Documento para Exposición en el Tablero (Notas de Clase)

A continuación, se presenta la estructura diseñada para ser copiada en el tablero. Está dividida en 5 Bloques (Pizarras) para que pueda organizar el espacio, borrar lo necesario y permitir que las estudiantes transcriban las fórmulas y definiciones de manera ordenada en sus cuadernos físicos.

Se asume el uso del ejemplo agrícola ancla: Lámina de Riego (\(X\)) vs. Rendimiento de Maíz (\(Y\)).

📝 GUÍA PARA EXPOSICIÓN: ESTRUCTURA DEL TABLERO

🟩 PIZARRA 1: Relaciones entre Variables

(Objetivo: Diferenciar determinismo de incertidumbre)

1. Relación Funcional (Determinística)

  • Cada valor de \(X\) determina exactamente un valor de \(Y\).

  • Ecuación: \(Y = f(X)\)

  • Ejemplo: Ventas = Precio \(\times\) Cantidad.

2. Relación Estadística (Estocástica)

  • Existe una tendencia general, pero hay dispersión (variabilidad aleatoria).

  • No hay una línea perfecta, sino una “nube de puntos”.

  • Ejemplo: A mayor lámina de riego (\(X\)), mayor rendimiento (\(Y\)), pero el suelo, la genética y el clima introducen variabilidad.

3. Diagrama de Dispersión (Scatterplot)

  • Herramienta gráfica para visualizar la relación estadística entre dos variables cuantitativas.

🟩 PIZARRA 2: Correlación Lineal

(Objetivo: Medir la fuerza y dirección de la asociación)

Definición: Mide la fuerza de la asociación lineal entre \(X\) e \(Y\).

Rango: \([-1, +1]\)

1. Coeficiente de Correlación de Pearson (\(r\))

  • Uso: Variables cuantitativas continuas con distribución normal.

  • Fórmula Muestral: \[ r = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2 \sum_{i=1}^{n}(y_i - \bar{y})^2}} \]

  • Interpretación: \(0\) (Nula), \(\pm 0.3\) (Débil), \(\pm 0.7\) (Alta), \(\pm 1\) (Perfecta).

2. Alternativas No Paramétricas (Rangos)

  • Rho de Spearman (\(\rho\)): Para datos ordinales o cuando no hay normalidad. Mide relación monótona. \[ r_s = 1 - \frac{6\sum d_i^2}{n(n^2 - 1)} \] (Donde \(d_i\) es la diferencia de rangos)

  • Tau de Kendall (\(\tau\)): Para muestras pequeñas o muchos empates (ligaduras).

⚠️ Advertencia Cognitiva: Correlación \(\neq\) Causalidad. La correlación es sensible a valores atípicos (outliers).

🟩 PIZARRA 3: Modelo de Regresión Lineal Simple (RLS)

(Objetivo: Pasar de la asociación a la predicción)

Propósito: Encontrar la ecuación de la recta que mejor describe la relación estadística para predecir \(Y\) a partir de \(X\).

1. Modelo Poblacional (Verdad desconocida)

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

  • \(\beta_0\): Intercepto poblacional (Valor de \(Y\) cuando \(X=0\)).

  • \(\beta_1\): Pendiente poblacional (Cambio en \(Y\) por cada unidad de cambio en \(X\)).

  • \(\epsilon_i\): Error aleatorio (ruido, variables no medidas).

2. Supuestos del Error (\(\epsilon_i\))

  1. Media cero: \(E(\epsilon) = 0\)

  2. Varianza constante: \(Var(\epsilon) = \sigma^2\) (Homocedasticidad)

  3. Independencia: \(Cov(\epsilon_i, \epsilon_j) = 0\)

  4. Normalidad: \(\epsilon_i \sim N(0, \sigma^2)\)

3. Modelo Muestral Estimado (La recta de predicción)

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

(Donde \(\hat{Y}_i\) es el valor predicho o ajustado).

🟩 PIZARRA 4: Método de Mínimos Cuadrados Ordinarios (MCO)

(Objetivo: ¿Cómo calculamos \(\hat{\beta}_0\) y \(\hat{\beta}_1\) a mano?)

Principio: Encontrar la recta que minimiza la suma de los cuadrados de los residuos (las distancias verticales entre los puntos reales y la recta).

1. Definición de Residuo (\(e_i\)) \[ e_i = Y_i - \hat{Y}_i \] (Diferencia entre el valor observado y el valor predicho por el modelo).

2. Fórmulas de Estimación (MCO)

  • Pendiente (\(\hat{\beta}_1\)): \[ \hat{\beta}_1 = \frac{S_{xy}}{S_{xx}} = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sum_{i=1}^{n}(x_i - \bar{x})^2} \]

  • Intercepto (\(\hat{\beta}_0\)): \[ \hat{\beta}_0 = \bar{y} - \hat{\beta}_1 \bar{x} \]

(Nota: La recta de MCO siempre pasa por el punto promedio \((\bar{x}, \bar{y})\)).

🟩 PIZARRA 5: Bondad de Ajuste y Significancia

(Objetivo: Evaluar la calidad del modelo)

1. Coeficiente de Determinación (\(R^2\))

  • Pregunta: ¿Qué porcentaje de la variabilidad total de \(Y\) es explicado por el modelo lineal con \(X\)?

  • Fórmula: \[ R^2 = \frac{SC_{Regresión}}{SC_{Total}} = 1 - \frac{SC_{Residual}}{SC_{Total}} \]

  • Rango: \([0, 1]\). Un \(R^2 = 0.85\) significa que el 85% de la variación del rendimiento se explica por la lámina de riego.

  • Relación con Pearson: En regresión simple, \(R^2 = r^2\).

2. Error Estándar de Estimación (RSE)

  • Mide la desviación promedio de los puntos respecto a la recta (en las unidades originales de \(Y\)). \[ RSE = \sqrt{\frac{\sum e_i^2}{n - 2}} = \sqrt{MSE} \]

3. Inferencia (Test de Hipótesis para la Pendiente)

  • \(H_0: \beta_1 = 0\) (No hay relación lineal; \(X\) no sirve para predecir \(Y\)).

  • \(H_a: \beta_1 \neq 0\) (Sí hay relación lineal).

  • Estadístico de prueba: \[ t = \frac{\hat{\beta}_1}{SE(\hat{\beta}_1)} \]

  • Regla: Si el p-value \(< \alpha\) (ej. 0.05), se rechaza \(H_0\). La variable \(X\) es estadísticamente significativa.

💡 Sugerencias Didácticas para la Transcripción:

  1. Código de Colores: Use Rojo para las variables dependientes (\(Y\), Rendimiento), Azul para las independientes (\(X\), Riego) y Verde para los parámetros/predicciones (\(\beta\), \(\hat{Y}\)).

  2. Pausa Activa: Al terminar la Pizarra 4, pida a las estudiantes que calculen \(\bar{x}\) y \(\bar{y}\) con los 5 puntos simulados que dibujaron en la clase anterior, y estimen visualmente dónde estaría el intercepto.

  3. Reserva Cognitiva: Antes de pasar a la Pizarra 5, pregunte: “Si el software nos da un \(R^2\) de 0.99, ¿significa que el modelo es perfecto para tomar decisiones de riego en la vida real?” (Esto abre la puerta a discutir la extrapolación y los supuestos no observados).