Documente Academic
Documente Profesional
Documente Cultură
i) La pendiente m de una recta que pasa por los puntos (𝑋1 , 𝑌1 ) y (𝑋2 , 𝑌2 )
está dada por:
IV. Dos rectas distintas son paralelas si y sólo si tienen la misma pendiente.
Donde 𝑎11 , 𝑎12 , 𝑎21 , 𝑎22 , 𝑏1 y 𝑏2 son números dados. Cada una de estas ecuaciones
corresponde a una línea recta. Cualquier par de números reales (x, y) que satisface el sistema
se denomina como solución.
Propiedad A - Si a = b y c = d, entonces a + c = b + d.
Propiedad B - Si a = b y c es cualquier número real, entonces c.a = c.b
1. La propiedad A establece que si se suman dos ecuaciones se obtiene una tercera ecuación
correcta.
2. La propiedad B establece que si se multiplican ambos lados de una ecuación por una
constante se obtiene una segunda ecuación válida.
ECUACIONES LINEALES CON DOS INCÓGNITAS
Rta/. Cuando existe solo un par de números que satisfacen las ecuaciones (𝑋 = 2 ; 𝑌 = 1)
𝑥−𝑦 =7
2𝑥 − 2𝑦 = 14
Estas dos ecuaciones son equivalentes. Esto es, cualesquiera dos números, 𝑋 𝑦 𝑌, que
satisfacen la primera ecuación también satisfacen la segunda, y viceversa. Para comprobar
esto se multiplica la primera ecuación por 2, esto está permitido por la propiedad B. Al ser
ambas ecuaciones equivalentes, lo único que podemos hacer es despejar una incógnita en
términos de cualquiera otra de las dos ecuaciones.
ECUACIONES LINEALES CON DOS INCÓGNITAS
Rta/. Si se multiplica la primera ecuación por 2 (que de nuevo está permitido por la propiedad
B) se obtiene 2𝑥 − 2𝑦 = 14. Esto contradice la segunda ecuación. Por lo tanto, el sistema
no tiene solución.
ECUACIONES LINEALES CON DOS O MAS INCÓGNITAS
En esta sección se describe un método para encontrar todas las soluciones (si es que
existen) de un sistema de m ecuaciones lineales con n incógnitas. Al hacerlo se verá que,
igual que en el caso de 2 x 2, estos sistemas o bien no tienen solución, tienen una solución
única o tienen un número infinito de soluciones.
Las tres operaciones elementales por renglones aplicadas a la matriz aumentada que
representa un sistema de ecuaciones son:
Ejercicio:
𝟐𝑿𝟏 + 𝟒𝑿𝟐 + 𝟔𝑿𝟑 = 𝟏𝟖
Existe un
𝟒𝑿𝟏 + 𝟓𝑿𝟐 + 𝟔𝑿𝟑 = 𝟐𝟒 2 4 6 18
número infinito
𝟐𝑿𝟏 + 𝟕𝑿𝟐 + 𝟏𝟐𝑿𝟑 = 𝟑𝟎 4 5 6 24
2 7 12 30 de soluciones
Ejercicio:
𝟐𝑿𝟐 + 𝟑𝑿𝟑 = 𝟒 Es un sistema
0 2 3 4 inconsistente al
𝟐𝑿𝟏 − 𝟔𝑿𝟐 + 𝟕𝑿𝟑 = 𝟏𝟓 2 −6 7 15
𝑿𝟏 − 𝟐𝑿𝟐 + 𝟓𝑿𝟑 = 𝟏𝟎 observar las 2
1 −2 5 10
filas inferiores
ECUACIONES LINEALES CON DOS O MAS INCÓGNITAS
Ejercicio:
Un departamento de pesca y caza de la represa de hidro-sogamoso proporciona tres tipos de
comida a un lago que alberga a tres especies de peces.
• Cada pez de la especie 1 consume cada semana un promedio de 1 unidad del alimento
A, 1 unidad del alimento B y 2 unidades del alimento C.
• Cada pez de la especie 2 consume cada semana un promedio de 3 unidades del alimento
A, 4 del B y 5 del C.
• Cada pez de la especie 3, el promedio semanal de consumo es de 2 unidades del
alimento A, 1 unidad del alimento B y 5 unidades del C.
Cada semana se proporcionan al lago: 25000 unidades del alimento A, 20000 unidades del
alimento B y 55000 del C. Si suponemos que los peces se comen todo el alimento, ¿cuántos
peces de cada especie pueden coexistir en el lago?
GUIA: Sean 𝑋1 , 𝑋2 y 𝑋3 el número de peces de cada especie que hay en el ambiente del
lago. Si utilizamos la información del problema, se observa que 𝑋1 peces de la especie 1
consumen 𝑋1 unidades del alimento A, 𝑋2 peces de la especie 2 consumen 3𝑋2 unidades del
alimento A y 𝑋3 peces de la especie 3 consumen 2𝑋3 unidades del alimento A.
ECUACIONES LINEALES CON DOS O MAS INCÓGNITAS
Ejercicio:
ECUACIONES RESULTADO
𝑋1 = 40000 − 5𝑋3
𝑋2 = 𝑋3 − 5000 𝑃𝑜𝑟 𝑒𝑗𝑒𝑚𝑝𝑙𝑜, 𝑠𝑖 𝑋3 = 6000, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑋1 = 10000 𝑦 𝑋2 = 1000
5000≤ 𝑋3 ≤ 8000
REGRESION LINEAL
El ejemplo más simple de una aproximación por mínimos cuadrados es ajustar una línea
recta a un conjunto de observaciones definidas por puntos: (x1, y1), (x2, y2),…, (xN, yN).
La expresión matemática para la línea recta es:
𝒀 = 𝒂𝟎 + 𝒂𝟏 𝒙 + 𝒆
𝒆 = 𝒚 − 𝒂𝟎 − 𝒂 𝟏 𝒙
Una estrategia para ajustar una “mejor” línea a través de los datos
será minimizar la suma de los errores residuales de todos los datos
disponibles, como sigue:
Para determinar los valores de 𝒂𝟎 y 𝒂𝟏 , la ecuación (anterior) se deriva con respecto a cada
uno de los coeficientes:
Observe que hemos simplificado los símbolos de la sumatoria; a menos que se indique otra
cosa, todas las sumatorias van desde i = 1 hasta n. Al igualar estas derivadas a cero, se dará
como resultado un Sr mínimo. Si se hace esto, las ecuaciones se expresan como:
REGRESION LINEAL: Ajuste de una línea recta por mínimos cuadrados
Ahora, si observamos que Σ𝒂𝟎 = 𝒏𝒂𝟎 , expresamos las ecuaciones como un conjunto de dos
ecuaciones lineales simultáneas, con dos incógnitas (𝒂𝟎 y 𝒂𝟏 ):
Este resultado se utiliza conjuntamente con la ecuación 𝒏𝒂𝟎 + ( 𝑿𝒊 )𝒂𝟏 = 𝒀𝒊 para obtener
𝒏𝒂𝟎 + 𝑿𝒊 𝒂𝟏 = 𝒀𝒊
𝑿𝒊 𝒂𝟎 + 𝑿𝒊 𝟐 𝒂𝟏 = 𝑿𝒊 𝒀𝒊
𝒏𝒂𝟎 + 𝑿𝒊 𝒂𝟏 = 𝒀𝒊
EJEMPLO: Ajuste de una línea recta por mínimos cuadrados
A siete estudiantes enfermos de sus dedos por tanto estudiar con lapiceros convencionales,
se quiere averiguar la línea de tendencia que une dichos procesos de enfermedad. Los
datos son los siguientes:
La analogía se puede extender aún más en casos Donde: a Sy/x se le llama error
donde estándar del estimado. El subíndice
“y/x” designa que el error es para un
1. la dispersión de los puntos alrededor de la línea valor predicho de y correspondiente a
es de magnitud similar en todo el rango de los un valor particular de X. También,
datos. observe que ahora dividimos entre n–2
2. la distribución de estos puntos cerca de la línea debido a que se usaron dos datos
es normal. estimados (𝒂𝟎 y 𝒂𝟏 ), para calcular Sr;
así, se han perdido dos grados de
Es posible demostrar que si estos criterios se libertad. Como lo hicimos en nuestro
cumplen, la regresión por mínimos cuadrados análisis para la desviación estándar,
proporcionará la mejor (es decir, la más adecuada) otra justificación para dividir entre n–2
estimación de 𝒂𝟎 y 𝒂𝟏 (Draper y Smith, 1981). Esto es que no existe algo como “datos
se conoce en estadística como el principio de dispersos” alrededor de una línea
máxima verosimilitud. Además, si estos criterios se recta que une dos puntos. De esta
satisfacen, una “desviación estándar” para la línea manera, en el caso donde n=2, la
de regresión se determina como sigue: ecuación da un resultado sin sentido,
infinito.
MÍNIMOS CUADRADOS: coeficiente de correlación
Xi Yi
0 2,1
1 7,7
2 13,6
3 27,2
4 40,9
5 61,1
EJEMPLO: Ajuste de una línea (Extensión mínimos cuadrados)
Xi Yi
Media 25,43 Syi 152,6
0 2,1
m 2 S(xi^2) 55,00
1 7,7
n 6 S(xi^3) 225,00
2 13,6
Ẋ 2,50 S(xi^4) 979,00
3 27,2
ȳ 25,43 S(xi*yi) 585,60
4 40,9
Sxi 15 S((xi^2)*yi) 2488,80
5 61,1
6 𝑎0 + 15 𝑎1 + 55 𝑎2 = 152,6
Xi Yi (Yi-ȳ)^2 Xi^2 Xi^3 Xi^4 Xi*yi Xi^2*yi
0 2,1 544,44 0,00 0,00 0,00 0,00 0,00 15 𝑎0 + 55 𝑎1 + 225 𝑎2 = 585,60
1 7,7 314,47 1,00 1,00 1,00 7,70 7,70
55 𝑎0 + 225 𝑎1 + 7 𝑎2 = 2488,80
2 13,6 140,03 4,00 8,00 16,00 27,20 54,40
3 27,2 3,12 9,00 27,00 81,00 81,60 244,80
4 40,9 239,22 16,00 64,00 256,00 163,60 654,40 6 15 55 𝑎0 152,6
5 61,1 1272,11 25,00 125,00 625,00 305,50 1527,50 15 55 225 𝑎1 = 585,60
15 152,6 2513,39 55,00 225,00 979,00 585,60 2488,80 55 225 7 𝑎2 2488,80
EJEMPLO: Ajuste de una línea recta por mínimos cuadrados
ajustar los siguientes datos a una regresión polinomica:
Xi Yi
0 2,1 6 𝑎0 + 15 𝑎1 + 55 𝑎2 = 152,6
1 7,7
2 13,6 15 𝑎0 + 55 𝑎1 + 225 𝑎2 = 585,60
3 27,2
4 40,9
55 𝑎0 + 225 𝑎1 + 7 𝑎2 = 2488,80
5 61,1
𝑎0 = 2.47857
𝑌 = 2,47857 + 2,35 2 𝑋1 + 1,86071𝑋2
𝑎1 = 2.35929
𝑎2 = 1.86071
(Yi-a0-a1X1-a2Xi2)2
0,14332
1,00286
1,08158
0,80491
0,61951
0,09439
3,74657
EJEMPLO: Ajuste de una línea recta por mínimos cuadrados
Xi Yi
0 2,1 6 𝑎0 + 15 𝑎1 + 55 𝑎2 = 152,6
1 7,7
2 13,6
15 𝑎0 + 55 𝑎1 + 225 𝑎2 = 585,60
3 27,2 55 𝑎0 + 225 𝑎1 + 7 𝑎2 = 2488,80
4 40,9
5 61,1
Con frecuencia se encontrará con que tiene que estimar valores intermedios
entre datos definidos por puntos. El método más común que se usa para este
propósito es la interpolación polinomial.
Dados n+1 puntos, hay uno y sólo un polinomio de grado n que pasa a través
de todos los puntos. Por ejemplo, hay sólo una línea recta (es decir, un
polinomio de primer grado) que une dos puntos (figura a). De manera similar,
únicamente una parábola une un conjunto de tres puntos (figura b). La
interpolación polinomial consiste en determinar el polinomio único de n-
ésimo grado que se ajuste a n + 1 puntos. Este polinomio, entonces,
proporciona una fórmula para calcular valores intermedios.
INTERPOLACIÓN POLINOMIAL DE NEWTON
EN DIFERENCIAS DIVIDIDAS
Donde:
Así, las ecuaciones anteriores son formas alternativas, equivalentes del único polinomio
de segundo grado que une los tres puntos. Un procedimiento simple puede usarse para
determinar los valores de los coeficientes. Para encontrar 𝒃𝟎 , en la ecuación se evalúa
con 𝑿 = 𝑿𝟎 para obtener: 𝒃𝟎 = 𝒇(𝑿𝟎 )
INTERPOLACIÓN POLINOMIAL DE NEWTON EN DIFERENCIAS DIVIDIDAS
La ecuación 𝒃𝟎 = 𝒇 𝑿𝟎 se sustituye en la
después se evalúa en 𝑿 = 𝑿𝟏 para obtener:
Estas diferencias sirven para evaluar los coeficientes en las ecuaciones, los cuales se sustituirán para
obtener el polinomio de interpolación.
FORMA GENERAL DE LOS POLINOMIOS DE INTERPOLACIÓN DE NEWTON
• También, advierta cómo las ecuaciones son recursivas (es decir, las
diferencias de orden superior se calculan tomando diferencias de orden
inferior. Tal propiedad se aprovechará cuando desarrollemos un programa
computacional para implementar el método.
LINEALIZACION DE ECUACIONES NO
LINEALES (TRANSFORMACIONES):
LINEALIZACION DE ECUACIONES
La regresión lineal ofrece una poderosa técnica para ajustar una mejor
línea a los datos. Sin embargo, se considera el hecho de que la relación
entre las variables dependiente e independiente es lineal.
Figura (b)
LINEALIZACION DE ECUACIONES
Figura (c) Hay técnicas de regresión no lineal disponibles para ajustar estas
ecuaciones de manera directa a datos experimentales. una alternativa
simple consiste en usar manipulaciones matemáticas para transformar
las ecuaciones en una forma lineal. Después, se utiliza la regresión
lineal simple para ajustar las ecuaciones a los datos.
LINEALIZACION DE ECUACIONES
Modelo
de LINEALIZACION
potencias
Modelo
LINEALIZACION no
lineal
Y=0,5*(X^1,75) log X Vs log Y y = 1,7517x - 0,3002
R² = 1
9,000 8,359 1,000
0,924
8,000
0,800
0,756
7,000
5,657 0,600
6,000
log X
0,531
5,000 0,400
Eje Y
4,000 3,419
0,200 0,230
3,000
1,682
2,000 0,000
0,000 0,100 0,200 0,300 0,400 0,500 0,600 0,700 0,800
1,000 0,500 𝑌= 0,5𝑋1,75
-0,200
0,000 -0,301
0 1 2 3 4 5 6
-0,400
Eje X log Y
Log Y
-0,301
0,226
0,534
0,753
0,922
RECOLECCIÓN DE DATOS
Los datos pueden ayudar a los responsables de tomar decisiones a hacer suposiciones razonadas acerca de las causas y,
por tanto, de los efectos probables de ciertas características en situaciones dadas. El conocimiento de tendencias
derivado de la experiencia previa puede, también, permitir anticipar resultados posibles y actuar en consecuencia. (L.
Pag.8)
Cuando los datos se ordenan de manera compacta y útil, los responsables de tomar decisiones pueden obtener
información confiable sobre el entorno y usarla para tomar decisiones inteligentes. En la actualidad, las computadoras
permiten a los especialistas en estadística recolectar enormes volúmenes de observaciones y comprimirlas en tablas,
gráficas y cifras instantáneamente. (L. Pag.9)
DATOS ESTADISTICOS
RECOLECCIÓN DE DATOS
Éstas son formas compactas y útiles, pero ¿son confiables? Recuerde que los datos producidos por una
computadora son tan precisos como los datos que entraron en ella. Como dicen los programadores,
¡“BEBS”! o ¡“basura entra, basura sale!”. Los administradores deben tener mucho cuidado y cerciorarse que
los datos empleados estén basados en suposiciones e interpretaciones correctas. Antes de depositar nuestra
confianza en cualquier conjunto de datos interpretados, vengan de una computadora o no, póngalos a prueba
mediante las siguientes preguntas:
1. ¿De dónde vienen los datos? ¿La fuente es tendenciosa?, es decir, ¿es posible que exista interés
en proporcionar datos que conduzcan a cierta conclusión más que a otras?
3. ¿Hace falta alguna evidencia cuya ausencia podría ocasionar que se llegue a una conclusión diferente?
4. ¿Cuántas observaciones se tienen? ¿Representan a todos los grupos que se desea estudiar?
5. ¿La conclusión es lógica? ¿Se ha llegado a conclusiones que los datos no confirman? (L. Pag.9)
DATOS ESTADISTICOS: MUESTRAS POBLACIONES
Los expertos en estadística recogen datos en una muestra y utilizan esta información para hacer inferencias
sobre la población que representa esa muestra. Así, una población es un todo y una muestra es una fracción
o segmento de ese todo.
El estudio de una muestra es más sencillo que el de la población completa, cuesta menos y lleva menos
tiempo. A menudo, Ejem: probar la resistencia de una parte de avión implica destruirla en su totalidad; en
consecuencia, es deseable probar la menor cantidad de partes.
En algunas ocasiones, la prueba implica un riesgo humano; el uso de muestras disminuye ese riesgo a un
nivel aceptable. Por último, se ha probado que incluso el examen de una población entera deja pasar algunos
elementos defectuosos. Por tanto, en algunos casos, el muestreo puede elevar el nivel de calidad. Si usted se
pregunta cómo puede suceder esto, Ejem: piense en lo cansado y poco animoso que estaría si tuviera que
observar de manera continua miles y miles de productos en una banda continua.
DATOS ESTADISTICOS: MUESTRAS POBLACIONES
Muestreo estratificado
Muestreo sistemático
Muestreo polifásico
Los datos son colecciones de cualquier cantidad de observaciones relacionadas. Una colección de datos se
conoce como conjunto de datos; una sola observación es un dato puntual.
Los datos no necesariamente son información; tener más datos no necesariamente produce mejores
decisiones. La meta es resumir y presentar los datos de manera útil para apoyar la toma de decisiones
efectiva y ágil.
La razón por la que los datos deben organizarse es ver si existe un patrón en ellos, patrones como el valor
más grande y el más pequeño, o el valor alrededor del cual parecen agruparse. Si los datos provienen de
una muestra, se suponen representativos de la población de la que se tomaron. Todos los buenos
estadísticos (y usuarios de datos) reconocen que usar datos sesgados o incompletos no conduce a las
mejores decisiones.
DATOS Y DISTRIBUCION DE FRECUENCIA
Datos ordenados
Los intervalos tienen por lo general tienen el mismo ancho y el ancho debe ser numero impar.
(Regla de Sturges)
Otras formas: (Regla de Scott´s) sin factor de corrección
(Regla de Freedman) Usa intercuartiles
Rango (R) = Dato mayor valor – dato menor valor