UNIVERSIDAD AUTÓNOMA

CHAPINGO
DEPARTAMENTO DE IRRIGACIÓN

Meteorologia agricola
Reporte 2

“Modelos probabilisticos”

Profesor: DR. Ramon Artega Ramirez

Equipo :
 Álvarez Guzman Daniel
 Lara Cleto Dariana
 Pérez Zetina Jennifer
 Notario Camargo Miguel Ángel
 Sarmiento Solís Pedro

Grado: 5to
Grupo: ‘‘B”

Chapingo, México 18 de Febrero de 2019.

EXPERIMENTO 1. Determine que relación existe entre la materia seca de las
raíces (Y) del cultivo de la yuca y la materia seca total de la planta (X) en g m -2 .
Utilice el modelo lineal simple, y calcule tanto el completo como el incompleto.
Comente al respecto.
Tabla 1 Datos del experimento 1

X Y X2 Y2 X*Y
237 77 56169 5929 18249
286 98 81796 9604 28028
335 126 112225 15876 42210
384 147 147456 21609 56448
419 154 175561 23716 64526
461 161 212521 25921 74221
489 161 239121 25921 78729
482 175 232324 30625 84350
432 154 186624 23716 66528
391 133 152881 17689 52003
292 105 85264 11025 30660
223 77 49729 5929 17171
161 63 25921 3969 10143

Sumatoria 4592 1631 1757592 221529 623266

s

Grafico Dispersion
200

180

160

140

120

100

80

60

40

20

0
100 150 200 250 300 350 400 450 500 550

Figura 1 Grafico de dispersión del experimento 1

Según el grafico 1 el comportamiento de los datos el modelo que puede ajustarse
es una regresión lineal (línea recta). Así que se desarrollaran los dos tipos de
regresión lineal simple un completo y un incompleto, basándonos a elegir el mejor
con base en el criterio de r2 y de la raíz cuadrada.

Calculamos las medias y algunos cálculos para calcular los parámetros de

regresión lineal.

Ymedia= 125.461538

Xmedia= 353.230769

SCx= 135556.308 SCY= 16901.2308 SCXY= 47146.6154

Parámetros de los modelos

Completo Incompleto

b 0.34780097 b 0.354613585
1
a 2.60753408 R2 0.99769597
2
R2 0.97020381
6

Incompleto Completo
RCCME 10.1225033 7.92863253
7 1

Calculo de la raíz del cuadrado medio del error

Tabla 2 Tabla de cálculo para RCCME

Yo Ym1 Ym2
77 84.0402 85.0361
98 101.4156 102.0783
126 118.791 119.1205
147 136.1664 136.1627
154 148.5774 148.3357
161 163.4706 162.9433
161 173.3994 172.6817
175 170.9172 170.2471
154 153.1872 152.8571
133 138.6486 138.5973
105 103.5432 104.1651
77 79.0758 80.1669
63 57.0906 58.6033
 Modelo completo
200

180

160 f(x) = 0.35 x + 2.61

R² = 0.97
140

120

100

80

60

40

20

0
100 150 200 250 300 350 400 450 500 550

Figura 2 Grafico del modelo completo.

Modelo Incompleto
200

180

160 f(x) = 0.35 x

R² = 1
140

120

100

80

60

40

20

0
100 150 200 250 300 350 400 450 500 550

Figura 3 Grafico modelo incompleto.

Por lo tanto, al revisar las R2 y el RCCME de ambos modelos podemos decir que
el mejor es el modelo Incompleto.
EXPERIMENTO 2. Determine el modelo que relaciona las variables días desde la
siembra (X) y producción de materia seca (Y).

X (días) Y (g m-2)
22 15
36 114.1
50 292.8
64 665.2
78 826.2
92 843.6
106 853.5
120 852

900

800

700

600

500

400

300

200

100

0
0 20 40 60 80 100 120 140

Como el diagrama de dispersión muestra la tendencia de que siguen los puntos es

no lineal, por lo que un modelo más adecuado es el logístico.

K=854

X Y Xt Yt xt^2 yt^2 XtYt

22 15 22 4.02416051 484 16.1938678 88.5315311
36 114.1 36 1.86943979 1296 3.49480511 67.2998323
50 292.8 50 0.65058757 2500 0.42326418 32.5293783
64 665.2 64 -1.25939949 4096 1.58608708 -80.6015676
78 826.2 78 -3.39180085 6084 11.504313 -264.560467
92 843.6 92 -4.39587264 8464 19.3236963 -404.420283
106 853.5 106 -7.44249272 11236 55.3906979 -788.904229
120 852 120 -6.05443935 14400 36.6562358 -726.532722
568 -15.9998172 -2076.65853
 X́ =¿71 Ý =¿-1.999

∑ X 2 i= 48560
∑ Y 2i 144.5729672
2
322624 = 2
(∑ X i ) = ( ∑ Y i) = 255.9941505
Sc x =¿ 8232 Sc y =¿ 112.5736984 Sc xy =¿ -940.6715044

^
b=¿ -0.114270105

a^ =¿ 6.113200305 r 2=¿ 0.954846764

4
f(x) = − 0.11 x + 6.11
R² = 0.95
2

0
0 20 40 60 80 100 120 140
-2
Linear ()

-4

-6

-8

-10

Por lo tanto el modelo que corresponde es:

854
y= (6.1132−0.1143 X )
1+e
EXPERIMENTO 3. Defina el modelo que relaciona los días a la plantación (X) y el
índice de área foliar (Y).

X Y

60 0.51

92 1.58

126 2.97

153 3.54

182 3.05

214 1.63

249 0.48

Graficando los datos tenemos que el fenómeno tiende a un modelo no lineal de

tipo normal, esto debido a que la figura que se forma es la campana de Gauss
característica de este modelo (ver Gráfico 1). Por lo anterior se procederá a usar
las formulas del modelo normal.

Grafico 1. Indice de área foliar en función a los días despues de la plantación

4 Para el
3.5 modelo normal
3 será necesario
2.5 transformar las
2 variables en X
1.5 transformada
1 (Xt) y Y
0.5 transformada
0 (Yt) (ver
50 100 150 200 250 300
Cuadro 1).
X Y Xt Yt XtYt Xt^2 Yt^2
60 0.51 8649 -1.9374713 -16757.19 74805201 3.753795
92 1.58 3721 -0.8067019 -3001.738 13845841 0.6507679
126 2.97 729 -0.1755648 -127.9867 531441 0.030823
153 3.54 0 0 0 0 0
182 3.05 841 -0.1489851 -125.2965 707281 0.0221966
214 1.63 3721 -0.7755467 -2885.809 13845841 0.6014727
249 0.48 9216 -1.9980959 -18414.45 84934656 3.9923872
Σ= 26877 -5.8423657 -41312.47 188670261 9.0514424

Cuadro 1. Datos obtenidos y transformados

Después con los datos transformados se procederá a calcular la bt, de ahí se

obtendrá b2 (considerando que b2 = 1/bt) la cual se sustituirá en la fórmula del
modelo normal:

Los resultados del modelo lineal que se consiguió al transformar los datos se
muestran en el Grafico 2. El resultado de bt, b2 y r2 fueron los siguientes:

- Grafico 2. Modelo lineal derivado de la transformación de los datos.

0.00021 0
0 f(x) = −1000
0 x + 0.012000 3000 4000 5000 6000 7000 8000 9000 10000
bt= 9 R² = 1

- -0.5

b^2 4566.90
= 8 -1

0.99940
-1.5
r^2= 41

-2

-2.5

El modelo que
resulta entonces para la explicación del fenómeno es el siguiente:

y=−0.0002 x +0.0135

EXPERIMENTO 4. Los valores de las X representan la radiación incidente en un

cultivo y los de las Y la radiación reflejada del cultivo ambas variables están en las
mismas unidades de radiación. Determine el modelo lineal completo y el modelo
incompleto. Comente al respecto.

X Y

237 77

286 98

335 126

384 147

419 154

461 161

489 161

482 175

432 154

391 133

292 105

223 77

161 63

Determinación de modelos:

X Y X^ (2) Y^ (2) XY

237 77 56169 5929 18249

 286 98 81796 9604 28028

335 126 112225 15876 42210

384 147 147456 21609 56448

419 154 175561 23716 64526

461 161 212521 25921 74221

489 161 239121 25921 78729

482 175 232324 30625 84350

432 154 186624 23716 66528

391 133 152881 17689 52003

292 105 85264 11025 30660

223 77 49729 5929 17171

161 63 25921 3969 10143

Sumatorias
= 4592 1631 1757592 221529 623266

N=13

Determinación de modelo completo:

Completo

SCxy= 47146.61538 b= 0.347800971

SCx= 135556.3077 a= 2.607534082

SCy= 16901.23077 r^2= 0.970203816

El modelo completo queda de la siguiente manera:

Ye=0.347800971∗X +2.607534082

Determinación de modelo incompleto:

Incompleto

SCxy= 47146.61538 b= 0.354613585

SCx= 135556.3077 r^2= 0.99769597

SCy= 16901.23077    

El modelo incompleto queda de la siguiente manera:

Ye=0.354613585∗X

Para analizar cual de los dos modelos se ajusta mejor a los datos que podemos
usar las r cuadradas (varianza cuadrada) que como hemos visto, entre más
cercana a 1 el modelo se ajusta mejor, que en este caso seria el modelo
incompleto el que mejor se ajusta con un r^2=.997 pero como en nuestras clases
hemos visto esta r^2 del modelo incompleto puede fallar, por eso recurriremos al
RCCME (raíz cuadrada del cuadrado medio del error) el cual es más fiable para
comparar los modelos y encontrar el mejor.

Calculo de RCCME:

Completo Incompleto
Ye (Yo-Ye)^2 Ye (Yo-Ye)^2

85.0363641 64.5831481
1 2 84.04341963 49.60976013

102.078611 16.6350731
7 5 101.4194853 11.69287969

119.120859 47.3225777
2 5 118.795551 51.90408599

136.163106 117.438254
8 5 136.1716166 117.2538866

148.336140 32.0793015
8 1 148.5830921 29.34289126

162.943781 3.77828660
5 7 163.4768627 6.134848647

172.682208 136.474000
7 1 173.406043 153.9099039

170.247601 22.5852876
9 5 170.9237479 16.61583081

152.857553
4 1.30518429 153.1930687 0.651138125

138.597713 31.3343973
6 4 138.6539117 31.96671769

104.165417 0.69652796
5 1 103.5471668 2.110724291

80.1671505 10.0308424
2 3 79.07882944 4.321531857

58.6034903 19.3292971
5 3 57.09278718 34.89516334

503.592178
Sumatoria= 6 Sumatoria= 510.4093624

6.22397460
RCCME= 5 RCCME= 6.265960313
Como podemos observar el RCCME del modelo completo es menor por lo cual, es
el modelo que mejor se ajusta, sin embargo, para fines prácticos la diferencia del
RCCME entre ambos es mínima por lo cual podemos decir que no existe una
diferencia significativa entre un modelo y otro, en este caso podemos concluir que
ambos se ajustan igual.

Comparación de Modelos
200
180

160
140
120
100
80

60
40

20
0
100 150 200 250 300 350 400 450 500 550

Datos Observados Modelo Completo Modelo Incompleto

EXPERIMENTO 5
Los valores de las Xs representan la altura en mm y los de las Ys la tensión en
milibares, de un tensiómetro simple de lectura directa.

Datos del experimento Línea de tendencia

Xt Yt
0.111 0.004
11111 60829
1 5
0.083 0.003
33333 43642
3 6
0.033 0.002
33333 27790
3 4
0.023 0.001
80952 94174
4 8
0.001
0.017
65837
54386
5
0.009 0.001
X Y 80392 46842
9 217 2 9
12 291 0.006 0.001
30 439 80272 39664
42 515 1 8
57 603 0.004 0.001
10 681 76190 34048
2 5 3
14 716 0.003 0.001
7 44827 32450
21 746 6 3
0
29 755
0

a)
 800

700

600
Ys: Tension (milibares)

500

400

300

200

100

0
0 50 100 150 200 250 300 350
Xs: Altura (mm)

b) el modelo a utilizar sería el de Saturación y para ello se debe hacer una

transformación

Xt Yt
0.111 0.004
11111 60829
1 5
0.083 0.003
33333 43642
3 6
0.033 0.002
33333 27790
3 4
0.023 0.001
80952 94174 Con el cual se generó la siguiente tabla:
4 8
0.001
0.017
65837
54386
5
0.009 0.001
80392 46842
2 9
0.006 0.001
80272 39664
1 8
0.004 0.001
76190 34048
5 3
0.003 0.001
44827 32450
6 3
c) Ahora bien, analizando el modelo

Xt Yt Xt2 Yt2 Xt*Yt

0.1111111
0.004608295
11 0.012345679 2.12364E-05 0.000512033
0.0833333
0.003436426
33 0.006944444 1.1809E-05 0.000286369
0.0333333
0.002277904
33 0.001111111 5.18885E-06 7.59301E-05
0.0238095
0.001941748
24 0.000566893 3.77038E-06 4.62321E-05
0.0175438
0.001658375
6 0.000307787 2.75021E-06 2.90943E-05
0.0098039
0.001468429
22 9.61169E-05 2.15628E-06 1.43964E-05
0.0068027
0.001396648
21 4.6277E-05 1.95063E-06 9.50101E-06
0.0047619
0.001340483
05 2.26757E-05 1.79689E-06 6.38325E-06
0.0034482
0.001324503
76 1.18906E-05 1.75431E-06 4.56725E-06
Sumatoria 0.2939479
0.01945281 0.021452875 5.2413E-05 0.000984506
85

Ahora bien, utilizando las siguientes formulas

Obtnemos los parámetros

  SCxy SCx SCy bt ât r2

0.032660 0.002161 0.00034 0.011852 1.0367 0.02945 0.00119 0.99216
887 423 916 273 2E-05 932 926 945

b a
24.5646726 833.850514

Ahora bien, el modelo queda de la siguiente forma

Yt=0.00119926-0.02945932 (Xt)
Ahora bien, para generar Ye

Ye=((a*x)/(b+x))

Minimizando el error con mínimos cuadrados nos queda:

Yo-Ye= Error

X Y Ye Y error (Y Error )2
9 217 223.587899 6.587899044 43.4004138
12 291 273.657754 17.34224621 300.753504
30 439 458.456255 19.45625454 378.545841
 42 515 526.130757 11.13075728 123.893758
57 603 582.721389 20.27861089 411.22206
102 681 672.010212 8.989787981 80.8162879
147 716 714.45959 1.540410159 2.37286346
210 746 746.52592 0.525920057 0.27659191
290 755 768.734287 13.7342866 188.630628

Sumatoria del error

1529.911947
Ahora le sacamos raíz y lo dividimos entre el número de muestras y nos da el
PCCDE
4.34600987

Y experimental Y de modelo
900
800
700
Ys: Tension (milibares)

600
500
400
300
200
100
0
0 50 100 150 200 250 300 350
Xs: Altura (mm)

EXPERIMENTO 6.Con los siguientes datos, determine cuál de los siguientes

modelos es el que mejor se ajusta a éstos.
 Gráfico de dispersión
100

90

80

70

60

50

40

30

20

10

0
0 10 20 30 40 50 60 70 80 90

Figura 4 Dispersión de datos del experimento 6.

Se elabora la tabla de cálculos que se muestra a continuación:

Tabla 3 Tabla de cálculo del experimento 6

No. Dato X Y lnX lnY X*X Y*Y X*Y lnY*lnY X*lnY lnX*lnX lnX*lnY
1 5.5 3 1.70474809 1.09861229 30.25 9 16.5 1.20694896 6.04236759 2.90616606 1.8728572
2 20 8 2.99573227 2.07944154 400 64 160 4.32407713 41.5888308 8.97441185 6.22945014
3 29 13 3.36729583 2.56494936 841 169 377 6.57896521 74.3835314 11.3386812 8.63694328
4 39 17 3.66356165 2.83321334 1521 289 663 8.02709785 110.49532 13.4216839 10.3796517
5 44 27 3.78418963 3.29583687 1936 729 1188 10.8625406 145.016822 14.3200912 12.4720717
6 55 40 4.00733319 3.68887945 3025 1600 2200 13.6078316 202.88837 16.0587193 14.7825691
7 60 43 4.09434456 3.76120012 3600 1849 2580 14.1466263 225.672007 16.7636574 15.3996492
8 67 63 4.20469262 4.14313473 4489 3969 4221 17.1655654 277.590027 17.67944 17.420608
9 80 86 4.38202663 4.4543473 6400 7396 6880 19.8412098 356.347784 19.2021574 19.5190685

Sumatoria 399.5 300 32.2039245 27.919615 22242.25 16074 18285.5 95.7608629 1440.02506 120.665008 106.712869

Calculo de parámetros de modelo

Parámetros del modelo

SCx 5.43248037
SCxy 6.81051634
SCy 9.14920724
bt 1.25366608
at -1.38370585
a 0.25064797
R˄2 0.93320799
Figura 5 Reglas de transformación

RCCME = 10.12250337

Por lo tanto, el modelo transformado queda:

Y t =−1.38370585+1.2536066608 X t

El modelo no lineal es:

Y =0.25064∗X 1.25366

Potencial
70

60

50

40

30

20

10

0
0 10 20 30 40 50 60 70 80 90

Figura 6 Grafico del modelo.

Parámetros del modelo

SCx 4508.88889
SCxy 200.704372
SCy 9.14920724
bt 0.04451304
at 1.12629485
a 3.08420787
b 1.04551861
R˄2 0.97647396

RCCME = 7.928632531 Figura 7 Reglas de transformación.

Por lo tanto, el modelo transformado queda:

Y t =1.126629485+0.04451304 X

El modelo no lineal es:

Y =3.08420∗1.04551 X
 Exponencial Modelo 1
120

100

80

60

40

20

0
0 10 20 30 40 50 60 70 80 90

Figura 8 Grafico del modelo.

Parámetros del modelo

SCx 4508.88889
SCxy 200.704372
SCy 9.14920724
bt 0.04451304
at 1.12629485
a 3.08420787
R˄2 0.97647396

RCCME = 7.928632531 Figura 9 Reglas de transformación

Por lo tanto, el modelo transformado queda:

Y t =1.126629485+0.04451304 X

El modelo no lineal es:

Y =3.08420∗e 0.044513∗X
 Exponencial Modelo 3
120

100

80

60

40

20

0
0 10 20 30 40 50 60 70 80 90

Figura 10 Grafico del modelo.

Parámetros del modelo

SCx 4508.88889
SCxy 200.704372
SCy 9.14920724
bt 0.04451304
at 1.12629485
a 1.12629485
b 0.04451304
R˄2 0.97647396

RCCME = 7.928632531 Figura 11 Reglas de transformacion

Por lo tanto, el modelo transformado queda:

Y t =1.126629485+0.04451304 X

El modelo no lineal es:

Y =e(1.12629+0.044513∗ X )

Exponencial Modelo 4
120

100

80

60

40

20

0
0 10 20 30 40 50 60 70 80 90

Figura 12 Grafico del modelo.

Valores de Y calculados con los 4 modelos obtenidos. Con estos valores

obtenidos se obtendrá la raíz cuadrada media de los errores.
Tabla 4 Tabla de cálculo para el RCCME

Yo Ym1 Ym2 Ym3 Ym4

3 2.12428837 3.939747264 3.939747268 3.939747244
8 10.7176519 7.512404988 7.512405015 7.512404969
13 17.0765548 11.21411229 11.21411235 11.21411228
17 24.757366 17.50179434 17.50179446 17.50179435
27 28.7992557 21.86459383 21.864594 21.86459386
40 38.0954819 35.67720775 35.67720809 35.67720787
43 42.4861598 44.57072465 44.57072512 44.57072485
63 48.7896069 60.8656225 60.86562322 60.86562284
86 60.9365938 108.5638025 108.5638041 108.5638034

Diferencias y similitudes de los modelos 2,3,4

Diferencias Similitudes
Los modelos no lineales tienen Los modelos transformados
diferente presentación. linealmente son los mismos en los tres
casos, así mismo sus r2 son iguales.
Los tres modelos nos dan un valor de
RCCME iguales.

Por lo visto hasta ahora se puede deducir que el modelo 2,3,4 pueden ser elegidos
como modelo de regresión ya que tanto como su r 2 como su RCCME son iguales.

EXPERIMENTO 7 Seleccione un conjunto de datos que sean de su interés de:

tesis, libros o alguna revista científica y calcule el modelo que se ajusta a éstos.
Indicar la cita bibliográfica de donde los obtuvo.
Emisiones de CO2 (kt) en México

Año Kt de CO2
1960 63116.404
1961 65305.603
1962 63809.467
1963 66361.699
1964 74278.752
1965 75246.84
1966 80930.69
1967 90101.857
1968 93988.877
1969 102287.298
1970 114073.036
1971 126339.151
1972 132459.374
1973 144292.783
1974 155007.757
1975 164472.284
1976 184138.405
1977 192847.53
1978 222649.239
1979 240874.229
1980 268453.736
1981 284529.864
1982 304837.71
1983 278442.644
1984 277624.903
1985 288501.225
1986 294559.109
1987 307356.939
1988 307067.246
1989 361877.895
1990 318427.612
1991 331958.842
1992 334698.091
1993 339468.858
1994 352780.068
1995 332816.92

1996 346417.823
1997 369769.279
 1998 389087.035
1999 391591.596
2000 398382.88
2001 412977.54
2002 414389.335
2003 440208.682
2004 441308.782
2005 466361.726
2006 479251.231
2007 480520.013
2008 493251.837
2009 475950.931
2010 464308.206
2011 484429.035
2012 496324.783
2013 490340.239
2014 480270.657
109285 15851124.55
https://datos.bancomundial.org/indicador/en.atm.co2e.pc
500000
f(x) = 8888.17 x − 17372585.44
450000 R² = 0.98

400000

350000

300000

250000

200000
Linear ()
150000

100000

50000

0
1954 1964 1974 1984 1994 2004 2014
 Como se aprecia en la gráfica los datos tienden a un comportamiento lineal.

X́ =¿ 1987 Ý =¿ 288202.2645

∑ X 2 i= 217163155 ∑ Y 2i=5.68989E+12
2 2
( ∑ X i ) =11943211225
( ∑ Y i) = 2.51258E+14

Sc x =¿ 13860Sc y =¿ 1.12156E+12

Sc xy =¿ 123189993.7
^
b=¿ 8888.166936

a^ =¿ r 2=¿
-17372585.44 0.976258918

Por lo que el modelo es:

y=−17372585+ 8888.1669 X

PREGUNTA TEÓRICA A: Busque en una revista científica un artículo que trate

sobre un modelo de preferencia relacionado con su carrera, realice una breve
descripción de éste, anexe una copia del artículo. B: Plante el modelo de un
fenómeno de su interés relacionado con su carrera.

A. Estudio estadístico de la correlación entre contaminantes

atmosféricos y variables meteorológicas en la zona norte de Chiapas,
México.

El artículo se enfoca en la explicación de la correlación que existe entre diferentes

contaminantes atmosféricos con algunos factores atmosféricos como la
temperatura, la humedad, el viento, etc. Los datos que se obtuvieron son del
estado de Chiapas en la República Mexicana, las estaciones donde se medían las
variables correspondientes fueron Reforma, Artesa y Giraldas. La correlación fue
propuesta como un modelo de regresión complejo que incluye más de dos
variables, sin embargo el ejemplo más claro y más sencillo de un modelo de
regresión lineal simple fue el primero que se muestra en los , este fue el único
parametro con arriba del 50% de los datos obtenidos. Este explica la relación que
hay entre la concentración de dioxido de azufre y el paso del tiempo, el primero se
reduce mientras el último aumenta.

Otro modelo usado fue el de Logaritmo Natural, este con la finalidad de

homogeneizar la varianza y normalidad de los datos de las concentraciones de los
contaminantes. Para las 3 estaciones que monitoreaban estos datos se hicieron
gráficas del logaritmo natural de la concentración de los contaminantes en función
al tiempo transcurrido.
B: Plante el modelo de un fenómeno de su interés relacionado con su
carrera.

Una de las materias dentro de la Ingeniería en Irrigación en las que más se usan
modelos de regresión lineal para poder entender y conceptualizar los fenómenos
de los que se encarga, posiblemente sea hidráulica. La relación que existe entre el
gasto de una tubería, orificio, vertedor, etcétera, y la forma de estos se presenta
para la elaboración de un modelo.
En este caso tomaremos el ejemplo de la calibración de un sifón en donde se
estudiará el gasto en función de la carga en el sifón. Los datos con los que
propondremos el modelo son tomados de un práctica de hidráulica básica
elaborada en el laboratorio de hidráulica del Departamento de Irrigación.

X (carga Y(gasto,
cm) lps)

8.5 1.011

10.5 1.143

14.6 1.451

19.7 1.699

23.8 1.912

26.5 2.095

30.4 2.206

Al graficar los datos nos damos cuenta que la dispersión de estos tiende a ser
lineal, sin embargo ajustamos un modelo potencial y el que más se ajusta es este
último dado que la r2 se acerca más a 1, por lo tanto el modelo que tendría más
aceptación seria el potencial.
 Modelo lineal
2.5

f(x) = 0.06 x + 0.58

2 R² = 0.99

1.5

0.5

0
5 10 15 20 25 30 35

Modelo exponencial
2.5

f(x) = 0.27 x^0.62

2 R² = 1

1.5

0.5

0
5 10 15 20 25 30 35

BIBLIOGRAFÍA

S. Ramos-Herrera y col., Estudio estadístico de la correlación entre contaminantes

atmosféricos y variables meteorológicas en la zona de Chiapas, México. Marzo
2010.