- Curso.
Métodos Cuantitativos
- Noé Waldemar Telón Alvarez
- I.D. 000135467
Introducción:
Con la finalidad de estudiar, aprender y entender los distintos modelos matemáticos, en
esta ocasión haremos referencia de dos de ellos que van de la mano para facilitar la comprensión
del comportamiento lineal de los pronósticos que puedan derivar de una relación de la vida diaria
hacia el futuro o el pasado, por ello la necesidad de contar con datos previos para el análisis de la
situación que se nos presenta, es de vital importancia, ya que con ello podremos anticipar de
cierta forma las metas, controles o cualquier cosa que nos otorgue ventaja sobre lo no conocido.
En los siguientes temas, estaremos abordando en síntesis el desarrollo de las
metodologías como: Regresión lineal y el Método de mínimos cuadrados. Para ello, estaremos
describiendo de forma rápida y entendible estos temas a desarrollar, no solamente para el curso
en sí, sino para la vida diaria.
Regresión Lineal:
La regresión lineal se utiliza para predecir el valor de una variable continua Y basada en
una o más variables predictoras de entrada X. El objetivo es establecer una fórmula matemática
entre la variable de respuesta (Y) y las variables predictoras (X). Puede usar esta fórmula para
predecir Y, cuando solo se conocen los valores de X.
- Una variable, x , se conoce como variable predictora .
- La otra variable, y , se conoce como variable de respuesta .
Por ejemplo, supongamos que tenemos el siguiente conjunto de datos con el peso y la altura de
siete individuos:
Sea el peso la variable predictora y la altura la variable de respuesta.
Si graficamos estas dos variables usando un diagrama de dispersión , con el peso en el eje x, y la
altura en el eje y, así es como se vería:
Supongamos que estamos interesados en comprender la relación entre peso y altura. En la
gráfica de dispersión podemos ver claramente que a medida que aumenta el peso, la altura
también tiende a aumentar, pero para cuantificar realmente esta relación entre el peso y la altura,
necesitamos usar la regresión lineal.
Usando la regresión lineal, podemos encontrar la línea que mejor se «ajusta» a nuestros datos.
Esta línea se conoce como la línea de regresión de mínimos cuadrados y se puede utilizar para
ayudarnos a comprender las relaciones entre el peso y la altura. Por lo general, usaría software
como Microsoft Excel, SPSS o una calculadora gráfica para encontrar la ecuación de esta línea.
Ejercicio 1
Ajustar los siguientes datos en una línea recta
X Y
1 2
2 3
2 4
3 4
4 4
4 6
5 5
6 7
Totales 27 35
m b
= n∑xiyi - ∑xi∑xy = ȳ - mx̄
2 2
n∑xi - (∑xi)
X Y XY X2
1 2 2 1
2 3 6 4
2 4 8 4
3 4 12 9
4 4 16 16
4 6 24 16
5 5 25 25
6 7 42 36
Totale
s
27 35 135 111
b= (27/8) - (45/53)(35/8)
m= 8(135)-(27)*(35)
8(111) - (27)^2 b= 80/53
b
45 1.509
m= =
53
m
0.849
=
Ecuación de la recta
Y= 0.849X + 1.509
Método de Mínimos Cuadrados:
El método de mínimos cuadrados es una de las aplicaciones más importantes en la
aproximación de funciones. La idea es encontrar una curva tal que, dado un conjunto de pares
ordenados, dicha función se aproxime mejor a los datos. La función puede ser una recta, una curva
cuadrática, una cúbica, etc.
La idea del método consiste en minimizar la suma de cuadrados de las diferencias en las
ordenadas (componente Y), entre los puntos generados por la función elegida y los puntos
pertenecientes al conjunto de datos.
Antes de dar el método, primero debemos tener claro lo que significa “se aproxime
mejor”. Supongamos que se busca una recta y=b+mx que sea la que mejor represente a un
conjunto de n puntos, a saber {(x1,y1),(x2,y2)…,(xn,yn)}.
Como se muestra en la figura anterior, si las variables x y y estuvieran relacionadas por la recta
y=b+mx, entonces para x=x1 el valor correspondiente de y sería b+mx1. Sin embargo, este valor es
diferente del verdadero valor de y, que es y=y1.
Recordemos que, en el plano, la distancia entre dos puntos viene dada por la siguiente fórmula:
Con esto en mente, para determinar la manera de escoger la recta y=b+mx que mejor se aproxime
a los datos dados, suena lógico usar como criterio la selección de la recta que minimice la suma de
los cuadrados de las distancias entre los puntos y la recta.
Como la distancia entre los puntos (x1,y1) y (x1,b+mx1) es y1-(b+mx1), nuestro problema se
reduce a encontrar números m y b tales que la siguiente suma sea mínima:
La recta que cumple con esta condición se conoce como la “aproximación de la recta de mínimos
cuadrados a los puntos (x1,y1),(x2,y2),…,(xn,yn)”.
Una vez obtenido el problema, solo queda escoger un método para encontrar la aproximación por
mínimos cuadrados. Si los puntos (x1,y1),(x2,y2),…,(xn,yn) están todos en la recta y=mx+b,
tendríamos que son colineales y:
En esta expresión:
Finalmente, si los puntos no son colineales, entonces y-Au=0 y el problema se puede traducir en
encontrar un vector u tal que la norma euclidiana sea mínima.
Encontrar el vector minimizante u no es tan difícil como se podría llegar a pensar. Como A es una
matriz nx2 y u es una matriz 2×1, tenemos que el vector Au es un vector en Rn y pertenece a la
imagen de A, la cual es un subespacio de R n con una dimensión no mayor que dos.
Supondremos que n=3 para mostrar cuál es el procedimiento que se debe seguir. Si n=3, la imagen
de A será un plano o una recta que pasa por el origen.
Sea v el vector minimizante. En la figura observamos que y-Au se minimiza cuando es ortogonal a
la imagen de A. Es decir, si v es el vector minimizante, entonces ocurre que:
Luego, podemos expresar lo anterior de esta forma:
Esto solo puede ocurrir si:
Finalmente, despejando v, tenemos que:
Es posible hacer esto ya que AtA es invertible siempre que los n puntos dados como datos no sean
colineales.
Ahora, si en vez de buscar una recta deseáramos hallar una parábola (cuya expresión sería de la
forma y=a+bx+cx2) que fuera una mejor aproximación a los n puntos datos, el procedimiento sería
el descrito a continuación.
Si los n puntos datos estuvieran en dicha parábola, se tendría que:
Luego:
De manera similar podemos escribir y=Au. Si todos los puntos no están en la parábola, tenemos
que y-Au es distinto de cero para cualquier vector u y nuestro problema vuelve a ser: encontrar un
vector u en R3 tal que su norma ||y-Au|| sea lo menor posible.
Repitiendo el procedimiento anterior, podemos llegar a que el vector buscado es:
Ejercicio 1
Encontrar la recta que mejor se ajuste a los puntos (1,4), (-2,5), (3,-1) y (4,1).
Solución
Tenemos que:
Luego:
Por lo tanto, concluimos que la recta que mejor se ajusta a los puntos está dada por:
Conclusión:
El análisis de los métodos anteriormente desarrollados en su forma básica, se
emplean para conocer las relaciones y significación entre serie de datos. Lo
anterior, es de suma importancia para cualquier ámbito, desde lo personal
hasta la industria, ya que es aquí donde se presentan variables de respuesta
e independientes las cuales interactúan para originar las características de un
proceso en particular y por ende: analizar, predecir valores de la variable
dependiente y examinar el grado de fuerza con que se relacionan dichas
variables.