1 Introducción

Este informe desarrolla un modelo de regresión lineal simple con datos de las pruebas Saber 11 de Colombia. Se quiere establecer si el puntaje en Matemáticas (variable regresora, \(X\)) permite explicar y predecir el puntaje global del examen (variable respuesta, \(Y\)).

El informe sigue las pautas del proyecto final y cubre:

  1. Modelo de regresión lineal simple.
  2. Validez del modelo.
  3. Verificación de supuestos (independencia, linealidad, normalidad y homocedasticidad).
  4. Intervalos de confianza para los coeficientes, la respuesta media y una sola respuesta.
  5. Coeficientes de correlación y de determinación.
  6. Análisis de varianza (ANOVA).

Modelo teórico

\[ Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i, \qquad \varepsilon_i \sim N(0,\sigma^2) \]

donde \(Y_i\) = PUNT_GLOBAL, \(X_i\) = PUNT_MATEMATICAS, \(\beta_0\) es el intercepto, \(\beta_1\) la pendiente y \(\varepsilon_i\) el error aleatorio.

2 Librerías

library(ggplot2)   # gráficos
library(dplyr)     # manipulación de datos
library(broom)     # tablas ordenadas de modelos (tidy, glance, augment)
library(ggpubr)    # gráficos para publicación
library(readr)     # lectura de archivos CSV
library(nortest)   # prueba de normalidad de Lilliefors
library(lmtest)    # prueba de Breusch-Pagan y Durbin-Watson
library(knitr)     # tablas con kable()

3 Datos

El archivo Datos_Modelo_de_Regresion_Lineal_Multiple.csv debe estar en la misma carpeta que este archivo .Rmd.

datos_completos <- read_csv("Datos Modelo de Regresion Lineal Multiple.csv")
                            show_col_types = FALSE

cat("Observaciones:", nrow(datos_completos), "\n")
## Observaciones: 546212
cat("Variables:", ncol(datos_completos), "\n")
## Variables: 25
names(datos_completos)
##  [1] "ESTU_GENERO"                   "PERIODO"                      
##  [3] "ESTU_TIENEETNIA"               "ESTU_DEPTO_RESIDE"            
##  [5] "ESTU_COD_RESIDE_DEPTO"         "FAMI_ESTRATOVIVIENDA"         
##  [7] "COLE_NATURALEZA"               "COLE_CALENDARIO"              
##  [9] "PUNT_LECTURA_CRITICA"          "PERCENTIL_LECTURA_CRITICA"    
## [11] "DESEMP_LECTURA_CRITICA"        "PUNT_MATEMATICAS"             
## [13] "PERCENTIL_MATEMATICAS"         "DESEMP_MATEMATICAS"           
## [15] "PUNT_C_NATURALES"              "PERCENTIL_C_NATURALES"        
## [17] "DESEMP_C_NATURALES"            "PUNT_SOCIALES_CIUDADANAS"     
## [19] "PERCENTIL_SOCIALES_CIUDADANAS" "DESEMP_SOCIALES_CIUDADANAS"   
## [21] "PUNT_INGLES"                   "PERCENTIL_INGLES"             
## [23] "DESEMP_INGLES"                 "PUNT_GLOBAL"                  
## [25] "PERCENTIL_GLOBAL"

Se trabaja solo con las dos variables del modelo y se eliminan los registros con datos faltantes.

datos <- datos_completos %>%
  select(PUNT_MATEMATICAS, PUNT_GLOBAL) %>%
  na.omit() %>%
  as.data.frame()

n <- nrow(datos)
cat("Observaciones usadas en el modelo (n):", n, "\n")
## Observaciones usadas en el modelo (n): 546212
head(datos, 10)

La base tiene 546.212 observaciones. La variable respuesta es PUNT_GLOBAL y la variable regresora es PUNT_MATEMATICAS.

3.1 Estadísticos descriptivos

resumen <- function(v) {
  c(Mínimo = min(v), Q1 = unname(quantile(v, 0.25)), Mediana = median(v),
    Media = mean(v), Q3 = unname(quantile(v, 0.75)), Máximo = max(v),
    `Desv. estándar` = sd(v), `Coef. variación (%)` = 100 * sd(v) / mean(v))
}

tabla_desc <- rbind(`PUNT_MATEMATICAS (X)` = resumen(datos$PUNT_MATEMATICAS),
                    `PUNT_GLOBAL (Y)`      = resumen(datos$PUNT_GLOBAL))
kable(round(tabla_desc, 2), caption = "Estadísticos descriptivos de las variables del modelo")
Estadísticos descriptivos de las variables del modelo
Mínimo Q1 Mediana Media Q3 Máximo Desv. estándar Coef. variación (%)
PUNT_MATEMATICAS (X) 0 42 51 50.61 59 100 12.00 23.71
PUNT_GLOBAL (Y) 0 207 243 246.19 282 477 51.39 20.87
summary(datos_completos)
##     ESTU_GENERO        PERIODO       ESTU_TIENEETNIA   ESTU_DEPTO_RESIDE 
##  Length   :546212   Min.   :20194   Length   :546212   Length   :546212  
##  N.unique :     3   1st Qu.:20194   N.unique :     3   N.unique :    34  
##  N.blank  :     0   Median :20194   N.blank  :     0   N.blank  :     0  
##  Min.nchar:     1   Mean   :20194   Min.nchar:     1   Min.nchar:     4  
##  Max.nchar:     1   3rd Qu.:20194   Max.nchar:     2   Max.nchar:    15  
##                     Max.   :20194                      NAs      :   377  
##                                                                          
##  ESTU_COD_RESIDE_DEPTO FAMI_ESTRATOVIVIENDA  COLE_NATURALEZA  
##  Length   :546212      Length   :546212     Length   :546212  
##  N.unique :    35      N.unique :     8     N.unique :     2  
##  N.blank  :     0      N.blank  :     0     N.blank  :     0  
##  Min.nchar:     1      Min.nchar:     1     Min.nchar:     7  
##  Max.nchar:     5      Max.nchar:    11     Max.nchar:    10  
##                        NAs      :    26                       
##                                                               
##   COLE_CALENDARIO   PUNT_LECTURA_CRITICA PERCENTIL_LECTURA_CRITICA
##  Length   :546212   Min.   :  0.00       Min.   :  1.00           
##  N.unique :     3   1st Qu.: 45.00       1st Qu.: 25.00           
##  N.blank  :     0   Median : 52.00       Median : 50.00           
##  Min.nchar:     1   Mean   : 52.16       Mean   : 50.11           
##  Max.nchar:     4   3rd Qu.: 60.00       3rd Qu.: 75.00           
##                     Max.   :100.00       Max.   :100.00           
##                                                                   
##  DESEMP_LECTURA_CRITICA PUNT_MATEMATICAS PERCENTIL_MATEMATICAS
##  Min.   :1.000          Min.   :  0.00   Min.   :  1.00       
##  1st Qu.:2.000          1st Qu.: 42.00   1st Qu.: 25.00       
##  Median :3.000          Median : 51.00   Median : 50.00       
##  Mean   :2.613          Mean   : 50.61   Mean   : 50.11       
##  3rd Qu.:3.000          3rd Qu.: 59.00   3rd Qu.: 75.00       
##  Max.   :4.000          Max.   :100.00   Max.   :100.00       
##                                                               
##  DESEMP_MATEMATICAS PUNT_C_NATURALES PERCENTIL_C_NATURALES DESEMP_C_NATURALES
##  Min.   :1.000      Min.   :  0.00   Min.   :  1.00        Min.   :1.000     
##  1st Qu.:2.000      1st Qu.: 40.00   1st Qu.: 25.00        1st Qu.:1.000     
##  Median :3.000      Median : 48.00   Median : 50.00        Median :2.000     
##  Mean   :2.441      Mean   : 48.23   Mean   : 50.16        Mean   :2.021     
##  3rd Qu.:3.000      3rd Qu.: 56.00   3rd Qu.: 75.00        3rd Qu.:3.000     
##  Max.   :4.000      Max.   :100.00   Max.   :100.00        Max.   :4.000     
##                                                                              
##  PUNT_SOCIALES_CIUDADANAS PERCENTIL_SOCIALES_CIUDADANAS
##  Min.   :  0.00           Min.   :  1.00               
##  1st Qu.: 37.00           1st Qu.: 25.00               
##  Median : 45.00           Median : 50.00               
##  Mean   : 46.22           Mean   : 50.18               
##  3rd Qu.: 55.00           3rd Qu.: 75.00               
##  Max.   :100.00           Max.   :100.00               
##                                                        
##  DESEMP_SOCIALES_CIUDADANAS  PUNT_INGLES     PERCENTIL_INGLES
##  Min.   :1.000              Min.   :  0.00   Min.   :  1.0   
##  1st Qu.:1.000              1st Qu.: 39.00   1st Qu.: 25.0   
##  Median :2.000              Median : 48.00   Median : 50.0   
##  Mean   :1.902              Mean   : 48.42   Mean   : 50.1   
##  3rd Qu.:2.000              3rd Qu.: 56.00   3rd Qu.: 75.0   
##  Max.   :4.000              Max.   :100.00   Max.   :100.0   
##                             NAs    :19                       
##    DESEMP_INGLES     PUNT_GLOBAL    PERCENTIL_GLOBAL
##  Length   :546212   Min.   :  0.0   Min.   :  1.00  
##  N.unique :     5   1st Qu.:207.0   1st Qu.: 25.00  
##  N.blank  :     0   Median :243.0   Median : 50.00  
##  Min.nchar:     2   Mean   :246.2   Mean   : 49.99  
##  Max.nchar:     2   3rd Qu.:282.0   3rd Qu.: 75.00  
##                     Max.   :477.0   Max.   :100.00  
##                                     NAs    :19

El puntaje de Matemáticas va de 0 a 100 puntos, con media de 50.61 y desviación estándar de 12. El puntaje global va de 0 a 477 puntos, con media de 246.19 y desviación estándar de 51.39.

3.2 Gráficos descriptivos

Con tantas observaciones, algunos gráficos se construyen con una muestra aleatoria de 5.000 registros para que sean legibles y rápidos. Todos los cálculos del modelo usan la base completa.

set.seed(2026)
muestra <- datos_completos %>% slice_sample(n = 5000)
g1 <- ggplot(datos_completos, aes(x = PUNT_MATEMATICAS)) +
  geom_histogram(bins = 30, fill = "steelblue", color = "white") +
  theme_bw() +
  labs(title = "Histograma: puntaje de Matemáticas", x = "PUNT_MATEMATICAS", y = "Frecuencia")

g2 <- ggplot(datos_completos, aes(x = PUNT_GLOBAL)) +
  geom_histogram(bins = 30, fill = "darkorange", color = "white") +
  theme_bw() +
  labs(title = "Histograma: puntaje global", x = "PUNT_GLOBAL", y = "Frecuencia")

ggarrange(g1, g2, ncol = 2)

b1 <- ggplot(datos_completos, aes(y = PUNT_MATEMATICAS)) +
  geom_boxplot(fill = "steelblue", outlier.alpha = 0.2) +
  theme_bw() + labs(title = "Diagrama de caja: Matemáticas", y = "PUNT_MATEMATICAS")

b2 <- ggplot(datos_completos, aes(y = PUNT_GLOBAL)) +
  geom_boxplot(fill = "darkorange", outlier.alpha = 0.2) +
  theme_bw() + labs(title = "Diagrama de caja: Global", y = "PUNT_GLOBAL")

ggarrange(b1, b2, ncol = 2)

Ambas variables tienen forma aproximadamente simétrica y campaneada. Los diagramas de caja muestran algunos valores atípicos en los extremos, lo esperable en una población de más de medio millón de estudiantes.

4 Correlación (supuesto de relación entre variables)

r <- cor(datos_completos$PUNT_MATEMATICAS, datos_completos$PUNT_GLOBAL)
r
## [1] 0.8997013
prueba_cor <- cor.test(datos_completos$PUNT_MATEMATICAS, datos_completos$PUNT_GLOBAL, method = "pearson")
prueba_cor
## 
##  Pearson's product-moment correlation
## 
## data:  datos_completos$PUNT_MATEMATICAS and datos_completos$PUNT_GLOBAL
## t = 1523.3, df = 546210, p-value < 0.00000000000000022
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.8991948 0.9002054
## sample estimates:
##       cor 
## 0.8997013

El coeficiente de correlación de Pearson es r = 0.8997. Indica una relación lineal positiva y muy fuerte entre ambos puntajes: a mayor puntaje en Matemáticas, mayor puntaje global.

Hipótesis de la prueba de correlación:

\[H_0: \rho = 0 \qquad \text{vs} \qquad H_1: \rho \neq 0\]

Como el valor-p es <0.0000000000000001, se rechaza H0 con un nivel de significancia de 0,05. Hay evidencia de correlación lineal significativa. Su intervalo de confianza al 95 % es (0.8992; 0.9002).

5 Linealidad

ggplot(muestra, aes(x = PUNT_MATEMATICAS, y = PUNT_GLOBAL)) +
  geom_point(alpha = 0.25, color = "steelblue") +
  geom_smooth(method = "lm", se = FALSE, color = "red", linewidth = 1.1) +
  geom_smooth(method = "loess", se = FALSE, color = "darkgreen",
              linetype = "dashed", linewidth = 1.1) +
  theme_bw() +
  labs(title = "Diagrama de dispersión (muestra de 5.000 estudiantes)",
       subtitle = "Rojo: recta de regresión | Verde punteado: ajuste loess (no paramétrico)",
       x = "Puntaje de Matemáticas", y = "Puntaje global")

Para ver mejor la densidad de los datos se grafica también la base completa en celdas (en lugar de puntos):

ggplot(datos_completos, aes(x = PUNT_MATEMATICAS, y = PUNT_GLOBAL)) +
  geom_bin2d(bins = 50) +
  scale_fill_viridis_c(name = "Frecuencia") +
  theme_bw() +
  labs(title = "Densidad de observaciones (base completa)",
       x = "Puntaje de Matemáticas", y = "Puntaje global")

La nube de puntos sigue una tendencia lineal creciente. La recta y la curva loess casi se superponen, por lo que se cumple el supuesto de linealidad.

6 Modelo de regresión lineal simple

Hipótesis sobre la pendiente:

\[H_0: \beta_1 = 0 \quad (\text{no hay relación lineal}) \qquad \text{vs} \qquad H_1: \beta_1 \neq 0\]

modelo <- lm(PUNT_GLOBAL ~ PUNT_MATEMATICAS, data = datos_completos)
summary(modelo)
## 
## Call:
## lm(formula = PUNT_GLOBAL ~ PUNT_MATEMATICAS, data = datos_completos)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -124.359  -15.238   -0.264   14.978  138.194 
## 
## Coefficients:
##                  Estimate Std. Error t value            Pr(>|t|)    
## (Intercept)      51.17539    0.13157     389 <0.0000000000000002 ***
## PUNT_MATEMATICAS  3.85349    0.00253    1523 <0.0000000000000002 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 22.43 on 546210 degrees of freedom
## Multiple R-squared:  0.8095, Adjusted R-squared:  0.8095 
## F-statistic: 2.32e+06 on 1 and 546210 DF,  p-value: < 0.00000000000000022
tabla_coef <- tidy(modelo)
kable(tabla_coef, digits = 5,
      col.names = c("Término", "Estimación", "Error estándar", "Estadístico t", "Valor-p"),
      caption = "Coeficientes estimados del modelo")
Coeficientes estimados del modelo
Término Estimación Error estándar Estadístico t Valor-p
(Intercept) 51.17539 0.13157 388.9695 0
PUNT_MATEMATICAS 3.85349 0.00253 1523.3086 0
b0 <- coef(modelo)[1]
b1 <- coef(modelo)[2]

Ecuación del modelo ajustado:

\[ \hat{Y} = 51.1754 + 3.8535\, X \]

es decir, \(\widehat{\text{PUNT\_GLOBAL}} = 51.1754 + 3.8535 \times \text{PUNT\_MATEMATICAS}\).

Interpretación

  • Intercepto (\(\hat\beta_0\) = 51.18): puntaje global esperado cuando el puntaje de Matemáticas es 0. Es un valor de referencia matemático del modelo.
  • Pendiente (\(\hat\beta_1\) = 3.853): por cada punto adicional en Matemáticas, el puntaje global esperado aumenta en promedio 3.853 puntos.

7 Intervalos de confianza para los coeficientes (95 %)

ic_coef <- confint(modelo, level = 0.95)
kable(cbind(Estimación = coef(modelo), ic_coef), digits = 4,
      caption = "Intervalos de confianza al 95 % para β0 y β1")
Intervalos de confianza al 95 % para β0 y β1
Estimación 2.5 % 97.5 %
(Intercept) 51.1754 50.9175 51.4333
PUNT_MATEMATICAS 3.8535 3.8485 3.8584

Con 95 % de confianza, el aumento esperado del puntaje global por cada punto adicional en Matemáticas está entre 3.8485 y 3.8584 puntos. El intervalo no contiene el cero, lo que confirma que la pendiente es significativa. El intervalo es muy angosto por el gran tamaño de la muestra.

8 Coeficientes de correlación y de determinación

resumen_mod <- summary(modelo)
R2     <- resumen_mod$r.squared
R2_adj <- resumen_mod$adj.r.squared

tabla_cd <- data.frame(
  Medida = c("Coeficiente de correlación (r)", "Coeficiente de determinación (R²)",
             "R² ajustado", "Error estándar residual (σ̂)"),
  Valor  = c(r, R2, R2_adj, resumen_mod$sigma)
)
kable(tabla_cd, digits = 4, caption = "Medidas de asociación y ajuste")
Medidas de asociación y ajuste
Medida Valor
Coeficiente de correlación (r) 0.8997
Coeficiente de determinación (R²) 0.8095
R² ajustado 0.8095
Error estándar residual (σ̂) 22.4307
  • r = 0.8997: relación lineal positiva muy fuerte.
  • R² = 0.8095: el puntaje de Matemáticas explica el 80.95 % de la variabilidad del puntaje global. El 19.05 % restante se debe a otros factores (Lectura Crítica, Ciencias Naturales, Sociales, Inglés, etc.).
  • En regresión simple se cumple que \(R^2 = r^2\): 0.8095.
  • Error estándar residual = 22.43: los puntajes observados se desvían en promedio unos 22.4 puntos de la recta.

9 Análisis de varianza (ANOVA)

Hipótesis:

\[H_0: \beta_1 = 0 \qquad \text{vs} \qquad H_1: \beta_1 \neq 0\]

tabla_anova <- anova(modelo)
tabla_anova
SCR  <- tabla_anova["PUNT_MATEMATICAS", "Sum Sq"]   # suma de cuadrados de la regresión
SCE  <- tabla_anova["Residuals", "Sum Sq"]          # suma de cuadrados del error
SCT  <- SCR + SCE                                   # suma de cuadrados total
Fval <- tabla_anova["PUNT_MATEMATICAS", "F value"]
pF   <- tabla_anova["PUNT_MATEMATICAS", "Pr(>F)"]

n <- nrow(datos_completos)
tabla_av <- data.frame(
  `Fuente de variación` = c("Regresión", "Error (residuos)", "Total"),
  `Grados de libertad`  = c(1, n - 2, n - 1),
  `Suma de cuadrados`   = c(SCR, SCE, SCT),
  `Cuadrado medio`      = c(SCR / 1, SCE / (n - 2), NA),
  `F`                   = c(Fval, NA, NA),
  check.names = FALSE
)
kable(tabla_av, digits = 2, caption = "Tabla ANOVA de la regresión lineal simple")
Tabla ANOVA de la regresión lineal simple
Fuente de variación Grados de libertad Suma de cuadrados Cuadrado medio F
Regresión 1 1167511786 1167511786.26 2320469
Error (residuos) 546210 274817974 503.14 NA
Total 546211 1442329760 NA NA

El estadístico es F = 2320469.09 con valor-p = <0.0000000000000001. Se rechaza H0 con \(\alpha = 0{,}05\): el modelo es estadísticamente significativo y el puntaje de Matemáticas explica una parte importante de la variabilidad del puntaje global. Además, \(SCR/SCT = 0.8095\), igual que el R².

10 Validez del modelo

glance(modelo) %>%
  select(r.squared, adj.r.squared, sigma, statistic, p.value, df, df.residual, AIC, BIC) %>%
  kable(digits = 4,
        col.names = c("R²", "R² ajustado", "Sigma", "F", "Valor-p", "gl modelo",
                      "gl residual", "AIC", "BIC"),
        caption = "Indicadores globales de validez del modelo")
Indicadores globales de validez del modelo
R² R² ajustado Sigma F Valor-p gl modelo gl residual AIC BIC
0.8095 0.8095 22.4307 2320469 0 1 546210 4947995 4948029

El modelo es válido porque:

  1. La prueba F del ANOVA es significativa (valor-p < 0,05).
  2. La prueba t de la pendiente es significativa (valor-p < 0,05).
  3. El R² es alto (0.8095).
  4. Los supuestos del modelo (siguiente sección) se verifican de manera gráfica y con pruebas formales.

11 Verificación de los supuestos del modelo

Se obtienen los residuos y valores ajustados del modelo con la base completa.

diag_df <- augment(modelo) %>%
  mutate(orden = row_number())

set.seed(2026)
diag_muestra <- diag_df %>% slice_sample(n = 5000)

11.1 Independencia de los errores

Los errores deben ser independientes entre sí. Cada fila corresponde a un estudiante distinto, por lo que no se espera dependencia. Se verifica gráficamente con los residuos en orden de observación y con la prueba de Durbin-Watson.

ggplot(diag_muestra, aes(x = orden, y = .resid)) +
  geom_point(alpha = 0.3, color = "steelblue") +
  geom_hline(yintercept = 0, color = "red") +
  theme_bw() +
  labs(title = "Residuos vs. orden de observación (muestra)",
       x = "Orden de la observación", y = "Residuo")

\(H_0\): no hay autocorrelación de los residuos \(\qquad H_1\): existe autocorrelación

dw <- dwtest(modelo)
dw
## 
##  Durbin-Watson test
## 
## data:  modelo
## DW = 1.9159, p-value < 0.00000000000000022
## alternative hypothesis: true autocorrelation is greater than 0

El estadístico de Durbin-Watson es DW = 1.9159. Un valor cercano a 2 indica ausencia de autocorrelación. El gráfico no muestra patrones, rachas ni tendencias. Con más de medio millón de datos, la prueba detecta desviaciones diminutas, por lo que el valor de DW y el gráfico pesan más que el valor-p (<0.0000000000000001) para decidir si hay independencia en la práctica.

11.2 Linealidad (residuos vs. valores ajustados)

ggplot(diag_muestra, aes(x = .fitted, y = .resid)) +
  geom_point(alpha = 0.3, color = "steelblue") +
  geom_hline(yintercept = 0, color = "red", linewidth = 1) +
  geom_smooth(method = "loess", se = FALSE, color = "darkgreen") +
  theme_bw() +
  labs(title = "Residuos vs. valores ajustados (muestra)",
       x = "Valores ajustados", y = "Residuos")

Los residuos se distribuyen alrededor de cero sin una forma curva marcada. La curva verde queda cerca de la línea roja, así que se cumple el supuesto de linealidad.

11.3 Normalidad de los residuos

\(H_0\): los residuos siguen una distribución normal \(\qquad H_1\): los residuos no siguen una distribución normal

h <- ggplot(diag_df, aes(x = .resid)) +
  geom_histogram(aes(y = after_stat(density)), bins = 40,
                 fill = "steelblue", color = "white") +
  stat_function(fun = dnorm,
                args = list(mean = mean(diag_df$.resid), sd = sd(diag_df$.resid)),
                color = "red", linewidth = 1) +
  theme_bw() +
  labs(title = "Histograma de los residuos", x = "Residuo", y = "Densidad")

q <- ggplot(diag_muestra, aes(sample = .std.resid)) +
  stat_qq(alpha = 0.4, color = "steelblue") +
  stat_qq_line(color = "red", linewidth = 1) +
  theme_bw() +
  labs(title = "Gráfico Q-Q normal (muestra)",
       x = "Cuantiles teóricos", y = "Residuos estandarizados")

ggarrange(h, q, ncol = 2)

residuos <- resid(modelo)

# Prueba de Lilliefors (Kolmogorov-Smirnov), usada en clase, con la base completa
lillie.test(residuos)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  residuos
## D = 0.0051375, p-value < 0.00000000000000022
# Prueba de Shapiro-Wilk (admite máximo 5.000 datos): se aplica a una muestra
set.seed(2026)
shapiro.test(sample(residuos, 5000))
## 
##  Shapiro-Wilk normality test
## 
## data:  sample(residuos, 5000)
## W = 0.99806, p-value = 0.000006838
asimetria <- mean((residuos - mean(residuos))^3) / sd(residuos)^3
curtosis  <- mean((residuos - mean(residuos))^4) / sd(residuos)^4 - 3

El histograma sigue de cerca la curva normal y el gráfico Q-Q se alinea con la diagonal en la parte central, con ligeras desviaciones en las colas. La asimetría es 0.097 y el exceso de curtosis es 0.192; ambos valores están muy cerca de 0 (la normal perfecta).

Con n = 546.212, las pruebas formales son extremadamente sensibles: detectan diferencias insignificantes respecto a la normalidad y casi siempre rechazan \(H_0\). Por eso la decisión se apoya en los gráficos, la asimetría y la curtosis, que indican que la distribución de los residuos es aproximadamente normal. Además, con muestras tan grandes el Teorema del Límite Central hace que las pruebas t y F y los intervalos de confianza sean robustos frente a pequeñas desviaciones de la normalidad.

11.4 Homocedasticidad (varianza constante)

\(H_0\): la varianza de los errores es constante (homocedasticidad) \(\qquad H_1\): la varianza no es constante

s1 <- ggplot(diag_muestra, aes(x = .fitted, y = sqrt(abs(.std.resid)))) +
  geom_point(alpha = 0.3, color = "steelblue") +
  geom_smooth(method = "loess", se = FALSE, color = "red") +
  theme_bw() +
  labs(title = "Escala-Localización (muestra)",
       x = "Valores ajustados", y = expression(sqrt("|Residuo estandarizado|")))

s2 <- ggplot(diag_muestra, aes(x = PUNT_MATEMATICAS, y = .resid)) +
  geom_point(alpha = 0.3, color = "steelblue") +
  geom_hline(yintercept = 0, color = "red") +
  theme_bw() +
  labs(title = "Residuos vs. variable regresora (muestra)",
       x = "Puntaje de Matemáticas", y = "Residuo")

ggarrange(s1, s2, ncol = 2)

bp <- bptest(modelo)
bp
## 
##  studentized Breusch-Pagan test
## 
## data:  modelo
## BP = 686.21, df = 1, p-value < 0.00000000000000022

La prueba de Breusch-Pagan arroja BP = 686.21 con valor-p = <0.0000000000000001. Con la base completa, se rechaza H0. Los gráficos muestran una banda de residuos de ancho casi constante; la curva de la gráfica Escala-Localización es casi plana, con variaciones leves. Con más de medio millón de datos la prueba detecta incluso diferencias pequeñas en la varianza, que en este caso no afectan de forma importante las conclusiones del modelo. Para confirmarlo, se compara la desviación estándar de los residuos por tramos de valores ajustados:

diag_df %>%
  mutate(tramo = cut(.fitted, breaks = quantile(.fitted, probs = seq(0, 1, 0.2)),
                     include.lowest = TRUE, dig.lab = 4)) %>%
  group_by(tramo) %>%
  summarise(n = n(), `Desv. estándar de residuos` = sd(.resid), .groups = "drop") %>%
  kable(digits = 2, caption = "Variabilidad de los residuos por quintiles de valores ajustados")
Variabilidad de los residuos por quintiles de valores ajustados
tramo n Desv. estándar de residuos
[51.18,205.3] 115837 20.76
(205.3,232.3] 104067 21.95
(232.3,259.3] 118137 22.88
(259.3,286.2] 104742 23.24
(286.2,436.5] 103429 22.35

La variabilidad de los residuos es similar entre tramos, con diferencias de pocos puntos, lo que respalda una homocedasticidad aceptable en la práctica.

11.5 Gráficos de diagnóstico conjuntos

d1 <- ggplot(diag_muestra, aes(.fitted, .resid)) +
  geom_point(alpha = 0.3, color = "steelblue") +
  geom_hline(yintercept = 0, color = "red") +
  theme_bw() + labs(title = "Residuos vs. ajustados", x = "Ajustados", y = "Residuos")

d2 <- ggplot(diag_muestra, aes(sample = .std.resid)) +
  stat_qq(alpha = 0.4, color = "steelblue") + stat_qq_line(color = "red") +
  theme_bw() + labs(title = "Q-Q normal", x = "Cuantiles teóricos", y = "Res. estandarizados")

d3 <- ggplot(diag_muestra, aes(.fitted, sqrt(abs(.std.resid)))) +
  geom_point(alpha = 0.3, color = "steelblue") +
  geom_smooth(method = "loess", se = FALSE, color = "red") +
  theme_bw() + labs(title = "Escala-Localización", x = "Ajustados", y = "√|Res. estandarizado|")

d4 <- ggplot(diag_muestra, aes(.hat, .std.resid)) +
  geom_point(alpha = 0.3, color = "steelblue") +
  geom_hline(yintercept = 0, color = "red") +
  theme_bw() + labs(title = "Residuos vs. apalancamiento", x = "Apalancamiento", y = "Res. estandarizados")

ggarrange(d1, d2, d3, d4, ncol = 2, nrow = 2)

11.6 Observaciones atípicas e influyentes

umbral_cook <- 4 / n
n_infl <- sum(diag_df$.cooksd > umbral_cook)
n_atip <- sum(abs(diag_df$.std.resid) > 3)
max_cook <- max(diag_df$.cooksd)
  • Observaciones con residuo estandarizado mayor a 3 en valor absoluto: 2091 (0.383 % de la base).
  • Observaciones con distancia de Cook mayor a 4/n: 23435 (4.29 %).
  • Distancia de Cook máxima: 0.00035. Un valor muy inferior a 1 indica que ninguna observación individual distorsiona el modelo por sí sola.

12 Gráfico del modelo ajustado

x_seq <- data.frame(PUNT_MATEMATICAS = seq(min(datos_completos$PUNT_MATEMATICAS),
                                            max(datos_completos$PUNT_MATEMATICAS), length.out = 100))
ic_conf <- predict(modelo, newdata = x_seq, interval = "confidence", level = 0.95)
ic_pred <- predict(modelo, newdata = x_seq, interval = "prediction", level = 0.95)

bandas <- data.frame(x = x_seq$PUNT_MATEMATICAS,
                     ajuste = ic_conf[, "fit"],
                     conf_inf = ic_conf[, "lwr"], conf_sup = ic_conf[, "upr"],
                     pred_inf = ic_pred[, "lwr"], pred_sup = ic_pred[, "upr"])

grafico_modelo <- ggplot() +
  geom_point(data = muestra, aes(x = PUNT_MATEMATICAS, y = PUNT_GLOBAL),
             alpha = 0.2, color = "grey40") +
  geom_ribbon(data = bandas, aes(x = x, ymin = pred_inf, ymax = pred_sup,
                                 fill = "Predicción (una respuesta)"), alpha = 0.2) +
  geom_ribbon(data = bandas, aes(x = x, ymin = conf_inf, ymax = conf_sup,
                                 fill = "Confianza (respuesta media)"), alpha = 0.6) +
  geom_line(data = bandas, aes(x = x, y = ajuste), color = "red", linewidth = 1.2) +
  scale_fill_manual(name = "Intervalo al 95 %",
                    values = c("Predicción (una respuesta)" = "orange",
                               "Confianza (respuesta media)" = "blue")) +
  theme_bw() +
  labs(title = "Puntaje global en función del puntaje de Matemáticas",
       subtitle = "Recta ajustada con bandas de confianza y de predicción al 95 %",
       x = "Puntaje de Matemáticas", y = "Puntaje global")

grafico_modelo +
  annotate("text", x = 22, y = 420, size = 4.2, color = "red", fontface = "bold",
           label = paste0("Y = ", round(b0, 2), " + ", round(b1, 3), " * Matemáticas\nR² = ",
                          round(R2, 3)))

La banda de confianza (azul) es casi imperceptible porque la recta se estima con gran precisión. La banda de predicción (naranja) es mucho más ancha: aun conociendo bien la recta, un estudiante individual puede alejarse bastante de ella.

13 Intervalos de confianza para la respuesta media y para una sola respuesta

Se calculan para varios valores del puntaje de Matemáticas, con confianza del 95 %.

nuevos <- data.frame(PUNT_MATEMATICAS = c(20, 30, 40, 50, 60, 70, 80, 90))

ic_media <- predict(modelo, newdata = nuevos, interval = "confidence", level = 0.95)
ic_indiv <- predict(modelo, newdata = nuevos, interval = "prediction", level = 0.95)

tabla_ic <- data.frame(
  `Puntaje Matemáticas` = nuevos$PUNT_MATEMATICAS,
  `Predicción`          = ic_media[, "fit"],
  `Media: límite inf.`  = ic_media[, "lwr"],
  `Media: límite sup.`  = ic_media[, "upr"],
  `Individual: límite inf.` = ic_indiv[, "lwr"],
  `Individual: límite sup.` = ic_indiv[, "upr"],
  check.names = FALSE
)
kable(tabla_ic, digits = 2,
      caption = "Intervalos de confianza (respuesta media) y de predicción (una sola respuesta) al 95 %")
Intervalos de confianza (respuesta media) y de predicción (una sola respuesta) al 95 %
Puntaje Matemáticas Predicción Media: límite inf. Media: límite sup. Individual: límite inf. Individual: límite sup.
20 128.25 128.08 128.41 84.28 172.21
30 166.78 166.66 166.90 122.82 210.74
40 205.32 205.24 205.39 161.35 249.28
50 243.85 243.79 243.91 199.89 287.81
60 282.38 282.31 282.46 238.42 326.35
70 320.92 320.81 321.03 276.96 364.88
80 359.45 359.30 359.61 315.49 403.42
90 397.99 397.79 398.19 354.03 441.95

Ejemplo con un puntaje de Matemáticas = 60:

ej_media <- predict(modelo, data.frame(PUNT_MATEMATICAS = 60), interval = "confidence")
ej_indiv <- predict(modelo, data.frame(PUNT_MATEMATICAS = 60), interval = "prediction")
  • Respuesta media: con 95 % de confianza, el puntaje global promedio de los estudiantes con 60 puntos en Matemáticas está entre 282.31 y 282.46 (estimación puntual: 282.38).
  • Una sola respuesta: con 95 % de confianza, el puntaje global de un estudiante con 60 puntos en Matemáticas estará entre 238.42 y 326.35.

El intervalo de predicción es mucho más amplio que el de la media, porque además de la incertidumbre al estimar la recta incluye la variabilidad individual (\(\hat\sigma^2\)). Ambos son más angostos cerca de la media de X (50.6) y se ensanchan hacia los extremos.

14 Conclusiones

  1. Se ajustó un modelo de regresión lineal simple entre el puntaje de Matemáticas (X) y el puntaje global (Y) con 546.212 estudiantes. El modelo es: \[\hat{Y} = 51.1754 + 3.8535 X\]
  2. Por cada punto adicional en Matemáticas, el puntaje global esperado aumenta en 3.853 puntos (IC 95 %: 3.849 a 3.858).
  3. La correlación es r = 0.8997 (positiva y muy fuerte) y el coeficiente de determinación es R² = 0.8095: el puntaje de Matemáticas explica el 80.9 % de la variabilidad del puntaje global.
  4. El ANOVA (F = 2320469.1, valor-p <0.0000000000000001) y la prueba t de la pendiente confirman que el modelo es significativo.
  5. Supuestos: la linealidad se cumple, y la normalidad y la homocedasticidad se cumplen de forma aproximada. Las pruebas formales rechazan \(H_0\) por el tamaño de la muestra, pero los gráficos, la asimetría, la curtosis y la variabilidad por tramos muestran desviaciones leves. Los residuos no muestran patrones asociados al orden (independencia) y no hay observaciones con influencia relevante.
  6. Las predicciones de la respuesta media son muy precisas, mientras que las de un estudiante individual tienen un margen de error amplio (aproximadamente ±44 puntos).

Nota: el puntaje global se calcula a partir de los puntajes de las cinco áreas, entre ellas Matemáticas. Por eso la relación es tan fuerte, y el modelo describe cuánto del puntaje total se asocia con el desempeño en Matemáticas, no un efecto causal.

15 Referencias

  • Díaz, A. (2025). Regresión lineal múltiple y ANOVA [Material de clase]. Estadística.
  • ICFES. Resultados de las pruebas Saber 11 [Base de datos: Datos_Modelo_de_Regresion_Lineal_Multiple.csv].
  • R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing.