You are on page 1of 12

INSTITUTO TECNOLÓGICO DE ZACATEPEC

INGENIERÍA ELECTROMECÁNICA

MATERIA: Métodos Numéricos


Reporte Técnico: Interpolaciones y Regresiones

Equipo o Alumno:
Parral Menez Javier.

04 de Diciembre de 2018
Contenido

Resumen.............................................................................................................................................. 3
1. Introduccion .................................................................................................................................... 4
2. Marco Teórico ................................................................................................................................. 7
2.1 Regresiones lineales por minimos cuadrados ........................................................................... 7
2.2 metodo de lagrange .................................................................................................................. 9
3.Conclusiones .................................................................................................................................. 12
4 Referencias ..................................................................................................................................... 12

2
Resumen

El presente trabajo es una breve reseña acerca del método de máximos y mínimos de
Lagrange y de interpolaciones lineales cuadradas así mismo se analiza un artículo a cerca
de regresiones lineales simple donde se trata de dar a conocer las aplicaciones que tiene
este método en un amplio campo de ciencias como los son la física, la astronomía la
economía etc.

3
1 Introducción (Antecedentes)

Aplicación de la regresión lineal en un problema de pobreza.


¿Qué hizo?
Los autores de este artículo realizaron un estudio enfocado a la economía colombiana. Para
demostrar la utilidad que tiene la estadística inferencial en lo referente al análisis de
regresión lineal simple. Para lo cual Tomando datos de una muestra real, extraídos de una
rodada de prensa el cual revela el porcentaje de pobreza, pobreza extrema y el coeficiente
de gini (indicador de la desigualdad económica en una población) pretenden encontrar una
ecuación que describa el comportamiento del crecimiento de la pobreza para poder realizar
predicciones y pronósticos a eventos futuros.

¿Cómo lo hizo?
Utilizando un análisis de regresión lineal simple y tomando en cuenta ejemplos de
aplicaciones en distintos campos de investigación. Describen el análisis de regresión lineal
simple, donde la relación de la variable dependiente y la independiente se aproximan
mediante una recta. Para ello toman en cuenta ciertas consideraciones como:

 Decidir que curva muestra los puntos y por lo tanto que ecuación se debe utilizar.

 Encontrar una ecuación que se ajuste a los datos.

 Demostrar que la ecuación particular cumple con aspectos referentes a los méritos
de esta para hacer pronósticos.
Para esto se realiza una gráfica de dispersión de datos para observar de qué forma se
distribuyen los datos. La cual muestra que existe una relación entre la variable dependiente
y la variable independiente. Por lo que el modelo de regresión lineal simples es:

𝑦 = 𝛽0 + 𝛽1 𝑥+∈
Los valores de los parámetros 𝛽0 𝑦 𝛽1 no se conocen y deben estimarse a partir de los
datos de la muestra. Estos coeficientes que se calculan de la muestra son conocidos como
regresores (b0 y b1). La ecuación estimada de regresión es:

 = b0 + b1x
Para calcular los regresores emplean el método de mínimos cuadrados:

𝑚𝑖𝑛 ∑(𝑦𝑖 − 𝑖)

4
Dónde:
yi = valor observado de la variable dependiente para la i-ésima observación.

𝑖 = valor estimado de la variable dependiente para la i-ésima observación.

∑(𝑦𝑖 − 𝑖)2 = ∑[𝑦𝑖 − (𝑏0 + 𝑏1𝑥𝑖)]2

Se realizaron las derivadas parciales con respecto a b0 y b1 para encontrar e igualaron a


cero para reducir la ecuación obteniendo la sig. Ecuaciones:

∑ 𝑦𝑖 = 𝑛𝑏0 + 𝑏1 ∑ 𝑋𝑖

∑ 𝑋𝑖𝑦𝑖 = 𝑏𝑜 ∑ 𝑋𝑖 + 𝑏1 ∑ 𝑋𝑖 2

Dónde:
n es el número de observaciones a realizar.
Este sistema de ecuaciones se resolvió utilizando la hoja de cálculo EXCEL.
Para el análisis de la regresión se realizó un análisis de bondad de la recta. Para ello se
calcularon el sig. Estadísticos:
Coeficiente de determinación:

𝑆𝑆𝐸 = ∑(𝑦𝑖 − 𝑖)2


Suma total de cuadrados:

𝑆𝑆𝑇 = ∑(𝑦𝑖 − 𝑦𝑡𝑒𝑠𝑡𝑎𝑑𝑎𝑖)2

Suma de cuadrados debida a la regresión

𝑆𝑆𝑅 = ∑(𝑖 − 𝑦𝑡𝑒𝑠𝑡𝑎𝑑𝑎𝑖)2

Existe una relación entre estas 3 sumatorias


SST=SSE+SSR
Como se mencionó antes la ayuda del software EXCEL facilita este tipo de cálculos y
genera aún más datos los cuales pueden ser de gran ayuda para realizar algunos cálculos
extra. De esta manera se pueden realizar un amplio análisis de regresiones lineales para así
poder hacer predicciones a eventos futuros.

5
Resultados
Como resultados los autores de este artículo obtuvieron encuentra que la tasa de incremento
de la pobreza en 2011 está entre 0,83% y 1,053% por cada 1% de incremento de la pobreza
en 2010 entre una ciudad y otra.

6
2 Marco Teórico

Bases conceptuales del tópico

2.1 Regresiones lineales cuadradas


MÉTODO DE CUADRADOS MÍNIMOS – REGRESIÓN LINEAL.
Hemos enfatizado sobre la importancia de las representaciones gráficas y hemos visto la
utilidad de las versiones linealizadas de los gráficos (X, Y) junto a las distintas maneras de
llevar a cabo la liberalización. A menudo nos confrontamos con situaciones en las que
existe o suponemos que existe una relación lineal entre las variables X e Y.
Surge de modo natural la pregunta: ¿cuál es la relación analítica que mejor se ajusta a
nuestros datos? El método de cuadrados mínimos es un procedimiento general que nos
permite responder esta pregunta. Cuando la relación entre las variables X e Y es lineal, el
método de ajuste por cuadrados mínimos se denomina también método de regresión lineal.
Observamos o suponemos una tendencia lineal entre las variables y nos preguntamos sobre
cuál es la mejor recta:
y(x) = a x + b
Que representa este caso de interés. Es útil definir la función:

Que es una medida de la desviación total de los valores observados yi respecto de los
predichos por el modelo lineal a x + b. Los mejores valores de la pendiente a y la ordenada
al origen b son aquellos que minimizan esta desviación total, o sea, son los valores que
remplazados en la Ec. (1) minimizan la funciónc2. Ec. (2). Los parámetros a y b pueden
obtenerse usando técnicas matemáticas que hacen uso del cálculo diferencial. Aplicando
estas técnicas, el problema de minimización se reduce al de resolver el par de ecuaciones:

7
Actualmente, la mayoría de los programas de análisis de datos y planillas de cálculo,
realizan el proceso de minimización en forma automática y dan los resultados de los
mejores valores de a y b, o sea los valores indicados por las ecuaciones.

Gráfico de datos asociados a un modelo lineal. La cantidad yi - y (xi)


representa la desviación de cada observación de yi respecto del valor predicho por
el modelo y(x).
El criterio de mínimos cuadrados reemplaza el juicio personal de quien mire los gráficos y
defina cuál es la mejor recta. En los programas como Excel, se realiza usando la
herramienta “regresión lineal” o “ajuste lineal”. Los resultados se aplican en el caso lineal
cuando todos los datos de la variable dependiente tienen la misma incertidumbre absoluta y
la incertidumbre de la variable independiente se considera despreciable.

8
2.2 Método de Lagrange

MÁXIMOS Y MINIMOS DE LAGRANGE MULTIPLICADORES DE LAGRAGE


El método de Lagrange también conocido como los multiplicadores de Lagrange lo propuso
Joseph Louis Lagrange (1736-1813), un matemático nacido en Italia. Los multiplicadores
de lagrange tienen aplicaciones en gran variedad de campos como la física, astronomía,
economía etc.
El método de los multiplicadores de LaGrange, es un procedimiento para encontrar
máximos y mínimos de una función de varias variables con múltiples restricciones.

∇𝑓 = 𝜆∇𝑔
Dónde:
λ es una constante de proporcionalidad

𝐿(𝑥, 𝑦, 𝜆) − 𝑓(𝑥, 𝑦) + 𝜆𝑔(𝑥, 𝑦)


Esta condición corresponde al método de lagrange para encontrar máximos y mínimos de
una f(x, y) sujeto a la restricción g(x, y).
a) Construya una nueva función

f*(x, y)=f(x, y)- 𝜆 g(x,y)


b) Extremase esta nueva función, considerando las variables sin restricción, es decir
f*=(x,y)=0

Las ecuaciones obtenidas serán funciones de las coordenadas x, y del parámetro 𝜆

c) Use la ecuación de restricción g(x, y)=0, para determinar 𝜆.


d) Este método es fácil de aplicar y fácil de generalizar a un número mayor de
variables y de restricciones

Método del Hessiano


Hallamos el Hessiano de la función de Lagrange 𝐿(𝑥, 𝑦, 𝜆) − 𝑓(𝑥, 𝑦) + 𝜆𝑔(𝑥, 𝑦) en el
punto crítico correspondiente, y solo podemos concluir en el caso de que sea positivo.
𝐿𝑥𝑥(𝑋0, 𝑌0) 𝐿𝑥𝑦(𝑋0, 𝑌0) 𝐿𝑥𝑥(𝑋0, 𝑌0) hay minimo condicional)
𝐻(𝑋𝑜, 𝑌𝑜) = [ ]>0 { }
𝐿𝑥𝑦(𝑋0, 𝑌0) 𝐿𝑥𝑥(𝑋0, 𝑌0) 𝐿𝑥𝑥(𝑋0, 𝑌0) ℎ𝑎𝑦 𝑚𝑎𝑥𝑖𝑚𝑜 𝑐𝑜𝑛𝑑𝑖𝑐𝑖𝑜𝑛𝑎𝑙

9
En la siguiente figura se muestra una función con un máximo condicional bien notorio. Las
curvas de nivel indican los puntos donde la función tiene un valor dado. El gradiente de la
función en un punto dado tiene dirección perpendicular a la curva de nivel que pasa por ese
punto. En tal caso, el gradiente es 0: a partir de ese punto no hay ninguna dirección hacia
donde la función aumente.

Como ejemplo tomamos la siguiente ecuación:


f(x, y)=x2+y2
Bajo la restricción x+y=1
Evaluamos la función de Lagrange
𝑳(𝒙, 𝒚; 𝝀) = 𝒙𝟐 + 𝒚𝟐 − 𝝀(𝒙 + 𝒚 = 𝟏)
Para hallar los componentes del sistema:

𝐿𝑥 = 2𝑥 − 𝜆 = 0
𝐿𝑦 = 2𝑦 − 𝜆 = 0
𝐿𝜆 = 𝑥 + 𝑦 − 1 = 0
De las dos primeras ecuaciones obtenemos x=y y sustituyendo en la tercera resulta x=y=1/2
con lo cual el único punto crítico es P (1/2,1/2) obtenido para 𝜆 = 1.
Para estudiar su naturaleza formamos la ecuación de Lagrage correspondiente:

𝐿(𝑥, 𝑦; 1) = 𝑥 2 + 𝑦 2 − 𝑥 − 𝑦 + 1
Hallamos la segunda derivada parcial y obtenemos

𝐿𝑥𝑥 = 2; 𝐿𝑦𝑦 = 2; 𝐿𝑥𝑦 = 0

10
Con lo cual
𝐿𝑥𝑥(0,0) 𝐿𝑥𝑦(0,0) 2 0
𝐻𝐿(0,0) = [ ]=[ ]=4>0
𝐿𝑦𝑥)0,0) 𝐿𝑦𝑦(0,0) 0 2
Y 𝐿𝑥𝑥(0,0) = 2 > 0
Luego la función presenta un mínimo condicionado en el punto P (1/2,1/2).

11
6 Conclusiones

En conclusión y como opiniones propias se cree que se le ha estado dando poca importancia a estos
métodos los cuales se demuestra que pueden ser de gran utilidad y que tiene una amplia gama de
aplicaciones en ingeniería. A pesar de ser métodos en un tanto sencillos serian de gran ayuda.

En cuanto al artículo es una aplicación básica muy sencilla pero tal como lo dice el autor puede ser
la solución de un gran problema como lo es disminuir la pobreza. Lo cual nos da una idea del
amplio campo de aplicación de estos métodos.

8 Referencias

Bibliográficas

Electrónicas (web)

http://test.cua.uam.mx/MN/Methods/Interpolacion/Lagrange/Lagrange.php

http://www.matematicaaplicada2.es/data/pdf/1328695759_1992907084.pdf

https://prezi.com/gxtv7lz5vj8g/maximos-y-minimos-multiplicadores-de-lagrange/?webgl=0

http://www.unilibre.edu.co/revistainteraccion/volumen12/art4.pdf (articulo)

12