Documente Academic
Documente Profesional
Documente Cultură
Ejemplo ilustrativo: Las cifras siguientes son datos sobre el porcentaje de llantas radiales
producidas por cierto fabricante que an pueden usarse despus de recorrer cierto nmero
de millas:
15
25
30
35
40
99
95
85
55
30
24
20
15
5) La estimacin del porcentaje de llantas radiales que durarn 50000 millas se obtiene
reemplazando en la ecuacin predictora el valor de X = 50
160
180
200
220
240
260
280
126
103
82
75
82
40
20
Queremos utilizar estos datos para construir una funcin de demanda para el mercado de
los bienes races. (Recuerde que una funcin de demanda especifica la demanda, y, medida
aqu por ventas anual, como una funcin del precio, x.) Aqu est una traza de y contra x:
Los datos sugiera una recta, ms o menos, y entonces una relacin lineal entre y y x. Aqu
son varias rectas que se acercan a los puntos:
y Observado
y
y Pronosticado
y =x+300
Error residual
yy
160
126
140
-14
180
103
120
-17
200
82
100
-18
220
75
240
82
260
40
280
20
- 14 - 17 - 18 - 5 + 22 + 0 + 0
-32
P Muy bien. Ahora sabemos como se calcula el valor de SSE para una recta ya dada.
Como hallamos la recta de mejor ajuste; es decir, la recta para que SSE es lo menor?
R Presentaremos aqu la formula que la determina. Justificarla necesita clculo; puede
consultar el capitulo de funciones de varias variables en Clculo Aplicado para una
explicacin detallada.
Recta de regresin (o mejor ajuste)
La recta que se ajusta mejor a los n puntos (x1 y1) (x2 y2)
la forma
y=mx+b
donde
Pendiente=m=n
Interseccin=b=n
Aqu,
(x2)
x 2n
ym
xy
x= suma del
yy
1.5
1.6
2.1
3.0
Solucin Para aplicar las formulas, es mejor organizar los datos en forma de tabla como
sigue: (Cuando ha rellenado los valores de xy y x2 correctamente, pulse "Sumas" para
obtener la suma de cada columna.)
xx
yy
1.5
xyxy
x2x2
1.6
2.1
3.0
x= 10
y= 8.2
xy=
x2=
(x2)
5 Interseccin=b=n
x 2n
ym
xy
y =4(30)1024(23)(10)(8 2)=0
Antes de seguir... Aqu esta una traza de los pontos de dados y la recta de regresin.
Observe que ni siquiera pasa la recta por uno de los puntos, pero es la recta que se ajusta
mejor a los puntos.
Regresamos a los datos sobre la demanda para el mercado de los bienes races con la que
empezamos este tema.
Ejemplo 3: Funcin de demanda
Obtenga la ecuacin de demanda que se ajusta mejor a los siguientes datos, y sela para
pronosticar ventas anuales de casas preciadas a $140,000.
Precio (Miles de dlares)
160
180
200
220
240
260
280
126
103
82
75
82
40
20
Solucin Aqu esta una tabla como la que usamos ms arriba para organizar las
calculaciones:
xx
yy
xyxy
x2x2
160
126
20,160
25,600
180
103
18,540
32,400
200
82
16,400
40,000
220
75
16,500
48,400
240
82
19,680
57,600
260
40
10,400
67,600
280
20
x=1540
5,600
y=528
78,400
xy=107 280
x2=350 000
(x2)
x 2n
xy
ym
P Si no todos los untos estn en una recta, cmo puedo saber cunto se acercan a una
recta?
R Hay un nmero que mide la "bondad de ajuste" de la recta de regresin llamado
coeficiente de correlacin. Este nmero, que se representa por r, est entre 1 y 1. Cuanto
ms se acerca r a1 o 1, el ajuste es mejor. Si el ajuste es malo, se acerca r a 0. Si el ajusto
es exacto, r=1 para una recta con pendiente negativa, o r=1 para una recta de pendiente
positiva. La figura ms abajo muestra varios conjuntos de puntos con sus rectas de
regresin, y los valores correspondientes de r.
xy
x2
x 2
y 2
R La idea es convertir una curva exponencial a una recta por medio de logaritmos, como sigue:
Empiece con la funcin exponencial
y=Arx
Por lo tanto, si calculamos la recta de mejor ajuste usando logy como una funcin de x,
entonces la pendiente y la interseccin en y seran dados como ms arriba, y despus
podemos obtener los coeficientes r y A por
r A =10m =10b
Para resumir,
Regresin exponencial
Ingresos de ventas de computadores Compaq (una marca ahora extinguida) son mostrados
en la siguiente tabla, donde t representa aos desde 1990.* Obtenga el modelo exponencial
de regresin para los datos.
tt = Ao (1990 = 0)
RR = Ingreso ($ billn)
11
25
* Datos son redondeados. Fuente: Informes de compaa/The New York Times, Enero 27,
1998, p. D1.
Solucin Pues necesitamos modelar logR como una funcin lineal de t, primero
construimos una tabla con x=t y y=logR , y entonces calculamos la recta de regresin,
y=mx+b.
x (=t)x (=t)
y (=logR)y (=logR)
0.477121
0.602060
1.04139
1.39794
R=Art
,
donde r=10m=100 13907 1 3774, y A=100 42765 2 6770.
Antes de seguir... Vaya a la herramienta regresin, ingrese los datos originales (sin tomar
logaritmos) y pulse el botn "y=a(bx)". Qu encuentra?
Note: Pues hemos tomado logaritmos antes de hacer la regresin lineal, se puede decir que
la curva de regresin exponencial no es la curva que minimiza SSE para los datos
originales, esta curva minimiza SSE para los datos tranformados --- es decir, para los datos
(x logy). Por lo tanto, la curva de regresin exponencial no es la curva exponencial de
mejor ajuste en el sentido "estricto." Vea los libros de texto "Applied Calculus" para un
mtodo obtener esta curva.
Interpolacin lineal
La interpolacin lineal parte de dos puntos y pretende establecer la lnea recta que pasa por ambos
puntos. De esta forma podremos determinar los puntos intermedios entre ambos puntos como los
puntos que pertenecen a esa recta.
La ecuacin de la recta es:
y=a+bx
siendo
b la pendiente de la recta
Hemos representado la recta utilizando los grficos de tipo dispersin con lneas suavizadas y
marcadores.
Exponencial
Lineal
Logartmica
Polinmica
Potencial
Media mvil
Elegiremos, para este caso, la lineal y al final de la ventana marcaremos las opciones:
y=0,5x+1
Al tratarse nicamente de dos puntos en la nube de datos la recta pasa exactamente por ellos y el
ajuste es perfecto (R2=1).
a es la constante =INTERSECCION.EJE(conocido_y;conocido_x)
b es la pendiente =PENDIENTE(conocido_y;conocido_x)
Interpolacin Parablica
Una parbola es un polinomio de grado 2, cuya ecuacin es:
y=a+bx+cx2
En la Hoja2 de nuestro fichero podemos ver un caso en el que nos dan 3 puntos. Nuestra nube de
puntos es pequea y lo que pretendemos es encontrar la parbola que pasa justo por esos tres
puntos. Si lo conseguimos habremos obtenido una interpolacin parablica.
Pulsando con el botn derecho del ratn sobre el grfico (justo sobre la curva) obtenemos el men
contextual y elegimos Agregar lnea de tendencia.
La sorpresa es que al trazar Excel la parbola (lnea negra) no coincide con la curva (lnea azul), y
ambas curvas pasan por los tres puntos. La respuesta es que existen muchas formas de interpolar y
por lo que vemos Excel en la curva azul ha elegido otro mtodo muy diferente del que nosotros
estamos buscando. Nosotros queramos una parbola y usando este sistema hemos obtenido la
parbola, que es un polinomio de grado 2.
Para calcular la ecuacin de la parbola debemos determinar los valores de sus parmetros: a, b y c.
Nos reservamos el mtodo para ms adelante, ya que lo aplicaremos para un caso de un polinomio
de grado 4 y como es un mtodo matricial es vlido para cualquier grado.
A la vista del grfico podemos observar la ecuacin de la parbola:
y=a+bx+cx2
en nuestro caso es: y=1+0,5x-2x2
Polinomio grado 3
En la Hoja3 de nuestro fichero pretendemos obtener el polinomio de interpolacin que pasa por 4
parejas de datos.
Nuevamente, observamos que pese a estar en el caso de correlacin perfecta (R 2=1) nuestro
polinomio de grado 3 (color negro) no coincide con la curva del grfico generada por Excel (color
azul).
Polinomio grado 4
En la Hoja4 disponemos de 5 parejas de datos, con lo que podemos obtener un polinomio de grado
4.
Aqu tambin R2=1 ya que el polinomio pasa por todos los puntos.
Por cada curva son cinco parejas de datos, por lo que el polinomio al que queremos llegar es de
grado 4. Siempre el grado del polinomio es uno menos que el nmero de parejas de datos. Esto se
debe a que para determinar un polinomio de grado 4 necesitamos determinar 5 parmetros:
y=a+bx+cx2+dx3+ex4
Los cinco parmetros a determinar son: a, b, c, d, e.
En lugar de usar esta terminologa vamos a denotar a los parmetros as: a 0, a1, a2, a3, a4, a5.
Por tanto el polinomio de grado 4 ser este:
y=a0+a1x+a2x2+a3x3+a4x4
Esta expresin se puede escribir de forma matricial y as es vlida no solo para polinomios de grado
4 sino para polinomios de cualquier grado.
y=AX
Siendo A un vector fila con todos los parmetros del polinomio:
a0, a1, a2, a3, a4, ......, an.
Siendo X un vector columna con la variable x elevada a los diferentes grados:
x0, x1, x2, x3, x4, ......, xn.
Excel dispone de una funcin matricial que calcula todos los parmetros del vector A. La funcin
que emplearemos es la siguiente:
{=+ESTIMACION.LINEAL(y;x^{1;2;3;4})}
Hemos aadido las llaves {} para indicar que es una funcin matricial, pero no debemos escribir
nosotros esas llaves, ya que es Excel el que las pone al validar con CONTROL + MAYSCULAS +
ENTER.
Creamos una tabla para la Curva 1. En la zona amarilla escribimos nuestra funcin matricial.
=+ESTIMACION.LINEAL(Curva1;X^{1;2;3;4})
Previamente hemos nombrado los siguientes rangos.
En las celdas amarillas de esta segunda tabla escribimos la siguiente frmula matricial:
=+ESTIMACION.LINEAL(Curva2;X^{1;2;3;4})
Los valores interpolados son los dados por la siguiente tabla. Establecemos el valor de x (color
verde) y luego con SUMAPRODUCTO calculamos el valor y interpolado para cada curva.
Lo que estamos haciendo es una regresin mltiple donde las variables que usamos las hemos
transformado para que sean los diferentes valores de la variable x elevados al grado necesario.
La correlacin es perfecta. Se puede comprobar dando valores a x en la celda J20 y viendo que para
los valores de la tabla original de datos los valores interpolados que se obtienen son los mismos que
los de la tabla de datos.
Prctica
Usando este mtodo puede intentar obtener el polinomio de grado 4 que interpola los datos de la
Hoja4. Puede comprobar si lo ha realizado correctamente ya que en el grfico se ve la ecuacin del
polinomio a la que ha de llegar.
Obtendr los siguientes valores.