METODO DE RELACIONES CONCOMITANTES

Todo fenómeno que cambia siempre que otro cambie también en un

determinado sentido, es una causa de tal fenómeno o su efecto o está
conectado con él a través de algún hecho causal.
Un fenómeno que varía de una manera cualquiera todas las veces que otro
fenómeno varía de otra manera, es una causa o un efecto de ese fenómeno, o
está ligado a él por algún hecho de causación. Aquí no se trata,
rigurosamente, de establecer siempre relaciones de causa a efecto entre dos
fenómenos.
Los fenómenos estudiados podrían ser, ambos, efectos de una misma causa.

Ejemplo: Las variaciones en la posición de la luna son seguidas por

variaciones en las mareas.

Por ende, el Método de variaciones concomitantes permite conocer si la

variación de un fenómeno se acompaña de la variación de otro fenómeno,
entonces concluimos que uno es la causa de otro.
Así mismo podemos mencionar que el Método de las variaciones
concomitantes consiste en observar las variaciones del fenómeno, y descubrir
qué otro fenómeno varía de manera concomitante.
Este método registra las diferencias halladas en la evolución de un fenómeno
que concuerda con diferencias en la evolución de otros fenómenos. Según la
lógica tradicional, “variatur caussa, variatur effectus”; esto significa que al variar
la causa se varía el efecto. Lo que significa también, que, al tratar de encontrar
la causa de un fenómeno, para saber si algún elemento es la causa del hecho,
se varía este elemento, observándose en forma comitante que tal variación de
la causa produce también una modificación del efecto. Entonces, se presume
que tal elemento es la causa buscada.
Si se encuentra, ése puede ser la causa del fenómeno estudiado. Definiendo
el término de concomitante decimos que hace referencia a lo que acompaña a
una cosa o actúa junto a ella.
Este método de variaciones concomitantes nos dice que si en un
fenómeno se observa que al variar una de las circunstancias que
concurren en él, varía de manera proporcional, entonces, esta
circunstancia es la que causa el fenómeno. Más fácil, cuando un
fenómeno varía en proporción directa o inversa a la variación de una
circunstancia dada, ésta es su causa.

Gráficamente:
D: a, b, c, d.…Q
D: a’, f, c, d.…Q’
D: a’’, f, i, g.…Q’’
∴ a es la causa de Q y de sus variantes

Ejemplo de un caso:

. Hace varias décadas, surgió una controversia alrededor del impacto de la

lluvia ácida en el ambiente de los estados del noreste de los Estados Unidos y
Canadá. Parte de la controversia involucraba la interpretación correcta de los
datos recolectados entonces. La controversia surgió por la siguiente razón: la
atmósfera siempre contiene cierta cantidad de ácido, mucho del cual viene de
recursos naturales. Pero también es sabido que un exceso de ácido en el
ambiente puede tener serios efectos tanto en plantas como animales. Los lagos
son particularmente vulnerables a los efectos de la lluvia ácida. Además,
también se sabe que las industrias, principalmente aquéllas en el medio oeste,
desechan una gran cantidad de dióxido de sulfuro en el aire y que esto
aumenta la acidez del agua en la atmósfera. La pregunta –y aquí la
controversia– era si el ácido provocado por las industrias era la causa del daño
en el medio ambiente. ¿Cómo podemos resolver la disputa? Las dos reglas
que hemos visto no nos brindan ayuda inmediata pues, como hemos señalado,
brindan una prueba rigurosa para hipótesis causales sólo cuando podemos
identificar casos contrastantes con la presencia o ausencia de cierto rasgo. La
PCN provee una prueba rigurosa para las condiciones necesarias sólo si
podemos encontrar casos en los que el rasgo no ocurra y luego verifiquemos
que el rasgo resultante no ocurra tampoco. La PCS, por otro lado, brinda una
prueba rigurosa para condición suficiente sólo cuando encontramos casos en
los que el fenómeno resultante está presente y luego podemos verificar que el
candidato a condición suficiente también está presente. En el caso en cuestión,
sin embargo, ninguna de las pruebas aplica pues siempre existe cierta cantidad
de ácido en el ambiente, de modo que no es posible verificar qué pasa cuando
el ácido atmosférico está completamente ausente. De manera similar, el daño
en el ambiente, que es el fenómeno resultante bajo investigación, está tan
extendido en nuestra sociedad industrial moderna que es difícil encontrar un
caso en el que esté completamente ausente.

De modo que, si siempre hay ácido en la atmósfera y siempre existe cierto

daño ambiental, ¿cómo podemos determinar si la liberación de SO2 en la
atmósfera es significativamente responsable del daño ambiental en las áreas
afectadas?

Para resolver este tipo de problema utilizaremos lo que John

Stuart Mill[1]llamaba el Método de Variación
Concomitante. Nos preguntamos si la cantidad de daño
ambiental varía directamente en proporción a la cantidad de
SO2 liberado en el ambiente. Si el daño en el ambiente
aumenta con la cantidad de SO2 liberado en el ambiente y
disminuye cuando la cantidad de SO2 disminuye, esto
significa que el nivel de SO2 liberado en la atmósfera está en
correlación positiva con el daño ambiental. Tendremos,
entonces, buenas razones para creer que disminuir las
emisiones de SO2 reducirá el nivel de daño ambiental, al
menos hasta cierto punto

REGRESIÓN LINEAL
Permite determinar el grado de dependencia de las series de valores X e Y,
prediciendo el valor y estimado que se obtendría para un valor x que no esté en
la distribución.
REGRESIÓN LINEAL SIMPLE
La regresión lineal simple se basa en estudiar los cambios en una variable, no
aleatoria, afectan a una variable aleatoria, en el caso de existir una relación
funcional entre ambas variables que puede ser establecida por una expresión
lineal, es decir, su representación gráfica es una línea recta. Es decir, se esta
en presencia de una regresión lineal simple cuando una variable independiente
ejerce influencia sobre otra variable dependiente.
Ejemplo: Y = f(x)

REGRESIÓN LINEAL MÚLTIPLE

La regresión lineal permite trabajar con una variable a nivel de intervalo o
razón, así también se puede comprender la relación de dos o más variables y
permitirá relacionar mediante ecuaciones, una variable en relación a otras
variables llamándose Regresión múltiple. O sea, la regresión lineal múltiple es
cuando dos o más variables independientes influyen sobre una variable
dependiente.
Ejemplo: Y = f(x, w, z)

EJEMPLOS EN INGENIERÍA AMBIENTAL

Si representamos los datos como puntos de coordenadas (xi , yi) en el plano

vemos que, efectivamente, ´estos podrían ajustarse a una recta, lo que nos
indica que la velocidad de reacción aumenta “linealmente” con la concentración
de glucógenas. Al igual que en el problema anterior, debemos elaborar una
tabla con los valores observados de las variables x e y y, a partir de ellos,
completar las columnas siguientes ayudados de la calculadora.

A partir de aquí, hacemos también el cálculo de los estadísticos descriptivos

mas sencillos: medias, varianzas y covarianza.
A continuación, calculamos los coeficientes a y b de la recta de regresión y = a
+ bx:

b=SXY S 2 X =19,8121,0624=18,648343 y
a=Y −bX =26,2−18,648343 ·1,34=1,2112204.

La recta de regresión es y=1,2112204 +18,648343 x ; en la figura se ve como

se ajustan los datos a ella.
Para calcular la velocidad de reacción a una concentración de 2,5 mili
moles/litro, basta sustituir x por 2,5 en la recta de regresión:
y (2,5)=1,2112204 +18,648343 ·2,5=47,832078 micro moles /minuto .
Finalmente, vemos si el ajuste lineal es bueno calculando el coeficiente de
correlación lineal r:

r=SXY /SXSY =19,812/ √ 1,0624 √ 376,18 ≈ 0,9910555,

 que es muy próximo a 1. Por tanto, la dependencia lineal es buena.

REFERENCIAS EN LA BIBLIOGRAFÍA

 Meyer, P. “Probabilidad y aplicaciones estad´ısticas”(1992) I Cap´ıtulo

REGRESION LOGARITMICA
Una línea de tendencia logarítmica es una línea curva que se ajusta perfectamente y que es
muy útil cuando el índice de cambios de los datos aumenta o disminuye rápidamente y
después se estabiliza. Esta línea de tendencia logarítmica puede utilizar valores positivos o
negativos

formula = y=a+bLn(x)

En el cual :

Yi : variable dependiente, iesima observación

A,B : parámetros de la ecuación que generalmente son desconocidas

Xi: valor de la i-esima observación de la variable independiente

Y=a0+a1x
La curva logarítmica es también una recta, pero en lugar de estar referida a las variables
originales X e Y , está referida a Ln(X) y a Y.

Tabla de datos

Para el ajuste de un conjunto de datos al modelo geométrico de regresión , se construye la

siguiente tabla de datos :

Ejercicio:

Realizar la regresion logarítmica con los siguientes datos de X e Y

LA REGRESIÓN CUADRÁTICA

es el proceso por el cuál encontramos los parámetros de una parábola que mejor se ajusten a
una serie de datos que poseemos, ya sean mediciones hechas o de otro tipo. Bueno, pero por
que habríamos de querer ajustar nuestros datos precisamente a una parábola y no a otra
función? (ver escogiendo la función de ajuste).

Una función cuadrática o de segundo grado se puede representar de manera genérica como :

Entonces lo que nos interesa es encontrar los valores de a, b y c que hacen que el valor de y
calculado sea lo mas cercano posible al medido.

Deducción de las Ecuaciones:

De nuevo hacemos una definición de la función de error, y encontramos los valores de los
parámetros que la minimizan, tomando derivadas parciales de la función por cada parámetro
que haya:
 Una vez se haya reemplazado el valor de n, y de las sumatorias, sólo habrá que solucionar el
sistema de ecuaciones por su método preferido, Eliminación Gaussiana, Krammer, etc.
Después de que ha solucionado el sistema de ecuaciones entonces tendrá el valor de los
parámetros: a,b,c.

Ejemplo:

En determinado proceso se realizaron una serie de 24 mediciones, que luego al graficarse se

determinó que es de naturalezacuadrática. Se desea encontrar los parámetros del polinomio
de segundo grado, que mejor se ajusta a esa serie de datos, y cuál es el valor de la variable
dependiente, cuando el valor de la variable independiente es de 20.

La tabla con los datos medidos es la siguiente:

X Y
0 10,08
0,5 12,03
1 11,38
1,5 18,81
2 20,53
 2,5 28,50
3 31,38
3,5 38,40
4 48,39
4,5 60,60
5 66,66
5,5 82,61
6 91,37
6,5 105,44
7 122,53
7,5 137,77
8 152,74
8,5 172,65
9 188,84
9,5 207,77
10 230,94
10,5 251,35
11 274,07
11,5 295,95

Ahora, teniendo en cuenta la matriz que dedujimos anteriormente, sabemos que tenemos que
encontrar los valores de la suma de x, la suma de x2, de x3, x4, de Yi, xYi, x2*Yi y n=24.

X Y X^2 X^3 X^4 Xyi X^2Yi

0 10,08 0,00 0,00 0,00 0,00 0,00
0,5 12,03 0,25 0,13 0,06 6,01 3,01
1 11,38 1,00 1,00 1,00 11,38 11,38
1,5 18,81 2,25 3,38 5,06 28,21 42,31
2 20,53 4,00 8,00 16,00 41,06 82,13
2,5 28,50 6,25 15,63 39,06 71,24 178,11
3 31,38 9,00 27,00 81,00 94,14 282,41
3,5 38,40 12,25 42,88 150,06 134,39 470,36
4 48,39 16,00 64,00 256,00 193,56 774,26
4,5 60,60 20,25 91,13 410,06 272,68 1227,08
5 66,66 25,00 125,00 625,00 333,31 1666,55
5,5 82,61 30,25 166,38 915,06 454,37 2499,02
6 91,37 36,00 216,00 1296,00 548,23 3289,38
6,5 105,44 42,25 274,63 1785,06 685,39 4455,05
7 122,53 49,00 343,00 2401,00 857,74 6004,20
7,5 137,77 56,25 421,88 3164,06 1033,24 7749,32
8 152,74 64,00 512,00 4096,00 1221,90 9775,23
8,5 172,65 72,25 614,13 5220,06 1467,54 12474,08
9 188,84 81,00 729,00 6561,00 1699,55 15295,92
9,5 207,77 90,25 857,38 8145,06 1973,80 18751,13
10 230,94 100,00 1000,00 10000,00 2309,40 23093,97
10,5 251,35 110,25 1157,63 12155,06 2639,18 27711,38
11 274,07 121,00 1331,00 14641,00 3014,81 33162,86
11,5 295,95 132,25 1520,88 17490,06 3403,37 39138,76
Total 138 266,078,166 1081 9522 89452,75 22494,51 208137,88

Reemplacemos los valores en la matriz...

Aquí tenemos la matriz, resolviendo, por Gauss Jordan

24 138 1081 2660,8

138 1081 9522 22495
1081 9522 89453 208138

1 5,75 45,04 110,86

0 287,5 3306,25 7195,4
0 3306,25 40762,95 88291,13

1 0 -21,08 -33,04
0 1 11,5 25,02
0 0 2741,08 5544,03

1 0 0 9,60
0 1 0 1,76
 0 0 1 2,02

Por lo tanto: a=9.6 b=1.76 c=2.02

la parábola de mejor ajuste es entonces: