Professional Documents
Culture Documents
PRINCIPIOS DE AJUSTAMIENTO
Resumen: Se trata el tema de Ajustamiento de datos a una funcin, con una variable
explicativa, detallando, entre otros, el mtodo mecnico de Whittaker, el mtodo
analtico de los mnimos cuadrados, y el mtodo de Programacin Lineal. Para ello, se
realiza una introduccin a las formas cuadrticas, y al clculo de diferencias finitas. Este
tema pertenece a la asignatura Anlisis Numrico, segn el esquema curricular de esta
facultad, pero distintas secciones de este trabajo pueden servir para las asignaturas:
Matemtica para Economistas, Econometra, y Biometra Actuarial.
1. INTRODUCCIN
1.1 MATRICES SIMTRICAS
Si en la matriz
a11 a12
a
21 a 22
A = a31 a 32
.
.
a n1 a n 2
... a1n
... a 2 n
... a3n
.
.
... a nn
a13
a 23
a33
.
a n3
se verifica que aij = a ji para todo i y j , entonces A es una matriz simtrica. Si, en
particular, aij (i j) entonces se dice que A es una matriz simtrica y real.
Enunciaremos algunas propiedades de las matrices simtricas, que sern utilizadas en
este trabajo
PROPIEDADES
El producto entre una matriz y su traspuesta, da como resultado una matriz simtrica
Demostracin:
H) A m x n
T) ( A AT ) T = ( A AT )
D) Partimos de
= ( A AT ) T
aplicamos propiedad de transposicin:
= ( AT ) T AT la traspuesta de una matriz traspuesta es la matriz inicial
= A AT
Se llama forma a toda expresin polinomial en la que todos los trminos tienen el
mismo grado. Un caso particular, lo constituyen los polinomios homogneos de grado 2,
o formas cuadrticas.
Matricialmente, podemos expresar una forma cuadrtica de la siguiente manera:
a11
a
12
F = [x1 x 2 x3 . . . . . x n ] a13
.
a1n
a12
a13
a 22
a 23
a 23
.
a33
.
a2n
a3n
... a1n x1
... a 2 n x 2
... a3n x3 =
.
. ...
... a nn x n
a
i =1 j =1
ij
xi x j
aij = a ji
Si una forma cuadrtica tiene como matriz asociada una matriz diagonal, sta recibe el
nombre de forma cuadrtica diagonal. En este caso, la expresin polinmica carece de
trminos rectangulares.
F = XT W X
W = Matriz Diagonal
w1
0
F = [x1 x 2 x3 . . . . . x n ] 0
.
0
0
w2
0
.
0
0
0
w3
.
0
... 0 x1
... 0 x 2
... 0 x3 =
.
. ...
... wn x n
w x
i =1
2
i
Un caso particular resulta ser la forma cuadrtica que contiene como matriz asociada
una matriz diagonal. En este caso se obtiene una suma de cuadrados cuyo coeficiente
principal es el escalar que aparece en la matriz asociada, llammoslo:
F = XT E X
0 0 ...
0 0 ...
F = [x1 x 2 x3 . . . . . x n ] 0 0 ...
. . . .
0 0 0 ...
0 x1
0 x 2
n
0 x3 = xi2
i =1
. ...
x n
Dentro de las formas cuadrticas cuya matriz asociada es diagonal, estn las formas
cuadrticas cuya matriz asociada es la identidad. stas, resultan ser una suma de
cuadrados mnicos. Veamos:
F = XT I X
1
0
F = [x1 x 2 x3 . . . . . x n ]0
.
0
0
1
0
.
0
0
0
1
.
0
...
...
...
.
...
0 x1
x1
0 x 2
2
0 x3 = [x1 x 2 x3 . . . . . x n ] x3 =
. ...
...
x n
1 x n
x
i =1
2
i
Esta es la forma cuadrtica ms sencilla y que mayores bondades ofrece. En los anlisis
de regresin y, ms generalmente, los trabajos de ajustamiento, se hace necesario
trabajar con formas cuadrticas. Su tratamiento, en forma matricial, facilita muchos
clculos y permite mucha rapidez en la descripcin de los procesos. Como convencin,
hemos elegido representar los vectores en forma de columna, por lo que sus traspuestos
resultan ser vectores fila.
1.2.2 DERIVADAS
DIAGONAL.
PARCIALES
DE
UNA
FORMA
CUADRTICA
Veremos cmo expresar matricialmente las derivadas parciales de primer orden de una
forma cuadrtica. Para ello, partiremos de la forma cuadrtica ms sencilla, cuya matriz
asociada es la matriz identidad.
F = x12 + x 22 + x32 + ..... + x n2 = X T I X
En general:
F
x
1 2 x1
x1
F
x
x 2 2 x 2
2
F = 2 x3 = 2 x3
x3 ...
...
... 2 x
x n
F n
x
n
Si la matriz asociada es una matriz escalar, tambin se puede expresar en forma sencilla
el vector de derivadas parciales.
F = ( x12 + x 22 + x32 + ..... + x n2 ) = XT E X = X T X
F
= 2xi
xi
derivadas parciales ser:
En general:
F
x
1 2x1
x1
F
x
x 2 2x 2
2
F = 2x3 = 2 x3
x3 ...
...
... 2x
x n
n
F
x
n
En este caso, DX = 2 X = 2 E X
0
x 2 2 w2 x 2
F = 2 w3 x3 = 2 0
x3 ...
.
... 2 w x
0
F n n
x
n
0
w2
0
.
0
0
0
w3
.
0
0 x1
... 0 x 2
... 0 x3 = 2 W X
.
. ...
... wn x n
...
Ejemplo:
Considere:
v1
v
2
V= v3
.
v n
u1
u
2
U = u 3
.
u n
(Vector de dimensin n x 1)
w1
0
W= 0
.
0
0
w2
0
.
0
w3
.
(Vector de dimensin n x 1)
0
... 0
... 0
.
.
... wn
...
w (v
x =1
b) DV = 2 W (V-U)
El signo de una forma cuadrtica se puede estudiar de distintas formas, entre ellas, se
puede completar cuadrados o se puede aplicar el mtodo de los menores principales. El
mtodo que se utilizar en este trabajo es el mtodo de los autovalores (races
caractersticas).
El estudio del signo de una forma cuadrtica equivale a estudiar el signo de la matriz
asociada. Esto se puede hacer a travs de sus autovalores.
Se llama autovalor, valor propio o raz caracterstica de una matriz cuadrada a todos
los escalares tales que: Av = v
Ejemplo: Hallar los autovalores de la matriz A
4 4
A=
1 4
Formamos la matriz caracterstica A - I
1 0 4
4 4
A - I =
=
0 1 1
1 4
4
4
4
1
4
= (4 ) 2 4
4
1 = 2
2 = 6
El nmero de autovalores distintos de una matriz coincide con el rango
Las matrices simtricas con elementos reales tienen autovalores reales.
En toda matriz no singular, los inversos multiplicativos de una matriz son
autovalores de su inversa.
El producto de los autovalores de una matriz da como resultado el determinante de
la matriz.
TEOREMA:
Si una matriz es definida positiva (negativa), entonces su inversa existe y es una matriz
definida positiva(negativa).
Corolario:
Si la forma F = XTQX es definida positiva (negativa), entonces la forma F = XT Q-1X
existe y es definida positiva (negativa).
3 f ( x) = 2 f ( x) = 2 [f ( x)]
...
n f ( x) = n 1 f ( x) = n 1 [f ( x)]
Propiedades:
1) [ f ( x) + g ( x)] = f ( x) + g ( x)
Demostracin:
[ f ( x ) + g ( x ) ] = [ f ( x + h ) + g ( x + h ) ] [ f ( x ) + g ( x ) ]
f ( x + h) + g ( x + h) f ( x ) g ( x )
f ( x + h) f ( x ) + g ( x + h) g ( x )
[ f ( x + h) f ( x)] + [g ( x + h) g ( x)]
f ( x) + g ( x)
2) [ f ( x)] = f ( x)
Demostracin:
[ f ( x)] = f ( x + h) f ( x)
[ f ( x + h) f ( x ) ]
f ( x)
E f ( x ) = f ( x + h)
E2 f ( x) = E [Ef ( x)] = f ( x + 2h)
E3 f ( x) = E E 2 f ( x) = E 2 [Ef ( x)] = f ( x + 3h)
...
En f ( x) = E E n i f ( x) = E n i [Ef ( x)] = f ( x + nh)
[
[
En virtud de que
f ( x) = f ( x + h) f ( x)
Ef ( x) = f ( x + h)
zV x = (1) z s E s V x =
s =0 s
z
z
v x + z 2 zv x + z 1 + v x + z
= (1) z v x + z (1) z 1 v x +1 + (1) z 2 v x + 2 + ......... +
2
z 2
10
0
0
v1 1 2 1
2
0
v 2 = 0 1 2 1
2
v 3 0 0
1 2 1
2
0
1 2
v 4 0 0
2
0
0
0
v1
v
2
v3
v 4
v5
v6
donde
z v1
z
v2
z
V = z v 3
...
z v
n z
11
z
(1)
0
kz =
0
.
.
z (1) z 1
z
(1) z 2
2
(1) z
z (1) z 1
(1) z
z
(1) z 2
2
z (1) z 1
(1) z
...
.
.
.
0
.
.
.
0
.
.
.
0
...
...
...
...
...
...
...
....
...
z
....
z
...
z 2
.
.
.
.
.
.
....
...
0
0
Dimensin: (n-z) x n
v1
v
2
V = v3
.
v n
dimensin: n x 1
Es propiedad de la matriz asociada k z que la suma de sus filas de cero, por propiedad de
nmeros combinatorios complementarios.
z
s =o
s (1)
z s
=0
2
n
n 1
n 2
a n x1 + a n 1 x1 + a n 2 x1 + ... + a 2 x1 + a1 x1 + a 0 = y1
2
n
n 1
n2
a n x 2 + a n 1 x 2 + a n 2 x 2 + ... + a 2 x 2 + a1 x 2 + a 0 = y 2
...
a n x nn + a n 1 x nn 1 + a n 2 x nn 2 + ... + a 2 x n2 + a1 x n + a 0 = y n
x 0n 1
x0n 2
n
1
n
2
n 1
1
n 1
2
n2
1
n2
2
es x
.
x nn
.
x
n 1
n
.
x
n2
n
...
...
...
.
...
x 02
x
x0 1
x1 1
.
x n2
. .
xn 1
2
1
2
2
Que resulta ser siempre distinto de cero para todo xi x j , condicin que aqu se
cumple, ya que de lo contrario no tendramos n + 1 argumentos distintos.
Existen varios mtodos de interpolacin polinmica que, aunque difieren en la forma en
que se construye el polinomio y en la forma en que se presenta, conducen al mismo
polinomio de interpolacin. Entre estas frmulas de interpolacin, se encuentran las
frmulas de Newton Gregory, Newton Gauss, Lagrange, Stirling, Bessel, Aitken,
Neville, Tchebby-Cheff, y otros.
La interpolacin a travs de polinomios no es la nica que existe. Tambin se presentan
interpolaciones exponenciales, hiperblicas, trigonomtricas, racionales e irracionales.
Notar que, para dos argumentos:
Una interpolacin lineal conduce al clculo de una media aritmtica.
Una interpolacin exponencial conduce al clculo de una media geomtrica.
Una interpolacin hiperblica conduce al clculo de una media armnica.
La interpolacin, se utiliza al aproximar funciones que se desconocen o cuya expresin
y manejo son complicados. As, se tiene:
f ( x) = I ( x) + T ( x)
13
donde,
f (x) = representa la funcin a ser interpolada
I (x) = representa la funcin de interpolacin, o funcin interpolatriz.
T (x) = representa el error cometido en la aproximacin.
2.2 AJUSTAMIENTO
Extrado del libro Graduation: The revision of estimates Dick London. Ed. ACTEX. 1985
14
Existen varias medidas para evaluar si una funcin sirve para ajustar los puntos, es
decir, si se puede considerar que los representa eficientemente. Enunciaremos los ms
importantes. Podramos decir que son propiedades deseables, cuanto ms cumpla, ms
idnea resulta la funcin.
Fidelidad (F): Los valores ajustados deben estar cerca de los valores observados,
tiene que haber poca diferencia, sino existira un sesgo. Matemticamente, por
cuestiones de signo, se pide que la suma de los cuadrados de las diferencias entre los
valores ajustados y los valores observados tienda a cero. Si llamamos v x a los
valores ajustados y u x a los valores observados, entonces podemos escribir que:
n
F = w x (v x u x ) 2
tal que F 0
x =1
w x acta como un ponderador. Se trata de un valor positivo que da mayor peso a los
valores observados que provienen de una muestra ms representativa. Existen
distintas formas de calcularlo, y es a criterio del investigador. Se puede utilizar la
frmula:
n
wx = x donde n z representa el tamao de la muestra a partir del cual se obtuvo vx
n
y n representa la media aritmtica de los tamaos de muestra.
Como ejemplo, podemos pensar en una muestra de tres elementos: Los valores
observados son v1; v2 y v3. Nos informan que v1 se obtuvo de una muestra de 10
elementos, v 2 proviene de una muestra de 3 elementos y v3 proviene de una muestra
de 5 elementos.
Intuitivamente, la fidelidad para v 2 debera ser menos importante que para los
restantes porque es un valor que provino de una muestra ms pequea.
Calculamos n
10 + 3 + 5
n=
=6
3
Los ponderadores son, entonces:
)
10
= 1,6
6
3
w2 = = 0,5
6
)
5
w3 = = 0,83
6
w1 =
15
R = z v x
tal que R 0
x =1
x =1
x =1
d x = (v x u x ) = 0
16
MTODO DE WHITTAKER
Donde:
F = Fidelidad
R = Regularidad
h = Coeficiente positivo que determina el nfasis relativo que se le da a la regularidad
con respecto a la fidelidad.
As, si h 0 , la importancia recae sobre la fidelidad.
h , la importancia recae sobre la regularidad.
El peso relativo de cada medida se obtiene con la siguiente frmula:
1
h +1
h
Peso relativo de la regularidad =
h +1
Si uno quisiera saber el peso porcentual, se debe multiplicar por cien cada peso relativo.
La suma de ambos pesos relativos debe dar 1.
17
Dado que:
n
F = w x (v x u x ) 2
x =1
( v )
n z
R=
x =1
El problema es:
Minimizar :
n
M( v1 ; v 2 ; v3 ;....v n ) = wx (v x u x ) 2 + h
x =1
( v )
n z
x =1
Vamos a escribir ahora el planteo en forma matricial. Ambas sumas describen una
forma cuadrtica. La primera es la misma utilizada en la pgina 6. La segunda es una
forma cuadrtica cuya matriz asociada es la identidad.
Consideramos:
V = Vector de valores ajustados (dimensin n x 1)
(ver pgina 7)
U = Vector de valores observados (dimensin n x 1) (ver pgina 7)
W = Matriz diagonal cuyos elementos de la diagonal principal son los ponderadores,
todos positivos por definicin. (dimensin: n x n)
0 ... 0
w1 0
0 w
0 ... 0
2
W =0
0 w3 ... 0
.
.
.
.
.
0
0
0 0 wn
k z = Matriz asociada a la transformacin lineal que permite expresar las diferencias
finitas de orden z de una funcin. Se la defini en la pgina 12. (Dimensin: (n-z) x n )
De modo que M se puede escribir como combinacin lineal de dos formas cuadrticas:
M = (V U ) T W (V U ) + h(k zV ) T I (k Z V )
(1)
v x
x = 1, 2, 3, ....... n
18
(2)
Donde (2) presenta dos formas cuadrticas con respecto a V. En el segundo trmino,
T
(k z k z ) es la matriz asociada a la forma. Derivamos vectorialmente para obtener el
sistema que define la condicin necesaria:
DM = 2W (V U ) + h2(k z k z )V
T
Nuestro objetivo es hallar los valores de v que minimizan la expresin (o sea, que
anulan la ltima expresin). Entonces despejamos el vector V que contiene los valores
v.
Aplicando propiedad distributiva de matrices
WV WU + h(k Z k Z )V = 0
T
WV + h(k Z k Z )V = WU
T
[W + h(k
T
z
k z ) V = WU
19
De modo que:
CV=WU
El vector solucin, que contiene los valores ajustados ser:
V = C-1WU
Factibilidad de la solucin
Vemos que:
W es una matriz simtrica y real. (por definicin, pgina 18)
T
(k z k z ) es una matriz simtrica. Es el producto entre una matriz y su traspuesta (ver
pgina 1).
T
Al ser h un escalar, resulta que h (k z k z ) es tambin una matriz simtrica. Adems
presenta elementos reales
La suma de dos matrices simtricas da como resultado otra matriz simtrica. (Ver
pgina 2)
Por ende, concluimos que C = W + h(k z k z ) es una matriz simtrica real por ser suma
de matrices simtricas reales.
T
Sobre C, entonces, podemos edificar una forma cuadrtica. (ver pgina 3), definiendo
un vector Y con variables yi .
As,
F = Y T CY donde:
y1
y
2
Y = y3
.
y n
20
Y T WY + hY T k z k z Y
T
Y T WY + h(Y T k z )(k z Y )
Y T WY + h(k z Y ) T k z Y
T
w
x =1
n z
2
z
x y x + h ( y x )
2
x =1
w
x =1
yx
( y
z
x =1
Vimos que los valores que surgen de V = C 1WU cumplen con la condicin de primer
orden. Debemos ver si se trata de un mnimo o un mximo.
Demostraremos que M es un mnimo cuando CV = WU
21
M( v1 ; v 2 ; v3 ;....v n ) = wx (v x u x ) 2 + h
x =1
( v )
n z
x =1
M = V T WV U T WV V T WU + U T WU + h V T k z k Z V
T
Ordenamos convenientemente:
M = V T WV + hV T k z k zV U T WV V T WU + U T WU
T
M = V T CV U T WV V T WU + U T WU
Ahora:
Multiplicamos el primer y segundo trmino por la matriz identidad, expresada como
C 1C
Multiplicamos el tercer trmino por trmino por la matriz identidad, expresada como
CC 1
Sumamos y restamos U T WC 1WU
Recordando que la matriz identidad es permutable siempre:
M = V T CC 1CV U T WC 1CV V T CC 1WU + U T WU + U T WC 1WU U T WC 1WU
Ordenando convenientemente:
22
Entonces:
M = V T CC 1CV U T WC 1CV V T CC 1WU + U T WC 1WU + U T WU U T WC 1WU
se transforma en:
M = (V T C U T W )C 1CV (V T C + U T W )C 1WU + U T WU U T WC 1WU
Aplicando propiedades de transposicin de matrices:
M = (CV WU ) T C 1CV (CV + WU ) T C 1WU + U T WU U T WC 1WU
Extrayendo (CV WU ) T C 1 como factor comn, resulta que:
M = (CV WU ) T C 1 (CV WU ) + U T WU U T WC 1WU
En donde se ve claramente que los dos ltimos trminos no dependen de V. Por lo tanto,
si en el primer trmino se impone como condicin que CV = WU , ste se anular y
tomar un valor mnimo, ya que M es definida positiva. (pgina 21)
23
n 1
n2
n z
x =1
x =1
x =1
x =1
M = wx (v x u x ) 2 + h1 (v x ) 2 + h2 (2 v x ) 2 + .... + hz (z v x ) 2
Donde:
h1 0
i = 1,2,3...z
h
i =1
Claramente, si todas las hi salvo una valen cero, entonces se obtiene el mtodo de
ajustamiento de Whittaker previamente explicado. El lector puede fcilmente obtener
los valores ajustados de vx, definiendo distintas matrices asociadas a diferencias finitas.
24
R = (2 v x rv x ) 2
x =1
En forma alternativa:
Dado que:
v x = BrC x si aplicamos operador desplazamiento sobre x miembro a miembro:
E (v x ) = E ( BrC x ) por conmutatividad de operadores E y :
( Ev x ) = BrE (C x )
v x +1 = BrCC x dividiendo miembro a miembro por v x = BrC x :
v x +1 BrCC x
es decir:
=
v x
BrC x
v x +1
=C =1+r
v x
Por lo que:
v x +1 = (1 + r )v x
o bien: v x +1 (1 + r )v x = 0
Entonces una segunda forma de representar la regularidad podra ser:
n2
R = [v x +1 (1 + r )v x ]
x =1
25
z 1v x +1 (1 + r )z 1v x .
Esto se puede demostrar por el principio de induccin completa, sobre el conjunto de
valores de z.
En ese caso, tenemos que:
n z
R = z 1v x +1 (1 + r )z 1v x
x =1
Minimizar M =
w x (v x u x ) 2 + h
x =1
[
n z
z 1
x =1
v x +1 (1 + r )z 1v x
Variacin de Lowrie
i =1
x =1
x =1
n z
z =1
x =1
M = (1 hi ) wx (v x u x ) 2 + h1 wx (v x s x ) 2 + [hz +1 (z v x rz 1v x ) 2
S
Donde sx representa un valor obtenido de una tabla ajustada ya hecha con anterioridad y
la cual se supone est correctamente ajustada.
Variacin de Schuette
26
n z
x =1
x =1
M = w x v x u x + h z v x
Ac, el clculo es bastante ms difcil porque desaparecen las formas cuadrticas. Una
opcin es recurrir a la programacin matemtica. No obstante, presenta las siguientes
ventajas:
27
S = wx (u x v x ) 2
x =0
Partimos de:
n
S = wx (u x v x ) 2
x =1
Dado que v x = ax + b
n
S = wx (u x ax + b) 2
x =1
o bien
n
S = wx (u x ax b) 2
x =1
Es condicin necesaria que las derivadas de primer orden de S con respecto a los
parmetros a y b se anulen en el punto crtico.
28
Planteamos entonces:
S
a = 0
S
=0
b
n
n
S
= 2wx (u x ax b)( x)
a x =1
n
S
= 2wx (u x ax b)(1)
b x =1
2w (u
x
x =1
ax b)( x) = 0
w (u
x
x =1
ax b)( x) = 0
w u
x
x =1
x + wx ax 2 + wx bx = 0
x =1
x =1
x =1
w x u x x + a wx x 2 + b wx x = 0
y, ordenando:
29
x =1
x =1
x =1
a x 2 wx + b xwx = xu x wx
(1)
2w (u
x
x =1
ax b)(1) = 0
w (u
x
x =1
ax b)(1) = 0
w u
x
x =1
+ w x ax + wx b = 0
x =1
x =1
x =1
wx u x + a wx x + b wx = 0
y, ordenando:
n
x =1
x =1
x =1
a xwx + b wx = u x wx
(2)
x
x
x =1
x =1
x =1
n
n
n
a xwx + b wx = u x wx
x =1
x =1
x =1
30
x
x
x =1
x =1
x =1
n
n
n
a xwx + b wx = u x wx
x =1
x =1
x =1
es:
xw
u x wx
wx
x =1
n
a=
x =1
n
x =1
n
wx
xw
x =1
xw
x =1
n
w
x =1
wx
xw
x =1
x =1
n
x =1
x =1
x wx wx xwx
x =1
x =1
x =1
w
x =1
x 2 wx u x wx xu x wx xwx
wx
xw
x =1
n
x
n
x =1
x =1
x =1
xw
x =1
xu w
x =1
n
xu x wx wx xwx u x wx
x =1
x 2 wx
x =1
n
x =1
n
b=
xu x wx
x =1
x =1
x =1
x =1
x =1
2
wx wx xwx
x =1
x =1
(a > 0)
31
ln v x = b ln x + b ln a
Efectuando el siguiente cambio de variables:
z = ln v x
x' = b ln x
c = b ln a
la ecuacin se transforma en z = x'+c . Se resuelve como el Caso 1, y se vuelve a las
variables originales.
CASO 3: v x = ae bx
(a > 0)
v x
A
( A A0 ) +
v
v x
( B B0 ) 0 + x (C C 0 ) 0
B
C
Vemos que:
v x
=1
A
v x
= Cx
B
v x
= BxC x 1
C
Reemplazando y, expresando los incrementos de variable independiente como
diferenciales, resulta:
vx vx
+ dA + C x 0 dB + BxC x 1 0 dC
32
S = wx (u x v x
x =1
dA + C x 0 dB BxC x 1 0 dC ) 2
n
n
n
n
x
x 1
dA w x + dB w x c0 + dC B0 w x xC 0 = w x (u x v x 0 )
x =1
x =1
x =1
x =1
n
n
n
n
B0
2x
x
x
x 2
dA w x C 0 + dB w x (C 0 ) + dC
wx xC 0 = w x C 0 (u x v x 0 )
x =1
x =1
x =1 C 0
x =1
2
n
n
n
n
B
B
x
2x
x
x 1
dA B0 w x xC 0 + dB 0 wx xC 0 + 0 wx (C 0 ) 2 = B0 wx xC 0 (u x v x 0 )
x =1
x =1 C 0
x =1 C 0
x =1
Dado que el sistema proporciona los valores de los diferenciales, este mtodo requerir
estimaciones iniciales de A0, B0 y C0, las cuales dependern del investigador. Esto
puede ser determinado utilizando algn mtodo grfico de ajustamiento o utilizando la
experiencia y el sentido comn. Por ejemplo, se conoce que los parmetros de la citada
ley de Makeham tienen el siguiente rango de variacin:
0,001 A 0,003
10 6 B 10 3
1,08 C 1,12
33
AJUSTE FRAGMENTARIO
k =1
axk
kxb
S = wx [u x f 0 ( x)] +
x=a
w [u
x = h +1
f1 ( x)]
34
k=n
vx =
k i < x k i +1
f i ( x)
......
f ( x)
kn < x b
n
Donde se establece a priori orden de contacto igual a 2 para todas las curvas prximas,
es decir, se pide que:
f i 1 (k i ) = f i (k i )
f i 1 (k i ) = f i (k i )
f i 1 (k i ) = f i (k i )
h2
4
4
S = wx u x C i x i 1 + wx u x C i x i 1 C 5 ( x k1 ) 3 + .........
x=a
i =1
x = h1 +1
i =1
h1
4
n+ 4
.... + wx u x C i x i 1 ( x k i 4 ) 3
x = hn +1
i =1
i =5
35
ux
u1
u2
u3
...
un
El planteo es entonces:
n
Minimizar D = ( s x + t x )
x =1
s.a
s1 t1 + ax1 = u1
s t + ax = u
2
2
2 2
...
s n t n + ax n = u n
sx 0 tx 0
a
Donde :
s x = variables de holgura (slack)
t x = variables artificiales del mtodo simplex
Pero, dado que a , se debe reformular el planteo de manera que a se exprese como
resta de dos variables no negativas, por ejemplo, a = p q , con p 0 y q 0 .
Una vez obtenido el parmetro a , la ecuacin se puede expresar como:
v x = ax
Este mtodo es de fcil generalizacin para ms de una variable explicativa. Sean
36
x1 ; x 2 ; x3 ....x m
observacin: x (j1) ; x (j2) ......x (jm ) donde el suprandice responde a la variable explicativa
(independiente) en cuestin y el subndice representa el nmero de argumento. Vemos
que hay n observaciones del fenmeno (asociadas al contador j) y m variables
explicativas (asociadas al contador i). Es decir, n ecuaciones con m incgnitas.
Minimizar: D = ( s j + t j )
j =1
s.a
s1 t1 + a1 x1(1) + a 2 x1( 2) + .... + a m x1( m ) = u1
(1)
( 2)
(m)
s 2 t 2 + a1 x 2 + a 2 x 2 + .... + a m x 2 = u 2
...
(1)
( 2)
(m)
s n t n + a1 x n + a 2 x n + .... + a m x n = u n
j = 1,2,3,...n
sj 0
tj 0
ai i = 1,2,3,...m
(1)
( 2)
(m)
u (a1 x1 + a 2 x1 + .... + a m x1 ) u1
u + a x (1) + a x ( 2 ) + .... + a x ( m ) u
m 2
1 2
2 2
2
(1)
( 2)
(m)
u (a1 x 2 + a 2 x 2 + .... + a m x 2 ) u 2
...
u + a x (1) + a x ( 2 ) + .... + a x ( m ) u
m n
n
1 n
2 n
(1)
( 2)
(m)
u (a1 x n + a 2 x n + ... + a m x n ) u n
s 0
j = 1,2,3,...n
tj 0
j
a i i = 1,2,3,...m
37
La misma consideracin que antes: para poder aplicar el mtodo Simplex, expresaremos
las variables ai como diferencia de variables no negativas. As, ai = pi qi donde
pi 0 y qi 0 .
Ejemplo de Aplicacin 2
Se ha encargado a un laboratorio mdico que determine si existe una relacin
significativa en una marca de tabaco entre el porcentaje de nicotina (V) y los
porcentajes de nitrgeno (X1), benzopireno(X2), alcaloides(X3), cido mlico(X4), cido
ctrico(X5) y alquitrn (X6). Se han tomado diez muestras de tabaco y se han medido los
niveles porcentuales de las medidas aludidas. La tabla recoge tales medidas
porcentuales.
Muestra
X1
X2
X3
X4
X5
X6
1.68
3.02
3.16
1.29
0.12
3.73
2.07
2.85
2.08
3.14
2.60
0.50
2.32
1.80
2.10
1.89
2.82
2.04
0.23
3.56
3.02
7.06
1.94
3.54
3.11
0.26
3.76
3.07
1.42
2.15
2.28
1.06
0.68
2.18
1.31
2.66
3.53
1.74
2.64
0.50
3.48
2.23
1.39
2.11
2.33
3.05
0.39
3.19
1.31
2.64
1.62
2.78
1.72
0.50
1.17
1.25
2.82
2.20
1.16
2.06
0.42
3.79
2.15
10
3.30
1.97
3.58
3.07
0.54
2.70
1.29
Tomado del libro Programacin Lineal y Aplicaciones (Sixto Ros Insu y otros) Ed. RA-MA,
Madrid, Ao 1997. Pginas 97 a 99.
38
Solucin:
a) Deseamos determinar los pesos ai con i = 1,2,3...6 proporcionados por la solucin
del programa lineal:
10
Minimizar D = ( s j + t j )
j =1
s.a
s1 t1 + 3.02a1 + 3.16a 2 + 1.29a3 + 0.12a 4 + 3.73a5 + 2.07a 6 = 1.68
s t + 2.08a + 3.14a + 2.60a + 0.50a + 2.32a + 1.80a = 2.85
1
2
3
4
5
6
2 2
...
sj 0 tj 0
j = 1,2,3....10
ai
i = 1,2,3....6
Para poder aplicar el mtodo Simplex, expresaremos las variables ai como diferencia
de variables no negativas. As, ai = pi qi donde pi 0 y qi 0 .
En 13 iteraciones, se alcanza la optimalidad, siendo los pesos ptimos:
a1 0.772
a 0.191
2
a3 0.864
=
a 4 0.367
a5 0.306
a 6 1.639
39
Minimizar u
s.a
u + 3.02a1 + 3.16a 2 + 1.29a 3 + 0.12a 4 + 3.73a 5 + 2.07a 6 1.68
u (3.02a + 3.16a + 1.29a + 0.12a + 3.73a + 2.07a ) 1.68
1
2
3
4
5
6
...
ai
i = 1,2,3....6
Para poder aplicar el mtodo Simplex, expresaremos las variables ai como diferencia
de variables no negativas. As, ai = pi qi donde pi 0 y qi 0 .
En 23 iteraciones se alcanza la optimalidad, siendo los pesos ptimos:
a1 0.408
a 0.137
2
a3 2.255
=
a 4 1.937
a5 2.048
a 6 2.1
Para comparar ambos mtodos, conviene efectuar un anlisis de los residuos, ya que
estos dan idea del error que se comete en el ajuste; es decir, la precisin obtenida. Estos
mtodos de programacin lineal son ms eficaces cuando los datos de la serie no
provienen de una distribucin normal, o no existe suficiente evidencia emprica para
afirmarlo.
Tambin, son modelos apropiados para obtener modelos ms robustos y resistentes
frente a observaciones atpicas.
40
Una vez realizado el ajuste a una serie de datos, es importante tratar de ver si el ajuste es
aceptable y confiable. Existe numerosa bibliografa al respecto, que el lector est
invitado a conocer. Los principales tests de hiptesis, con una somera descripcin de
cada uno de ellos son:
X =
x =1
(v x u x ) 2
. Donde X n2
Para complementar este test, consideramos los siguientes Tests de Hiptesis accesorios:
Tambin existen otros tests que slo contemplan la bondad del ajuste en un solo sector
de la tabla (en un sector del dominio). Estos son :
41