UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

FACULTAD DE INGENIERÍA
CARRERA DE INGENIERÍA INDUSTRIAL

Estadística Aplicada II (MA 145)

PROYECTO II
Uso de las energías renovables en el Perú

INTEGRANTES:

NOTA NOTA
CÓDIGOS Apellidos y nombres COLABORACIÓN
INFORME FINAL

U202014904 Clax Santillan Joddie 90%

U20211C676 Curilla Baltazar, Rocio Katherin 100%

U20211C602 Flores Adama, Juliana Priscila 100%

U202122698 Flores Hoyos, Valeria 100%

U20211C731 Dueñas Paulino, Alexa Mayumi 100%

2022 – 2

ÍNDICE

pág. 1
1. Resumen 3
2. Introducción 4
2.1 Planteamiento del problema 5
2.2 Justificación 5
2.3 Viabilidad 6
3. Revisión bibliográfica 7
3.1 Hipótesis 7
3.2 Variables 7
4.1. Contexto 8
4.2 Diseño de la investigación 9
4.3. Diagrama de flujo 10
4.4. Población de estudio 10
4.5. Muestra de estudio 11
4.6. Diseño de instrumento de recolección de datos 11
4.7. Procedimiento realizado para recolectar datos 12
5. Resultados y análisis 13
5.1 Análisis de la relación entre las variables 13
5.1.1 Preparación de los datos: 13
5.1.2. Plan de Análisis: 16
5.1.3. Cálculo y análisis: 20
6. Conclusiones 36
7. Resultados y discusión 37
8. Recomendaciones 38
9. Referencias bibliográficas 38
10. Anexos 42

pág. 2
 1. Resumen

El presente informe de investigación se enfocará en la energía renovable que existe

en el Perú, por ello nosotros como estudiantes con conocimientos aprendidos en clase

logramos encontrar el pronóstico del valor de una variable respuesta en función a un conjunto

de variables predictoras, es decir afirmar que la relación observados en la muestra sean

realmente ciertas. Además, mostrar información relevante y confiable para tener éxito en

nuestro proyecto de investigación. La técnica que se llevará a cabo para el análisis es la

Regresión lineal múltiple, puesto que contamos con 3 variables independientes (emisión de

CO2 por 1000$ PBI, capacidad renovable total y capacidad disponible de electricidad

renovable) y una variable dependiente (consumo de energía renovable Gwh), las cuales

pasaron por un análisis de verificación con respaldo de la lectura Análisis multivariable con la

autora María Ángeles. Luego de reconocer nuestras variables, continuamos con la

recolección de nuestra base de datos que fueron obtenidas de la fuente confiable

DatosMacro.com, tras ello ya existe un respaldo de credibilidad ante el proyecto. La base de

datos obtenida cuenta con 31 observaciones, las cuales están conformadas por los años del

1990 al 2020 del Perú. Con dicha información se lleva a cabo el modelo completo en el

programa Minitab y con los resultados se logró identificar la ecuación para el modelo. Pero

antes de ello también se interpretó las medidas de bondad de ajuste y en el caso presentado

se logró R2 ajustada= 96.44% logrando un elevado porciento la cual es viable. Luego del

hallazgo se continúa con validar el modelo completo con la tabla de ANOVA y la tabla de

Coeficientes. Como nuestro procedimiento se incumple un supuesto se llevó a cabo el

modelo paso a paso. Tras un análisis, se identificó las variables influyentes y las variables

que influyen. En conclusión, se recomienda a las empresas invertir en las energías

renovables.

PALABRAS CLAVES:

Experimento, variables, dependientes, independientes, múltiple, energía, renovable, Perú,

regresión, CO2, modelo completo, modelo paso a paso, ANOVA, supuestos, lineal.

pág. 3
 2. Introducción

Según Mitma (2015), el Perú es un país privilegiado por muchísimas razones, pero

lo que más llama la atención en el enfoque medioambiental es que tiene un alto potencial

energético renovable por explotar, pero este potencial no solo es hidroeléctrico, como

usualmente se dice, se piensa y se difunde, sino que también es eólico, solar, geotérmico y

biomásico. Además, la mayor parte de este potencial se encuentra ubicado en la cuenca del

Amazonas, en el litoral de la costa y cordillera de los Andes, ello quiere decir que existe una

gran oportunidad para muchas zonas que habitan alrededor de ello para aprovechar los

abundantes recursos que contiene. En la actualidad, una preocupación mundial de la

humanidad son los conflictos con la tierra, puesto que muchos científicos afirman que, tras

pasar los años, existe a la vez una acelerada pérdida de biodiversidad, a pesar de los

pronósticos, las energías renovables convencionales siguen siendo una alternativa viable.

Entonces, es necesario que el país se comprometa y se responsabilice ante el desarrollo de

estas nuevas fuentes de energía como opción al crecimiento de las grandes hidroeléctricas,

hacia una transición energética fundamentado en fuentes de energía bajas en emisiones de

CO2 y energéticamente eficientes (Mitma, 2015).

La nueva generación de electricidad cuenta con energías renovables por lo que forman

parte de un mercado eléctrico en el que tienen las mismas funciones y sobre todo

contribuyen al medioambiente ya que estas provienen de recursos que están

interconectadas con los ciclos naturales del planeta, además hace posible que

interactuemos el recurso de manera permanente. Según Tamayo (2011), la presencia de

energía renovable contribuye al desarrollo económico, seguridad energética y prevalecer el

medio ambiente. Tras lo mencionado, investigaremos cuál de todas nuestras variables

independientes influyen más en el consumo de electricidad renovable.

pág. 4
 2.1 Planteamiento del problema

● Objetivo:

Determinar si los factores ambientales (emisión de CO2 por 1000$ PBI, capacidad

renovable total y capacidad disponible de electricidad renovable) influyen en la utilización de

energías renovables en los últimos años en Perú.

● Pregunta de investigación:

¿Los factores ambientales (emisión de CO2 por 1000$ PBI, capacidad renovable total y

capacidad disponible de electricidad renovable) influyen en la utilización de energías

renovables en los últimos años en Perú?

2.2 Justificación

Las condiciones del medio ambiente vienen siendo una preocupación mundial en

los últimos tiempos, por lo que especialistas recomiendan la búsqueda de fuentes de

energías renovables, puesto que, ayuda en la conservación de esta, como mecanismo

facilitador del cumplimiento de los objetivos de desarrollo sostenible propuestos por la

Organización de las Naciones Unidas y, más concretamente del 7mo, que se relaciona a

la energía asequible y no contaminante. Aunque, la implementación de las energías

renovables está siendo un proceso largo. Según Da Silva Almeida (2022), esta dificultad

de cambio se explica desde la forma ineficiente en que las personas usan la energía, a la

falta de información o conocimiento sobre la importancia de las energías limpias, los fallos

del mercado o el acceso a las materias primas para el despliegue de recursos renovables.

Por ello es indispensable que se difunda este tipo de ayuda para el cuidado del medio

ambiente y comenzar a utilizar la energía renovable.En la vida cotidiana estamos en

constante uso de la electricidad, pero lo que está relacionado a energía renovable es la

disponibilidad en la naturaleza y su capacidad de regenerarse continuamente de manera

espontánea y en cantidades inagotables. Según IRENA (2019), las energías renovables

representaron por sí solas tres cuartas partes de la nueva capacidad energética mundial.

Eso quiere decir, que muchas personas están descubriendo esta energía y comenzando a

implementarlas. Asimismo, estas están destinadas a convertirse en la fuente de

pág. 5
 electricidad más rentable para el planeta y el desarrollo económico. Tal como menciona

Caraballo (2017), las energías renovables son beneficiosas en todos los aspectos, ya que

podemos aprovechar las energías para producir electricidad sin emitir el CO2. Asimismo,

esto se puede dar con la implementación de turbinas eólicas y paneles solares. Además,

estos beneficios son económicamente cuantificables. En España 2017, la implementación

de las tecnologías renovables evitó que se emitieran a la atmósfera 56.659.226 toneladas

de CO2, lo cual permitió ahorrar pagos en concepto de derechos de emisión por valor de

899 millones de euros. Todo ello, permitió que el ahorro económico aumente en un 171%,

fruto del fuerte incremento del 168% del precio medio de los derechos de emisión por

tonelada de CO2 evitada.

2.3 Viabilidad

Como alumnos con capacidades para desarrollar un proyecto, afirmamos la viabilidad

de este informe de investigación, ya que encontramos información relevante que se

relaciona con nuestro objetivo planteado. Además, todos los datos obtenidos han sido de la

fuente confiable, Datosmacro.com por lo que observamos que fueron las indicadas tras un

largo análisis. Adicional a lo anterior, disponemos con el tiempo adecuado para tener éxito

en el caso planteado y también con los conocimientos, competencias, instrumentos y

materiales necesarios para lograr concluir el presente proyecto. Y con respecto a los

materiales, cada integrante del grupo cuenta con computadoras, acceso a internet y lecturas

que contienen las herramientas estadísticas como es el Minitab y el Excel.

Según Bianchi (2012), debido al impacto ambiental generado por el consumo de energía, el

calentamiento global y la constante preocupación de que los recursos naturales usados por

la humanidad son limitados, se deben plantear teorías de desarrollo sostenible que ayuden

a mitigar en la mayor brevedad, los daños ambientales de la actualidad. Por ello,

concluimos que nuestro proyecto es viable y útil.

3. Revisión bibliográfica

3.1 Hipótesis

● Hipótesis general:

pág. 6
 - Los factores ambientales influyen en la utilización de las energías renovables en

los últimos años en el Perú.

● Hipótesis específicas:

- La capacidad renovable total (MW) se relaciona con la utilización de las

energías renovables en los últimos años en el Perú.

- Las emisiones de CO2 por PBI ( Kg/ $1000) se relacionan con la utilización de

las energías renovables en los últimos años en el Perú.

- La capacidad disponible de electricidad renovable (GWH) se relaciona con la

utilización de las energías renovables en los últimos años en el Perú.

3.2 Variables

● Variable dependiente

➢ Consumo de electricidad renovable Gwh

- Definición conceptual: Refiere a la cantidad consumida de energía de las

fuentes instaladas de energía renovables.

- Definición operacional: El consumo de electricidad renovable se obtuvo de

la fuente de DatosMacro.com . La electricidad consumida se halla del

siguiente modo: E= Potencia (W) * horas de uso por día *días uso al mes

● Variable independiente

➢ Capacidad renovable total:

- Definición conceptual: Refiere al límite de consumo de energía que se

puede obtener.

- Definición operacional: La capacidad instalada de electricidad se obtuvo de

la siguiente fuente de DatosMacro.com

➢ Capacidad disponible de electricidad renovable (GWH):

- Definición conceptual: Refiere al límite de consumo instalado de electricidad

renovable

- Definición operacional: La capacidad instalada de electricidad renovables se

obtuvo de la siguiente fuente de DatosMacro.com

pág. 7
 ➢ Emisión de C02 por 1000$ PBI:

- Definición conceptual: Refiere a la cantidad de CO2 en kg que emite una

empresa en las actividades que realiza para la producción de un bien por

cada 1.000 dólares de PIB (eficiencia medioambiental).

- Definición operacional: La cantidad de CO2 emitida por 1000$ PBI se

obtuvo de la siguiente fuente de DatosMacro.com

4. Método

4.1. Contexto

El Perú es un país con gran potencial de energías renovables que no han sido

explotadas durante mucho tiempo. Asimismo, debido a la gran carga económica de la

importación de petróleo surgieron las iniciativas tanto públicas como privadas para la

creación de proyectos de energías renovables a bajo costo modificando el marco normativo

nacional. Es así que el gobierno creó a nivel institucional el Ministerio del Ambiente

(MINAM), con el fin de volvernos un país con suficientes energías sostenibles para futuras

generaciones, bajo el marco de Kyoto y reducir los gases de efecto invernadero, según

Quiroz (2011).

Debido a la importancia es que en este proyecto, se usa diferentes métodos y herramientas

estadísticas para analizar cuánto puede influir un factor ambiental (entre ellos tenemos a la

capacidad instalada de electricidad total, capacidad instalada de energía renovable y las

emisiones totales de CO2) en que el Perú logre contribuir con el medio ambiente.

Se usa un modelo de regresión, en el cuál vemos distintos términos como EE Ajuste,

Intervalos de confianza, Residuos, apalancamiento, Distancia de Cook, DFITS, Estadístico

de Durbin - Watson

- El error estándar de ajuste se usa para medir la precisión de la estimación de la

respuesta media. El error debe ser menor para poder tener una respuesta

pronosticada precisa.

pág. 8
 - El Intervalo de Confianza se usa para evaluar la estimación del valor ajustado para

los valores que hemos observado en nuestras variables elegidas. Dentro de ese

rango están los valores que tienen significancia para nuestro problema elegido.

- Se usa el método de residuos cuando se viola el supuesto de Cuadrados Mínimos

de la varianza constante en los residuos (heteroscedasticidad).

- El apalancamiento se usará en nuestro trabajo para medir la distancia del valor “X”

de una observación hasta el promedio de valores X de todas las observaciones de

los datos.

- La distancia de cook considera el valor de apalancamiento como el residuo

estandarizado para determinar el efecto de la observación.

- Los DFITS si tienen valores grandes pueden ser influyentes y debemos determinar si

son errores de entrada de datos o de medición.

- El estadístico de Durbin-Watson será usado para determinar la autorrealización

entre los términos de error adyacentes. Si se concluye que están correlacionados, la

regresión de los mínimos cuadrados puede subestimar el error estándar de los

coeficientes.

4.2 Diseño de la investigación

Nuestro diseño implementado en el proyecto de investigación es no experimental y

transversal. Según Hernandez, Fernandez & Baptista (2010), se define como diseño no

experimental al proceso que consiste en la observación de fenómenos en un contexto

totalmente natural que proceden a ser analizados. Asimismo, se realizan sin manipular las

variables y con varios estudios cuantitativos.

Además, dichos autores también definen como diseño transversal, ya que que se recolecta

datos y se describen una o más variables en un momento dado , según relatan en su libro

“Metodología de la Investigación”.

pág. 9
4.3. Diagrama de flujo

GRÁFICA N°1 : Diagrama de flujo

Elaboración propia

4.4. Población de estudio

Según Hernández-Sampieri (2018) afirma: “Las poblaciones deben situarse de

manera concreta por sus características de contenido, lugar y tiempo, así como

accesibilidad” (p.199). Todos los años del Perú en el cual se implementaron el uso de

energía renovable por las empresas.

pág. 10
4.5. Muestra de estudio

Se recolectaron 31 años del Perú en el cual se implementaron el uso de energía

renovable por las empresas o familias. Se ha escogido esta cantidad como muestra, debido

a que es lo recomendable para poder obtener una estimación más precisa. La distribución

de medias estará más concentrada en torno a la media poblacional. Asimismo, es más

asertivo que la media muestral se aproxime más a la media poblacional; por lo tanto el

margen de error será menor (Ochoa, 2013).Por último, Según Cea, M (2004), señala que, la

adecuación del tamaño de muestra en regresión lineal está en relación con el número de

variables independientes que se incluyen en el modelo para la predicción de Y. Además,

indica que mínimo debe ser 10 casos por cada variable independiente.

4.6. Diseño de instrumento de recolección de datos

Para la realización del proyecto, se han utilizado distintos equipos e instrumentos,

tales como una laptop, el programa Excel y un navegador web. En primer lugar, abriremos

un navegador Web, entraremos a páginas confiables para recolectar datos de nuestras

variables independientes predefinidas. Estos datos serán grabados dentro de una hoja

Excel, en la cual se definirán en las columnas los nombres de las variables independientes y

la variable dependiente; y en las filas, los 31 años del Perú que se han escogido.

Imagen 1° : Recolectores de datos

Fuente: Google imágenes

4.7. Procedimiento realizado para recolectar datos

● Paso 1

pág. 11
Se identificaron páginas confiables de información como Scielo, Google Académico y

Repositorio UPC.

Imagen 2° : Página confiable

Fuente: Repositorio académico UPC

● PASO 2

Y el último paso fue seleccionar tesis, artículos, páginas Web, etc que nos sean útiles para

la obtención de datos. Finalmente, comparando la información brindada en cada una de

ellas, elegimos Datosmacro.com, ya que nos brindaban numerosos datos y confiables.

Imagen 3° : Recolección de datos

pág. 12
 Fuente: Datosmacro

5. Resultados y análisis

5.1 Análisis de la relación entre las variables

5.1.1 Preparación de los datos:

Para realizar la selección de la base de datos ideal se realizó una intensa búsqueda. Así

como también el respectivo análisis en minitab con la finalidad de corroborar que la base de

datos a estudiar nos da un resultado a interpretar.

Por otro lado, el conjunto de datos mostrados es la unión de dos bases de datos obtenidas

en DatosMacro.com. La base de datos presenta 31 observaciones, las cuales están

conformadas entre los años del 1990 al 2020 del Perú. Seleccionamos este periodo de

años, debido a que observamos que eran cifras significativas en la variación del consumo

de energía renovable y la emisión de CO2 que se da en el Perú.

El conjunto de datos a analizar está conformado por una variable dependiente y tres

variables independientes. La variable dependiente hace referencia al consumo de energía

renovable por año. Por otro lado, las variables independientes hacen referencia a la

capacidad renovable total (MW), las emisiones de kg CO2 por $1000 PBI del país, y a la

capacidad instalada eléctrica renovable (GWH) en el Perú.

A Continuación, se presentan los datos recolectados en forma descendiente:

pág. 13
 Tabla N°1 : Base de datos del Uso de energías renovables

Fuente: Datos Macro

pág. 14
REPRESENTACIÓN:

- Variables:

➢ Y: Consumo de electricidad renovable (Gwh)

➢ X1: Emisiones de CO2 por PBI ( Kg/ $1000)

➢ X2: Capacidad renovable total ( Mw)

➢ X3: Capacidad disponible de electricidad renovable (Gwh)

- Técnica estadística:

➢ Análisis de Regresión Lineal Múltiple

- Nivel de significación del 5% y un nivel de confianza del 99%

5.1.2. Plan de Análisis:

1) Calcular la correlación existente entre la variable dependiente y cada variable

independiente

2) Estimación del modelo completo e interpretar las medidas de bondad de ajuste

3) Validación del modelo completo: prueba global (tabla de ANOVA) y prueba

individual (tabla de coeficientes), si el modelo completo es válido se debe verificar el

cumplimiento de supuestos y detección de puntos influyentes.

4) Si el modelo completo no es válido o incumple con algún supuesto se realiza la

estimación de un modelo reducido mediante el método de selección de Modelo Paso

a Paso.

5) Verificación del cumplimiento de los supuestos y detección de puntos influyentes del

modelo reducido.

6) Identificación de las variables que influyen y la variable más influyente.

7) Pronóstico de la variable dependiente a través de un intervalo de confianza.

5.1.3. CORRELACIÓN DE LA VARIABLE DEPENDIENTE Y CADA VARIABLE

INDEPENDIENTE

Los coeficientes de correlación son medidas que muestran el grado de relación

existente entre dos variables, la asociación y comportamiento de estas. Son valores que

pág. 15
varían entre 1 y -1. El valor r=0 refiere que no existen relación entre las variables (Súarez,

s/f). Usaremos el coeficiente de Pearson debido a que son variables cuantitativas.

Según Ángeles (2004), la relación entre la variable dependiente y cada variable

independiente debe ser lineal, esta puede ser creciente o decreciente. De lo contrario, es

preciso realizar una transformación logarítmica en la variable independiente para poder

alcanzar la linealidad. Si no representa una gráfica lineal ni curvilínea, se concluye que no

existe relación entre las variables.

5.1.3. GRÁFICA DE Y VS X1

Imagen N°4 : Y VS X1

Fuente: Minitab

Imagen N°5: Método y Correlaciones

pág. 16
Fuente: Minitab

Valor r =-0.851

Interpretación: Con un nivel de confianza del 99%, el coeficiente de correlación resulta -

0.851. Según Súarez (s/f), si el valor de r se encuentra en el intervalo [-0.7; -0.89], presenta

una correlación lineal negativa alta. Por lo tanto, se puede concluir que las variables

Emisión de C02 por 1000$ PBI y consumo de electricidad renovable presentan una

correlación lineal negativa alta.

5.1.4. GRÁFICA DE Y VS X2

Imagen N°6 : Y VS X2

Fuente: Minitab

Imagen N°7 : Correlaciones y método

Fuente: Minitab

Valor r =0.970

pág. 17
Interpretación: Con un nivel de confianza del 99%, el coeficiente de correlación resulta

0.970. Según Súarez (s/f), si el valor de r se encuentra en el intervalo [0.9; 0.99], presenta

una correlación lineal positiva muy alta. Por lo tanto, se puede concluir que las variables

Consumo de electricidad renovable y la Capacidad renovable total presentan una

correlación lineal positiva muy alta.

5.1.5. GRÁFICA DE Y VS X3

Imagen N° 8 : Y VS X3

Fuente: Minitab

Imagen N°9 : Correlaciones y método

Fuente: Minitab

Valor r =0.961

Interpretación: Con un nivel de confianza del 99%, el coeficiente de correlación resulta

0.961. Según Súarez (s/f), si el valor de r se encuentra en el intervalo [0.9; 0.99], presenta

pág. 18
una correlación lineal positiva muy alta. Por lo tanto, se puede concluir que las variables

Consumo de electricidad renovable y la Capacidad disponible de electricidad renovable

presentan una co lineal

5.1.3. Cálculo y análisis:

● Paso 1:

Estimación del modelo completo y medidas de bondad de ajuste (R2 ajustado, S)

- La ecuación estimada del modelo completo es:

Imagen N°10 : Ecuación de regresión obtenidos del Minitab

Fuente: Minitab

Imagen N°11 :Resultado de coeficientes de la evaluación de datos en Minitab

Fuente: Minitab

A Través, de esta gráfica podemos identificar la siguiente ecuación para el modelo:

ŷ = 22.58 -103.1X1+0.962X2 + 1.560X3

- Resumen del modelo:

De acuerdo con el siguiente cuadro obtenido con ayuda con Minitab, el cual nos

muestra las siguientes medidas de bondad de ajuste

pág. 19
 Imagen N°12 :Resumen del modelo general en Minitab

Fuente: Minitab

Interpretación:
2
- R ajustada= 96.44% → El 96.44% de la variabilidad del consumo de electricidad renovable

es explicada por la capacidad renovable total, las emisiones de CO2 por PBI y la capacidad

disponible de electricidad renovable, mediante el modelo lineal estimado.

- S = 1.26489 → La variabilidad o dispersión de los valores muestrales (y) alrededor

de la recta de regresión estimada (ŷ) es de 1.26489 .

- Modelo de regresión lineal múltiple estimado:

ŷ = 22.58 -103.1X1+0.962X2 + 1.560X3

● Paso 2:

Validación del modelo completo: prueba global (tabla de ANOVA) y prueba individual (tabla

de coeficientes), si el modelo completo es válido se debe verificar el cumplimiento de

supuestos y detección de puntos influyentes.

Prueba global del modelo global ( ANOVA)

- H0: β1 = β2 = β3 = 0

- H1: Al menos un βi ≠ 0

De acuerdo con el siguiente cuadro obtenido en Minitab

Imagen N°13 : Prueba global del modelo global ( ANOVA) en Minitab

pág. 20
 Fuente: Minitab

Fcal = 271.95 Fcrítico: INV.F.CD(0.05;3;27)=2.96

p – valor = 0.000 ; α = 0.05

Decisión: Como p – valor < α, se rechaza H0

Conclusión: Al 5% de nivel de significación, la evidencia muestral es suficiente

para afirmar que existe un modelo que relacione el consumo de electricidad

renovable con la capacidad renovable total, emisiones de CO2 por PBI y la

capacidad disponible de electricidad renovable.

Prueba individual del modelo completo: (tabla de coeficientes)

De acuerdo con el siguiente cuadro obtenido con la ayuda de Minitab.

Imagen N°14 : Prueba individual del modelo completo en Minitab

Fuente: Minitab

pág. 21
A partir de la salida de la base de datos procesada en minitab se observa una particularidad

en la columna del valor p en cuanto a las variables independientes. La variable X1 y X2

cumplen con el supuesto de ser menores del alfa(0.05). Por el contrario, la variable X3

presenta una valor superior al alfa (0.05).

Imagen N°15: Análisis de la prueba individual del modelo completo en Minitab

Elaboración propia

Asimismo, debemos tener en cuenta que si en el modelo completo existen puntos

influyentes deben eliminarse y luego aplicar la regresión por pasos (métodos paso a paso).

● Paso 3:

Valores atípicos

Los residuales es la variación de los valores observados yi con los valores calculados ŷi

para cada caso.

● Los residuales estandarizados son el resultado de dividir cada residual por la raíz del

cuadrado medio residual.

● Los residuales estudentizados no consideran esta aproximación y emplean la

desviación exacta del i-ésimo residual, y pueden tener mayor confiabilidad en la

detección de valores atípicos (Montgomery, Peck, & Vining, 2002).

Según Ángeles (2004), se puede considerar el intervalo de -3 a 3 de los residuales

distribuidos normalmente como región de confianza (aproximadamente el 99%) para su

pág. 22
aceptación en el modelo. Además, debemos tener en cuenta que un intervalo de tres

desviaciones estándar de radio representa el 99.7% de la población de la muestra que se

estudia, asumiendo que posee una distribución normal (Lorenzo, 2019). Asimismo, los

residuos que se aparten de ese intervalo pueden indicar presencia de valores atípicos, es

decir una observación que no es típica del resto de los datos. Es importante mencionar que

existen otros métodos para la detección de valores atípicos, como las distancias de Cook

(Weisberg & Cook, 1985) y los intervalos de confianza. Por último, las observaciones poco

comunes (también llamadas observaciones influyentes) son observaciones que tienen un

impacto desproporcionado en un modelo de regresión. Es importante identificar las

observaciones poco comunes porque pueden producir resultados engañosos. Por ejemplo,

una observación poco común puede ejercer una gran influencia al determinar R2, las

estimaciones de los coeficientes de regresión o la magnitud del cuadrado medio de error.

Verificación de las distancias de cook

Las distancias de Cook , se usan en el análisis de regresión para encontrar valores atípicos

influyentes en un conjunto de variables predictoras , es decir, es una forma de identificar

puntos que afectan negativamente su modelo de regresión. Además, cuanto mayor sea el

apalancamiento y los residuos, mayor será la distancia de Cook. También, se debe tener en

cuenta que si estas distancias son mayores a 1(Di > 1), se consideran

influyentes.Asimismo, se recomienda eliminar esa fila de datos para que no exista valores

influyente.(Cook y Weisberg 1994, p.118)

Imagen N°16 : Búsqueda de los puntos influyentes en el Minitab

Fuente: Minitab

pág. 23
 Como el máximo valor de las 29 distancias de Cook es 0.2569, significa que ninguna

observación presenta una distancia de Cook mayor a 1.Por lo tanto, no existen

observaciones o puntos influyentes.

Ajustes y diagnósticos para observaciones poco comunes

Imagen N°17 : Base de datos de la

A través de esta imagen podemos visualizar que tenemos dos observaciones en la fila 24 y

27. Asimismo, estos residuos nos indican que son residuos muy grandes y poco comunes y

el residuo de la fila 27 , no se encuentra dentro del intervalo -3 a 3 . Por lo tanto , se

eliminarán estas dos filas ya que contienen valores atípicos. De esta manera no afectará el

método paso a paso.

● Paso 4:

Como el modelo completo no es válido o incumple con algún supuesto se realiza la

estimación de un modelo reducido mediante el método de selección de Modelo Paso a

Paso, comprobar el cumplimiento de los supuestos y detección de observaciones

influyentes.

Imagen N°18 : Modelo Paso a Paso en Minitab

pág. 24
 Fuente: Minitab

Utilizando un alfa de entrada igual a 0,05 y un alfa de salida igual a 0,05 con ayuda de

Minitab pudimos obtener las tablas con los valores necesarios para el análisis estadístico.

Imagen N°19 : Ecuación de regresión del modelo reducido en Minitab

Fuente: Minitab

Imagen N°20 : Ecuación de regresión del modelo reducido en Minitab

Fuente: Minitab

- Ecuación estimada del modelo: ŷ = 22.52 - 96.2X1 +1.5503X2

Imagen N°21 : Resumen del modelo reducido en Minitab

pág. 25
 Fuente:Minitab

Interpretación:

2
- R ajustada= 97.50% → El 97.50% de la variabilidad del consumo de electricidad

renovable es explicada por la capacidad renovable total y las emisiones de CO2 por

PBI a través del modelo de regresión estimado.

- S = 1.07359 → La variabilidad o dispersión de los valores muestrales ( y)

alrededor de la recta de regresión estimada ( ŷ) es de 1.07359.

- Modelo de regresión lineal múltiple estimado: ŷ = 22.52 - 96.2X1 +1.5503X2

Interpretación de los coeficientes:

- β̂1= -96.2 → Si las emisiones de CO2 por PBI disminuyen en un Kg por $ 1000, el

consumo de electricidad renovables disminuye aproximadamente (promedio) en -

96.62 gigawatts- hora, manteniendo constante la capacidad renovable total

- β̂ 2= 1.5503 → Si la capacidad renovable total incrementan en un mega watts , el

consumo de electricidad renovables aumentan aproximadamente (promedio) en

1.5503 gigawatts- hora, manteniendo constante las emisiones de CO2 por

PBI.

Prueba conjunta

- H0: β1 = β2 = 0

- H1: Al menos un βi ≠ 0

De acuerdo al siguiente cuadro obtenido en Minitab

Imagen N°22 : Prueba conjunta del modelo reducido en Minitab

pág. 26
 Fuente: Minitab

- Fcal = 546.15

- Fcrítico: INV.F.CD(0.05;2;26)=3.3690

- Valor p = 0.000 ; α = 0.05

- Decisión: Como p – valor < α, se rechaza H0

- Conclusión: Al 5% de nivel de significación, el modelo con las dos variables X1 y

X2 es válido.

Prueba individual

Imagen N°23 : Prueba individual del modelo reducido en Minitab

Fuente: Minitab

Imagen N°24: Análisis de la prueba individual del modelo reducido en Minitab

pág. 27
 Fuente: Elaboración propia

Después de realizar la prueba individual y global concluimos que nuestro modelo completo

es válido. Por lo tanto, nuestra ecuación estimada del modelo es la misma.

● Paso 5:

Verificación del cumplimiento de los supuestos y detección de puntos influyentes del modelo

reducido.

- Normalidad de errores:

Para la prueba de normalidad de errores, se utilizó la prueba de Anderson

Darling, y se determinó que datos cumplen el supuesto de normalidad para una

prueba t.

Asimismo, de no cumplirse este supuesto de normalidad y que no exista una

distribución normal, se usa la transformación de Box Cox, ya que son útiles para

obtener nuevas variables con distribuciones más parecidas a la de la normal. Este

método busca un valor "lambda" para elevar la variable hasta encontrar la

desviación estándar más cercana a cero, y así obtener una nueva variable con una

distribución más "normal" (Minitab,2021).

Teniendo en cuenta el siguiente reporte del programa Minitab:

H0: Los errores siguen una distribución normal

H1: Los errores no siguen una distribución normal

pág. 28
 Imagen N°25 : Gráfica de la Normalidad de errores en Minitab

Fuente: Minitab

AD = 0.237

Valor p = 0.766 ; α = 0.05

0.766 > 0.05 (El valor p es mayor al nivel de significación)

Decisión: No se rechaza H0

Conclusión: Al 5% de nivel de significación, se asume que los errores siguen una

distribución normal. Por lo tanto, se cumple con el supuesto.

- No autocorrelación de los errores y homocedasticidad de los errores

La prueba más conocida para detectar correlación serial es la de los estadísticos

Durbin y Watson. Se le conoce como estadístico d de Durbin-Watson. Según

Ángeles, C. ( 2004) , si el estadístico(d ) se encuentra entre 1.5 y 2.5 se puede

pág. 29
asumir que el supuesto de independencia de errores se cumple . Por lo tanto,

también se cumple el supuesto de homocedasticidad.

Teniendo en cuenta el siguiente reporte del programa Minitab:

H0: Los errores no están autocorrelacionados

H1: Los errores si están autocorrelacionados

Imagen N°26 : Estadístico de Durbin- Watson en Minitab

Fuente: Minitab

El valor del Durbin-Watson es 1.48473, lo cual aproximando a 1 cifra decimal es 1.5.

Este valor está contenido en el intervalo de [1.5 a 2.5]. Al 5% de significación se

asume que los errores no están autocorrelacionados, además se puede asumir que

las varianzas de los errores son constantes o se cumple el supuesto de

Homocedasticidad. Por lo tanto, se cumple con los supuestos.

En caso si no se cumpliera el durbin watson y presenta autocorrelación se deberá

tomar las medidas correctivas:

Según Gujarati (2010) , hay cuatro opciones:

1. Tratar de averiguar si se trata de autocorrelación pura y no del resultado de

una mala especificación del modelo, a veces se observan patrones en los

residuos porque el modelo está mal especificado es decir, se excluyeron

variables importantes o porque su forma funcional no es correcta.

2. Si se trata de autocorrelación pura, se puede utilizar una transformación

apropiada del modelo original de manera que en el modelo transformado no

se presente ya el problema de la autocorrelación. Otra alternativa, es utilizar

algún método generalizado de mínimos cuadrados.

pág. 30
 3. En muestras grandes, utilizar el método de Newey-West para obtener los

errores estándar de los estimadores de MCO corregidos para

autocorrelación.

4. En algunas situaciones se puede conservar el método MCO.

- No multicolinealidad de las variables independientes:

Así, pues, el FIV (β j)es la razón entre la varianza observada y la que habría sido en

caso de que Xj estuviera incorrelacionada con el resto de regresores del modelo.

Dicho de otra forma, el FIV muestra en qué medida se «agranda» la varianza del

estimador como consecuencia de la no ortogonalidad de los regresores. Algunos

autores consideran que existe un problema grave de multicolinealidad cuando el FIV

de algún coeficiente es mayor de 10, es decir, cuando el 2 Rj >0,90.

Imagen N°27: en Minitab

Fuente: Minitab

Como todos los valores FIV no son mayores a 10 en todas las variables

independientes , se puede concluir que no hay problemas de multicolinealidad entre

las variables X1( Emisión de C02 por 1000$ PBI) y X2 (Capacidad renovable total).

Por lo tanto, el modelo reducido cumple con todos los supuestos

- Detección de observaciones o puntos influyentes:

Asimismo, debemos tener en cuenta que si en el modelo reducido existen puntos

influyentes deben eliminarse.

Imagen N°28: Búsqueda de puntos influyentes

pág. 31
 Fuente: Minitab

Como el máximo valor de las 29 distancias de Cook es 0.3890, significa que

ninguna observación presenta una distancia de Cook mayor a 1.Por lo tanto, no

existen observaciones o puntos influyentes (Weisberg & Cook, 1985).

Por último, el modelo reducido cumple con todos los supuestos y no presenta

observaciones influyentes, el segundo modelo puede ser utilizado para realizar

pronósticos o estimaciones.

Tabla N°29: Base de datos de la

A través de la imagen podemos visualizar que no se encuentran valores atípicos, ya

que están dentro del intervalo -3 a 3 . Por lo tanto , no se eliminará ninguna fila , ya

que no existen valores atípicos (Montgomery, Peck, & Vining, 2002).

● Paso 6:

Identificación de las variables que influyen y la variable más influyente.

Imagen N°30 : Identificación de las variables independientes con mayor influencia en

el Minitab

pág. 32
 Fuente: Minitab

- Con un 5% de nivel de significación, la evidencia muestral es suficiente para afirmar

que la capacidad renovable total y las emisiones de CO2 por PBI influyen en la

explicación del consumo de electricidad renovable.

- Además, la variable independiente que más influye en el consumo de energía

renovable es la capacidad renovable total.

● Paso 7:

Pronóstico de la variable dependiente a través de un intervalo de confianza.

Finalmente, para hallar el pronóstico de la variable dependiente. Nuestro equipo de trabajo

determinó que en base a los mínimos y máximos valores de cada variable independiente

estableceremos valores que estén dentro del rango. Para ello, planteamos un contexto :

Se desea conocer la tendencia del consumo de energías renovables en los últimos 31 años.

considerando que esta cantidad ha sufrido aumentos al paso de los años. Si el consumo de

electricidad renovable es superior a 15 Gwh , cuando la evolución de las emisiones de kg de

CO2 por cada 1.000 dólares de PIB (eficiencia medioambiental) es “0.17” , la capacidad

pág. 33
renovable total en MW es “9.467 ”y la capacidad disponible de electricidad renovable en

Gwh es de “3.854”. Se recomendará a las empresas invertir en energías renovables.

Imagen N°31: Límite superior e inferior de las variables independientes

Fuente: Minitab

Utilizamos estas dos variables independientes X1 y X2, ya que cuando realizamos el

método de paso a paso solo nos quedamos con las siguientes variables.

Datos:

- X1_Emisiones de CO2 por PBI: 0.17

- X2_Capacidad renovable total (MW): 9.467

Por lo tanto, para realizar la predicción sólo utilizamos estos valores de 0.17 y 9.467. Y

utilizaremos un nivel de confianza del 99% porque trabajamos en el intervalo de -3 a 3

(Lorenzo, 2019).

A través de la herramienta del Minitab, pudimos obtener el siguiente cuadro:

Imagen N°32: Pronóstico de la variable dependiente en el Minitab

Fuente: Minitab

IP (Y) = [ 17.6261; 24.0654] gigawatts - hora

Con un nivel de confianza del 99%, el consumo de electricidad renovable se encuentra

contenida en el intervalo de 17.6261 a 24.0654 de gigawatts, cuando la capacidad

pág. 34
renovable total es de 9.467 megawatts y las emisiones de CO2 por PBI es de 0.17 Kg por $

1000.

A partir del intervalo , se puede afirmar que el consumo de electricidad renovable es mayor

a 15 Gwh , porque todo el intervalo es mayor al valor de 15 Gwh. Por lo tanto, se

recomienda a las empresas invertir en las energías renovables.

6. Conclusiones
● La variable independiente que presenta una mayor relación con el consumo de

electricidad renovable es la capacidad renovable total, ya que presenta un

coeficiente de correlación de 0,970 (Coeficiente de Pearson)

● Las variables capacidad renovable total y las emisiones de kg CO2 por $1000 PBI

son las variables que poseen una relación de dependencia al consumo de

electricidad renovable.

● Tras analizar los puntos influyentes y observaciones pocos comunes. Se obtuvieron

dos observaciones al evaluar la muestra. Se eliminaron ambas filas de datos, los

cuales nos permitieron obtener un mayor valor en nuestro R2 ajustado. Pasó de

96.44% a 97.68%.

● Luego de evaluar el pronóstico de la variable dependiente, se obtuvo que el valor de

Y supera los 15 Gwh cuando la evolución de las emisiones de kg de CO2 por cada

1.000 dólares de PIB (eficiencia medioambiental) es “0.17” , la capacidad renovable

total en MW es “9.467 ”y la capacidad disponible de electricidad renovable en Gwh

es de “3.854”. Por lo tanto, se recomendó a las empresas invertir en energía

renovable.

7. Resultados y discusión
El análisis de regresión permite conocer la relación estadística entre las variables que lo

componen. En este sentido, la regresión lineal múltiple evalúa la relación existente entre la

variable dependiente con sus variables independientes. Antes de realizar cualquier

pág. 35
interpretación se debe hacer la prueba de correlación, la cual si los valores están entre [-1;1]

indica que existe una relación entre la variable dependiente e independiente. Seguidamente,

se procede a verificar el cumplimiento de ciertos supuestos lo cual permite saber si el

conjunto de base de datos estudiado nos dará un resultado a interpretar.

En primer lugar, se realiza el método general con la base de datos a evaluar. El cual

consiste en evaluar diferentes supuestos. A Continuación se presenta los resultados

obtenidos,

● Alto porcentaje de la medida de bondad, se cumplio al obtener 96.44%

● Prueba global ANOVA, de la regresión el valor-p menor a 0.05 y el Fcritico<Fcal

● P–valor de las variables independientes menor 0.05, se cumplio solo en las

variables X1 y X2 ( se rechaza H0); por lo que X3 (no se rechaza H0) no es una

variable influyente.

● Evaluación de valores atípicos, valores COOK menor a 1 y valores RESI entre [-

3;3] para valores fuera de los límites se elimina la observación precedente.

Al no cumplir todos los supuestos en el método general se procede a efectuar el método

paso a paso, que se compone por la misma evaluación de supuestos. Asimismo por el

método paso a paso solo considera a las variables X1 y X2 como influyentes, a raíz de la

evaluación del método anterior. A Continuación se presenta los resultados obtenidos,

● Alto porcentaje de la medida de bondad, se cumplio al obtener 97.50%

● Prueba global ANOVA, de la regresión el valor-p menor a 0.05 y el Fcritico<Fcal

● P–valor de las variables independientes menor 0.05, se cumplio solo en todas

variables( X1 y X2, se rechaza H0); por lo que el modelo es válido.

● Normalidad de errores( p-valor> 0.05), se cumple al obtener una valor mayor (p-

valor=0.766)

● Estadístico de Durbin-Watson, estar entre los valores [1.5;2.5] se cumple al tener

1.5

● No multicolinealidad entre variables independientes, valor FIV menor a 10

pág. 36
 ● Evaluación de puntos influyentes, valores COOK menor a 1 y valores RESI entre [-

3;3], de los datos no se elimina ningun datos

Por lo tanto, se asume que las variables emisión de CO2 por 1000 $ de PBI (X1) y

capacidad renovable (X2) tienen una relación lineal continua con la variable dependiente Y.

obteniendo una relación, Y = 22.52 - 96.22.X1 + 1.5503X2; por lo que sí las emisiones

disminuyen en un kg por 1000$, el consumo de energía renovable disminuye

aproximadamente en -96.22. Asimismo, si la capacidad renovable aumenta, el consumo de

energía renovable aumenta aproximadamente en 1.5503.

A partir de ello podemos responder nuestra hipótesis de que los factores ambientales

influyen en la utilización de energías renovables, por lo tanto los factores relacionados

directamente con el consumo de energías renovables son dos: la emisión de CO2 por 1000

$ de PBI (X1) y la capacidad renovable (X2).

8. Recomendaciones

● Optar por analizar la mayor cantidad de datos para prever posibles eliminación de

observaciones ante los métodos a evaluar.

● Profundizar las funciones del minitab que nos permitan levantar algún supuesto que

no se cumpla.

9. Referencias bibliográficas

Ángeles, M. (2004).Análisis multivariable: teoría y práctica en la investigación social.

Recuperado de

https://na01.alma.exlibrisgroup.com/permalink/51UPC_INST/102v5av/alma999581487

03391 [Consulta: 15 de noviembre del 2022]

Bianchi Santiago, J. D. (2012). Estudio de viabilidad sobre el uso de energía renovable

solar en la oficina de campo de proyectos de infraestructura [Tesis]. Recuperado de

https://scholar.uprm.edu/handle/20.500.11801/1571 [Consulta: 27 de octubre del

2022]

Caraballo Pou, (2017). Energías renovables y desarrollo económico. Un análisis para

España y las grandes economías europeas. El trimestre económico, 84(335), 571-

pág. 37
 609. Recuperado de

https://www.energias-renovables.com/ficheroenergias/productos/pdf/

cuaderno_GENERAL.pdf [Consulta: 26 de octubre del 2022]

Cook, R. D., & Weisberg, S. (2009). An introduction to regression graphics (Vol. 405). John

Wiley & Sons. Recuperado de

https://www.academia.edu/8507201/_R_Dennis_Cook_Sanford_Weisberg_An_introdu

ction_Book_Fi_org_ [Consulta: 5 de noviembre del 2022]

Da Silva Almeida, L. (2022). Determinantes del consumo de energía renovable en la Unión

Europea: Un análisis entre ue-15 y los 13 nuevos miembros. Revista de Estudios

Empresariales. Segunda época, (1), 94-116. Recuperado de

https://dialnet.unirioja.es/servlet/articulo?codigo=8331379 [Consulta: 04 de noviembre

del 2022]

DatotosMacro(2021).Perú - Generación de electricidad. DatosMacro.com Recuperado de

https://datosmacro.expansion.com/energia-y-medio-ambiente/electricidad-

generacion/peru [Consulta:5 de Noviembre del 2022]

DatosMacro(2021).Perú - Emisiones de CO2. DatosMacro.com. Recuperado de

https://datosmacro.expansion.com/energia-y-medio-ambiente/emisiones-co2/peru

[Consulta: 5 de noviembre del 2022]

Goode-Romero, G., Aguayo-Ortiz, R., & Domínguez, L. (2019). Relaciones cuantitativas

estructura-actividad/propiedad en dos dimensiones empleando el programa R.

Educación química, 30(2), 27-40. Recuperado de:

https://www.scielo.org.mx/pdf/eq/v30n2/0187-893X-eq-30-02-27.pdf [Consulta: 5 de

noviembre del 2022]

Gonzalez de la Guía, A(2010). La transformación Box- Cox (tesis de grado) . Universidad

Complutense, Madrid. Recuperado de: https://eprints.ucm.es/id/eprint/47245/1/TFG16-

17_ADE_de%20la%20Guia.pdf [Consulta: 21 de noviembre del 2022]

Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología

de la Investigación. Sexta Edición. Editorial McGraw-Hill. México. Recuperado de:

pág. 38
 https://www.uca.ac.cr/wp-content/uploads/2017/10/Investigacion.pdf [Consulta: 29 de

octubre del 2022]

Mitma Ramírez, R. E. (2015). Análisis de la Regulación de Energías Renovables en el

Perú. Derecho & Sociedad, (45), 167-176. Recuperado a partir de

https://revistas.pucp.edu.pe/index.php/derechoysociedad/article/view/15235 [Consulta:

15 de noviembre del 2022]

Minitab. Revisión general de Transformación de Johnson. Minitab. Recuperado de:

https://support.minitab.com/es-mx/minitab/20/help-and-how-to/quality-and-process-

improvement/quality-tools/how-to/johnson-transformation/before-you-start/overview/

#:~:text=Utilice%20la%20Transformaci%C3%B3n%20de%20Johnson,transformados

%20siguen%20una%20distribuci%C3%B3n%20normal. [Consulta: 5 de noviembre del

2022]

Ochoa, C. (2013). ¿Qué tamaño de muestra necesito?. Recuperado de

https://www.netquest.com/blog/es/que-tamano-de-muestra-necesito [Consulta: 14 de

noviembre del 2022]

Pereyra, R. T., & de Electricidad, D. G. (2011). Potencial de las Energías Renovables en el

perú. Ministerio de Energía y Minas-Perú. Recuperado de

https://www.osinergmin.gob.pe/newweb/uploads/Publico/SeminarioIntEFERP/

Miercoles%205.10.2011/3.%20Potencial%20de%20Energias%20Renovables

%20DGE-%20Roberto%20Tamayo.pdf [Consulta: 15 de noviembre del 2022]

Quiroz Ramirez, M. R.(2011). “La importancia del marco normativo para impulsar el

desarrollo de energías renovables en el Perú” [Tesis]. Recuperado de

https://renati.sunedu.gob.pe/bitstream/sunedu/865633/1/Quiroz_Ramirez_MR.pdf

[Consulta: 16 de noviembre del 2022]

Rojo, J. (2007). Regresión lineal múltiple. Madrid: Instituto de Economía y Geografía.

Recuperado de

http://humanidades.cchs.csic.es/cchs/web_UAE/tutoriales/PDF/Regresion_lineal_multi

ple_3 [Consulta: 5 de noviembre del 2022]

pág. 39
Súarez, M (s/f). Coeficiente de correlación de Karl Pearson. Recuperado de

monografias.com/trabajos85/coeficiente-correlacion-karl-pearson/coeficiente-

correlacion-karl-pearson [Consulta: 15 de noviembre del 2022]

pág. 40
10. Anexos

Anexo 1: Ficha - Ruta cuantitativa

pág. 41
pág. 42
pág. 43
Anexo 2: Base de datos de las energías renovables

pág. 44
Anexo 3: Cuadro resumen de RESID Y COOK del método general y paso a paso.

pág. 45
Anexo 4: diagrama de Fluj

pág. 46
pág. 47