Facultad de Ciencias Naturales y Matemáticas.

Deducir un modelo óptimo que explique de manera lineal datos yi en

función de xi y su aplicación a un problema real.

PROYECTO DE CÁLCULO DE VARIAS VARIABLES

Presentado por:
Piero Alejandro Cahuano Vera.
Roberto Carlos Hernández Vera.
Diego Merino Merino Jiménez.
Tomalá Guevara Joe Andrés.

Profesora:
Msc. Soveny Soraya Solís.

Paralelo: 11

GUAYAQUIL - ECUADOR
Año: 2019
 ÍNDICE GENERAL

ÍNDICE GENERAL.........................................................................................................II

CAPÍTULO 1..................................................................................................................2

1. Introducción.............................................................................................................2

1.1 Descripción del problema 3

1.3 Marco teórico 4

CAPÍTULO 2................................................................................................................10

2. Cálculos.................................................................................................................10

2.1 Conclusiones 11

BIBLIOGRAFÍA............................................................................................................12

I
 CAPÍTULO 1
1. INTRODUCCIÓN

Diversos fenómenos de la naturaleza no suceden solo por un factor sino que suceden
por diversos factores; es decir, son dependientes de los mismos, en matemáticas a
esos factores se los toma como variables para estudiarlos y comprender de una mejor
manera cómo evoluciona el mismo a medida que va pasando el tiempo, cálculo de
varias variables sirve como base a diversas áreas de la ingeniería como Mecánica,
Electrónica, Química e incluso a áreas que no pertenecen a ingeniería como Turismo,
Biología, etcétera. Además, vale recalcar que el cálculo es una herramienta
indispensable para el ingeniero en la vida diaria.

El objetivo de este proyecto es dar a conocer como deducir un modelo óptimo que
expliquen de manera lineal datos xi e yi teóricamente con su porqué, además resolver
un problema real aplicando la teoría empleada con base a el método de mínimos
cuadrados y los conocimientos adquiridos de cálculo de una y varias variables
adquirido a lo largo de la vida académica. Entonces lo que se va a tratar en este
proyecto es un problema de varias variables, específicamente un problema
bidimensional donde intervienen dos variables que son xi e yi.

2
1.1 Descripción del problema

El problema que se va a resolver en este proyecto es específicamente un problema

bidimensional de optimización en el cual se dispone una cantidad finita de puntos

); ); );…; ) en el plano y se busca obtener los parámetros

m(pendiente) y b( corte con el eje Y) de la mejor recta y=mx+b que aproxime el

resultado a tal punto que el error cuadrático sea el menor

posible y adicionalmente mostrar una aplicación del modelo en un problema real que
contenga 10 puntos.
¿Cómo se va a resolver este problema?
Con una técnica del cálculo especialmente muy llevada de la mano con el análisis
matemático conocida como mínimos cuadrados el cual fue realizada por un matemático
muy reconocido en el siglo 20 su nombre es Carl Friedrich Gauss, esta es la mejor
forma de resolver el problema, hasta ahora el procedimiento de mínimos cuadrados es
el mejor método que mejor aproxima la recta buscada.

La descripción del problema incluye el detalle de lo que se va a resolver

(requerimientos, restricciones, variables de interés, etc.). La mayoría de este capítulo
tiene que estar descrita en tiempo presente.

3
1.2 Marco teórico

Regresión lineal.

Una regresión lineal en estadística es lo mismo que un modelo matemático que se

aplica para aproximar variables independientes Xi en función de una dependiente Y,
además una constante aditiva al mismo.
En términos matemáticos se la expresa como:

La primera forma de regresión lineal documentada fue el método de los mínimos

cuadrados que fue publicada por Legendre en 1805, años más tarde Gauss publicó un
estudio riguroso en donde desarrollaba de manera más profunda el método de los
mínimos cuadrados y en dónde se incluía una versión del teorema de Gauss-Márkov.
Cabe recalcar que el término regresión se utilizó por primera vez en el estudio
de variables antropométricas. (Ruiz, 1995).

Matriz Hessiana

Esta matriz debe su nombre al matemático alemán Ludwig Otto Hesse y fue introducido
por James Joseph Sylvester.

Para dada una función real f de n variables reales definida en un subconjunto de R^n.

4
 Figura 2: Matriz Hessiana.

Fuente: Marsden, & Mateos, M.L. (1991). Cálculo vectorial (Vol.69)

Si todas las segundas derivadas parciales de f existen, se define la matriz

hessiana de f :
Entonces la matriz hessiana está bien definida, y en virtud del teorema de Clairaut o
también conocido por teorema de Schwartz. Además, esto solo se puede asegurar si la
función es de clase C^2, entonces es una matriz simétrica. (Solís, 2009)

Método de mínimos cuadrados.

El método de mínimos cuadrados se aplica para ajustar todo tipo de curvas, por decirlo
de forma general, considerando que la recta es una curva con radio de curvatura que
tiende al infinito. (Marsden, 1991)
Se supone que se tiene los siguientes datos para las variables x e y.

Esta situación a menudo se presenta en estudios experimentales; es decir, cuando se

está estudiando dicho fenómeno en un laboratorio como: cálculo de la temperatura,
cálculo del orden de reacción de una sustancia, cálculo de la gravedad, etcétera.

5
De manera teórica se espera, se espera que la relación entre estas variables sea lineal;
es decir, que haya una expresión y=mx+b (ecuación lineal) que relacione todos los
datos obtenidos.
El único inconveniente es determinar los parámetros m y b que determinan la ecuación
lineal entre x e y.
Si las mediciones hechas para x e y fueran exactas; es decir, que no haya ningún error
en la práctica simplemente bastaría tomar dos puntos en el plano y con conocimientos
básicos de geometría analítica hallar la pendiente de esa recta y finalmente la
ecuación, pero hay que recordar que esto es imposible porque siempre hay variaciones
de cualquier índole como: la presión, la temperatura, el error humano en la toma de un
dato, todo esto varia, nunca es perfecto.

Al colocar los puntos ( en el plano es posible trazar una recta

con ayuda de instrumentos de dibujo técnico tratando de que todos los puntos queden
cerca de la mejor forma posible a la recta en este caso se va a explicar cómo hallar
esta recta usando la teoría de cálculo de varias variables, específicamente en lo que
tiene que ver con la optimización.

Supongamos que y=mx+b es esa recta, entonces sería favorable que se tuviera

para todos los puntos ( . No obstante, de forma

general no se cumple para todos los puntos como ya lo habíamos

mencionado anteriormente entonces se pide que la suma de los cuadrados de las

diferencias; es decir, la desviación estándar (S) sea la menor posible.

Viéndolo de una forma más general sea la menor posible.

Los valores m y b que cumplan con esta propiedad serán lo que más aproximen al
comportamiento de cada uno de los puntos. ( Purcell, 1993)

6
Figura 1: Dos curvas ajustada a los parámetros m y b.
Fuente: www.lifeder.com

Ahora se establece una función f (m, b) = .

Se procede a determinar los puntos críticos:

7
 Son las medias aritméticas de e

respectivamente; es decir, son .

Ahora b en se tiene: =

8
En resumen f(m, b) tiene un único punto crítico en y

, siendo este un mínimo que nos indica el menor

error posible.

Verificando si es un mínimo:

La última expresión es una desigualdad conocida en el área de álgebra

lineal y análisis matemático llamada la desigualdad de Cauchy-Schwarz

9
aplicada a los vectores (1, 1,1,...,1) en el espacio vectorial R^n en la cual
la misma siempre se cumple, por lo tanto, se comprueba que sí es un
mínimo de f (m, b). (Ruiz, 1995).

CAPÍTULO 2
2. CÁLCULOS

Aplicación del modelo en un problema real.

Problema:
“Los datos de la tabla adjunta muestran el precio de páginas impresas (Y)
de trabajos que se han impreso en impresoras de la marca PR. Se está
interesado en estudiar la relación existente entre la variable precio por
número de páginas de un trabajo y la variable número de páginas (X) del
trabajo. Utilizando estos datos ajustar un modelo de regresión lineal.
Páginas Precio
310 3,50
300 3,50
280 3,50
310 7,30
400 8,00
170 1,80
430 7,00
230 3,20
420 2,50
610 5,00

Ajustar una recta de regresión que explique el precio en función del

número de páginas e interpretar los resultados.
Procedemos a graficar los puntos (X, Y) en la gráfica.

10
Luego mediante el modelo óptimo resuelto anteriormente procedemos a
identificar la mejor ecuación de la recta con menor error cuadrático:

Sabemos que la ecuación de la recta es y

Procedemos a calcular el valor de la pendiente (m) y la constante (b).

Necesitamos calcular los valores promedios de x y y .

XPROMEDIO= 346
YPROMEDIO= 4,53
(XY)PROMEDIO = 1673
(XPROMEDIO)^2= 119716

11
(X^2) PROMEDIO= 133580

Una vez obtenida la mejor ecuación de la recta procedemos a graficarla

12
3. CONCLUSIONES

En conclusión, se pudo determinar los parámetros m y b que minimiza el error

cuadrático, también se pudo demostrar que efectivamente el punto crítico era un
mínimo con base a la desigualdad de Cauchy-Schwarz.
Además 4 puntos que están en el diagrama de dispersión cerca de la recta y 6
están relativamente alejados esto se debe a que a mayor número de puntos
mayor va a ser el trabajo de optimizar la recta; es decir, el porcentaje de error
aumenta, esto se debe a que a mayor número de puntos mayor será el error que
tendremos que disminuir.
 BIBLIOGRAFÍA

Pita Ruiz, Claudio (1995): "Cálculo Vectorial". Prentice Hall.

Solís, S. (2009). Material didáctico empleado para el estudio de cálculo de varias

variables.

Marsden, J. E., Tromba, A. J., & Mateos, M.L. (1991). Cálculo vectorial (Vol.69).
Addison-Wesley Iberoamericana.

Purcell, E. J., Vardeg, D. E., & Castillo, H. P. (1993). Cálculo con geometría analítica
(No. QA303. P87. 1973). Prentice-Hall Hispanoamericana.