Beruflich Dokumente
Kultur Dokumente
y1 y2 y3 yj yn ni
x1 n11 n12 n13 n1i n1n
x2 n21 n22 n23 n2i n2n
x3 n31 n32 n33 n3i
Ejemplo de aplicación 01
∑𝑛𝑖=1 𝑛𝑖 𝑦𝑖
𝑦̅ =
𝑛
10 ∗ 8 + 30 ∗ 7 + 50 ∗ 9 + 70 ∗ 3 + 90 ∗ 4
𝑦̅ = 𝑦̅ = 42.258%
31
b. Varianza
∑𝑛𝑖=1 𝑛𝑖 𝑥𝑖2 − 𝑛 ∗ 𝑥̅ 2
𝑆𝑥2 =
𝑛
5 ∗ 22 + 8 ∗ 32 + 9 ∗ 42 + 3 ∗ 52 + 6 ∗ 62 − 31 ∗ 3.9032
𝑆𝑥2 =
31
𝑆𝑥2 = 54.764
∑𝑛𝑖=1 𝑛𝑖 𝑦𝑖2 − 𝑛 ∗ 𝑦̅ 2
𝑆𝑦2 =
𝑛
102 ∗ 8 + 302 ∗ 7 + 502 ∗ 9 + 702 ∗ 3 + 902 ∗ 4 − 31 ∗ 42.2582
𝑆𝑦2 =
31
𝑆𝑦2 = 688.45
Interpretación
𝑆𝑦2 : La variabilidad promedio del presupuesto de obra con respecto al promedio es no
más de 688.45 millones de soles
𝑆𝑥2 : : La variabilidad promedio de porcentaje de ejecución del presupuso es a lo mas de
54.76%.
Ejemplo de aplicación 2
∑𝑛𝑖=1 𝑛𝑖 𝑥𝑖
𝑥̅ =
𝑛
1.8 ∗ 8 + 2 ∗ 5 + 2.3 ∗ 9 + 2.5 ∗ 5 + 2.7 ∗ 7
𝑥̅ = 𝑥̅ = 2.25
34
∑𝑛𝑖=1 𝑛𝑖 𝑦𝑖
𝑦̅ =
𝑛
7 ∗ 0.375 + 7 ∗ 1.125 + 11 ∗ 1.875 + 9 ∗ 2.625
𝑦̅ = 𝑦̅ = 1.61
34
b. Varianza
∑𝑛𝑖=1 𝑛𝑖 𝑥𝑖2 − 𝑛 ∗ 𝑥̅ 2
𝑆𝑥2 =
𝑛
𝑆𝑥2 = 0.108
∑𝑛𝑖=1 𝑛𝑖 𝑦𝑖2 − 𝑛 ∗ 𝑦̅ 2
𝑆𝑦2 =
𝑛
0.3752 ∗ 7 + 1.1252 ∗ 7 + 1.8752 ∗ 11 + 2.6252 ∗ 9 − 34 ∗ 1.612
𝑆𝑦2 =
34
𝑆𝑦2 = 0.659
Interpretación
a. COVARIANZA
Una medida del grado en que dos variables aleatorias se mueven en la misma
direccion o en direcciones opuestas la una respecto a la otra. En otras palabras, si
dos variables aleatorias generalmente se mueven en la misma direccion se dirá
que tienen una covarianza positiva. Si tienden a moverse en direcciones
opuestas, se dirá que tienen una covarianza negativa. La covarianza se mide
como el valor que se espera de los productos de las desviaciones de dos
variables aleatorias respecto a sus correspondientes medias. Una varianza es un
caso especial de covarianza.
Interpretación de la covarianza
∑𝑚 𝑛
𝑖=1. ∑𝑖=1 𝑛𝑖 𝑥𝑖 𝑦𝑖
𝐶𝑜𝑣𝑥𝑦 = − 𝑥̅ 𝑦̅
𝑛
∑𝑚 𝑛
𝑖=1. ∑𝑖=1 𝑛𝑖 𝑥𝑖 𝑦𝑖
𝐶𝑜𝑣𝑥𝑦 = − 𝑥̅ 𝑦̅
𝑛
∑𝑚 𝑛
𝑖=1. ∑𝑖=1 𝑛𝑖 𝑥𝑖 𝑦𝑖 = 2 ∗ 2 ∗ 10 + 2 ∗ 1 ∗ 50 + 2 ∗ 1 ∗ 70 + 2 ∗ 1 ∗ 90 +
3 ∗ 3 ∗ 10 + 3 ∗ 2 ∗ 30 + 3 ∗ 2 ∗ 50 + 3 ∗ 1 ∗ 90 +
4 ∗ 2 ∗ 10 + 4 ∗ 3 ∗ 30 + 4 ∗ 2 ∗ 50 + 4 ∗ 1 ∗ 70 +
4 ∗ 1 ∗ 90 + 5 ∗ 1 ∗ 10 + 5 ∗ 2 ∗ 50 + 6 ∗ 2 ∗ 30 +
6 ∗ 2 ∗ 50 + 6 ∗ 1 ∗ 70 + 6 ∗ 1 ∗ 90
∑𝑚 𝑛
𝑖=1. ∑𝑖=1 𝑛𝑖 𝑥𝑖 𝑦𝑖 =3087
3087
𝐶𝑜𝑣𝑥𝑦 = − 3.903 ∗ 42.258 𝐶𝑜𝑣𝑥𝑦 = −65.352
31
Interpretación
Existe una correlación inversamente proporcional del porcentaje de
avance al presupuesto ejecutado.
∑𝑚 𝑛
𝑖=1. ∑𝑖=1 𝑛𝑖 𝑥𝑖 𝑦𝑖
𝐶𝑜𝑣𝑥𝑦 = − 𝑥̅ 𝑦̅
𝑛
∑𝑚 𝑛
𝑖=1. ∑𝑖=1 𝑛𝑖 𝑥𝑖 𝑦𝑖 = 1.8 ∗ 3 ∗ 0.3751.8 ∗ 1.875 + 1.8 ∗ 4 ∗ 2.625 + 2 ∗
4 ∗ 1.125 + 2 ∗ 1.875 + 2.3 ∗ 2 ∗ 0.375 + 2.3 ∗ 5 ∗
1.875 + 2.3 ∗ 2 ∗ 2.625 + 2.5 ∗ 3 ∗ 1.125 + 2.5 ∗ 2 ∗
2.625 + 2.7 ∗ 2 ∗ 0.375 + 2.7 ∗ 4 ∗ 1.875 + 2.7 ∗
2.625
∑𝑚 𝑛
𝑖=1. ∑𝑖=1 𝑛𝑖 𝑥𝑖 𝑦𝑖 = 123.338
123.338
𝐶𝑜𝑣𝑥𝑦 = − 2.25 ∗ 1.61 𝐶𝑜𝑣𝑥𝑦 = 0.0051
34
Interpretación
Existe una correlación directamente proporcional de la profundidad a la
capacidad portante del suelo.
b. CORRELACION DE PEARSON
Cov(xy)
𝜌𝑥𝑦 =
𝑆𝑥 𝑆𝑦
−65.352
𝜌𝑥𝑦 = 𝜌𝑥𝑦 = −0.337
1.491 ∗ 26.238
Interpretación
Existe una correlación inversamente proporcional del porcentaje de
avance al presupuesto ejecutado.
Cov(xy)
𝜌𝑥𝑦 =
𝑆𝑥 𝑆𝑦
0.0051
𝜌𝑥𝑦 = 𝜌𝑥𝑦 = 0.019
0.329 ∗ 0.812
Interpretación
Existe una correlación muy baja entre la profundidad y la capacidad
portante del suelo.
La regresión lineal es un técnica para determinar la mejor línea recta que pasa
entre un conjunto de observaciones definidas por puntos (x , y ), (x , y ), ....(x ,
y) La ecuación puede expresarse como:
𝑦 = a 0 + a1 𝑥 + 𝑒 (1)
Dónde:
y: Es el valor verdadero
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, del
siguiente modo:
𝑛 𝑛
∑ 𝑒𝑖 = ∑(𝑦𝑖 − 𝑎𝑜 − 𝑎1 𝑥𝑖 )
𝑖=1 𝑖=1
𝑛 𝑛
∑ 𝑒𝑖2 = ∑(𝑦𝑖 − 𝑎𝑜 − 𝑎1 𝑥𝑖 )2
𝑖=1 𝑖=1
Este criterio tiene varias ventajas, entre ellas el hecho de que se obtiene una línea
única para cierto conjunto de datos. Antes de analizar tales propiedades,
presentaremos una técnica para determinar los valores de a0 y a1 que
minimizan la ecuación.
𝑛 𝑛 𝑛
0 = ∑ 𝑦𝑖 − ∑ 𝑎𝑜 − ∑ 𝑎𝑖 𝑥𝑖
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛
0 = ∑ 𝑦𝑖 𝑥𝑖 − ∑ 𝑎𝑜 𝑥𝑖 − ∑ 𝑎𝑖 𝑥𝑖2
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛
𝑛𝑎 + (∑ 𝑥𝑖 ) 𝑎1 = ∑ 𝑦𝑖
𝑖=1 𝑖=1
𝑛 𝑛 𝑛
(∑ 𝑥𝑖 ) 𝑎𝑜 + (∑ 𝑥𝑖2 ) 𝑎1 = ∑ 𝑥𝑖 𝑦𝑖
𝑖=1 𝑖=1 𝑖=1
𝑎0 = 𝑦̅ − 𝑎1 𝑥̅
Ejemplos de aplicación 03
Los datos del cuadro adjunto muestran el costo de transporte por ciclo de trabajo
que realiza un volquete de 15 m3, cuyo costo por hora es de 200 $/h (a todo
costo) que consiste en la acumulación de agregados desde la cantera a distancias
diferentes según la ubicación de los puntos de descarga en una obra de
saneamiento ubicados en diferentes puntos.
Distancia
0.5 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5
km (X)
costo $/hr
15.2 29.4 40.2 65.4 95.3 100.3 130.4 140.8 150.9 175.1 190.7 205.6
(Y)
Solución:
No X Y X*Y X^2
1.00 0.50 115.20 57.60 0.25
2.00 1.50 129.40 194.10 2.25
3.00 2.00 140.20 280.40 4.00
4.00 2.50 165.40 413.50 6.25
5.00 3.00 195.30 585.90 9.00
6.00 3.50 200.30 701.05 12.25
7.00 4.00 230.40 921.60 16.00
8.00 4.50 240.80 1,083.60 20.25
9.00 5.00 250.90 1,254.50 25.00
10.00 5.50 275.10 1,513.05 30.25
11.00 6.00 290.70 1,744.20 36.00
12.00 6.50 305.60 1,986.40 42.25
TOTAL 44.50 2,539.30 10,735.90 203.75
Modelo
𝑦 = a 0 + a1 𝑥
𝑎1 = 34.07
∑𝑛𝑖=1 𝑦𝑖
𝑦̅ =
𝑛
2539.30
𝑦̅ = 𝑦̅ = 211.608
12
∑𝑛𝑖=1 𝑥𝑖
𝑥̅ =
𝑛
44.5
𝑥̅ = 𝑥̅ = 3.708
12
Por lo tanto
(a) Covarianza
∑𝑁𝐼=1 𝑥𝑖 𝑦𝑖 − 𝑛𝑥̅ 𝑦
̅
𝑐𝑜𝑣𝑋𝑌 =
𝑛
(10735.90 − 12 ∗ 3.708 ∗ 211.608)
𝑐𝑜𝑣𝑋𝑌 =
12
𝑐𝑜𝑣𝑋𝑌 = 109.94
1
𝑆𝑋2 = [203.75 − 12 ∗ 3.7082 ]
11
𝑆𝑋2 = 3.52
𝑛
1
𝑆𝑦2 = [∑ 𝑦𝑖 − 𝑛 ∗ 𝑦̅]
𝑛−1
𝑖=1
𝑛
1
𝑆𝑦2 = [∑ 582888.25 − 12 ∗ 211.608]
12 − 1
𝑖=1
𝑆𝑦2 = 4141.02
(c) Correlación
𝐶𝑜𝑣𝑥,𝑦
𝜌𝑥,𝑦 =
𝑆𝑥 𝑆𝑦
109.94
𝜌𝑥,𝑦 =
√3.52√4141.02
𝜌𝑥,𝑦 = 0.91
2
2
𝐶𝑜𝑣𝑥,𝑦
𝜌𝑥,𝑦 =[ ]
𝑆𝑥 𝑆𝑦
𝜌𝑥,𝑦 2 = [0.91]2
𝜌𝑥,𝑦 2 = 0.81
Interpretación.
𝑎0 = 85.31: es el costo mínimo de operación del equipo aunque no haya
trabajado
𝑎1 = 34.07: Es el incremento del costo de operación por cada kilómetro que
transporta el equipo.
𝜌𝑥,𝑦 2 : la distancia de transporte explica en un 81% el costo de operación en
transporte de materiales del equipo
b. REGRESION EXPONENCIAL
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. Éste no es siempre el caso, y el primer paso
en cualquier análisis de regresión deberá ser graficar e inspeccionar los datos en
forma visual, para asegurarnos que sea posible usar un modelo lineal; el método de
mínimos cuadrados permite obtener la mejor recta de ajuste a los datos en el caso de
la regresión lineal.
Sin embargo, no siempre existe una relación lineal entre la variable dependiente e
independiente y muchos modelos no son lineales en los parámetros, impidiendo el
uso del método de mínimos cuadrados.
En algunos casos es posible aplicar transformaciones para expresar los datos en una
forma compatible con la regresión lineal. Este es el caso del modelo exponencial y
de potencias.
El modelo exponencial se linealiza al aplicar el logaritmo natural:
𝑦 = 𝑎𝑜 𝑒 𝑎1 𝑥
𝐿𝑛𝑦 = 𝑎1 𝑥 + 𝐿𝑛𝑎𝑜
Dónde:
𝑌 = 𝐿𝑛𝑦 𝐴 = Ln𝑎𝑜
𝑌 = 𝐴 + 𝑎1 𝑥
𝑛 ∑𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖 𝐿𝑛𝑦𝑖 −∑𝑖=1 𝑥𝑖 ∑𝑖=1 𝐿𝑛𝑦𝑖
𝑎1 = 2
𝑛 ∑𝑛 2 𝑛
𝑖=1 𝑥𝑖 −(∑𝑖 𝑥𝑖 )
Ejemplos de aplicación 05
AÑO IMDA
No LnYi Xi*LnYi Xi^2 (Lnyi)^2
(Xi) (Yi)
1 1 25 3.22 3.22 1 10.3612
2 2 29 3.37 6.73 4 11.3387
3 3 40 3.69 11.07 9 13.6078
4 4 43 3.76 15.04 16 14.1466
5 5 46 3.83 19.14 25 14.6585
6 6 51 3.93 23.59 36 15.4593
7 7 52 3.95 27.66 49 15.6123
8 8 60 4.09 32.75 64 16.7637
9 9 70 4.25 38.24 81 18.0497
10 10 73 4.29 42.90 100 18.4080
11 11 96 4.56 50.21 121 20.8333
12 12 80 4.38 52.58 144 19.2022
13 13 100 4.61 59.87 169 21.2076
14 14 120 4.79 67.02 196 22.9201
15 15 150 5.01 75.16 225 25.1065
Total 120 1035 61.731 525.2 1240.0 257.675
∑𝑛
𝑖=1 𝐿𝑛𝑦𝑖 61.731
𝐿𝑛𝑦̅ = 𝐿𝑛𝑦̅ = 𝐿𝑛𝑦̅ = 4.115
𝑛 15
∑𝑛
𝑖=1 𝑥𝑖 120
𝑥̅ = 𝑥̅ = 𝑥̅ = 8.00
𝑛 15
𝑎𝑜 = 𝑒 (4.115−0.11∗8) 𝑎𝑜 = 25.02
𝑦 = 25.02𝑒 0.11𝑥
𝑛
1
𝑆𝑦2 = [∑ 𝐿𝑛𝑦𝑖2 − 𝑛 ∗ 𝐿𝑛𝑦̅ 2 ]
𝑛−1
𝑖=1
1
𝑆𝑦2 = [257.675 − 15 ∗ 4.1152 ] 𝑆𝑦2 = 0.26
15 − 1
(d) Cálculos de la Covarianza
∑𝑁
𝐼=1 𝑥𝑖 𝐿𝑛𝑦𝑖 − 𝑛𝑥̅ 𝐿𝑛𝑦
̅
𝑐𝑜𝑣𝑋𝑌 =
𝑛
525.20 − 15 ∗ 8 ∗ 4.115
𝑐𝑜𝑣𝑋𝑌 = 𝑐𝑜𝑣𝑋𝑌 = 2.09
15
(e) Cálculos de la Correlación
2.09
𝜌𝑥,𝑦 = 𝜌𝑥,𝑦 = 0.91
√20√0.26
(f) Cálculos del Coeficiente de determinación
2
2
𝐶𝑜𝑣𝑥,𝑦
𝜌𝑥,𝑦 =[ ]
𝑆𝑥 𝑆𝑦
Interpretación.
𝑎0 = 25.0: es el Índice Medio Diario Anual de vehículos que transitan por la
zona del proyecto a ejecutar
𝑎1 = 0.11: Es la tasa de incremento anual de vehículos que transitan por la zona
del proyecto.
𝜌𝑥,𝑦 2 : La tasa de incremento anual explica en un 88.27% a la IMDA de
vehículos o tiene un grado de confiabilidad de 88.27%
c. REGRESION LOGARITMICA
𝑦 = 𝑎𝑜 + 𝑎1 𝐿𝑛𝑥
Ejemplos de aplicación 07
Distancia
Re ndimie n
transporte
to (m3/h) Y
(km) X
0.3 1430.0
0.5 1220.0
0.7 1300.0
0.9 974.4
1.1 850.0
1.3 720.0
1.5 740.0
1.7 685.7
2 617.0
2.3 500.0
2.8 420.0
3.5 380.0
4.5 300.0
5 250.0
6 160.0
No X (km) Y (m3/h) LnXi Yi*LnXi LnXi^2 Yi^2
1 0.3 1430.0 -1.204 -1721.681 1.450 2044900.00
2 0.5 1220.0 -0.693 -845.640 0.480 1488400.00
3 0.7 1300.0 -0.357 -463.677 0.127 1690000.00
4 0.9 974.4 -0.105 -102.663 0.011 949455.36
5 1.1 850.0 0.095 81.014 0.009 722500.00
6 1.3 720.0 0.262 188.902 0.069 518400.00
7 1.5 740.0 0.405 300.044 0.164 547600.00
8 1.7 685.7 0.531 363.852 0.282 470184.49
9 2 617.0 0.693 427.672 0.480 380689.00
10 2.3 500.0 0.833 416.455 0.694 250000.00
11 2.8 420.0 1.030 432.440 1.060 176400.00
12 3.5 380.0 1.253 476.050 1.569 144400.00
13 4.5 300.0 1.504 451.223 2.262 90000.00
14 5 250.0 1.609 402.359 2.590 62500.00
15 6 160.0 1.792 286.682 3.210 25600.00
Total 34.100 10547.100 7.648 693.031 14.459 9561028.850
∑𝑛
𝑖=1 𝑦𝑖 10547.10
𝑦̅ = 𝑦̅ = 𝑦̅ = 703.140
𝑛 15
∑𝑛
𝑖=1 𝐿𝑛𝑥𝑖 7.648
𝐿𝑛𝑥̅ = 𝐿𝑛𝑥̅ = 𝐿𝑛𝑥̅ = 0.509
𝑛 15
𝑎𝑜 = 𝑦̅ − 𝑎0 𝐿𝑛𝑥̅
𝑦 = 929.36 − 443.64𝑙𝑛𝑥
1
𝑆𝑋2 = [14.459 − 15 ∗ 0.5092 ] 𝑆𝑋2 = 0.754
15 − 1
𝑛
1
𝑆𝑦2 = [∑ 𝐿𝑛𝑦𝑖2 − 𝑛 ∗ 𝐿𝑛𝑦̅ 2 ]
𝑛−1
𝑖=1
1
𝑆𝑦2 = [9561028.85 − 15 ∗ 703.142 ] 𝑆𝑦2 = 153210.068
15 − 1
(d) Cálculos de la Covarianza
∑𝑁
𝐼=1 𝐿𝑛𝑥𝑖 𝑦𝑖 − 𝑛𝐿𝑛𝑥̅ 𝑦
̅
𝑐𝑜𝑣𝑋𝑌 =
𝑛
693.031 − 15 ∗ 0.509 ∗ 703.14
𝑐𝑜𝑣𝑋𝑌 = 𝑐𝑜𝑣𝑋𝑌 = −312.32
15
(e) Cálculos de la Correlación
−312.3208
𝜌𝑥,𝑦 = 𝜌𝑥,𝑦 = −0.919
√0.754√153210.068
(f) Cálculos del Coeficiente de determinación
2
2
𝐶𝑜𝑣𝑥,𝑦
𝜌𝑥,𝑦 =[ ]
𝑆𝑥 𝑆𝑦
Interpretación.
d. REGRESION POLINOMICA
𝑦 = 𝑎𝑜 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖2 + ⋯ + 𝑎𝑛 𝑥𝑖𝑛
𝑦 = 𝑎𝑜 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖2 + ⋯ + 𝑎𝑛 𝑥𝑖𝑛 + 𝑒𝑖
𝑚 𝑚
Aplicando derivada parciales para cada coeficiente (ao, a1, a2,…, an), y
despejando se tiene:
𝑚 𝑚 𝑚 𝑚
Todas las sumatorias son desde i = 1 hasta m (donde “m” es el número de puntos). Los
coeficientes de las incógnitas se pueden evaluar de manera directa a partir de los datos
observados. El sistema es lineal y puede resolverse por los métodos conocidos.
(S𝑥 )𝑎 = 𝑆𝑥𝑦
m m m
m ∑ xi ∑ xi2 ⋯ ∑ xin
i=1 i=1 i=1
m m m m
∑ xi ∑ xi2 ∑ xi3 … ∑ xin+1
i=1 i=1 i=1 i=1
m m m m
Sx = ∑ xi2 ∑ xi3 ∑ xi4 ⋯ ∑ xin+2
i=1 i=1 i=1 i=1
. . . ⋯ .
. . . … .
. . . … .
m m m m
∑ xin ∑ xin+1 ∑ xin+2 … ∑ xi2n
[ i=1 i=1 i=1 i=1 ]
𝑎𝑜 ∑𝑚𝑖=1 𝑦𝑖 𝑥𝑖
𝑛
𝑎1 ∑𝑖=1 𝑦𝑖 𝑥𝑖2
𝑎 = 𝑎2 𝑆𝑥𝑦 = ∑𝑛𝑖=1 𝑦𝑖 𝑥𝑖3
⋮ ⋮
[𝑎 𝑛 ] [∑𝑛𝑖=1 𝑦𝑖 𝑥𝑖𝑛 ]
Dónde:
Variacion volumen
MES (X)
(Y)*1000
1 Enero 4
2 Febrero 3.8
3 Marzo 3.6
4 Abril 3
5 Mayo 3
6 Junio 2.3
7 Julio 2.5
8 Agosto 2
9 Septiembre 2.1
10 Octubre 2.4
11 Noviembre 3
12 Diciembre 3.1
Solución
𝑦𝑚 = 𝑎𝑜 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3
Construcción de la matriz
𝑎0 4.051
𝑎1 −0.230
[𝑎 ] = [ ]
2 −0.039
𝑎3 4.9 ∗ 10−3
Coeficiente de determinación.
𝑆𝐶𝐸
2 2
∑𝑛1=1(𝑌𝐼 − 𝑌𝑚 )2
𝑅 = 𝑅 = 𝑛
𝑆𝐶𝑇 ∑1=1(𝑌𝐼 − 𝑌̅)2
Donde:
SCE: es la suma de cuadrados explicado
SCT: suma de cuadrados total
4.4775
𝑅2 = 𝑅 2 = 93.28%
4.8
Interpretación.
Ejemplo de aplicación 10
Se tiene los resultados del ensayo de compactación de suelos (Proctor Modificado) para la
construcción de una losa deportiva de acuerdo a la siguiente tabla.
Y: Densidad X: Contenido de
Seca (gr/cm3) Humedad (%)
1.64 2.37
1.69 4.31
1.71 6.66
1.58 9.3
𝑦𝑚 = 𝑎𝑜 + 𝑎1 𝑥 + 𝑎2 𝑥 2
Solución
𝑎0 1.465
𝑎
[ 1] = [ 0.092 ]
𝑎2 −8.49 ∗ 10−3
Coeficiente de determinación.
𝑆𝐶𝐸 ∑𝑛1=1(𝑌𝐼 − 𝑌𝑚 )2
𝑅2 = 𝑅2 =
𝑆𝐶𝑇 ∑𝑛1=1(𝑌𝐼 − 𝑌̅)2
Dónde:
SCE: es la suma de cuadrados explicado
SCT: suma de cuadrados total
0.0097874
𝑅2 = 𝑅 2 = 96.9%
0.0101
Interpretación.
𝑌 = 𝑋β + e
Donde:
Y: vector columna del orden Tx1, que incluye las T observaciones del regresando.
𝑦1
𝑦2
𝑌 = 𝑦3
⋮
[𝑦𝑇 ] 𝑇𝑥1
Se ha incluido una columna de unos para tener en cuenta el término independiente del
modelo. El modelo para cada una de las T observaciones muestrales es:
1 𝑥11 𝑥21 … 𝑥𝑘1
1 𝑥12 𝑥22 … 𝑥𝑘2
𝑋 = 1 𝑥13 𝑥23 … 𝑥𝑘3
… … … … …
[ 1 𝑥1𝑇 𝑥2𝑡 … 𝑥𝑘𝑇 ] 𝑇𝑥(𝑘+1)
β: es el vector columna de orden (k+1)x1 que contiene los (k+1) parámetros del modelo.
𝛽0
𝛽1
𝛽 = 𝛽3
⋮
[𝑦𝑇 ] 𝑇𝑥1
E: vector columna de orden Tx1 que contiene las perturbaciones del modelo
𝜀1
𝜀2
𝜀 = 𝜀3
⋮
[𝜀𝑇 ] 𝑇𝑥1
𝛽 = (𝑋′𝑋)−1 𝑋′𝑌
Ejemplo de aplicación 11
Se desea hacer un modelo matemático de la utilidad los gastos de operación y las horas
extras trabajadas al año de una flota de maquinaria pesada, para ello se ha confeccionado la
siguiente tabla estadística.
GASTOS DE HORAS
UTILIDAD
OPRACION EXTRAS
(Millones de $)
(millones de $) *100
Yi X1 X2
1.3 0.3 4
3.5 1.5 9
2.8 0.7 6
3 1.1 7.5
3.3 1.2 8
4 2 7
3.7 2 8
El modelo matemático es
𝑌𝑡 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2
1 0.3 4
1 1.5 9
1 0.7 6
𝑋 = 1 1.1 7.5
1 1.2 8
1 2 7
[1 2 8]
La matriz transpuesta de las variables independientes es:
1 1 1 1 1 1 1
𝑇
𝑋 = [0.3 1.5 0.7 1.1 1.2 2 2]
4 9 6 7.5 8 7 8
7 8.8 49.5
𝑋 𝑇 ∗ 𝑋 = [ 8.8 13.48 66.75 ]
49.5 66.75 366.25
Ahora la inversa
21.6
𝑋 𝑇 ∗ 𝑌 = [30.26]
160
0.59
𝛽 = [0.936]
0.187
Interpretación.
𝛽0 = 0.59: es la mínima que genera el equipo por las horas normales de trabajo
en millones de dólares.
𝛽1 = 0.936: es la utilidad por el incremento del costo operativo en millones de
dólares
𝛽2 = 0.18: es la utilidad por cada hora extra generada en millones de dólares
Por lo tanto el modelo de la ecuación es:
Ejemplo de aplicación 11
Se desea estimar con un modelo matemático la necesidad de dotar agua potable para un
grupo de 15 comunidades, para ello se realizó una investigación de acuerdo a la siguiente
tabla.
Demanda en Oferta en
Poblacion
millones de millones de
*100
(lit/año) (lit/año)
Yi X1 X2
0.43 2.1 3
0.31 1.1 4
0.32 0.9 5
0.46 1.6 4
1.25 6.2 4
0.44 2.3 3
0.52 1.8 6
0.29 1 5
1.29 8.9 3
0.35 2.4 2
0.35 1.2 4
0.78 4.7 3
0.43 3.5 2
0.47 2.9 3
0.38 1.4 4
Donde:
Demanda: (Yi) es la variable regresando que queremos explicar que está en función de la
cantidad requerida de agua para consumo por comunidad expresado en millones de litros al
año.
Oferta: (X1) es la cantidad aforada de agua que ofrece un manantial en millones de litros
por año
Población: (X2) es la cantidad total de habitantes que conforman una comunidad.
Las variables X1 y X2 son los regresores o variables explicativas independientes.
Solución
El modelo matemático es
𝑌𝑡 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2
𝑋𝑇
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
= [2.1 1.1 0.9 1.6 6.2 2.3 1.8 1 8.9 2.4 1.2 4.7 3.5 2.9 1.4]
3 4 5 4 4 3 6 5 3 2 4 3 2 3 4
15 42 55
𝑋 𝑇 ∗ 𝑋 = [42 188.1 140.8]
55 140.8 219
Ahora la inversa
8.07
𝑇
𝑋 ∗ 𝑌 = [32.06]
28.93
−0.160
𝛽 = [ 0.149 ]
0.077
Interpretación.