UNIVERSIDAD 

AUTÓNOMA DEL ESTADO DE MÉXICO 
FACULTAD DE CIENCIAS AGRÍCOLAS  
PE. INGENIERO AGRÓNOMO FITOTECNISTA 
MATEMÁTICAS APLICADAS EN AGRONOMÍA 
TEMA: CONSTRUCCIÓN DE MODELOS MATEMÁTICOS LINEALES
 

CONOCIMIENTO METODOLÓGICO BASE:

PROBLEMA REAL → MODELO MATEMÁTICO → CONCLUSIONES MATEMÁTICAS → PREDICCIONES REALES

Formulación Resolver  Interpretar
                                                                                 Probar

MODELOS LINEALES. ESTUDIO DE CASO: CONVERSIÓN DE TEMPERATURAS EN CUATRO ESCALAS, °C, °F, K, °R 

EJEMPLO: Conversión de °C  →  °F; Modelo: °F = f(°C) 

Xi = °C  Yi = °F
‐50  ‐58  COMPETENCIA  GENÉRICA  DE  APRENDIZAJE:  Formulación  de  
‐40  ‐40  modelos matemáticos a partir de un fenómeno real de interés 
‐30  ‐22  por el investigador. 
‐20  ‐4 
‐10  14  Estudio  de  caso:  Comportamiento  de  la  temperatura  como 
0  32  magnitud  escalar  de  la  cantidad  de  calor  en  un  sistema 
10  50  termodinámico. 
20  68 
30  86  CONOCIMIENTO PREVIO: Variable termodinámica relacionada 
40  104  con la energía interna  o molecular (U) de un sistema, medible 
50  122  mediante  un  termómetro  en  diferentes  escalas  de 
60  140 
temperatura  (Grados  Celsius  (°C),  Fahrenheit  (°F),  Kelvin  (K), 
70  158 
80  176  Rankine  (°R),  etc.),  tomando  como  referencia  para  su 
90  194  construcción  los  estados  de  agregación  molecular  de  la 
100  212  materia: Temperaturas de fusión (solidificación) y de ebullición 
110  230  (condensación)  del  agua  (H2O)  como  disolvente  universal. 
120  248  Ejemplo:  
130  266 
140  284  SÓLIDO   →    LÍQUIDO   →   GAS 
150  302                                         Fusión             Ebullición  
                                          (0 °C)                (100 °C) 
                                    (Escala Celsius o Centígrada) 
                                        (32 °F)               (212 °F) 
                                           (Escala Fahrenheit) 
                                        (273 K)               (373 K) 
 
                                              (Escala Kelvin) 
                                      (491.67 °R)         (671.67 °R) 
                                             (Escala Rankine) 
 
Donde:  
  Escala Celsius: Andrés Celsius, 1742 (Sueco) 
Escala Fahrenheit: Daniel Gabriel Fahrenheit, 1724 (Holandés) 
Escala Kelvin: William Thomson, Lord Kelvin, 1848 (Inglés) 
Escala Rankine: William Rankine, 1859 (Escocés) 
 Analizando la tendencia de los datos observados  en la  tabla  y graficando  cada pareja  de 
datos (X, Y) para obtener su diagrama de dispersión, se observa que se comportan linealmente (Yi = 
mXi + a, donde m, pendiente de la recta definida como m = tan α, ángulo de inclinación de la recta 
= Y/X = °F/°C, rapidez de cambio y a = ordenada al origen donde la recta intersecta al eje Y en el 
punto (0, Y)); se observa también que las variables X e Y están correlacionadas positivamente, es 
decir, ambas crecen simultáneamente. 

Atendiendo  este análisis, se pueden usar como herramientas matemáticas para proponer 
un modelo lineal: 

1. m = tan α = rapidez de cambio = f(x2) – f(x1) / x2 – x1, para P1 (x1, f(x1)) y P2 (x2, f(x2)), 
ecuación de la recta que pasa por dos puntos para el cálculo de m. 
2. f(x) – f(x1) = m(x – x1), para P1 (x1, f(x1)), ecuación de la recta que pasa por un punto.   

Con base en todo lo anterior y aplicando estas herramientas a los datos observados en la tabla de 
arriba: 

P1 = Punto de fusión del agua = (x1 = 0°C,  f(x1) = 32°F) ó P1(0°C, 32°F) 

P2 = Punto de ebullición del agua = (x2 = 100°C, f(x2) = 212°F) ó P2(100°C, 212°F) 

PASO 1. Cálculo de m = f(x2) – f(x1) / x2 – x1 = (212 – 32)°F / (100 – 0)°C = 180°F / 100°C = 9/5 °F/°C = 
1.8  °F/°C,  que  se  interpreta  como  rapidez  de  cambio  =  1.8  °F  por  cada  grado  °C  que  se  eleva  la 
temperatura (a). 

PASO 2. Obtención del modelo matemático que se propone para explicar el comportamiento de los 
datos reales: 

Aplicando la herramienta matemática 2 y sustituyendo (a) para P1 (ó P2) se tiene: 

f(x) – f(x1) = °F – 32 y m(x – x1) = 9/5(°C ‐0)  →  °F ‐32 = 9/5(°C – 0)  → °F = 9/5°C + 32, he aquí

el modelo que se propone, que puede expresarse como una función °F = f(°C)

PASO 3. Comprobación de la eficacia del modelo propuesto para explicar el fenómeno de interés. 
Para ello se puede sustituir cualquier valor °C y corroborar si  corresponde con el valor registrado en 
la escala Fahrenheit.

PASO 4. Otra manera de corroborar qué tanto el modelo propuesto explica los datos observados, es 
usando la técnica de mínimos cuadrados (regresión lineal) para obtener el valor de R2, llamado
Coeficiente de Determinación, con valores comprendidos en el intervalo 0 ≤ R2≤ 1, de tal 
manera que mientras su valor se aproxime más a 1, mayor será su aceptación por el investigador 
para explicar el fenómeno de su interés; en caso contrario tendrá que revisarlo y ajustarlo, o bien 
rechazarlo. Para valores de R2 menores o iguales a 0.5, el modelo deberá rechazarse; para valores 
comprendidos entre 0.5 y 0.8 el modelo deberá revisarse y ajustarse más y para valores entre 0.8 y 
1.0 el modelo propuesto podrá aceptarse. 

Las herramientas matemáticas de regresión que se utilizarán para calcular el valor de R2 son: 
R2 = (nb1ΣXiYi + nb0ΣYi – (Yi)2) / (nΣYi2 – (Yi)2) , donde n = número de observaciones; b1 = coeficiente de 
regresión = pendiente, “m” y b0 = ordenada al origen de la recta de regresión Yi^ = b1Xi + b0  que mejor 
se ajusta a la ecuación de la recta Yi = mXi + a, usada como herramienta matemática en los pasos 
anteriores. Para obtener los valores de b1 y b0 de R2, se calculan así: 

b1 = m = (nΣXiYi – (Xi)(Yi)) / (nΣXi2 – (Xi)2)                                                                b0 = a = (ΣYi – b1(ΣXi)) / n 

Ello implica entonces encontrar los siguientes valores: 

Xi = °C  Yi = °F  XiYi Xi2 (Xi)2 (Yi)2 Yi2 

‐50  ‐58  2900 2500 1102500 6563844 3364 
‐40  ‐40  1600 1600 1600 
‐30  ‐22  660 900 484 
‐20  ‐4  80 400 16 
‐10  14  ‐140 100 196 
0  32  0 0 1024 
10  50  500 100 2500 
20  68  1360 400 4624 
30  86  2580 900 7396 
40  104  4160 1600 10816 
50  122  6100 2500 14884 
60  140  8400 3600 19600 
70  158  11060 4900 24964 
80  176  14080 6400 30976 
90  194  17460 8100 37636 
100  212  21200 10000 44944 
110  230  25300 12100 52900 
120  248  29760 14400 61504 
130  266  34580 16900 70756 
140  284  39760 19600 80656 
150  302  45300 22500 91204 
Total Σ = 1 050  2 562  266 700 129 500 562044 
 

b1 = (21)(266700) – (1050)(2562) / (21)(129500) – 1102500 = 1.8 = 9/5, donde n = 21 observaciones 

b0 = 2562 – 1.8(1050) / 21 = 32

Por tanto la recta de regresión que mejor se ajusta a los datos observados es: 

Yi^ = 9/5Xi + 32  ó  °F^ = 9/5(°C) + 32

Ahora, calculando el valor de R2:  

R2 = ((21)(1.8)(266700) + (21)(32)(2562) ‐  6563844) / ((21)(562044) – (6563844)) = 1.0
Por otro lado, si hay interés en conocer el grado de asociación entre las variables de estudio (X = °C 
y  Y = °F) o su correlación, se procede como sigue: 

rXY = r°C,°F = (nΣXiYi – (ΣXi)(ΣYi)) / SQR((nΣXi2 – (ΣXi)2)(nΣYi2 – (Yi)2))  donde:  -1 ≤ R2 ≥ 1 y SQR = 

raíz cuadrada y: 
rXY = r°C,°F =  ((21)(266700)  –  (1050)(2562))  /  SQR((21)(129500)  –  (1102500))((21)(562044)  – 
(6563844))  =  2910600  /  2910600  =  1.0, implica  que  ambas  variables  están  altamente 
correlacionadas positivamente, es decir, ambas crecen simultáneamente, como puede verse en los 
datos de la tabla:  ( °F                                   )   

+  

°C 

NOTA: Si el valor de rXY → 0, entonces las variables X e Y no están asociadas ( Y                     ); 

                                                                                                                                                                 X    

si rXY  → ‐1, entonces las variables X e Y están correlacionadas negativamente, es decir una de esas 
variables crece y la otra decrece (  Y            _          ) 

                                                                                                                 
                                                                                   X      

TAREA

1. Analizando  cuidadosamente  el  ejemplo  anterior  para  tu  debida  comprensión,  formula  un 
modelo matemático (al menos uno diferente para cada integrante del equipo) que permita 
convertir:
(a) °F →°C, °C = f(°F); (b) K →°C, °C = f(K); (c) °R →°C, °C = f(°R); (d) °C→K,  K = f(°C); (e) °C→°R, 
°R = f(°C); (f) K→°F, °F = f(K); (g) °F→K, K = f(°F); (h) °R→°F, °F = f(°R); (i) °F→°R, °R = f(°F); (j) 
°R→K, K = f(°R); (k) K→°R, °R = f(K).  
2. Aplica  los  procedimientos  de  regresión  descritos  en  el  ejemplo  para  obtener  la  recta  de 
regresión (Yi^) y calcula el valor de R2 y rXY ; describe tus resultados en cuanto a la bondad del 
modelo que propones y el comportamiento de las variables respectivamente. Comprueba 
que  tu  modelo    explica  los  datos  observados,  sustituyendo  algunos  de  estos  datos  en  tu 
ecuación de regresión.
3. Describe la rapidez de cambio utilizando el valor que obtengas del coeficiente de regresión 
(b1) en el modelo que propones.
4. Grafica los datos observados en Excel y compara la ecuación de regresión y el valor de R2 que 
te da esta plataforma, con lo obtenido en tus cálculos hechos previamente. 
5. Calcula el valor de la temperatura en la cual °C = °F y su valor correspondiente en las escalas 
K y °R  

Nota: Recuerda siempre que en Y = f(X), X, es la variable independiente → Y, variable dependiente. 

En el caso del punto de fusión y de ebullición en la escala °R  (491.67 y 671.67, respectivamente) 
emplea 492 y 672 para evitar los decimales y verifica si este redondeo afecta tus resultados finales 
comparados con los valores de la ecuación de regresión y R2 que obtengas en tu gráfica en Excel.