Regresión lineal simple aplicada a las variables

meteorológicas (precipitación, caudal, temperatura)

Comentarios

El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación
entre variables y también para explicar el compartimiento de una variable meteorológica
nos auxiliamos de varias técnicas siendo una de ellas la correlación y regresión lineal simple
.el análisis de correlación sirve para medir el grado de asociación que existe entre dos
variables meteorológica siendo una de ellas la variable independiente y la otra dependiente
.paralelamente para este análisis ,el análisis de regresión consiste en ajustar la distribución
de los puntos o función matemática conocida; vale decir la densidad de los puntos
determinados por la variable dependiente e independiente tienen cierta tendencia en la
cual nos basamos para relacionar ambas variables , vale hacer notas que meteorología una
variable meteorológica ,climatológica ,no dependiente de una sola variable sino de dos o
más variables ,por los que los resultados del análisis de regresión simple ,en algunas casos
no son satisfactorio .así por ejemplo la variable meteorológica ,evaporación (E) dependiente
de la radiación solar (Q) ,humedad relativa (H),velocidad de viento(V),principalmente por lo
que el análisis de regresión ya se llama análisis de regresión múltiple .

1
  GENERALIDADES

Para explicar el comportamiento de una variable meteorológica nos auxiliaremos de arias técnicas,
siendo una de ellas la correlación y la regresión lineal simple. El análisis de correlación sirve para
medir el grado de asociación que existe entre dos variables meteorológicas, siendo uno de ellos la
variable dependiente y la otra la variable independiente.

Paralelamente a este análisis, se realizara el análisis de regresión, el cual consiste en ajustar la

distribución de los puntos a una función matemática conocida; vale decir, la densidad de los puntos
determinados por la variable dependiente e independiente tienen cierta tendencia de la cual nos
basamos para relacionar ambas variables.

Vale hacer notar también que en meteorología una variable meteorológica o climatológica, no
depende de una sola variable, sino de dos o más variables, por lo que los resultados del análisis de
regresión lineal simple, en algunos casos no son satisfactorios. Así por ejemplo, la variable
meteorológica evaporación (E) depende de la radiación solar (Qi), humedad relativa (HR) y velocidad
de viento (V), principalmente, por lo que el análisis de regresión de este caso ya se llama análisis de
regresión lineal múltiple.

La forma de una ecuación de regresión lineal simple es:

Y = a + bX
Y, la de una ecuación de regresión lineal múltiple es:

Y = a + b1X1 + b2X2 + b3X3 + … bnXn

Las aplicaciones del análisis de regresión son múltiples, tales como:

 Estimar valores de la variable dependiente conocido la variable independiente.

 Completar información histórica perdida.
 Corregir datos dudosos.
 Determinar estaciones índice
 Determinación de índices climáticos

En algunos casos se observa que la densidad de puntos no es lineal, si esto ocurre, se debe linealizar
de acuerdo a la tendencia y a la ecuación que se ajusta a dichos puntos.

A continuación, se muestra algunos gráficos que pueden resultar después de graficar los puntos de
la variable dependiente e independiente y sus respectivas funciones matemáticas características.

2
Relación Lineal:

Relación Potencial:

3
Relación Potencial:

Relación Exponencial:

Para linealizar aquellas ecuaciones que no son características a la línea recta se usan algunos
artificios, resultando al final una ecuación similar al de la línea recta, estos artificios son por ejemplo:

Forma de las
Ecuación Transformación 1 Transformación 2
Ecuaciones
Forma Lineal Y = a + bX Y = Y' X =X'
Ley de Potencias Y = aXb Y' = log Y X'=log X
Ley Exponencial Y = aebX Y' = Ln Y X' =X

Plantear la ecuación transformada a la lineal, que en esencia es el mismo que la ecuación lineal.

4
 Forma de las Ecuación
Donde Donde
Ecuaciones Transformada
Forma Lineal Y' = a' + b'X' a' = a b' =b
Ley de Potencias Y' = a' + b'X' a' = log a b' =b
Ley Exponencial Y' = a' + b'X' a' = Ln a b' =b

1. Precipitación
La modelación del proceso precipitación–escurrimiento (PPE) es necesaria cuando se deben estimar
los recursos hídricos de un río y para ello, es conveniente ampliar su registro. En este caso se puede
establecer un modelo del PPE a nivel mensual. En otras situaciones, como en el pronóstico de
crecientes o en la estimación del impacto de descargas contaminantes, resulta indispensable la
modelación del PPE a nivel diario e incluso horario. Beven (2001) establece y destaca que la razón
teórica principal por la cual se requiere modelar el PPE, se debe a la limitación real que se tiene para
medir todos los procesos hidrológicos que ocurren en una cuenca al transformar la precipitación en
el escurrimiento. También cita ejemplos prácticos y generales asociados a la escasez de datos,
donde es imprescindible la modelación del PPE, como en las cuencas sin aforos, las cuales no tienen
información hidrométrica, o bien, cuando se debe estimar el impacto en el futuro de los cambios
hidrológicos inducidos o probables, entonces las mediciones no son posibles.

Siendo, Vi,j el escurrimiento mensual del i–ésimo año, con i variando de 1 a N , que es la amplitud
del registro conjunto procesado y j es número de mes, con 1 para enero y 12 para diciembre. Es
común expresar a Vi,j, en la ecuación 1, en milímetros, lo cual equivale a dividir su valor en miles de
metros cúbicos (103 m3 ) entre el área de cuenca A en km2 . Pi,j es la precipitación mensual
representativa de la cuenca en milímetros. K y n son los parámetros del modelo y βj,k son los
coeficientes de regresión del modelo, los cuales se obtienen mediante un ajuste de mínimos
cuadrados de los residuos.

5
Presión atmosférica Vs Temperatura

Estación Alexander Von Humboldt

Presión Atmosférica
meses temperatura (°C)
(hPa)

enero 985.4 20.9

febrero 984.3 23.1
marzo 985.9 22.9
abril 986 20.5
mayo 986 17.5
junio 986.8 15.7
julio 987 15
agosto 987.2 15.3
septiembre 986.7 15.6
octubre 986 16.5
noviembre 984.9 17.7
diciembre 984.2 19.5

N Xi Yi Xi x Yi X² Y²
1 985.4 20.9 20594.86 971013.16 436.81
2 984.3 23.1 22737.33 968846.49 533.61
3 985.9 22.9 22577.11 971998.81 524.41
4 986 20.5 20213 972196 420.25
5 986 17.5 17255 972196 306.25
6 986.8 15.7 15492.76 973774.24 246.49
7 987 15 14805 974169 225
8 987.2 15.3 15104.16 974563.84 234.09
9 986.7 15.6 15392.52 973576.89 243.36
10 986 16.5 16269 972196 272.25
11 984.9 17.7 17432.73 970028.01 313.29
12 984.2 19.5 19191.9 968649.64 380.25
∑ 11830.4 220.2 217065.37 11663208.08 4136.06

promedio 985.8666667 18.35

∑Xi.∑Yi 2605054.08

6
 hPa vs T0 y = -2.0304x + 2017.91
r = 0.69159
24

22
Temperatura

20

18

16

14
984 984.5 985 985.5 986 986.5 987 987.5
presion atmosferica

𝑟 = √0.478 𝑟 = 0.6915

7
INTEGRANTES:

• SAMIRA DE LAMA

• MILAGROS ANCCO

• PERCY PORTUGAL

• FABRICIO SUEROS