Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Practica 2
Practica 2
CHAPINGO
DEPARTAMENTO DE IRRIGACIÓN
Meteorologia agricola
Reporte 2
“Modelos probabilisticos”
Grado: 5to
Grupo: ‘‘B”
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
Grafico Dispersion
200
180
160
140
120
100
80
60
40
20
0
100 150 200 250 300 350 400 450 500 550
Ymedia= 125.461538
Xmedia= 353.230769
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
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
120
100
80
60
40
20
0
100 150 200 250 300 350 400 450 500 550
Modelo Incompleto
200
180
120
100
80
60
40
20
0
100 150 200 250 300 350 400 450 500 550
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
K=854
∑ 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
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
X Y
60 0.51
92 1.58
126 2.97
153 3.54
182 3.05
214 1.63
249 0.48
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:
- -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
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
Sumatorias
= 4592 1631 1757592 221529 623266
N=13
Completo
Ye=0.347800971∗X +2.607534082
Incompleto
SCy= 16901.23077
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
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)
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
b a
24.5646726 833.850514
Yt=0.00119926-0.02945932 (Xt)
Ahora bien, para generar Ye
Ye=((a*x)/(b+x))
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
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)
90
80
70
60
50
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90
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
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
Y t =−1.38370585+1.2536066608 X t
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
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
Y t =1.126629485+0.04451304 X
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
SCx 4508.88889
SCxy 200.704372
SCy 9.14920724
bt 0.04451304
at 1.12629485
a 3.08420787
R˄2 0.97647396
Y t =1.126629485+0.04451304 X
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
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
Y t =1.126629485+0.04451304 X
Exponencial Modelo 4
120
100
80
60
40
20
0
0 10 20 30 40 50 60 70 80 90
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.
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
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
1.5
0.5
0
5 10 15 20 25 30 35
Modelo exponencial
2.5
1.5
0.5
0
5 10 15 20 25 30 35
BIBLIOGRAFÍA