INFORME - REGRESION
UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE CIENCIAS BIOLOGICAS
DISEÑOS
PROGRANA DE ECOLOGIA EXPERIMENTALES
PRESENTADO POR: Karol Katty
Quispe Huallpa
MODELO “BIOMASA EN FUNCION AL pH”
Modelo 1: Biomasa en función al pH
Según el modelo empleado, los coeficientes de regresión fueron a = -780.2, mientras
que el coeficiente de la variable regresora fue 404.1, y fueron estadísticamente
diferentes de cero (p < 0.001). El coeficiente de determinación fue 0.86 (p < 0.001).
además, la ecuación de regresión explica de manera significativa la variabilidad de la
biomasa (F1,43 = 267.19, p < 0.001).
La distribución de los residuales de la ecuación de regresión tiene una distribución
normal (w=0.98, p = 0.2468).
Figura 1. Relación de los residuales con los valores ajustados de la ecuación de
regresión
Figura 2. Relación de residuales estandarizados con el leverage de la ecuación de
……………..regresión. (esta función nos permite ver si hay valores atípicos o no)
Los
residuales
se
distribuyen
de manera
aleatoria
alrededor
de 0 lo que
nos indica
que el
modelo es y
que no
presentan
valores
atípicos que
afecten la
ecuación de
regresión.
Figura 3. Relación del pH con respecto a la biomasa de Artemisia vulgaris
Por un
incremen
to del pH
se
espera
un
crecimie
nto de
biomasa.
MODELO “BIOMASA EN FUNCION ALA SALINIDAD”
Los coeficientes de regresión fueron a = 1378.112, mientras que el coeficiente de la
variable regresora fue -9.778, y fueron estadísticamente diferentes de cero (p < 0.001).
El coeficiente de determinación fue 0.1819 (p < 0.001). además, la ecuación de
regresión explica de manera significativa la variabilidad de la biomasa (F1,43 = 9.5637, p
< 0.001).
La distribución de los residuales de la ecuación de regresión tiene una distribución
normal (w= 0.89, p = 0.0007515).
Figura 1. Relación de los residuales con los valores ajustados de la ecuación de
regresión
Figura 2. Relación de residuales estandarizados con el leverage de la ecuación de
regresión.
Los
residuales
se
distribuyen
de manera
aleatoria
alrededor
de 0 lo que
nos indica
que el
modelo no
presenta
valores
atípicos que
afecten la
ecuación de
regresión.
Figura 3. Relación del pH con respecto a la biomasa de Artemisia vulgaris
Por un
incremen
to del
nivel de
biomasa,
se
observa
una
disminuci
ón en la
salinidad.
MODELO “BIOMASA EN FUNCION AL ZINC”
Los coeficientes de regresión fueron a = 2002.2, mientras que el coeficiente de la
variable regresora fue -51.6, y fueron estadísticamente diferentes de cero (p < 0.001). El
coeficiente de determinación fue 0.62 (p < 0.001). además, la ecuación de regresión
explica de manera significativa la variabilidad de la biomasa (F1,43 = 67.467, p < 0.001).
La distribución de los residuales de la ecuación de regresión tiene una distribución
normal (w= 0.97, p = 0.1398).
Figura 1. Relación de los residuales con los valores ajustados de la ecuación de
regresión
Figura 2. Relación de residuales estandarizados con el leverage de la ecuación de
regresión.
Los
residuales
se
distribuyen
de manera
aleatoria
alrededor
de 0 lo que
nos indica
que el
modelo no
presenta
valores
atípicos que
afecten la
ecuación de
regresión.
Figura 3. Relación del pH con respecto a la biomasa de Artemisia vulgaris
A mayor
nivel en
biomasa
se tiene
un
descenso
en el
nivel del
zinc.
MODELO “BIOMASA EN FUNCION AL POTACIO”
Los coeficientes de regresión fueron a = 1189.4, mientras que el coeficiente de la
variable regresora fue -0.134, y fueron estadísticamente diferentes de cero (p < 0.001).
El coeficiente de determinación fue 0.0054 (p < 0.001). además, la ecuación de
regresión explica de manera significativa la variabilidad de la biomasa (F1,43 = 0.232, p
< 0.001).
La distribución de los residuales de la ecuación de regresión tiene una distribución
normal (w= 0.916, p = 0.00324).
Figura 1. Relación de los residuales con los valores ajustados de la ecuación de
regresión
Figura 2. Relación de residuales estandarizados con el leverage de la ecuación de
regresión.
Los
residuales
se
distribuyen
de manera
aleatoria
alrededor
de 0 lo que
nos indica
que el
modelo no
presenta
valores
atípicos que
afecten la
ecuación de
regresión.
Figura 3. Relación del pH con respecto a la biomasa de Artemisia vulgaris.
Por un
incremen
to del
nivel de
biomasa,
se
observa
una
disminuci
ón en el
elemento
del
potasio.
MODELO MULTIPLE “PH, SALINIDA, ZINC Y POTACIO”
modelo_Salinidad=lm(Salinidad~pH)
Los coeficientes de regresión fueron a = 30.9, mientras que el coeficiente de la variable regresora
fue -0.132, y fueron estadísticamente diferentes de cero (p < 0.001). El coeficiente de
determinación fue 0.001988 (p < 0.001). además, la ecuación de regresión explica de manera
significativa la variabilidad de la biomasa (F1,43 = 0.08566, p < 0.001).
La distribución de los residuales de la ecuación de regresión tiene una distribución normal (w=
0.95114, p = 0.05612).
modelo_Salinidad=lm(Zinc~Salinidad)
Los coeficientes de regresión fueron a = 39.8, mientras que el coeficiente de la variable
regresora fue -4.752, y fueron estadísticamente diferentes de cero (p < 0.001). El coeficiente de
determinación fue 0.5191 (p < 0.001). además, la ecuación de regresión explica de manera
significativa la variabilidad de la biomasa (F1,43 = 46.42, p < 0.001).
La distribución de los residuales de la ecuación de regresión tiene una distribución normal (w=
0.95168, p = 0.0568).
modelo_pH=lm(Potasio~pH)
Los coeficientes de regresión fueron a = 762.004, mientras que el coeficiente de la variable
regresora fue 7.675, y fueron estadísticamente diferentes de cero (p < 0.001). El coeficiente de
determinación fue 0.001047 (p < 0.001). además, la ecuación de regresión explica de manera
significativa la variabilidad de la biomasa (F1,43 = 0.04508, p < 0.001).
La distribución de los residuales de la ecuación de regresión tiene una distribución normal (w=
0.92446, p = 0.006009).
modelo_Salinidad=lm(Potasio~Salinidad)
Los coeficientes de regresión fueron a = 844.915, mientras que el coeficiente de la variable
regresora fue -1.571, y fueron estadísticamente diferentes de cero (p < 0.001). El coeficiente de
determinación fue 0.0003855 (p < 0.001). además, la ecuación de regresión explica de manera
significativa la variabilidad de la biomasa (F1,43 = 0.01658, p < 0.001).
La distribución de los residuales de la ecuación de regresión tiene una distribución normal (w=
0.92269, p = 0.00522).