EDAD PESO ALTURA

1 22 218 179 Calcular_los_coeficientes_de_correlación

2 22 170 171
3 20 187 185
4 20 125 160
5 21 195 182
6 20 185 172
7 24 148 173
8 20 145 160
9 21 210 175
10 21 180 172
11 20 170 159
12 20 188 181
13 19 195 180
14 19 200 172
15 20 143 172
16 24 180 177
17 22 155 183
18 21 150 178
19 27 170 180
20 20 177 180
21 22 137 165
22 20 147 178
23 21 203 171
24 21 105 148
25 22 210 185
 X Y
ALTURA PESO
Generar_un_modelo_de_regresión_lineal
159 118 _y_evaluar_el_modelo
182 188
163 147
175 170
145 120
154 120
174 181
162 135
174 120
159 105 Persona ALT_cm PESO_lb
168 120 1 169 144
148 126 2 163 136
152 124 3 173 165
163 117 4 165 135
167 192 5 170 145
180 150 6 158 140
160 106 7 173 153
163 115 8 175 160
156 112 9 184 200
180 180 10 167 140
182 240
176 140
173 155
176 185
159 110
154 90
159 140
160 170
175 240
 X Y
FT (miles autos) CP (microg/g) Una investigación de la relación entre el flujo de tránsito (x) expresado
en miles de automóviles por día, y el contenido de plomo en la corteza
8.30 227 de árboles (y) cerca de la autopista dado en microgramos por gramo de
8.30 312 peso seco produjo los siguientes resultados. Determine las constantes
12.10 362 del modelo de regresión lineal simple. Calcular e interpretar el
12.10 521 coeficiente de correlación, el de determinación y el error estándar de
estimación. Realizar la prueba de hipótesis y concluir. ¿Se puede utilizar
17.00 640 el modelo obtenido para pronosticar la concentración de plomo en la
17.00 539 corteza de los árboles? ¿Por qué? Calcule la concentración de plomo en
17.00 728 la corteza de los árboles cuando el flujo de tránsito es de 15,000 autos.
24.30 945 Determinar el flujo de tránsito cuando el contenido de plomo en la
24.30 738 corteza de los árboles es de 800 g/g.
24.30 759
33.60 1263
o (x) expresado
o en la corteza
s por gramo de
las constantes
interpretar el
or estándar de
e puede utilizar
de plomo en la
ón de plomo en
e 15,000 autos.
e plomo en la
 N REND
Se estudia el rendimiento de trigo según el nivel de fertilización
55.10 69.0
nitrogenada. El propósito es encontrar una dosis óptima. Los datos
83.40 69.4 corresponden a la dosis de nitrógeno en kg de nitrógeno por ha y
86.30 82.9 el rendimiento en kg por parcela. Evalúe los modelos lineal y
96.60 77.6 cudrático. ¿cuál es el modelo que mejor ajusta a los datos?
103.20 89.8 interprete la pendiente en el caso que el mejor modelo sea lineal,
103.20 79.3 o bien, optimice la función en el caso que el mejor modelo resulte
114.10 88.0 ser el cuadrático.
116.30 93.4
117.80 95.1
120.00 90.3
124.40 96.8
125.10 87.9
126.60 83.1
133.20 100.4
139.80 98.5
142.70 97.2
143.40 93.2
148.50 95.6
150.70 100.4
151.50 96.8
156.60 99.6
161.00 99.8
164.60 100.2
167.60 100.4
170.50 100.6
172.70 100.4
172.70 98.1
175.60 97.7
181.50 100.4
188.00 100.4
191.70 92.4
203.40 100.2
206.30 100.0
211.50 95.5
223.90 91.8
232.70 94.5
vel de fertilización
s óptima. Los datos
nitrógeno por ha y
modelos lineal y
usta a los datos?
modelo sea lineal,
jor modelo resulte
Den(m2/p) Ren (tm/ha) DRaíz (cm) PRaíz (g) Resumen del rendimiento de raíces sanas (k
0.25 71.27 15.0 1570 diámetro (cm) y peso (kg) de raíz de jícama (Pachyrr
0.23 67.32 13.4 1420 erosus) según la densidad de siembra. Genera
0.20 55.29 13.3 1090 modelo de regresión lineal simple utilizando la den
0.18 52.66 13.1 1020 de siembra y el rendimiento e interprete el coefici
0.16 27.88 9.2 580 Realizar las pruebas de hipótesis apropiadas
0.14 22.67 9.0 540 determinar si el ajuste del modelo a los datos espe
0.12 11.23 7.0 420 una relación lineal útil entre las variables considerad

Den Ren
0.25 71.27
0.23 67.32
0.20 55.29
0.18 52.66
0.16 27.88
0.14 22.67
0.12 11.23
nto de raíces sanas (kg/ha)
de raíz de jícama (Pachyrrhizus
dad de siembra. Generar un
al simple utilizando la densidad
nto e interprete el coeficiente.
e hipótesis apropiadas para
l modelo a los datos especifica
re las variables consideradas.
PROT DAÑO PAA Durante la molienda del grano de trigo una parte de los gránulos de almidón
8.5 2 30.9 se dañan parcialmente. Estas lesiones permiten la penetración del agua y la
8.9 3 32.7 actividad enzimática. La capacidad de absorción de agua del harina determina
su comportamiento en el proceso de panificación. Unos investigadores
10.6 3 36.7 emplearon un modelo de regresión lineal múltiple de primer orden para relacionar la
10.2 20 41.9 absorción del harina de trigo (%) con el contenido de proteína en porcentaje y el
9.8 22 40.9 daño al almidon (en unidades Farrand).
a) Interpretar las coeficientes del modelo de regresión.
10.8 20 42.9 b) ¿Qué proporción de variación observada en absorción puede ser explicada por la
11.6 31 46.3 relación del modelo?
c) ¿El modelo seleccionado parece especificar una relación lineal útil entre absorción
12.0 32 47.6 y al menos uno de los dos predictores?
12.5 31 47.2 d) Si la proteína de harina continúa en el modelo, ¿se justifica la eliminación del daño
10.9 28 44.0 al almidón como predictor?
e) Calcule el porcentaje de absorción de agua cuando x1=10, x2=25.
12.2 36 47.7
11.9 28 43.9
11.3 30 46.8
13.0 27 46.2
12.9 24 47.0 x1 x2 y
12.0 25 46.8 8.5 2 30.9
12.9 28 45.9 8.9 3 32.7
13.1 28 48.8 10.6 3 36.7
11.4 32 46.2 10.2 20 41.9
13.2 28 47.8 9.8 22 40.9
11.6 35 49.2 10.8 20 42.9
12.1 34 48.3 11.6 31 46.3
11.3 35 48.6 12.0 32 47.6
11.1 40 50.2 12.5 31 47.2
11.5 45 49.6 10.9 28 44.0
11.6 50 53.2 12.2 36 47.7
11.7 55 54.3 11.9 28 43.9
11.7 57 55.8 11.3 30 46.8
13.0 27 46.2
12.9 24 47.0
12.0 25 46.8
12.9 28 45.9
13.1 28 48.8
11.4 32 46.2
13.2 28 47.8
11.6 35 49.2
12.1 34 48.3
11.3 35 48.6
11.1 40 50.2
11.5 45 49.6
11.6 50 53.2
11.7 55 54.3
11.7 57 55.8
te de los gránulos de almidón
n la penetración del agua y la
de agua del harina determina
ificación. Unos investigadores
e primer orden para relacionar la
de proteína en porcentaje y el

ón.
rción puede ser explicada por la

elación lineal útil entre absorción

e justifica la eliminación del daño

o x1=10, x2=25.
 Ventas A GastPubl Participación Cambio Cuentas
Antigüedad Potencial
Orden y X1 X2 X3 X4 X5 X6
1 3669.88 43.10 74065.10 4582.90 2.51 0.34 74.86
2 3473.95 108.13 58117.30 5539.80 5.51 0.15 107.32
3 2295.10 13.82 21118.50 2950.40 10.91 -0.72 96.75
4 4675.56 186.18 68521.30 2243.10 8.27 0.17 195.12
5 6125.96 161.79 57805.10 7747.10 9.15 0.50 180.44
6 2134.94 8.94 37806.90 402.40 5.51 0.15 104.88
7 5031.66 365.04 50935.30 3140.60 8.54 0.55 256.10
8 3367.45 220.32 35602.10 2086.20 7.07 -0.49 126.83
9 6519.45 127.64 46176.80 8846.20 12.54 1.24 203.25
10 4876.37 105.69 42053.20 5673.10 8.85 0.31 119.51
11 2468.27 57.72 36829.70 2761.80 5.38 0.37 116.26
12 2533.31 23.58 33612.70 1991.80 5.43 -0.65 142.28
13 2408.11 13.82 21412.80 1971.50 8.48 0.64 89.43
14 2337.38 13.82 20416.90 1737.40 7.80 1.01 84.55
15 4586.95 86.99 36272.00 10694.20 10.34 0.11 119.51
16 2729.24 165.85 23093.30 8618.60 5.15 0.04 80.49
17 3289.40 116.26 26878.60 7747.90 6.64 0.68 136.58
18 2800.78 42.28 39572.00 4565.80 5.45 0.66 78.86
19 3264.20 52.84 51866.10 6022.70 6.31 -0.10 136.58
20 3453.62 165.04 58749.80 3721.10 6.35 -0.03 138.21
21 1741.45 10.57 23990.80 861.00 7.37 -1.63 75.61
22 2035.75 13.82 25694.90 3571.50 8.39 -0.43 102.44
23 1578.00 8.13 23736.30 2845.50 5.15 0.04 76.42
24 4167.44 58.44 34314.30 5060.10 12.88 0.22 136.58
25 2799.97 21.14 22809.50 3552.00 9.14 -0.74 88.62
Trabajo Evaluación

X7 X8
Para determinar si diversas variables predictoras
podrían explicar las ventas de productos para
15.05 4.90
producción de cultivos en cada uno de los territorios
19.97 5.10
donde se tienen sucursales, de una muestra de 25
17.34 2.90 territorios se obtuvieron los siguientes datos.
13.40 3.40 a) Realice un análisis de regresión lineal simple
17.64 4.60 utilizando todas las variables regresoras.
16.22 4.50 b) Realice un análisis de regresión lineal simple
18.80 4.60 descartando las siguientes variables regresoras:
19.86 2.30 cuentas, trabajo y evaluación.
17.42 4.90 c) ¿Cual de los dos modelos anteriores es el más
21.41 2.80 idóneo para explicar las ventas? escriba tres razones
16.32 3.10 del por qué de su respuesta
14.51 4.20 d) Escriba el modelo seleccionado utilizando el editor
19.35 4.30 de ecuaciones e interprete la pendiente de la variable
20.02 4.20
antigüedad.
15.26 5.50
15.87 3.60
7.81 3.40
16.00 4.20
17.44 3.60
17.98 3.10 Anderson, pag. 717
20.99 1.60
21.66 3.40
21.46 2.70
24.78 2.80
24.96 3.90
 AumP Pini Eini
Y X1 X2
No de lechón Con la reciente creación de un suplemen
1 7 39 8 de comida para cerdos desea determinar
2 6 52 6 edad en que cerdo comienza a recibir el su
3 8 49 7 animal y el aumento de peso en el p
4 10 46 12
siguiente información es resultado de un
5 9 61 9
6 5 35 6
Calcule la ecuación de mínimos cuadrad
7 3 25 7
tres variables. b) ¿Cuánto podemos esper
8 4 55 4
peso en una semana con el complement
semanas de edad y pesaba 48 libras? (Levin
 ación de un suplemento alimenticio, un productor
rdos desea determinar qué relación existe entre la
comienza a recibir el suplemento, el peso inicial del
nto de peso en el periodo de una semana. La
ón es resultado de un estudio de ocho lechones:
n de mínimos cuadrados que mejor describa estas
Cuánto podemos esperar que un cerdo aumente de
na con el complemento alimenticio, si tenía nueve
pesaba 48 libras? (Levin y Rubin, 2010)
Obs Plástico Papel Basura Agua contenido energético
El diseño eficiente de ciertos ti
x1 x2 x3 x4 y disponga de información de la c
1 18.69 15.65 45.01 58.21 947 acerca del contenido energético
2 19.43 23.51 39.69 46.31 1407 en porcentaje (p/p): contenido d
de desechos sólidos de cierta reg
3 19.24 24.23 43.16 46.63 1452 a) Generar un modelo de regres
4 22.64 22.2 35.76 45.85 1553 coefiencientes de x1 y x4.
b) Realizar las pruebas de hipó
5 16.54 23.56 41.2 55.14 989 datos especifica una relación lin
6 21.44 23.65 35.56 54.24 1162 predictores.
7 19.53 24.45 40.18 47.2 1466 c) Dado que el porcentaje de plá
en el modelo, ¿el porcentaje d
8 23.97 19.39 44.11 43.82 1656 Exprese y pruebe las hipótesis ap
9 21.45 23.84 35.41 51.01 1254 d) Estimado el modelo de regres
10 20.34 26.5 34.21 49.06 1336 energético cuando x1=20, x2=25
extraído del libro de Devore, pág
11 17.03 23.46 32.45 53.23 1097
12 21.03 26.99 38.19 51.78 1266
13 20.49 19.87 41.35 46.69 1401
14 20.45 23.03 43.59 53.57 1223
15 18.81 22.62 42.2 52.98 1216
16 18.28 21.87 41.5 47.44 1334
17 21.41 20.47 41.2 54.68 1155
18 25.11 22.59 37.02 48.74 1453
19 21.04 26.27 38.66 53.22 1278
20 17.99 28.22 44.18 53.37 1153
21 18.73 29.39 34.77 51.06 1225
22 18.49 26.58 37.55 50.66 1237
23 22.08 24.88 37.07 50.72 1327
24 14.28 26.27 35.8 48.24 1229
25 17.74 23.61 37.36 49.92 1205
26 20.54 26.58 35.4 53.58 1221
27 18.25 13.77 51.32 51.38 1138
28 19.09 25.62 39.54 50.13 1295
29 21.25 20.63 40.72 48.67 1391
30 21.62 22.71 36.22 48.19 1372
El diseño eficiente de ciertos tipos de incineradores de desechos municipales exige que se
disponga de información de la composición de los desechos sólidos. Se cuenta con información
acerca del contenido energético (kcal/kg), y de cuatro posibles variables explicativas expresadas
en porcentaje (p/p): contenido de plástico, de papel, de basura y de humedad para 30 muestras
de desechos sólidos de cierta región.
a) Generar un modelo de regresión lineal múltiple utilizando todas las variables e interprete los
coefiencientes de x1 y x4.
b) Realizar las pruebas de hipótesis apropiadas para determinar si el ajuste del modelo a los
datos especifica una relación lineal útil entre contenido energético y al menos uno de los cuatro
predictores.
c) Dado que el porcentaje de plástico, porcentaje de papel y el porcentaje de agua permanecen
en el modelo, ¿el porcentaje de basura da información útil acerca del contenido energético?
Exprese y pruebe las hipótesis apropiadas usando un nivel de significación de 0.05.
d) Estimado el modelo de regresión múltiple que mejor se ajusta a los datos, calcule el contenido
energético cuando x1=20, x2=25, x3 = 40 y x4 = 45.
extraído del libro de Devore, página 547, sección 13.4 ejercicio No. 47.
Año Demanda Precio($) Ingreso($) Sust($) Un economista está interesado en pre
1982 40 9 400 10 producto, utilizando las siguientes variab
1983 45 8 500 14
PRECIO = precio del producto (en dólares
1984 50 9 600 12
1985 55 8 700 13
INGRESO = ingreso del consumidor (en d
1986 60 7 800 11
SUB = precio de un bien sustituto (en dól
1987 70 6 900 15
Se recolectaron datos correspondientes
1988 65 6 1000 16 que se muestran.
1989 65 8 1100 17 a) Determine y evalue el modelo de regre
1990 75 5 1200 22 b) Según la ecuación de regresión ob
1991 75 5 1300 19 predeciría si el precio de los productos fu
1992 80 5 1400 20 de $1,200 y el precio del bien sustituto d
1993 100 3 1500 23
1994 90 4 1600 18
1995 95 3 1700 24
1996 85 4 1800 21
stá interesado en predecir la demanda anual de cierto
do las siguientes variables independientes:
el producto (en dólares)
o del consumidor (en dólares)
n bien sustituto (en dólares)
atos correspondientes al período 1982 – 1996, siendo los
alue el modelo de regresión lineal múltiple.
ación de regresión obtenida, ¿qué valor de demanda
ecio de los productos fue de $6, el ingreso del consumidor
cio del bien sustituto de $17?

0.06666667
Biomasa pH Salinidad Zinc potasio
Para estudiar la relación entre la produc
765.28 5.00 33.00 16.45 1441.67 forrajera con el pH, la salinidad, el cont
954.02 4.70 35.00 13.99 1299.19 contenido de potasio (K) presentes en el
827.69 4.20 32.00 15.33 1154.27 mediciones de la biomasa (gr) y de dichos
755.07 4.40 30.00 17.31 1045.15 suelo donde crecieron las plantas. Determin
896.18 5.55 33.00 22.33 521.62 múltiple polinomial que mejor se ajusta.
1422.84 5.50 33.00 12.28 1273.02
821.07 4.25 36.00 17.82 1346.35
1008.80 4.45 30.00 14.35 1253.88
1306.49 4.75 38.00 13.68 1242.65
1039.64 4.60 30.00 11.76 1282.95
1193.22 4.10 30.00 9.88 553.69
777.47 3.45 37.00 16.68 494.74
818.13 3.45 33.00 12.37 526.97
1203.57 4.10 36.00 9.41 571.14
977.51 3.50 30.00 14.93 408.64
369.82 3.25 30.00 31.29 646.65
509.87 3.25 27.00 30.17 514.03
448.31 3.20 29.00 28.59 350.73
615.09 3.35 34.00 17.88 496.29
545.54 3.30 36.00 18.51 580.92
436.55 3.25 30.00 22.13 535.82
465.91 3.25 28.00 28.61 490.34
664.60 3.20 31.00 23.19 552.39
502.47 3.20 31.00 24.69 661.32
496.80 3.35 35.00 22.68 672.12
2270.29 7.10 29.00 0.37 525.65
2332.22 7.35 35.00 0.27 563.13
2162.53 7.45 35.00 0.32 497.96
2222.59 7.45 30.00 0.26 458.38
2337.33 7.40 30.00 0.21 498.25
1349.19 4.85 26.00 18.99 936.26
1058.98 4.60 29.00 20.97 894.79
1408.21 5.20 25.00 23.98 941.36
1491.28 4.75 26.00 19.97 1038.79
1254.87 5.20 26.00 21.39 898.05
1152.34 4.55 25.00 23.71 989.87
568.46 3.95 26.00 30.56 951.28
612.45 3.70 26.00 26.84 929.83
654.83 3.75 27.00 27.73 925.42
991.83 4.15 27.00 21.57 954.11
1895.94 5.60 24.00 19.65 720.72
1346.88 5.35 27.00 20.33 782.09
1482.79 5.50 26.00 19.59 773.30
1145.64 5.50 28.00 20.13 829.26
1137.19 5.40 28.00 19.24 856.96
 relación entre la producción de biomasa de una
pH, la salinidad, el contenido de Zinc (Zn) y el
asio (K) presentes en el suelo, se registraron 45
biomasa (gr) y de dichos valores característicos del
eron las plantas. Determinar el modelo de regresión
al que mejor se ajusta.
No. árbol Altura DAP VOL En el siguiente cuadro se presentan los datos referentes a la alt
1 15.9 12.4 0.058935 diámetro a la altura del pecho (expresada en centímetros) y el
2 16.0 14.5 0.112122 árboles de una especie forestal.
a) Estime los parámetros de la ecuación de regresión lineal mú
3 16.5 16.1 0.142551 términos prácticos.
4 16.5 21.8 0.261356 b) Realice el análisis de varianza y concluya.
5 17.2 15.2 0.132450 c) Calcule el coeficiente de determinación e interprételo.
d) Estime los parámetros del modelo racional indicado, compar
6 17.5 16.8 0.164624 modelo que mejor ajusta a los datos? ¿por qué?
7 18.2 22.0 0.293597
8 18.2 24.5 0.364115
9 18.6 19.0 0.223798
10 18.7 24.2 0.365012
11 18.7 28.8 0.516966
12 19.0 18.2 0.209764
13 19.0 22.6 0.323449
14 19.0 27.6 0.482400
15 19.4 21.0 0.285151
16 20.0 26.4 0.464594
17 20.2 25.6 0.441232
18 20.2 27.0 0.490811
19 20.7 22.3 0.343096
20 20.7 26.7 0.491845
21 20.7 29.0 0.580232
22 20.7 30.7 0.650253
23 21.0 18.6 0.242148
24 21.2 17.7 0.221369
25 22.2 25.0 0.462454
26 22.5 24.9 0.464961
27 22.5 30.0 0.674932
28 22.7 20.2 0.308719
29 23.0 25.3 0.490687
30 23.2 30.0 0.695930
 entan los datos referentes a la altura (expresada en metros), el
o (expresada en centímetros) y el volumen (m3/árbol) de 30
al.
a ecuación de regresión lineal múltiple e interprételos en

za y concluya.
terminación e interprételo.
modelo racional indicado, compare con el anterior. ¿Cuál es el
s datos? ¿por qué?

Modelo Racional
 x y
La producción de biomasa fol
Tiempo (MS (kg/ha)
después del corte, en resp
t p nitrogenada puede ser descr
0 750 exponencial: , donde p
7 820 hectárea a los t días después
14 890 un ajuste curvilíneo por apr
21 1240 los parámetros a y k del mod
28 1250 experimentales mostrados e
35 1550 los cuantos días después del
42 1810 1400 kg/ha de materia seca?
49 2130
56 2290
 de biomasa foliar de un pasto forrajero
corte, en respuesta a la fertilización
puede ser descrito a partir del modelo
, donde p es la materia seca por
t días después del corte (ddc). Realizar
vilíneo por aproximación rectilínea de
s a y k del modelo, a partir de los datos
es mostrados en la siguiente tabla. ¿A
as después del corte se esperaría tener
e materia seca?
OBS M. OBRA COSTO La buena previsión y el control de las actividades conducen a
1 939 251 recursos en proyectos de construcción de carreteras. Los
2 5796 4690 construcción (en miles de dólares) y la mano de obra (horas
3 289 124 proyectos se presentan en la tabla. Cada valor representa un
4 283 294 y se han eliminado dos datos atípicos.
5 138 138 a) Calcule la recta de mínimos cuadrados para predecir y a p
6 2698 1385 estudentizado contra los valores ajustados. ¿El modelo parece
7 663 345 b) Determine las constantes del modelo de regresión indicado
8 1069 355 valores ajustados. ¿El modelo parece adecuado?
9 6945 5253
10 4159 1177
11 1266 802
12 1481 945
13 4716 2327
a  b ln x
ye
 as actividades conducen al uso más eficiente del tiempo y
cción de carreteras. Los datos acerca de los costos de
y la mano de obra (horas-hombre) requerida para varios
Cada valor representa un promedio de algunos proyectos,
os.
drados para predecir y a partir de x. Grafique los residuos
stados. ¿El modelo parece adecuado?
delo de regresión indicado. Grafique los residuos contra los
e adecuado?
Tiempo Cantidad
meses recuperada Una entidad bancaria ofrece un fondo de inversión con una duración
1 205046 máxima de dos años y con un riesgo alto el primer año. Como información,
ofrece la tabla adjunta, donde aparece el dinero (en euros) que podría
2 100 haber recuperado una persona al haber cancelado su inversión al cabo de
3 169047 un número determinado de meses a partir de su inversión inicial.
4 192635 Determinar los parámetros del modelo exponencial indicado que
mejor ajusta a los datos.
5 100
6 138346.7

y  ab  c x
7 150
8 98873.3
9 113090.6
10 189827.7
11 50
12 3070
13 348231.4
14 360525.7
15 537984.4
16 400078.5
17 542209.2
18 651083.7
19 461097
20 865418
21 803179.4
22 1295651.9
23 1214292.5
24 1732753.9
sión con una duración
año. Como información,
(en euros) que podría
su inversión al cabo de
e su inversión inicial.
nencial indicado que
 DAP (X) ALTURA (Y)
No. D h
A continuación se presentan las mediciones de DAP (cm
1 34.0 18.5 y ALTURA (m) de 10 árboles tipo de Pinus oocarpa. Co
2 25.5 20.0 estos datos evalúe las ecuaciones siguientes par
3 15.6 14.3 estimar la altura.
4 17.0 17.8
5 25.0 16.8
6 12.0 14.5
7 21.5 17.2 h  a  b ln D
8 10.4 9.2
9 29.8 18.0
10 17.6 15.5
mediciones de DAP (cm)
o de Pinus oocarpa. Con
iones siguientes para
 x y
Tiempo (min) Infiltración (cm/h) Realizar un ajuste curvilíneo para selec
1 22 modelos planteados, el que mejor aju
3
8
17
12
infiltración del agua en el suelo.
12 10
16 9
20 7
30 5 Modelo potencial : I  kt n Kostiakov  Lew
40 4
1  12
Modelo racional : ISt  A P
2
Tiempo
1
Infiltración
22
Modelo exponencial : I  I f   I i  I f e  t

3 17
8 12
12 10
16 9
20 7
30 5
40 4
 líneo para seleccionar entre los tres
que mejor ajusta a los datos de
l suelo.

Kostiakov  Lewis  1932 

1
t 2
A Philip  1957 

  Ii  I f e  t
Horton  1940 
OBS Densidad Rigidez En la manufactura de productos comerciales de madera es importa
1 9.50 14814 la relación que hay entre la densidad de un producto de madera y
2 9.80 14007 Está en consideración un tipo relativamente nuevo de aglomerado
hacerse con mucha mayor facilidad que el producto comercial ya ac
3 8.30 7573 necesario saber cuál es la densidad con que su rigidez es comparabl
4 8.60 9714 producto comercial bien conocido y documentado. Para el
produjeron 30 tableros de aglomerado con densidades que
5 7.00 5304 aproximadamente de 8 a 26 libras por pie cúbico, y se midió la rigid
6 17.40 43243 por pulgada cuadrada. Determine las constantes de modelo de
7 15.20 28028 exponencial indicado. ¿Se obtiene buen ajuste con el modelo prop
qué?
8 16.70 49499
9 15.00 26222
10 14.80 26751
11 25.60 96305
12 24.40 72594
13 19.50 32207
14 22.80 70453
15 19.80 38138
16 8.40 17502
17 11.00 19443
18 9.90 14191
19 6.40 8076
20 8.20 10728
21 15.00 25319
22 16.40 41792
23 15.40 25312
24 14.50 22148
25 13.60 18036
26 23.40 104170
27 23.30 49512
28 21.20 48218
29 21.70 47661
30 21.30 53045
 merciales de madera es importante estimar
ad de un producto de madera y su rigidez.
tivamente nuevo de aglomerado que puede
que el producto comercial ya aceptado. Es
con que su rigidez es comparable con la del
do y documentado. Para el estudio se
omerado con densidades que variaban
por pie cúbico, y se midió la rigidez en libras
e las constantes de modelo de regresión
buen ajuste con el modelo propuesto, por
DAP Altura Volumen
Seleccionar del conjunto de modelos mostrados, el q
34 14.5 0.6
mejor ajusta a los datos de campo obtenidos a par
24.3 13.5 0.29
37 15 0.73
de árboles de ciprés.
33.6 14 0.56
17 12.2 0.14
38.5 16.1 0.84
12.5 10.9 0.08
17.7 12.8 0.16
31 14.5 0.5
40 15.3 0.86
34.4 15.2 0.64
28 15.6 0.44
30.5 14 0.47
38.9 16 0.85
31.2 13.7 0.48
26.9 14.1 0.37
10.8 9.1 0.05
24 13 0.28
26.4 14.2 0.36
28.5 13.8 0.4
24.6 14 0.31
39.5 17.6 0.96
22.4 11.8 0.22
29.5 14.8 0.46
33.5 10 0.4
40.5 15.8 0.91
29 12 0.37
15 10.9 0.1
19.3 11.3 0.16
39.7 15.2 0.84
25 13 0.3
35 14.7 0.64
38.7 7.5 0.4
16 7.5 0.08
31 14.5 0.5
30.9 14.1 0.48
31.5 14.2 0.5
35.5 15 0.67
23.6 16 0.32
24 12.3 0.26
32.9 15.4 0.59
13.5 11.8 0.09
15.5 9 0.09
25.7 14.2 0.34
35.7 15 0.68
24.5 10 0.22
19.2 7.8 0.12
21.4 5.1 0.1
31 10 0.35
43 6.7 0.44
21 10.1 0.17
13.5 11.8 0.09
53 21.3 2.08
37.2 17 0.83
14 13 0.11
46.5 19.2 1.45
15.6 11.2 0.11
51.4 14.5 1.34
19.8 11.4 0.17
24.9 12 0.27
12 8 0.06
21 14.1 0.23
39.5 16 0.88
24.7 13.5 0.3
30.8 14 0.48
60.1 22 2.76
20 14.5 0.22
16.5 13.5 0.14
36.6 17 0.8
19.2 16 0.22
21.7 13.2 0.23
43.7 16.8 1.12
35.5 20.5 0.91
42.6 16.7 1.06
41.5 12.9 0.78
23 12.5 0.25
45.7 14.8 1.08
21 13 0.22
24.5 18 0.39
22.5 10.8 0.21
39.2 19.4 1.05
45.8 20.5 1.5
11.2 10 0.06
30.6 13 0.44
25.6 14 0.33
13.5 15 0.11
17.2 16.2 0.18
22.5 17.1 0.32
30 12.4 0.4
45.2 13.8 0.99
40 16.7 0.94
25.6 12.4 0.3
33.2 13.1 0.52
66 24.2 3.65
13.6 8.9 0.07
20.5 11.7 0.19
28 21.4 0.6
34.8 22.7 0.97
16.5 12.1 0.13
64 20 2.84
14.8 11.3 0.1
39 15.8 0.85
15.2 11.5 0.11
50.5 15.7 1.4
21 8.9 0.15
47 15.6 1.21
29 12 0.37
27.3 11.8 0.32
24.3 10.5 0.23
53.7 13.2 1.33
39 14 0.75
31.8 14.9 0.54
48.4 16.3 1.33
19.2 11.8 0.17
41.6 13.1 0.8
45.7 16.3 1.19
42 10.9 0.68
25.6 13.8 0.33
45.2 12.5 0.9
46.3 15.8 1.19
30 13.9 0.45
20.2 12.1 0.19
28 13.1 0.37
26.5 12.3 0.32
29.1 15.2 0.46
16.2 10.9 0.12
28 11.2 0.32
11 7.8 0.05
27 14.8 0.39
39.5 15.1 0.83
12.2 9.2 0.06
32 13.7 0.5
11.2 13.4 0.08
27 13.8 0.36
31.6 17.9 0.63
16 12.1 0.12
14.2 11.8 0.1
39.2 25.2 1.35
16.8 11.3 0.13
35.6 18.9 0.84
23.3 14.1 0.28
44.6 24.8 1.72
27.9 10.1 0.29
49.4 24.3 2.06
12.1 12 0.08
28.3 13.5 0.39
12.5 11.6 0.08
12.5 11.3 0.08
15.1 9.3 0.09
47 23.5 1.81
24.7 10.5 0.24
13.5 14.5 0.11
24.2 20.3 0.43
53.2 20.9 2.06
23.7 15.1 0.31
25 16.9 0.38
22 18.1 0.32
23.8 15.2 0.31
38.3 21 1.08
20.8 13.5 0.22
30.6 12 0.41
36.8 16.5 0.79
16.5 12.7 0.14
22 13.5 0.24
34.5 16.7 0.7
32 16.5 0.6
27.2 16 0.43
21 8.6 0.15
32 14.8 0.54
27.2 13 0.35
46 17.8 1.3
14.2 8.6 0.08
31.5 14.8 0.52
27 15.2 0.4
60.3 18 2.27
19.7 16 0.23
34.5 17 0.72
52.5 16 1.54
15.6 17 0.16
29.8 18 0.57
29.7 21.5 0.67
34.5 17 0.72
45 16.8 1.19
42.7 15.5 0.99
28 14.6 0.41
44.7 17.2 1.2
26.7 16.3 0.42
15 17 0.15
17.2 17 0.19
15.2 11 0.11
28.2 13.8 0.4
17 13 0.15
11.5 10 0.06
27.5 15.1 0.41
24.9 16.8 0.38
17 15.5 0.17
34.7 9 0.39
26.9 16.5 0.43
35 14.8 0.64
28 14.1 0.4
32.3 14.2 0.53
22.3 15.1 0.28
57.2 16.8 1.91
22.3 16 0.29
30.9 19.1 0.65
15.5 11 0.11
16.5 16.6 0.17
39 22.3 1.19
30 15.6 0.5
31 15.8 0.54
51.1 18.2 1.66
13.3 11.5 0.09
44 20.5 1.39
10.8 20 0.1
16.8 11 0.12
22 11.5 0.21
23.3 14.2 0.28
15.7 11 0.11
22.7 14 0.27
41 12 0.71
25 8.9 0.21
12.5 8 0.06
12.5 9 0.07
40.5 13.2 0.76
 20 7.5 0.12
11 8.2 0.05
18.6 9 0.12
13 9.5 0.07
12 10.5 0.07
18.5 12.4 0.16
22 11 0.2
15 8.7 0.09
18.2 9.1 0.12
31.5 11.6 0.41
18.5 12 0.16
16.8 8.1 0.1
13.5 6.1 0.06
12.7 12.5 0.09
12.3 9 0.06
18.2 11.2 0.15
15.2 8.8 0.09
42 13.7 0.85
30.8 18.2 0.61
32.3 17.1 0.63
33.2 15.6 0.61
31.7 16.5 0.59
21.7 12.5 0.22
24 9.2 0.2
28.5 15.5 0.45
14.4 11.8 0.1
18 9.1 0.12
28.5 10.9 0.32
23 9.8 0.2
17.2 7.1 0.09
20.5 8.9 0.15
14.1 6.8 0.06
11 6.3 0.04
13.7 8.1 0.07
12.2 8.7 0.06
11.8 9.3 0.06
1.5 7.3 0.02
20.6 11 0.18
13 9.3 0.07
15.3 8.4 0.09
13.1 10.5 0.08
14.5 12 0.1
19.7 11 0.16
12 8.3 0.06
14.1 11 0.09
11.5 7.1 0.05
44.4 17.6 1.21
17.6 9.3 0.12
12.8 8.7 0.07
13 8.9 0.07
31.1 13.8 0.48
13.5 13.5 0.1
17 12 0.14
32 13 0.48
22.2 8.9 0.17
13.4 7.5 0.06
12.7 8.1 0.06
19.2 6.7 0.1
19.6 11 0.16
16.2 10.5 0.11
10.7 10.3 0.06
14.4 7.5 0.07
12 10.3 0.07
12.8 9.1 0.07
11 8.5 0.05
21.4 11 0.19
12.2 9 0.06
14.5 8.5 0.08
45.5 14.5 1.05
24.6 14 0.31
39.5 14.6 0.8
30.1 15.1 0.49
27 14.8 0.39
41 13.7 0.81
27.2 14.3 0.38
23 8.2 0.17
34.2 13.2 0.55
14 6.8 0.06
16 13 0.13
31.2 14.8 0.51
21.5 8.8 0.16
43.3 11.5 0.76
13.7 7.1 0.06
13.4 6.1 0.06
14.3 10.6 0.09
14.9 12.5 0.11
17 13.5 0.15
13.5 13 0.1
12 9 0.06
21.5 11.5 0.2
 13 9.2 0.07
11 8.5 0.05
17 13.2 0.15
16.8 11.8 0.13
15.2 12.5 0.12
12.5 11.5 0.08
17.6 10.8 0.13
11 8.3 0.05
13.6 8.4 0.07
36 15.5 0.71
19.6 8 0.12
13.2 6.9 0.06
14.7 7.4 0.07
22.7 10.5 0.2
14.3 8.6 0.08
14.5 8.5 0.08
18.7 10.7 0.15
18.6 9.9 0.14
11.1 8.5 0.05
30.1 12.8 0.42
11.4 9 0.06
32.4 14.4 0.54
11 7.5 0.05
12.6 8.7 0.07
33 13.2 0.51
11.4 10.7 0.07
15.6 11.3 0.11
14.6 11.1 0.1
19.7 11.8 0.18
10.8 10 0.06
17.9 11.5 0.14
11.6 11.2 0.07
13 8.3 0.07
16.6 8.7 0.1
16.5 14 0.15
13.5 11.5 0.09
20.8 12.5 0.2
16.8 12.6 0.14
19.1 12.9 0.18
29.3 13.1 0.41
16 12 0.12
12.3 9 0.06
11.7 8.8 0.06
20.5 12 0.19
14.9 8.3 0.08
40.3 18.4 1.05
36.2 18.8 0.87
32.4 21 0.78
42 17.5 1.08
40 18.6 1.04
16.2 13 0.14
24 13.6 0.29
35 17 0.74
45.9 23.4 1.72
47.4 10.8 0.85
52 20 1.88
19.2 16.3 0.22
45.2 20.4 1.45
18.3 19 0.24
41.6 20.5 1.24
30.3 18.3 0.6
16.4 10.8 0.12
55.3 20.9 2.22
40 15.2 0.86
19.8 13 0.19
31.6 16.7 0.59
28 17.2 0.48
22.3 13.5 0.25
20.1 13 0.2
24.8 12.8 0.29
36 14 0.64
13.5 13.2 0.1
27.5 12 0.33
18.5 17 0.22
57.5 17.2 1.98
32.5 16.5 0.62
37.5 18 0.89
4.5 18.5 0.03
27.4 11.3 0.31
42 18.9 1.17
4 17 0.03
29 16.5 0.5
10.6 10 0.06
18 14 0.17
35.6 16 0.72
29.4 15.7 0.49
34 16.8 0.69
27.5 18.5 0.5
27.6 17.2 0.47
32 18.7 0.68
14.8 14.2 0.12
35.4 17.3 0.77
36.5 18 0.84
25 15.8 0.36
23.4 15.5 0.31
15.2 14.7 0.13
22.7 17 0.32
21.2 15 0.25
50.2 19.2 1.69
30.7 17.8 0.6
23.3 17 0.34
10.5 13 0.07
17.6 16.2 0.19
12.9 16 0.11
16.5 15.5 0.16
16.6 15.3 0.16
27.5 17.5 0.47
22.4 16.8 0.31
12.6 13 0.09
22 18 0.32
12.6 13 0.09
15 16 0.14
36 17 0.78
27.2 16.8 0.45
19.5 16.5 0.23
22.5 16.7 0.31
13.6 16 0.12
27.2 16.8 0.45
20.5 17 0.26
13.5 15 0.11
31.5 17.3 0.61
29.4 17.5 0.54
29.8 17.7 0.56
12.5 15 0.1
30.9 18.2 0.62
13.7 15.3 0.12
19.3 16.8 0.23
13.3 15.6 0.11
15.6 16 0.15
22.3 17.2 0.31
22 17 0.3
24 16 0.34
19.2 16.2 0.22
17.3 16.5 0.19
18.6 17 0.22
 40 20 1.12
21.8 18 0.31
23.2 18.5 0.36
33.6 19 0.76
34.5 20 0.84
32 19.5 0.71
27.5 18 0.49
13.3 14 0.1
23.4 15 0.3
27.3 17.5 0.47
13 12.8 0.09
20.7 15.7 0.25
12.3 14.5 0.09
17.4 16.4 0.19
13.4 14 0.1
23 18.3 0.35
14.6 15 0.13
27.7 17.5 0.48
26.4 17.2 0.43
12.3 14 0.09
22.2 16.8 0.3
28 17.5 0.49
15.7 12.8 0.13
23.5 16.2 0.33
22.2 17 0.31
30.3 17.5 0.57
26.3 17.6 0.44
64 18.5 2.63
32.9 17.3 0.66
17.7 15.8 0.19
50 16.7 1.46
39.3 18.8 1.02
14 16 0.13
32.4 19 0.71
53.8 20 2.01
27.3 14 0.38
19.7 17 0.25
20.8 18 0.29
12.6 17.3 0.11
20.2 16 0.24
19.4 16.8 0.24
26.4 17 0.43
19.5 17.2 0.24
40.2 24 1.35
44.8 24.5 1.71
25.2 18 0.41
52.7 23.7 2.29
23.1 20.6 0.4
23.7 20.3 0.41
14 19 0.15
21 18.7 0.3
36.5 19.8 0.93
25.1 21 0.47
22.2 20.5 0.37
24.3 21.2 0.45
31.5 22 0.77
45 18.7 1.32
23.7 19 0.39
18.5 19.3 0.25
20.5 20.5 0.31
19.6 21 0.3
15.2 19 0.17
35.2 22.5 0.98
26.5 22 0.55
26.5 21.8 0.55
15.3 18 0.16
30.7 22 0.73
28 21.5 0.6
12.8 18.2 0.12
13.4 18 0.13
19.4 19.8 0.27
16.6 19.5 0.2
15.8 20.5 0.19
31 22 0.75
28.5 23 0.66
10.5 15 0.07
17.7 20 0.23
36 21 0.96
18.8 20 0.26
14 17 0.13
27 20 0.52
25.4 20.2 0.47
20.1 19.7 0.29
27 20.5 0.53
17.3 18.5 0.21
31.8 21 0.75
38.1 19.8 1.01
34.2 20.6 0.85
35.2 21.2 0.92
16.2 20.4 0.2
 36 22 1
14.5 18.6 0.15
11 16.8 0.09
18.2 19 0.23
20.4 20.1 0.31
27.2 20.8 0.55
25.8 21 0.5
27.5 20.2 0.54
24.5 21 0.45
24.7 20.8 0.46
30.5 22 0.72
30 21.5 0.68
28 20 0.56
31 21.3 0.72
11.8 15 0.09
10.5 17 0.08
11 13.6 0.07
14.2 13 0.11
64 20 2.84
25.3 17.8 0.41
17.2 17 0.19
23 21 0.4
22.3 20.8 0.37
24.6 21.3 0.46
12.6 17 0.11
30.3 22 0.71
25.5 21.8 0.51
45 20.9 1.48
37.7 18 0.9
16 16.5 0.16
16 16.7 0.16
13 15.5 0.11
15.4 15.9 0.15
21.4 18.1 0.3
14 15.3 0.12
13.5 14.8 0.11
17.2 15 0.17
32 17.8 0.65
12.4 11 0.08
15.3 10.5 0.1
20 18 0.27
29 17.5 0.53
20 18.7 0.28
25.6 20 0.47
16.5 16 0.17
26.5 17.5 0.44
14.5 15.8 0.13
23.9 16.9 0.35
21 17.2 0.28
20.7 18 0.28
31.5 21 0.74
26.3 20.5 0.51
31.8 21.3 0.76
26.2 21 0.51
12.5 16 0.1
19.6 19.5 0.28
12.5 14 0.09
22.3 18 0.33
24.8 19.2 0.42
22.5 18.7 0.34
22.7 17.5 0.33
30.2 18.4 0.6
22 18.1 0.32
16.5 17.5 0.18
25.5 20.8 0.48
24.5 19.5 0.42
15.4 18 0.16
34.2 19.2 0.79
10.6 12 0.06
18 16.4 0.2
19.4 12 0.17
38.8 20 1.06
23.2 22 0.43
20 20.3 0.3
28.2 21.7 0.61
20 20.3 0.3
22 18.4 0.32
13.5 15 0.11
18.4 17.6 0.22
44.6 22.5 1.56
35.7 22.1 0.99
30.4 21 0.69
20.7 20.5 0.32
19.4 19 0.26
18.6 17 0.22
26 18.3 0.44
29 18.7 0.56
14 18 0.14
24 18.5 0.38
18.3 18.9 0.24
 14 17 0.13
26 19 0.46
24.7 19.5 0.43
46 20.3 1.5
26.1 13 0.32
17.5 17.6 0.2
22.3 18 0.33
35.2 20 0.87
35 18 0.78
19.8 14.5 0.21
odelos mostrados, el que
ampo obtenidos a partir
 Estación Elevación (msnm) ppt anual
A continuación se presentan los datos de elevación (metros sobr
San Luis 5 1496 nivel del mar) y precipitación pluvial anual, reportados en el año 200
San Antonio 10 909 36 estaciones ubicadas en la zona cañera de la Costa Sur de Guatema
Guadalupe 13 1014 Realice un análisis de regresión y explique el comportamiento d
precipitación en función de la altitud sobre el nivel de mar. ¿Cuá
Montañesa 21 1331 modelo que mejor se ajusta? Investigue sobre la explicación práctica
Amazonas 30 1155 comportamiento observado.
Verapaz 35 1421
La Agrícola 40 1556
Playa Grande 50 1459
La Habana 60 1747
San Patricio 65 1668 x y
Mojarras 69 1805 5 1496
Agua Blanca 78 2299 10 909
Puyumate 85 1933 13 1014
Naranjales 90 1725 21 1331
Buenos Aires 96 2195 30 1155
La Cabaña 110 2688 35 1421
Santa Marta 115 3360 40 1556
Belén 142 3402 50 1459
San Juan Bosco 160 2082 60 1747
Santa Ana 160 2401 65 1668
El Refugio 200 3554 69 1805
Variedades 225 3709 78 2299
Tululá 229 2786 85 1933
Torolita 240 3656 90 1725
San Bonifacio 245 3270 96 2195
El Bálsamo 275 3891 110 2688
Camantulul 280 4106 115 3360
Cengicaña 300 4508 142 3402
Mangalito 400 4303 160 2082
Panorama 500 4185 160 2401
El Baúl 550 3997 200 3554
Sabana Grande 730 2721 225 3709
Los Tarros 740 3908 229 2786
La Eminencia 820 2924 240 3656
Santa Teresa 1200 1284 245 3270
El Rincón 1200 983.9 275 3891
280 4106
300 4508
400 4303
500 4185
550 3997
730 2721
740 3908
820 2924
1200 1284
1200 983.9
s datos de elevación (metros sobre el
vial anual, reportados en el año 2004 en
a cañera de la Costa Sur de Guatemala.
y explique el comportamiento de la
ltitud sobre el nivel de mar. ¿Cuál es
estigue sobre la explicación práctica del

Modelo racional

Modelo Gaussiano

Modelo Hoerl

Modelo cuadrático

Modelo Sinusoidal

Cuadrática recíproca

Ecuación de Steinhart-Hart
Árbol Edad (años) Altura (m) Árbol Edad (años) DAP (cm) Árbol Edad (años)
1 1 0.3 1 3 3.4 1 3
2 3 3.07 2 6 4.9 2 6
3 5 5.84 3 8 14.3 3 8
4 7 8.61 4 11 11.3 4 11
5 9 11.2 5 13 26.8 5 13
6 12 15.1 6 16 18.5 6 16
7 15 16.92 7 18 40 7 18
8 18 19.69 8 21 27.2 8 21
9 20 21.71 9 23 48.6 9 23
10 23 25.74 10 23 39 10 26
11 27 27.76 11 24 34.5 11 28
12 31 29.79 12 26 33 12 31
13 33 30.06 13 28 54.3 13 33
14 35 28.65 14 31 37.2 14 34
15 36 29.5 15 33 59.5 15 39
16 41 37.15 16 36 41.4 16 44
17 44 38.18 17 44 45.7 17 49
18 48 40.36 18 47 41 18 52
19 52 39.23 19 52 43.4 19 54
20 57 38.2 20 54 53.1 20 57
Volumen (m3)
0.0027 Pedro Agustín López Velásquez (2003) realizó el trabajo
0.0111
de tesis titulado “Estudio del crecimiento y rendimiento
de Pinus pseudostrobus Lindley, en bosques naturales de
0.0872
los departamentos de Chimaltenango y Sololá”. Evaluó
0.0654 las relaciones: edad-altura, edad-dap y edad-volumen, en
0.369 3 calidades de sitio. A continuación se presenta tres
0.2132 conjuntos de datos, extraídos de este trabajo de tesis.
0.8585 Para cada relación debe de evaluar los 9 modelos
0.4958 mencionados anteriormente. Seleccione el o los modelos
0.369 que presenten mejor ajuste.
0.9521
0.8585
1.3221
1.4891
1.6052 b x2
2.1537 y a y
3.1015 x 0.597844 a  bx 2
3.7016
2.7848
4.0959
y  e  a  b ln x  c ln 2 x  ln y  a  b
1
3.1566 x
x2
y
a  bx  cx 2 y  ax b
y  a  b ln x
y  ab x
y  a  bx  cx 2
arbol Dap Altura Volumen_total Se realizó una evaluación de modelos de regresión mú
1 20.3 10.0 0.417925 árboles en pie de matilisguate (Tabebuia rosea
2 21.0 10.3 0.479500 establecidos en sistemas agroforestales en Escuintla. d
3 22.2 10.5 0.577550 volumen (V) está dado en metros cúbicos, el diáme
4 23.0 11.0 0.587050 centímetros y la altura (H) en metros. Seleccione el m
5 24.2 11.5 0.666925 mejor ajusta a los datos.
6 24.5 11.9 0.680775
7 25.2 11.6 0.678625
8 25.8 13.2 0.685325
9 26.0 13.5 0.690525
10 27.5 14.0 0.771625
11 28.4 14.5 0.812825
12 29.2 15.2 0.841200
13 30.5 15.2 1.076050
14 31.8 14.5 0.965950
15 32.0 15.4 1.188750
16 32.6 16.5 1.228875
17 33.0 14.6 1.857150
18 34.8 17.3 1.859600
19 35.9 15.5 1.882875
20 36.1 13.8 1.887700
21 36.2 18.1 2.003825
22 37.5 16.5 1.986975
23 38.5 18.5 2.210025
24 39.2 15.1 2.015900
25 39.7 14.3 1.994700
26 40.0 13.9 2.059875
27 41.0 15.5 2.129450
28 41.6 14.5 2.113400
29 43.5 18.0 2.265350
30 44.0 19.3 2.593850
31 44.2 16.1 2.274800
32 44.7 18.9 2.629500
33 45.5 17.8 2.631250
34 46.7 18.8 2.672450
35 48.0 18.5 3.077275
36 48.5 16.7 2.808500
37 49.0 16.4 2.735550 DAP
38 49.6 20.0 3.302075 20.3
39 50.0 19.0 3.368200 21.0
40 50.5 16.5 2.934225 22.2
41 50.9 18.8 3.386400 23.0
42 52.5 16.3 3.129175 24.2
43 53.2 17.9 3.411950 24.5
44 53.5 19.5 3.545375 25.2
45 53.7 19.2 3.536275 25.8
46 55.8 20.2 3.768700 26.0
47 57.0 18.5 3.614350 27.5
48 58.1 20.8 4.021450 28.4
49 59.0 19.9 4.057900 29.2
50 59.5 20.0 4.492750 30.5
51 60.0 20.6 4.687625 31.8
32.0
32.6
33.0
34.8
35.9
36.1
36.2
37.5
38.5
39.2
39.7
40.0
41.0
41.6
43.5
44.0
44.2
44.7
45.5
46.7
48.0
48.5
49.0
49.6
50.0
50.5
50.9
52.5
53.2
53.5
53.7
55.8
57.0
58.1
59.0
59.5
60.0
 modelos de regresión múltipel para
sguate (Tabebuia rosea (Bertol)),
oforestales en Escuintla. donde el el
metros cúbicos, el diámetro (D) en
n metros. Seleccione el modelo que

ALT VOL
10.0 0.417925
10.3 0.479500
10.5 0.577550
11.0 0.587050
11.5 0.666925
11.9 0.680775
11.6 0.678625
13.2 0.685325
13.5 0.690525
14.0 0.771625
14.5 0.812825
15.2 0.841200
15.2 1.076050
14.5 0.965950
15.4 1.188750
16.5 1.228875
14.6 1.857150
17.3 1.859600
15.5 1.882875
13.8 1.887700
18.1 2.003825
16.5 1.986975
18.5 2.210025
15.1 2.015900
14.3 1.994700
13.9 2.059875
15.5 2.129450
14.5 2.113400
18.0 2.265350
19.3 2.593850
16.1 2.274800
18.9 2.629500
17.8 2.631250
18.8 2.672450
18.5 3.077275
16.7 2.808500
16.4 2.735550
20.0 3.302075
19.0 3.368200
16.5 2.934225
18.8 3.386400
16.3 3.129175
17.9 3.411950
19.5 3.545375
19.2 3.536275
20.2 3.768700
18.5 3.614350
20.8 4.021450
19.9 4.057900
20.0 4.492750
20.6 4.687625
 PRODUCCIÓN DE LECHE SEGÚN ZONAS DE PRODUCCIÓN (kg/día)
DDP 1 BH-MB 2 BH-P 3 BS-T 4 BMH-M 5 BMH-MB 6 BMH-P 7 BMH-T
0 10.6 11.2 12.1 11.8 10.4 12.0 12.8
10 17.0 17.1 17.5 17.8 16.9 17.4 17.8
20 19.1 18.9 19.1 19.6 18.9 18.9 19.2
30 20.0 19.7 19.7 20.4 19.8 19.6 19.7
40 20.5 20.1 20.0 20.7 20.2 19.8 19.9
50 20.6 20.2 20.1 20.8 20.3 19.9 19.8
60 20.6 20.2 20.0 20.7 20.2 19.8 19.6
70 20.4 20.0 19.9 20.5 20.0 19.6 19.4
80 20.2 19.8 19.6 20.2 19.7 19.3 19.1
90 19.9 19.5 19.4 19.9 19.4 19.0 18.7
100 19.5 19.2 19.0 19.5 18.9 18.6 18.3
110 19.1 18.8 18.7 19.1 18.5 18.3 17.9
120 18.7 18.4 18.3 18.7 18.0 17.9 17.5
130 18.3 18.0 17.9 18.3 17.5 17.5 17.1
140 17.8 17.6 17.6 17.8 17.1 17.1 16.7
150 17.3 17.2 17.2 17.4 16.6 16.6 16.2
160 16.9 16.8 16.8 16.9 16.0 16.2 15.8
170 16.4 16.3 16.3 16.5 15.5 15.8 15.4
180 15.9 15.9 15.9 16.0 15.0 15.4 14.9
190 15.5 15.5 15.5 15.6 14.6 15.0 14.5
200 15.0 15.1 15.1 15.1 14.1 14.6 14.1
210 14.5 14.6 14.7 14.7 13.6 14.1 13.7
220 14.1 14.2 14.4 14.2 13.1 13.7 13.3
230 13.6 13.8 14.0 13.8 12.7 13.4 12.9
240 13.2 13.4 13.6 13.4 12.2 13.0 12.5
250 12.8 13.0 13.2 13.0 11.8 12.6 12.1
260 12.4 12.6 12.9 12.6 11.4 12.2 11.8
270 11.9 12.3 12.5 12.2 11.0 11.8 11.4
280 11.6 11.9 12.1 11.8 10.6 11.5 11.0
290 11.2 11.5 11.8 11.4 10.2 11.1 10.7
300 10.8 11.2 11.5 11.0 9.8 10.8 10.4
310 10.4 10.8 11.1 10.7 9.4 10.5 10.0
CCIÓN (kg/día)
8 BP-MB 9 BH-T
De los registros de 7 fincas ubicadas en distintas zonas de producción, se ha
11.1 9.0
información relacionada con la producción de leche en kilogramos por día
de la raza Jersey. Determine con cuál de los modelos de lactancia de ganado
18.0 15.0
mostrados a continuación, se obtiene el mejor ajuste a efecto de mo
20.2 16.9
producción de leche en función del tiempo (días después del parto:DDP) d
21.3 17.8 periodo de lactancia, aplicable por supuesto, a las 7 zonas. Explique
21.8 18.3 considera que es el mejor modelo.
22.0 18.4
22.0 18.4
21.9 18.3
21.6 18.1
21.3 17.8
21.0 17.5
20.6 17.1
20.1 16.8
19.7 16.4
19.2 15.9
18.7 15.5
18.2 15.1
17.7 14.7
17.2 14.2
16.7 13.8
16.3 13.4
15.8 13.0
15.3 12.6
14.8 12.2
14.4 11.8
13.9 11.4
13.5 11.0
13.0 10.6
12.6 10.3
12.2 9.9
11.8 9.6
11.4 9.2
onas de producción, se ha obtenido 0 10.6
he en kilogramos por día de vacas 10 17.0
los de lactancia de ganado lechero
20 19.1
r ajuste a efecto de modelar la
30 20.0
después del parto:DDP) durante el
a las 7 zonas. Explique por qué 40 20.5
50 20.6
60 20.6
70 20.4
80 20.2
90 19.9
100 19.5
110 19.1
120 18.7
130 18.3
140 17.8
150 17.3
160 16.9
170 16.4
180 15.9
190 15.5
200 15.0
210 14.5
220 14.1
230 13.6
240 13.2
250 12.8
260 12.4
270 11.9
280 11.6
290 11.2
300 10.8
310 10.4
0 11.2
10 17.1
20 18.9
30 19.7
40 20.1
50 20.2
60 20.2
70 20.0
80 19.8
90 19.5
100 19.2
110 18.8
120 18.4
130 18.0
140 17.6
150 17.2
160 16.8
170 16.3
180 15.9
190 15.5
200 15.1
210 14.6
220 14.2
230 13.8
240 13.4
250 13.0
260 12.6
270 12.3
280 11.9
290 11.5
300 11.2
310 10.8
0 12.1
10 17.5
20 19.1
30 19.7
40 20.0
50 20.1
60 20.0
70 19.9
80 19.6
90 19.4
100 19.0
110 18.7
120 18.3
130 17.9
140 17.6
150 17.2
160 16.8
170 16.3
180 15.9
190 15.5
200 15.1
210 14.7
220 14.4
230 14.0
240 13.6
250 13.2
260 12.9
270 12.5
280 12.1
290 11.8
300 11.5
310 11.1
0 11.8
10 17.8
20 19.6
30 20.4
40 20.7
50 20.8
60 20.7
70 20.5
80 20.2
90 19.9
100 19.5
110 19.1
120 18.7
130 18.3
140 17.8
150 17.4
160 16.9
170 16.5
180 16.0
190 15.6
200 15.1
210 14.7
220 14.2
230 13.8
240 13.4
250 13.0
260 12.6
270 12.2
280 11.8
290 11.4
300 11.0
310 10.7
0 10.4
10 16.9
20 18.9
30 19.8
40 20.2
50 20.3
 60 20.2
70 20.0
80 19.7
90 19.4
100 18.9
110 18.5
120 18.0
130 17.5
140 17.1
150 16.6
160 16.0
170 15.5
180 15.0
190 14.6
200 14.1
210 13.6
220 13.1
230 12.7
240 12.2
250 11.8
260 11.4
270 11.0
280 10.6
290 10.2
300 9.8
310 9.4
0 12.0
10 17.4
20 18.9
30 19.6
40 19.8
50 19.9
60 19.8
70 19.6
80 19.3
90 19.0
100 18.6
110 18.3
120 17.9
130 17.5
140 17.1
150 16.6
160 16.2
170 15.8
180 15.4
190 15.0
200 14.6
210 14.1
220 13.7
230 13.4
240 13.0
250 12.6
260 12.2
270 11.8
280 11.5
290 11.1
300 10.8
310 10.5
0 12.8
10 17.8
20 19.2
30 19.7
40 19.9
50 19.8
60 19.6
70 19.4
80 19.1
90 18.7
100 18.3
110 17.9
120 17.5
130 17.1
140 16.7
150 16.2
160 15.8
170 15.4
180 14.9
190 14.5
200 14.1
210 13.7
220 13.3
230 12.9
240 12.5
250 12.1
260 11.8
270 11.4
280 11.0
290 10.7
300 10.4
310 10.0
 0 11.1
10 18.0
20 20.2
30 21.3
40 21.8
50 22.0
60 22.0
70 21.9
80 21.6
90 21.3
100 21.0
110 20.6
120 20.1
130 19.7
140 19.2
150 18.7
160 18.2
170 17.7
180 17.2
190 16.7
200 16.3
210 15.8
220 15.3
230 14.8
240 14.4
250 13.9
260 13.5
270 13.0
280 12.6
290 12.2
300 11.8
310 11.4
0 9.0
10 15.0
20 16.9
30 17.8
40 18.3
50 18.4
60 18.4
70 18.3
80 18.1
90 17.8
100 17.5
110 17.1
120 16.8
130 16.4
140 15.9
150 15.5
160 15.1
170 14.7
180 14.2
190 13.8
200 13.4
210 13.0
220 12.6
230 12.2
240 11.8
250 11.4
260 11.0
270 10.6
280 10.3
290 9.9
300 9.6
310 9.2
Arbol BIO DAP ALT DDC DDF CTF Se realizó un estudio para estim
1 329.970 20.370 14.900 4.730 0.356 56.333 especie arbórea san juan (Voc
2 248.380 16.710 13.000 5.660 0.328 39.944 forestales mixtas establecidas a
3 203.860 7.670 6.010 3.750 0.361 32.982 Bosques -INAB- ubicadas en el m
por Winrok International Institu
4 59.760 6.120 5.890 3.210 0.363 9.390 diamétricas específicas y se obtu
5 129.560 13.050 7.900 4.190 0.346 20.587 a biomasa total en kilogramos (
6 64.100 10.420 8.030 3.180 0.331 10.230 metros (ALT), diámetro de copa
7 324.790 23.070 13.450 6.570 0.635 83.832 kilogramos (CTF).
a) Determine el modelo de regr
8 578.940 25.300 16.780 6.620 0.282 86.059 cantidad de carbono fijado por la
9 319.110 22.040 13.980 4.630 0.435 62.850 b) Con relación al inciso anterior, exp
10 466.160 24.820 16.050 4.990 0.317 75.037 c) Seleccione el modelo de regres
los datos para explicar la variació
11 695.880 29.280 19.250 5.910 0.399 132.101 del árbol y diámetro de copa. (20
12 779.230 32.150 19.120 5.370 0.378 142.472 regresión.
13 237.890 18.720 14.020 3.990 0.314 36.060 Morales (2017), tesis de gr
14 882.710 31.830 21.020 3.260 0.409 165.801 Gerson.pdf
15 645.400 26.890 20.250 3.920 0.383 115.438
16 643.420 35.010 15.420 4.350 0.329 97.774
17 903.670 32.560 16.050 7.900 0.366 156.269
18 60.560 9.710 8.420 3.070 0.327 9.172
19 20.870 6.430 7.460 2.910 0.407 3.520
20 131.110 14.640 10.640 3.690 0.334 20.484
Se realizó un estudio para estimar la cantidad de carbono fijado por encima del suelo en plantaciones de la
especie arbórea san juan (Vochysia guatemalensis Donnell-Smithii). El estudio se realizó en plantaciones
forestales mixtas establecidas a través del Programa de Incentivos Forestales -PINFOR- del Instituto Nacional de
Bosques -INAB- ubicadas en el municipio de Ixcán, Quiché; utilizando la metodología tipo destructiva propuesta
por Winrok International Institute (1996). Se seleccionaron y derribaron 20 árboles distribuidos en clases
diamétricas específicas y se obtuvieron los resultados que se presentan en el cuadro. Dichos datos corresponden
a biomasa total en kilogramos (BIO), diámetro a la altura del pecho en centímetros (DAP), altura del árbol en
metros (ALT), diámetro de copa en metros (DDC), densidad del fuste en g/cc (DDF) y carbono total fijado en
kilogramos (CTF).
a) Determine el modelo de regresión lineal múltiple que mejor ajusta a los datos con el objeto de predecir la
cantidad de carbono fijado por la planta. (15 pts)
b) Con relación al inciso anterior, explique por qué considera que constituye el mejor modelo. 25 pts.
c) Seleccione el modelo de regresión polinómico múltiple (de segundo grado como máximo) que mejor se ajusta a
los datos para explicar la variación de la cantidad de biomasa en función del diámetro a la altura del pecho, altura
del árbol y diámetro de copa. (20 pts). Asuma que en el modelo elegido se cumplen los supuestos del análisis de
regresión.
Morales (2017), tesis de grado, URL. http://recursosbiblio.url.edu.gt/tesiseortiz/2017/06/22/Morales-
Gerson.pdf
 ciones de la
plantaciones
Nacional de
va propuesta
os en clases
orresponden
del árbol en
tal fijado en

e predecir la

or se ajusta a
pecho, altura
el análisis de

22/Morales-
Relación altura-diámetro generalizada para masas de Pinus
sylvestris L. procedentes de repoblación en el noroeste de
España.
 masas de Pinus
n el noroeste de