Figura 26. Matriz de diagrama de dispersión para el modelo

112

La matriz con los gráficos se presenta a continuación:

Figura 26. Matriz de diagrama de dispersión para el modelo Stepwise. Datos: ASE03RLM.

113

5.2 Análisis gráfico de residuales.

Comandos:

Modelos -> Añadir las estadísticas de las observaciones a los datos…

Al mostrar la ventana se debe oprimir Correcto.

5.3 Supuestos de varianzas homogéneas

Comandos:

Gráficas -> Diagrama de Dispersión

Se deben de seleccionar como variable x: Fitted y como variable Y: rstudent.

114

Figura 27. Gráfica de Supuestos de varianzas homogéneas. Datos: ASE03RLM.

5.4 Para crear una variable “tiempo” en los datos cargados se deben de ejecutar los

siguientes comandos:

Datos -> Modificar variable de los datos activos -> Add observations numbers to data set

Gráficos -> Diagramas de Dispersión…

115

Se deben de seleccionar como variable x: ObsNumber y como variable Y:

rstudent.

Figura 28. Gráfico para detectar independencia de los errores. Datos: ASE03RLM

116

5.5 Gráficas básicas de diagnósticos.

Comandos:

Modelos -> Gráficas -> Gráficas de básica de diagnósticos

Figura 29. Gráficas básicas de Diagnósticos. Datos: ASE03RLM.

5.6 Test de Normalidad.

Para aplicar este test en R commander el usuario deberá escribir en la ventana

de instrucciones la siguiente línea de comando:

shapiro.test(ASE03RLM$LinearModel.4.rstudent)

donde:

shapiro.test: es el comando en R para realizar el test de

normalidad.

ASE03RLM: nombre de los datos activos, para este

ejercicio

LinearModel.4.rstudent: nombre de las observaciones para los errores

studentized.

117

Nota: Es importante colocar el signo $ entre los datos y la columna de los residuos

estudentizados; el mismo sirve para referenciar la columna dentro de los datos.

Una vez escrito el comando en la ventana de instrucciones se debe de mandar a

ejecutar; solo con seleccionar la línea o simplemente dejar el cursor parado en la misma

y oprimir ejecutar.

Los resultados serán mostrados en la ventana de resultados.

Figura 30.Resultados de la Prueba de Normalidad. Datos: ASE03RLM.

5.7 Prueba de Breush – Pagan para heterocedasticidad

Comandos:

Modelos -> Diagnósticos numéricos -> Prueba de Breush – Pagan para heterocedasticidad..

118

En la ventana de Prueba de Breush-Pagan debe ser seleccionado el estadístico

del contraste: (Studenttized), formula de la varianza: Valores ajustados (Fitted values);

seleccionar la variable para ser enviada a la formula; finalmente presionar Correcto.

Figura 31.Resultados de la Prueba de Breusch-Pagan. Datos: ASE03RLM.

5.8 Prueba de Durbin-Watson para autocorrelación

Comandos:

Modelos -> Diagnósticos numéricos -> Prueba de Durbin-Watson para autocorrelación

En la ventana de Prueba de Durbin-Watson se deja seleccionado la hipótesis

alternativa 0rho ; seguidamente presionar Correcto.

119

Figura 32. Resultados de la Prueba de Durbin-Watson. Datos: ASE03RLM.

120

Capítulo 5. Conclusiones

Las principales conclusiones y recomendaciones de esta investigación son

mostradas a continuación:

La aplicación de R-Commander en esta investigación permite analizar el

funcionamiento y concluir que es una Interfaz Gráfica de Usuario (GUI) de

fácil instalación en donde el usuario requiere de acceso a Internet; en cuanto

al despliegue de menús muestra diferentes métodos estadísticos, permitiendo

el análisis gráfico con diferentes opciones desde gráficos básicos

(histogramas, tortas, tallos y hojas, medias, entre otros), hasta gráficos en

tercera dimensión, básicos de diagnósticos, entre otros.

R-Commander permite al usuario guardar en distintos formatos las

instrucciones para volverlas a ejecutar.

R-Commander es una interfaz amigable, ya que permite acceder a muchas

capacidades del entorno estadístico R, permitiendo al usuario complementar

y ampliar la aplicación de métodos estadísticos mediante el uso de este

lenguaje.

Las variables asociadas al sector forestal del país, se cuantifican en 65

variables distribuidas principalmente en la Industria de Aglomerado y

Contrachapado; las pruebas de Rcmdr se efectuaron principalmente en la

Industria de Aserrío por ser la base de datos disponible más completa.

Las variables recabadas producto del aprovechamiento forestal del país,

pueden ser analizadas aplicándoles diferentes métodos estadísticos como:

estadística descriptiva, prueba de hipótesis, análisis de regresión lineal

simple y múltiple, análisis de la varianza, entre otros. Estos análisis serán

más confiables al ser implementado el nuevo Sistema Nacional de

Información Estadística Forestal (SNIEF) de recolección de datos

provenientes del aprovechamiento forestal.

121

Bibliografía

Gujarati Damodar N. Econometria. (2003). Mc. Graw Hill. México DF.M, edición.

Hays William. (1998).Statistics. New York. Holt, Rinehart and Winston, Inc. Fourth

edition.

Mendenhall Willian y Terry Sincich. (1877). Probabilidad y Estadística para Ingeniería

y Ciencias. Printice-Hall Hispanoamérica, SA. Impreso en México.

Montgomery, Douglas. (1991). Diseño y Análisis de Experimentos. Grupo Editorial

Iberoamericano. México DF.

Neter John, Kurtner Michael, Nachtsheim Christofher, and Wasserman Willian. (1996).

Applied Linear Regression Models. Richard D, Irwing INC. Library of Congress

Catalogin-in-Publication Data. Third Edition.

Overton, W. S., and Stehman S. V. (1995), “The Horvitz-Thompson Theorem as a

Unifying perspective for Probability Sampling: With examples From Natural Resources

Sampling,” The American Statistician, August 1995, Vol. 49, No. 3.

Pardo Merino Antonio, Ruiz Díaz, Miguel Ángel. SPSS 11 Guía para el Análisis de

Datos. Editora: Concepción Fernández Madrid.

Winship C., and Radbill L. (1994), “Sampling Weights and Regression Analysis.

Sociological Methods and Research,” Vol. 23 No. 2, November

Fox Jhon . The R Commander: A Basic-Statistics GUI for R. Sin fecha consultado de

World Wide Web:

http://socserv.mcmaster.ca/jfox/Misc/Rcmdr/

http://socserv

122

Fox Jhon McMaster University Journal of Statistical Software (2005). The R

Commander: A Basics-Statistics Graphical User Interface to R., Volume 14, Issue 9. Sin

fecha consultado de World Wide Web:

http://www.jstatsoft.org/v14/i09/v14i09.pdf

35 JAIIO Simposio JLS 2006. Aplicación del Software Estadístico R para la enseñanza

de la Regresión. Sin fecha consultado de World Wide Web:

http://rrii.sgp.gov.ar/index.php?option=com_docman&task=doc_view&gid=7727&Item

id=46

Departament of statistics and mathematics of the WU Wien, Austria. The

Comprehensive R Archive Networtk. Sin fecha consultado de World Wide Web:

http://cran.r-project.org/

Rcmdr: R Commander. Sin fecha consultado de World Wide Web:

http://cran.rproject.org/src/contrib/Descriptions/Rcmdr.html

Emmanuel Paradis. R para principiantes. Sin fecha consultado de World Wide Web:

http://cran.rproject.org/doc/contrib/rdebuts_es.pdf

http://www.jstatsoft.org/v14/i09/v14i09.pdf

http://rrii.sgp.gov.ar/index.php?option=com_docman&task=doc_view&gid=7727&Item

http://cran.r-project.org/

http://cran.rproject.org/src/contrib/Descriptions/Rcmdr.html

http://cran.rproject.org/doc/contrib/rdebuts_es.pdf

123

APÉNDICES

124

APÉNDICE

Planillas de captura de la Información Forestal

125

Planilla Aserrío

126

127

Planilla Industria de Machihembradora, Carpintería, Mueblería, Depósitos y Afines.

128

129

Planilla Industria Tableros Contrachapados

Ministerio del Ambiente. Dirección General de Bosques

Sistema Nacional de información Estadísticas Forestales

Registro de Información Estadística de la Industria de Tableros Contrachapados.

Identificación. No. Autorización o Permiso:

Fecha de emisión: Duración hasta: RIF:

01. Fecha de recolección de la Información Geográfica y datos sobre la Empresa Mes Año Estado Municipio DEA Área Adm. Sector Parroquia

Nombre del Beneficiario CI RIF Dirección Empresa Teléfono Fax Correo electrónico

02. Datos de Carácter Administrativo P E R S O N A L

ADMINISTRATIVO OBREROS

Nº EMPLEADOS

SUELDO MENSUAL

PROMEDIO Nº

EMPLEADAS

SUELDO MENSUAL

PROMEDIO

Nº OBREROS

SALARIO MENSUAL

PROMEDIO

Nº OBRERA

S

SALARIO MENSUAL

PROMEDIO

VALOR DE LA VENTA BRUTA

MES 21) REPRESENTANTE

03. Procedencia de la Madera en Rola. Pais/Estado Pais/Estado Pais/Estado Pais/Estado Pais/Estado Pais/Estado

Ciudad Ciudad Ciudad Ciudad Ciudad Ciudad

Volumen (m3) Volumen (m3) Volumen (m3) Volumen (m3) Volumen (m3) Volumen (m3)

130

Ministerio del Ambiente.

Dirección General de Bosques Sistema Nacional de información

Estadísticas Forestales

Registro Operacional de Información Estadística La Industria de Tableros Contrachapados

Identificación. No. Autorización o Permiso :


04. Destino del Producto Manufacturado. Pais/estado Pais/estado Pais/estado Pais/estado Pais/estado Pais/estado

Ciudad Ciudad Ciudad Ciudad Ciudad Ciudad

Volumen Volumen Volumen Volumen Volumen Volumen

05. Movimiento Mensual de la Madera en Rola.

Existencias mes anterior

Entradas mes actual Procesadas

Vendidas Otras

salidas Saldo

Especie Rola s

m 3 Rolas m 3 Rolas

m 3 Rolas

m 3

Rolas

m 3

Rolas

m 3

Precio de compra de

rolas. Bs./ m3

06. Producción a Nivel de Prensa. CONTRACHAPADO PANELFORTE OTRO Especie

4 mm 8mm mm

mm

mm

mm

mm

mm

mm

mm

mm

131

Ministerio del Ambiente.

Dirección General de Bosques Sistema Nacional de información

Estadísticas Forestales

Registro Operacional de Información Estadística La Industria de Tableros Contrachapados



07. Venta del Producto. CONTRACHAPADO PANELFORTE OTRO

Cantidad Cantidad Cantidad

Especie Espesor

(mm) Bs./m 2 m2 Bs. Espesor

(mm) Bs./m2

m2 Bs.

Espesor

(mm) Bs./m2

m2 Bs.

09. Medias del producto acabado. 08. Cantidad en m del producto acabado (Producción del mes)

Ancho(mm)

Largo(mm) Espesor(mm)

Ancho(mm)

Largo(mm)

Espesor(mm) Contrachapado

Panforte.

Tripa.

Compuesto

132

Planilla Industria Tableros y Aglomerados.

Ministerio del Ambiente. Dirección General de Bosques

Sistema Nacional de información Estadísticas Forestales

Registro de Información Estadística de la Industria de Tableros y Aglomerados



02. Fecha de recolección de la Información Geográfica y datos sobre la Empresa Mes Año Estado Municipio DEA Área Adm. Sector Parroquia

Nombre del Beneficiario CI RIF Dirección Empresa Teléfono Fax Correo electrónico

03. Datos Administrativos y de la producción. PERSONAL

ADMINISTRATIVO OBRERO Numero de empleados

Monto Mensual

Numero de empleadas

Monto Mensual

Numero de obreros

Monto semana

Numero de obreras

Monto semana

CAPACIDAD DE PRODUCCION INSTALADA (m3) UTILIZADA (m3) Días efectivos trabajo / mes:

Horas efectivas de trabajo / mes:

03. Movimiento de Madera en Rola (Volumen Real). Existencia

mes anterior. Entradas

mes actual Procesadas Vendidas Otras

salidas Saldo

ESPECIE Procedencia Rolas m3 Rolas m3

Rolas m3

Rolas m3

Rolas m3

Rolas m3

133

04. Dimensiones de las partículas (3D) mm. 05. Cantidad de Producto Acabado / mes (m3)

Tableros de partículas: Cara Tableros Mixtos:

Aglomerados:

Alma Otros:

06. Producción Mensual en Prensa (m2).

AGLOMERADOS (Espesor)

MIXTOS (Espesor)

Especie

07. Medidas del Producto Acabado 08. Destino de la Producción.

Aglomerados Mixtas

Aglomerados Ancho

(m) Largo(

m) Espesor

(mm)

Especies Mcdo. Nal. Export. Mcdo. Nal. Export.

08. Ventas del producto. AGLOMERADOS MIXTOS

ESPECIE Espesor

(mm) Valor Unitario

Bs. / m2 Cantidad

m2 Bs.

Espesor (mm)

Valor Unitario

Bs. / m2 Cantidad

m 2 Bs.

Otros Espesor

(mm) Valor Unitario

Bs. / m2 Cantidad

m2 Bs.

134

Planilla Carbón Vegetal

REPÚBLICA BOLIVARIANA DE VENEZUELA Identification

MINISTERIO DEL AMBIENTE REGISTRO DE INFORMACION ESTADISTICA DE LA

INDUSTRIAS DEL CARBON VEGETAL No. Autorizacion o Permiso:

DIRECCION GENERAL DE BOSQUES SISTEMA NACIONAL DE INFORMACION

ESTADISTICA FORESTAL Fecha de Emision:

Duracion hasta:

RIF:

DATOS DE LA EMPRESA

4) NOMBRE O RAZON SOCIAL 5) REPRESENTANTE LEGAL 6) C.I. N.o: 7) NUMERO DE PERMISO

8) DIRECCION 9)TELEFONO 10) TELEX/FAX

11) UBICACION GEOGRAFICA: a) ENTIDAD FEDERAL b) MUNICIPIO c) PARROQUIA

DATOS DEL PERSONAL 12) PERSONAL ADMINISTRATIVO 13) PERSONAL OBRERO

a) NUMERO EMPLEADOS

b) MONTO MENSUAL

c) NUMERO EMPLEADAS d) MONTO MENSUAL

a) NUMERO OBREROS

b) MONTO SEMANA

c) NUMERO OBRERAS

d) MONTO SEMANA

INFORMACION SOBRE LA PRODUCCION

14) CAPACIDAD INSTALADA

15) CAPACIDAD UTILIZADA

16) VALOR BRUTO PRODUCCION 17)TIPOS DE HORNOS 18) No. DE HORNOS

a) COLMENA b)METALICO C) OTRO

a) AUTORIZADOS b) FUNCIONARIO

135

PROCEDENCIA DE LA MATERIA PRIMA

21) RESERVA FORESTAL

26) VOLUMEN 27)

19) PAÍS 20)ESTADO Y TERRENOS BALDIOS

22) FUNDO PARTICULAR 23)TERRENOS I.A.N.

24)TERRENOS

C.V.G. 25) ESPECIES

APROVECHADAS

Kg. TM

REND/ESP/KG.

MOVIMIENTO MENSUAL DE LA MATERIA PRIMA Y PRODUCTOS (Kg. O TM)

29) Existencia 30) Entradas 31) SALIDAS DEL MES 33) MOVIMIENTO DEL PRODUCTO

28) ESPECIES mes anterior mes actual a) Procesada b)Vendida c) otras sal. 32)SALDO

a) Existencia. b)Prod.

c) salida

d) Destino

e) Saldos

136

APÉNDICE 2

Comandos de R para ejecutar diferentes Métodos Estadísticos.

137

1. Estadísticas Descriptivas

# Programa de Estadística Descriptiva # Datos: ASE01. Base de datos del Sistema Nacional de Información de # # Estadísticas forestales (SNIEF); Aserrio año 2003 # Variable MESES (1,2,...,12); NRO_OBRE:número de obreros promedio por # industria;SAL_SEM:salario semanal

# Cargar los datos. Nombre: ASE01 (delimitado por comas) ASEO1 <- read.table("C:/Documents and Settings/WindowsXP/Mis documentos/TESIS 2007/DATOS/ESTD.DESCRIP/ASE01.csv", header=TRUE, sep=";", na.strings="NA", dec=".", strip.white=TRUE)

# Visualizar los Datos showData(ASEO1, placement='-20+200', font=getRcmdr('logFont'), maxwidth=80, maxheight=30)

# Cálculo de las Estadísticas descriptivas summary(ASEO1) numSummary(ASEO1[,c("NRO_OBRE", "SAL_SEM")], statistics=c("mean","sd"))

# Convertir la variable mes en un factor ASEO1$MESESF <- as.factor(ASEO1$MESES)

# Grafica de las medias plotMeans(ASE01$NRO_OBRE, ASE01$MESESF, error.bars="se") dev.print(pdf, file="C:/Documents and Settings/WindowsXP/Mis documentos/MEDIAS.pdf", width=5.0, height=5.0, pointsize=10)

# Estadística descriptiva clasificada por grupos numSummary(ASEO1[,c("NRO_OBRE", "SAL_SEM")], groups=ASEO1$MESESF, statistics=c("mean", "sd"))

# Histogramas Hist(ASEO1$NRO_OBRE, scale="frequency", breaks="Sturges", col="darkgray") dev.print(pdf, file="C:/Documents and Settings/WindowsXP/Mis documentos/HISTOGRAMA.pdf", width=5.0, height=5.0, pointsize=10)

# Gráficos de tallos y hojas stem.leaf(ASEO1$NRO_OBRE)

# Diagrama de caja boxplot(ASE01$NRO_OBRE, ylab="NRO_OBRE") dev.print(pdf, file="C:/Documents and Settings/WindowsXP/Mis documentos/DIAGRAMA-CAJA.pdf", width=5.0, height=5.0, pointsize=10)

138

2. Prueba de Hipótesis para una media

# Programa Prueba de hipótesis para una media # Datos: ASE01. Base de datos del Sistema Nacional de Información de # Estadísticas forestales (SNIEF). Aserrio año 2003 # Variable MESES (1,2,...,12); NRO_OBRE:número de obreros promedio por

industria;SAL_SEM:salario semanal


# Calculo de una nueva variable: SAL_MEN: salario mensual ASE01$SAL_MEN <- with(ASE01, SAL_SEM*4)

# Visualizar los datos showData(ASE01, placement='-20+200', font=getRcmdr('logFont'), maxwidth=80, maxheight=30)

# Probar la hipótesis planteda t.test(ASE01$SAL_MEN, alternative='less', mu=250000, conf.level=.95)

3. Prueba de hipótesis para dos medias

# Programa Prueba de hipótesis para una media # Datos: ASE01. Base de datos del Sistema Nacional de Información de # Estadísticas forestales (SNIEF). Aserrio año 2003 # Variable MESES (1,2,...,12); NRO_OBRE:número de obreros promedio por # industria;SAL_SEM:salario semanal


# Calculo de una nueva variable: SAL_MEN: salario mensual ASE01$SAL_MEN <- with(ASE01, SAL_SEM*4)

# Convertir variable numérica a factor MESES a MESESF ASE01$MESESF <- as.factor(ASE01$MESES)

# Segmentar variable numérica MESES A SEMESTRE ASE01$SEMESTRE <- bin.var(ASE01$MESES, bins=2, method='intervals', labels=FALSE)

# Visualizar los datos showData(ASE01, placement='-20+200', font=getRcmdr('logFont'), maxwidth=80, maxheight=30)

139

# Prueba de Hipótesis para diferencia de medias t.test(SAL_MEN~SEMESTRE, alternative='two.sided', conf.level=.95, var.equal=FALSE, data=ASE01)

4. Análisis de Regresión Lineal Simple. Datos:ASE03RLS

#Programa Análisis de Regresión Simple # Datos: ASE03RLS.Base de datos del Sistema Nacional de Información de # Estadísticas forestales (SNIEF); Aserrio año 2003 # Variables: Meses: MESES, Código de industria:COD_INDUST, # Volumen de madera procesada en mtrs cubicos:SAL_PROCM, # Número de empleados: PERAD_NEMP, # Monto total devengado por el personal administrativo al # mes: PERAD_MMES, Numero de obreros: PEROB_NOBR, # Monto total devengado por los obreros en la ultima semana # del mes: PEROB_MSEM, Dias efectivos de Aserrio al mes: # DIAEFEMES

# CARGAR LOS DATOS ASE03RLS <- sqlQuery(channel = 1, select * from [Hoja1$])

#VISUALIZAR LOS DATOS showData(ASE03RLS, placement='-20+200', font=getRcmdr('logFont'), maxwidth=80, maxheight=30)

#ANÁLISIS DE CORRELACION cor.test(ASE03RLS$PEROB_NOBR, ASE03RLS$SAL_PROCM, alternative="two.sided", method="pearson")

# DIAGRAMAS DE DISPERSIÓN scatterplot(PEROB_NOBR~SAL_PROCM, reg.line=FALSE, smooth=FALSE, labels=FALSE, boxplots=FALSE, span =0.5, data=ASE03RLS) dev.print(pdf, file="C:/Documents and Settings/WindowsXP/Mis documentos/DISPERSION.pdf", width=5.0, height=5.0, pointsize=10)

# ECUACION DE REGRESION Reglinsimple.ASE03 <- lm(SAL_PROCM ~ PEROB_NOBR -1, data=ASE03RLS) summary(Reglinsimple.ASE03)

# AÑADIR ESTADISTICA A LOS DATOS ASE03RLS$Reglinsimple.ASE03.fitted <- fitted(Reglinsimple.ASE03) ASE03RLS$Reglinsimple.ASE03.residuals <- residuals(Reglinsimple.ASE03) ASE03RLS$Reglinsimple.ASE03.rstudent <- rstudent(Reglinsimple.ASE03) ASE03RLS$Reglinsimple.ASE03.hatvalues <- hatvalues(Reglinsimple.ASE03) ASE03RLS$Reglinsimple.ASE03.cooks.distance <- cooks.distance(Reglinsimple.ASE03) ASE03RLS$obsNumber <- 1:nrow(ASE03RLS)

# SUPUESTOS DE NORMALIDAD qq.plot(ASE03RLS$Reglinsimple.ASE03.rstudent, dist= "norm", labels=FALSE) dev.print(pdf, file="C:/Documents and Settings/WindowsXP/Mis documentos/SUPUESTO DE NORMALIDAD.pdf", width=5.0, height=5.0, pointsize=10)

140

# SUPUESTOS DE VARIANZAS HOMOGENEAS scatterplot(Reglinsimple.ASE03.rstudent~Reglinsimple.ASE03.fitted, reg.line=FALSE, smooth=FALSE, labels=FALSE, boxplots=FALSE, span =0.5, data=ASE03RLS) dev.print(pdf, file="C:/Documents and Settings/WindowsXP/Mis documentos/SUPUESTOS VARIANZAS HOMOGENEAS.pdf", width=5.0, height=5.0, pointsize=10)

# CREAR VARIABLE TIEMPO ASE03RLS$ObsNumber <- 1:80

# GRÁFICO PARA DETECTAR INDEPENDENCIA DE LOS ERRORES scatterplot(Reglinsimple.ASE03.rstudent~ObsNumber, reg.line=FALSE, smooth=FALSE, labels=FALSE, boxplots=FALSE, span =0.5, data=ASE03RLS) dev.print(pdf, file="C:/Documents and Settings/WindowsXP/Mis documentos/INDEPENDENCIA DE ERRORES.pdf", width=5.0, height=5.0, pointsize=10)

# GRÁFICA BÁSICA DE DIAGNOSTICOS par(mfrow=c(2,2)) plot(Reglinsimple.ASE03) par(mfrow=c(1,1)) dev.print(pdf, file="C:/Documents and Settings/WindowsXP/Mis documentos/DIAGNOSTICO.pdf", width=5.0, height=5.0, pointsize=10)

# PRUEBA DE BREUSH-PAGAN bptest(SAL_PROCM ~ PEROB_NOBR - 1, varformula = ~ fitted.values(Reglinsimple.ASE03), studentize=TRUE, data=ASE03RLS)

# PRUEBA DE DURBIN-WATSON dwtest(SAL_PROCM ~ PEROB_NOBR - 1, alternative="greater", data=ASE03RLS)

5. Análisis de Regresión Múltiple

#Programa Análisis de Regresión Multiple # Datos: ASE03RLM.Base de datos del Sistema Nacional de Información de # Estadísticas forestales (SNIEF); Aserrio año 2003 # Variables: Meses: MESES, Código de industria:COD_INDUST, # Volumen de madera procesada en mtrs cubicos:SAL_PROCM, # Número de empleados: PERAD_NEMP, # Monto total devengado por el personal administrativo al # mes: PERAD_MMES, Numero de obreros: PEROB_NOBR, # Monto total devengado por los obreros en la ultima semana # del mes: PEROB_MSEM, Dias efectivos de Aserrio al mes: # DIAEFEMES

141

# Cargar los datos. Nombre:ASE03RLM ASE03RLM <- read.table("C:/Documents and Settings/WindowsXP/Mis documentos/ASE03RLM.csv", header=TRUE, sep=";", na.strings="NA", dec=",", strip.white=TRUE)

# Modelo lineal LinearModel.1 <- lm(SAL_PROCM ~ DIAEFEMES + PERAD_MMES + PERAD_NEMP + PEROB_MSEM + PEROB_NOBR -1, data=ASE03RLM) summary(LinearModel.1)

# Calculo de los coeficientes de correlación cor(ASE03RLM[,c("DIAEFEMES","MESES","PERAD_MMES","PERAD_NEMP","PEROB_MSEM","PEROB_NOBR","SAL_PROCM")], use="complete.obs")

# Regresión paso a paso (Stepwise); para descartar variables no relevantes para el modelo. step(LinearModel.1)

# Calculo de los coeficientes de correclación, determinación y tabla ANOVA LinearModel.2 <- lm(SAL_PROCM ~ DIAEFEMES + PERAD_MMES + PEROB_NOBR - 1, data=ASE03RLM) summary(LinearModel.2)

# Analisis de residuales scatterplot.matrix(~DIAEFEMES+PERAD_MMES+PEROB_NOBR+SAL_PROCM, reg.line=lm, smooth=FALSE, span=0.5, diagonal = 'qqplot', data=ASE03RLM) dev.print(pdf, file="C:/Documents and Settings/WindowsXP/Mis documentos/DISPERSION STEPWISE.pdf", width=5.0, height=5.0, pointsize=10)

# Agregar estadísticas observacionales a los datos ASE03RLM$LinearModel.2.fitted <- fitted(LinearModel.2) ASE03RLM$LinearModel.2.residuals <- residuals(LinearModel.2) ASE03RLM$LinearModel.2.rstudent <- rstudent(LinearModel.2) ASE03RLM$LinearModel.2.hatvalues <- hatvalues(LinearModel.2) ASE03RLM$LinearModel.2.cooks.distance <- cooks.distance(LinearModel.2) ASE03RLM$obsNumber <- 1:nrow(ASE03RLM)

# Supuestos de varianzas homogeneas scatterplot(LinearModel.2.rstudent~LinearModel.2.fitted, reg.line=FALSE, smooth=FALSE, labels=FALSE, boxplots=FALSE, span =0.5, data=ASE03RLM) dev.print(pdf, file="C:/Documents and Settings/WindowsXP/Mis documentos/VARIANZAS HOMOGENEAS.pdf", width=5.0, height=5.0, pointsize=10)

# CREAR UNA VARIABLE TIEMPO ASE03RLM$ObsNumber <- 1:80

142

# Gráfico para detectar independencia de los errores scatterplot(LinearModel.2.rstudent~ObsNumber, reg.line=FALSE, smooth=FALSE, labels=FALSE, boxplots=FALSE, span =0.5, data=ASE03RLM) dev.print(pdf, file="C:/Documents and Settings/WindowsXP/Mis documentos/INDEPENDENCIA DE LOS ERRORES.pdf", width=5.0, height=5.0, pointsize=10)

# Gráficas básicas de diagnosticos par(mfrow=c(2,2)) plot(LinearModel.2) par(mfrow=c(1,1)) dev.print(pdf, file="C:/Documents and Settings/WindowsXP/Mis documentos/BASICA DIAGNOSTICO.pdf", width=5.0, height=5.0, pointsize=10)

# Test de Normalidad shapiro.test(ASE03RLM$LinearModel.2.rstudent)

# Prueba de Breush-Pagan bptest(SAL_PROCM ~ DIAEFEMES + PERAD_MMES + PEROB_NOBR - 1, varformula = ~ fitted.values(LinearModel.2), studentize=TRUE, data=ASE03RLM)

# Prueba de Durbin-Watson dwtest(SAL_PROCM ~ DIAEFEMES + PERAD_MMES + PEROB_NOBR - 1, alternative="greater", data=ASE03RLM)

# Gráfico de tres variables scatter3d(ASE03RLM$DIAEFEMES, ASE03RLM$SAL_PROCM, ASE03RLM$PEROB_NOBR, fit="linear", residuals=TRUE, bg="white", axis.scales=TRUE, grid=TRUE, ellipsoid=FALSE, xlab="DIAEFEMES", ylab="SAL_PROCM", zlab="PEROB_NOBR") rgl.snapshot("C:/Documents and Settings/WindowsXP/Mis documentos/3D.png")

This document was created with Win2PDF available at http://www.win2pdf.com.The unregistered version of Win2PDF is for evaluation or non-commercial use only.This page will not be added after purchasing Win2PDF.

http://www.win2pdf.com