo Aplicado a Ingeniería Agrícola

Problema

Un ingeniero agrícola desea estudiar la relación entre:

  • (\(X\)): Cantidad de fertilizante nitrogenado (\(kg/ha\))
  • (\(Y\)): Rendimiento del cultivo de maíz (\(ton/ha\))

Tras recolectar datos experimentales y ajustar el modelo, obtiene:

\[\hat{Y} = 2.5 + 0.08X\]

Interpretación

  • Intercepto (2.5): Si no se aplica fertilizante, el rendimiento esperado sería 2.5 ton/ha.
  • Pendiente (0.08): Por cada kilogramo adicional de fertilizante por hectárea, el rendimiento promedio aumenta en 0.08 ton/ha.

Ejemplo de Predicción

Si se aplican 50 kg/ha:

\[\hat{Y} = 2.5 + 0.08(50)\]

\[\hat{Y} = 2.5 + 4 = 6.5 \text{ ton/ha}\]

El modelo predice un rendimiento de 6.5 toneladas por hectárea.

6. Importancia en Ingeniería Agrícola

La regresión lineal simple es útil para:

  • Optimizar uso de fertilizantes.
  • Analizar eficiencia de riego.
  • Estimar producción en función de variables climáticas.
  • Tomar decisiones basadas en evidencia cuantitativa.

Permite transformar datos experimentales en modelos predictivos que apoyan la planificación y la gestión técnica del sistema productivo agrícola.