TP N3: Correlaciones.

Di Palma, Kevin, Manusakis, Sofa; Vzquez, Nicols

Universidad de Buenos Aires - F.C.E.N
Laboratorio Fsica I

Resumen

Este trabajo tiene como cometido estudiar la relacin entre dos variables particulares. A travs
de un conjunto de mediciones correspondientes a la longitud y a la masa de hojas de gomero
(Ficus elstica), se busc relacionar dichas magnitudes, mediante el modelo de regresin
lineal. Como resultado, se observo un buen ajuste al modelo, corroborado por el valor del
coeficiente de correlacin lineal de Pearson (p). A su vez, se obtuvo el valor del exponente
alomtrico (b), y se lo comparo con otros exponentes predichos en plantas, sabiendo que
habitualmente ste, toma valores mltiplos de .

Introduccin

En muchas ocasiones analizamos variables que se comportan de manera independiente. Sin
embargo, en ocasiones puede darse que dos (o ms) variables se relacionen a travs de
funciones matemticas.
Hay diversos tipos de modelos de regresin, en el caso de los simples podemos encontrar:
lineales o no lineales. Los primeros son los ms bsicos ajustan bien a la funcin:

y
i
= + x
i
[1]

El modelo de regresin lineal busca la recta ms probable, es decir, la que minimice el error de
X e Y, y tenga por centro a sus respectivas medias.
Las no lineales se comportan de manera distinta (exponenciales, logartmicas, trigonomtricas,
entre otras) y en algunos casos, se pueden aplicar cambios de variables para favorecer el
ajuste lineal (transformando X, Y o ambas). Hay diversas maneras de linealizar los datos y eso
depende de cada caso en particular.
El de coeficiente de correlacin lineal de Pearson () indica el grado de asociacin lineal entre
dos variables aleatorias y se calcula como:

= Cov (xy) [2]

x

y

donde Cov(xy) es la covarianza de X e Y,
i
el error estndar de las variables.
Toma valores entre [-1,1]. Si >0 la relacin es directa; si p<0 y si p=0 las variables son
independientes. Cunto mas se aproxime a |1|, mejor ser el ajuste.
Este ndice, aunque efectivo, puede resultar engaoso. Si se observa una relacin entre dos
variables, eso no implica necesariamente una relacin causa-efecto (sobre todo en estudios
observacionales). La relacin misma puede verse influenciada por una tercera variable que no
est siendo evaluada (variable subyacente). La veracidad de lo observado depender
netamente del diseo experimental.

Diseo Experimental.

El trabajo fue realizado con hojas de un rbol de gomero (Ficus elastica) situado en el predio
de Ciudad Universitaria. Se procedi a medir el largo de la hoja (desde la base de la lmina, sin
incluir el pecolo, hasta el pice de la misma), as como su peso.
La longitud se obtuvo empleando una cinta mtrica y su masa con una balanza digital.
Se parti del supuesto de que las variables presentan un buen ajuste a una funcin
exponencial de la forma:

Y = Y
0
. X
b
[3]

Donde Y
0
es una constante de normalizacin que depende de la naturaleza de Y; b es el
exponente alomtrico que, segn observaciones realizadas por Brian J. Enquist*, James H.
Brown* & Geoffrey B. West, habitualmente toma valores de exponentes mltiplos de y
caracterizan distintos ciclos vitales. La variable Y representa el largo de la hoja y X es la masa.
Aplicando logartmos se pudo linealizar la funcin [3] y llevarla a la forma:

ln(Y) = ln(Y
0
) + b.ln(X) [4]

ahora ln(Y
0
) ser nuestra ordenada al origen y b la pendiente de la recta.


Resultados

La regresin lineal obtenida es la siguiente. Se observa un buen ajuste al modelo lineal y as lo
demuestran los indicadores estadsticos (=0.98136).

























Figura 1: regresin lineal y puntos de dispersin de las mediciones


En la tabla 1 se encuentran los valores calculados a partir de la regresin.
Tabla 1: Datos de la regresin lineal.



De la informacin obtenida de la Tabla 1, sabemos que para nuestra experiencia, el valor de b
es 0.48 0.03, mientras que la obtencin de Y
0
experimental no es tan directo, sigue el clculo
y su resultado Y
0
= e
intercept
= e
1.87068
=6.49.

Otro de los parmetros con los que se cuenta en una regresin lineal a los fines de saber si la
regresin es buena, son los residuos. Los mismos se verifican visualmente trazando la nube
de puntos de los residuos valores predichos. Si la regresin es buena, se espera que la nube
de puntos no muestre ninguna tendencia, ninguna estructuracin particular. En la Figura 3
podremos apreciar que los puntos se distribuyen de manera aleatoria.




















Figura 3 se muestra el anlisis de los residuos de la linealizacin de la
funcin logartmica original.


Discusin

La ecuacin alomtrica del Ficus Elastica, present los valores siguientes: b= 0.48 0.03
Y
0
=6.49.
En la Tabla 2 podemos observar que el exponente alomtrico, b, tendra que rondar en 0.75,
para estar dentro de lo predicho por Enquist, sin embargo el rango del exponente obtenido es
[0.45 ; 0.51].

Tabla 2: exponentes predichos segn variables


Los trabajos de Enquist (Enquist 2002) sostienen que las desviaciones en el exponente pueden
ser originadas por distintas causas devenidas de la forma misma de la especie, por ejemplo el
grosor del tronco; y se sabe que el Ficus como especie, constituye una excepcin debido a que
en posee un tronco no cilndrico, sino hueco e irregular, y para que puedan usarse exponentes
alomtricos, debe hacerse un ajuste al clculo (Picard et. al. 2012).

Guindonos por esto, vemos que en el valor experimental en el lmite inferior es b=9/20,
siendo el denominador mltiplo de 4 entendiendo que esta desviacin pueda deberse al tipo de
especie estudiada.


Conclusin

Logrronse cumplir satisfactoriamente los objetivos del trabajo practico. Por un lado se pudo
realizar un anlisis de relaciones entre las dos magnitudes estudiadas, observndose un buen
ajuste al modelo lineal (=0.98136). Mientras que por el otro, se pudo estudiar mediante un
estadstico alomtrico la relacin entre las dimensiones de un rgano vegetativo.
























Referencias

1- PICARD, SAINT-ANDR y HENRY. Manual de construccin de ecuaciones alomtricas para
estimar el volumen y la biomasa de los rboles: del Trabajo de campo a la prediccin. . Las
Naciones Unidas para la Alimentacin y la Agricultura y el Centre de Coopration Internationale
en Recherche Agronomique pour le Dveloppement, Rome, Montpellier CIRARD Y FAO, 2012
2- ENQUIST, Brian J. Universal scaling in tree and vascular plant allometry: toward a general
quantitative theory linking plant form and function from cells to ecosystems. Department of
Ecology and Evolutionary Biology, University of Arizona, Tucson, AZ 85721, USA 2001;
published online October 1, 2002.
3- Enquist Brian J., Brown James H & Geoffrey B. West Allometric scaling ofplant energetics and
population density. NATURE |VOL 395 | 10 SEPTEMBER 1998. Macmillan Publishers Ltd 1998










Apndice

Propagacin de errores en el clculo de logaritmos

Llamamos A a la funcin ln (m) A=ln (m)
Llamamos B a la funcin ln (L) B = ln (L)

A (m)
=
m
A

*
m
=
m
g 1
* 0,01g = g
m
01 , 0 *
1

B (L)
=
L
A

*
L
=
L
cm 1
* 0,1cm = cm
L
1 , 0 *
1