Universidad de Chile 26 de Mayo del 2017

Facultad de Economía y Negocios

Métodos Matemáticos III

Semestre Otoño 2017, Ayudantía 19
Profesores: David Contreras, Héctor Álvarez, Daniel Díaz, Diana Palacios, Andrea Sandoval y
José Uribe
Ayudantes: Diego Artigas, Javiera Torrealba, Andrés Arraño, Lorena Maureira, Simón Miranda,
Pablo Corvalan, Pablo Herrera, Felipe Ahumada, Nicolás Ledezma, Sebastián Aburto Jorge Plane,
Daniel Gallardo, Javier Rojas, Juan León, Rachel Coroseo, Sebastián Tinoco y Ljubo Franetović,
Ayudante Coordinador: Gonzalo Alvear

Problema 1
Encuentre los valores y vectores propios de la siguiente matriz A:

5 4
𝐴=( )
3 9
Asegúrese de plantear la condición que deben cumplir ambos elementos y de paso, encontrar
el Polinomio Característico de la matriz.

Respuesta:
Lo más importante de este ejercicio es tener claro el origen de los valores y vectores propios.
Para encontrarlos, se debe cumplir la siguiente condición:

𝐴 ∙ 𝑥⃗ = 𝜆 ∙ 𝑥⃗

Donde A será una matriz cualquiera (en este caso, la matriz dada por enunciado), 𝜆
corresponderá al valor propio de la ecuación y 𝑥⃗ será el vector propio asociado a su valor
propio. Notar que, por definición, 𝑥⃗ debe ser un vector no nulo, es decir, un vector en el que
al menos uno de sus componentes debe ser distinto de 0. Desarrollando un poco la anterior
expresión, llegamos a

(𝐴 − 𝜆 ∙ 𝐼)𝑥⃗ = 0

donde 𝜆 ∙ 𝐼 surge a raíz de que 𝜆 es un escalar.

Desde luego, esta condición se debe cumplir para cualquier matriz cuadrada A, sin importar
sus dimensiones. Como en este caso la matriz es de 2x2, podemos escribir la ecuación en su
forma matricial como

5 4 𝜆 0 𝑥1 0
[( )−( )] (𝑥 ) = ( )
3 9 0 𝜆 2 0
5−𝜆 4 𝑥1 0
( ) (𝑥 ) = ( ) (1)
3 9−𝜆 2 0
De la ecuación anterior, notamos que como el vector 𝑥⃗ comprende un espacio no nulo,
necesariamente se debe cumplir que la matriz (𝐴 − 𝜆 ∙ 𝐼) se componga de vectores

1
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

linealmente dependientes. En otras palabras, el determinante de la matriz (𝐴 − 𝜆 ∙ 𝐼) debe ser

igual a 0.

Planteamos la condición recién mencionada:

𝑑𝑒𝑡|𝐴 − 𝜆 ∙ 𝐼| = 0

5−𝜆 4
𝑑𝑒𝑡 | |=0
3 9−𝜆
(5 − 𝜆)(9 − 𝜆) − 12 = 0

(45 − 5𝜆 − 9𝜆 + 𝜆2 ) − 12 = 0

𝜆2 − 14𝜆 + 33 = 0 (2)

La ecuación (2) es conocida como el Polinomio Característico. Como vemos, este es un

polinomio de grado 2. Por lo tanto, existirán 2 soluciones para este polinomio (y por tal, 2
valores propios).

Factorizando:

(𝜆 − 3)(𝜆 − 11) = 0

Por consiguiente, la matriz A tendrá dos valores propios:

𝜆1 = 3, 𝜆2 = 11

Luego, para obtener los vectores propios, basta con remplazar cada valor propio en la
ecuación (1), utilizar operaciones elementales y factorizar por una variable.

i) Para 𝜆1 = 3
5−𝜆 4 𝑥1 0
( ) (𝑥 ) = ( )
3 9−𝜆 2 0
5−3 4 𝑥1 0
( ) (𝑥 ) = ( )
3 9−3 2 0
2 4 𝑥1 0
( )( ) = ( )
3 6 𝑥2 0
Como podemos ver, podemos llegar desde la Fila 1 hacia la Fila 2 si multiplicamos la primera
por 3/2. Esto quiere decir que las filas son linealmente dependientes, y, por consiguiente, hay
información que no aporta nada. Desarrollando,

2 4 𝑥1 0
( ) (𝑥 ) = ( ) 𝐸12 (−3/2)
3 6 2 0

2
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

2 4 𝑥1 0
( )( ) = ( )
0 0 𝑥2 0
Escribiendo la matriz en su forma ecuacional:

2𝑥1 + 4𝑥2 = 0

0 ∙ 𝑥1 + 0 ∙ 𝑥2 = 0

Como la segunda ecuación no aporta información al sistema de ecuaciones, podemos dejar

de considerarla y trabajar solo con la primera ecuación.

2𝑥1 + 4𝑥2 = 0

2𝑥1 = −4𝑥2
𝑥1
𝑥1 = −2𝑥2 ∨ 𝑥2 = −
2
Por último, remplazamos estos valores en la matriz genérica de vector propio:
𝑥1
𝑥⃗ = (𝑥 )
2

𝑥1 −2𝑥2
𝑥⃗ = (−𝑥 /2) ∨ ( )
1 𝑥2

1 −2
𝑥⃗ = 𝑥1 ( ) ∨ 𝑥2 ( )
−1/2 1

Encontrando así el vector propio asociado al valor propio 3. Es importante notar que ambas
expresiones son equivalentes (solo están escritas de otra forma) y deben ser
consideradas como un solo vector propio. Sin embargo, para ejercicios futuros (como
la diagonalización de matrices) NO DA LO MISMO si encuentro el vector propio en
función de 𝒙𝟏 o 𝒙𝟐 . En concreto, si despejo el vector propio del primer valor propio en
función de 𝒙𝟏 , y luego despejo el vector propio del segundo valor propio en función de
𝒙𝟐 , se llegaría a una inconsistencia en el ejercicio, por lo que siempre es recomendable
despejar los vectores propios en función de la misma variable.

ii) Para 𝜆2 = 11
5−𝜆 4 𝑥1 0
( ) (𝑥 ) = ( )
3 9−𝜆 2 0
5 − 11 4 𝑥1 0
( ) (𝑥 ) = ( )
3 9 − 11 2 0
−6 4 𝑥1 0
( ) (𝑥 ) = ( )
3 −2 2 0

3
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

De la misma manera que para el caso anterior, observamos que la Fila 1 es igual a la Fila 2
multiplicada por -2. Entonces,

−6 4 𝑥1 0
( ) (𝑥 ) = ( ) 𝐸12 (2)
3 −2 2 0
0 0 𝑥1 0
( ) (𝑥 ) = ( )
3 −2 2 0
En forma de ecuación:

0 ∙ 𝑥1 + 0 ∙ 𝑥2 = 0

3𝑥1 − 2𝑥2 = 0

Dejamos de considerar la primera ecuación ya que no nos aporta información. Trabajando

con la segunda:

3𝑥1 − 2𝑥2 = 0

3𝑥1 = 2𝑥2

2𝑥2 3𝑥1
𝑥1 = ∨ 𝑥2 =
3 2
Finalmente, remplazando en el vector propio:
𝑥1
𝑥⃗ = (𝑥 )
2

𝑥1 2𝑥 /3
𝑥⃗ = (3𝑥 /2) ∨ ( 2 )
1 𝑥2

1 2/3
𝑥⃗ = 𝑥1 ( ) ∨ 𝑥2 ( )
3/2 1

Obteniendo así el vector propio asociado al valor propio 11.

Podemos encontrar los resultados resumidos en la siguiente tabla:

Matriz A
Polinomio Característico 𝜆2 − 14𝜆 + 33 = 0
Valores Propios 3 11
(𝑥
Vectores Propios 1 ) (1,-1/2) (1,3/2)
Vectores Propios (𝑥 2) (-2,1) (2/3,1)

4
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

Problema 2
Es conocido que el puerto de Valparaíso está siendo controlado por una familia de mafiosos.
Su máximo líder Don Lucas “el gordo”, contrata periódicamente soldados a los cuales les
encomienda ciertos trabajos que principalmente son, vender droga, cobrar dinero, golpear
enemigos y estafar a Santiaguinos que visitan la quinta región.

Puesto que el negocio ha funcionado bien, el gordo ha resuelto ofrecer aumentos en los pagos
de las arriesgadas tareas encomendadas a los soldados. Desde el 2011 que ha premiado
indistintamente a todo su equipo a modo de mantenerlos fieles a la causa.

Dada la situación, el primogénito de la familia, Don Luquitas “el flaco” quiere asegurarse de
que su padre siga escogiendo a aquellos soldados que son más eficientes y que han
respondido mejor a los incentivos.

Luquitas lleva el conteo de las tareas, por lo que no ha sido difícil para él elaborar la siguiente
tabla sobre sus ocho soldados:

Solicitudes de
ID Trabajos Primer Trabajos Efectivos Trabajos Efectivos
SOLDADO Semestre 2017 Primer Semestre 2011 Primer Semestre 2016
1 11 18 23
2 19 14 25
3 13 18 25
4 12 18 23
5 17 15 24
6 22 11 29
7 11 15 20
8 15 12 20

Parte i.
Con estos datos plantee y estime un modelo de regresión lineal (con intercepto y pendiente)
usando Mínimos Cuadrados Ordinarios (MCO), para analizar si los soldados más solicitados
efectivamente están siendo aquellos que no se han dejado amedrentar por el gobierno
regional. Para esto, considere el efecto del plan de la intendencia en los llamados a cada
soldado.

Utilice los estimadores de la regresión lineal en su forma escalar, es decir de sumatorias.

Parte ii.
De existir una relación entre ambas variables. Estime la cantidad de trabajos para los cuales
debería considerar el gordo a un soldado que tuvo una mejora de sus actividades en 15 entre
2011 y 2016.

5
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

Respuesta

Parte i.
El modelo a estimar es del tipo:
𝑌𝑖 = 𝛽̂0 + 𝛽̂1 ∗ 𝑋𝑖

El cambio en la efectividad se entrega en la siguiente tabla:

Solicitudes de Trabajos Trabajos

Trabajos Efectivos Efectivos
Primer Primer Primer
ID Semestre Semestre Semestre
SOLDADO 2017 2011 2016 Cambio en la Efectividad
1 11 18 23 5
2 19 14 25 11
3 13 18 25 7
4 12 18 23 5
5 17 15 24 9
6 22 11 29 18
7 11 15 20 5
8 15 12 20 8

Los estimadores de la regresión lineal planteada, son los siguientes:

Para la pendiente, se tienen las siguientes formulas equivalentes,

1
∑8𝑖=1(𝑌𝑖 − 𝑌̅)(𝑋𝑖 − 𝑋̅) ∑8𝑖=1 𝑋𝑖 𝑌𝑖 − ∑8𝑖=1 𝑋𝑖 ∑8𝑖=1 𝑌𝑖 ∑8𝑖=1 𝑋𝑖 𝑌𝑖 − 8𝑋̅𝑌̅
̂
𝛽1 = ̂
; 𝛽1 = 8 ̂
; 𝛽1 = 8
∑8𝑖=1(𝑋𝑖 − 𝑋̅)2 1
∑8𝑖=1 𝑋𝑖 2 − (∑8𝑖=1 𝑋𝑖 )2 ∑𝑖=1 𝑋𝑖 2 − 8(𝑋̅)2
8

Para el intercepto, tenemos,

𝛽̂0 = 𝑌̅ − 𝛽̂1 ∗ 𝑋̅

Utilizando la siguiente tabla, con la especificación indicada:

𝑌𝑖 : Son las solicitudes de trabajos durante el primer semestre del 2017 (Variable dependiente)
𝑋𝑖 : Es el Cambio en la Efectividad (Variable Independiente)

6
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

ID
SOLDADO 𝑌𝑖 𝑋𝑖 𝑌𝑖 ∗ 𝑋𝑖 𝑋𝑖 2

1 11 5 55 25
2 19 11 209 121
3 13 7 91 49
4 12 5 60 25
5 17 9 153 81
6 22 18 396 324
7 11 5 55 25
8 15 8 120 64
8

∑
𝑖=1 120 68 1139 714
Promedio 15 8,5 142,375 89,25

Obteniendo, 𝑌̅ = 15; 𝑋̅ = 8,5.

Luego utilizando las fórmulas para la pendiente, se obtiene:

1
1139 − 8 ∗ 68 ∗ 120 1139 − 8 ∗ 15 ∗ 8,5
𝛽̂1 = ; 𝛽̂1 =
1 714 − 8(8,5)2
714 − ∗ 682
8
𝛽̂1 = 0,875

Luego,
𝛽̂0 = 15 − 𝛽̂1 ∗ 8,5 = 15 − 0,875 ∗ 8,5
𝛽̂0 = 7,5625

Finalmente, la ecuación es (reemplazar los valores):

𝑌𝑖 = 𝛽̂0 + 𝛽̂1 ∗ 𝑋𝑖
𝑌𝑖 = 7,5625 + 0,875 ∗ 𝑋𝑖

Donde se puede apreciar que la relación entre el cambio en la efectividad de los últimos años
y la cantidad de llamados a trabajos en el 2017 y es positiva. Por lo que don Lucas “el gordo”
estaría eligiendo correctamente a sus soldados más eficientes, llamando más a aquellos que
han mejorado más su capacidad de cumplir con los trabajos encomendados.

7
 Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

Intuición:

Al calcular la pendiente de la función se buscará estimar si es que existe un efecto de la

variación de la efectividad en la consideración que tiene el gordo para los nuevos trabajos.

Gráficamente podemos observar que hay una relación positiva entre mayores aumentos de la
efectividad entre 2011 y 2016 y la cantidad de tareas asignadas para el 2017.

Notar que el modelo tendrá ciertos errores para cada observación, los cuales serán la distancia
vertical entre la observación y la recta estimada por MCO. La sumatoria del cuadrado de
estos errores es lo que se minimiza en la estimación realizada.

Impacto de la Variación de Efectividad en los Llamados

25
20
Llamados 2017

15
10

5 10 15 20
Variación Efectividad 2011-2016

trab Fitted values

8
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

Parte ii.
Para estimar la cantidad de tareas que debería asignar el gordo a un soldado que ha mejorado
en 15 tareas su efectividad simplemente se deberá utilizar la función considerando un valor
dado de 𝑋𝑖 = 15.

Por lo que se mantendrá la estimación de la parte i. y se hará el cálculo (reemplazar acá los
coeficientes de la parte i):

𝑌𝑖 = 𝛽̂0 + 𝛽̂1 ∗ 𝑋𝑖

𝑌𝑖 (15) = 𝛽̂0 + 𝛽̂1 ∗ 15

𝑌𝑖 (15) = 7,5625 + 0,875 ∗ 15
𝑌𝑖 (15) = 20,6875

Por lo tanto, un soldado que ha mejorado en 15 su cantidad de tareas realizadas efectivamente

debería ser considerado en aproximadamente 20 tareas.

Problema 3
Dada la siguiente matriz 𝐴 diagonalizable, encuentre 𝐴100

−4 −4 −8
𝐴=( 4 6 4)
6 4 10

Hint: Dejar el resultado final expresado en términos de 𝑃𝐷𝑃−1 (se debe calcular cada matriz)

Respuesta:
Debemos descomponer la matriz 𝐴 = 𝑃𝐷𝑃−1 . Donde 𝐷 es una matriz diagonal de valores propios y
𝑃 es la matriz de vectores propios. Partiremos encontrando los 𝜆 que cumplen:

𝑝( 𝜆) = 𝐷𝑒𝑡(𝐵 − 𝜆𝐼𝑛 ) = 0

−4 − 𝜆 −4 −8
𝐷𝑒𝑡 ( 4 6−𝜆 4 )=0
6 4 10 − 𝜆

Para simplificar el cálculo diremos que 𝐷𝑒𝑡(𝐴 − 𝜆𝐼𝑛 ) = 𝛼 − 𝛽 = 0, con:

𝛼 = (−4 − 𝜆)( 6 − 𝜆)(10 − 𝜆) + (4(−4)6) + 16(−8))

𝛽 = [4(−4)(10 − 𝜆) + 16(−4 − 𝜆) − 48(6 − 𝜆)]

Desarrollamos 𝛼 y 𝛽
𝛼 = (−4 − 𝜆)( 6 − 𝜆)(10 − 𝜆) + (4(−4)6) + 16(−8))
𝛼 = (−24 + 4𝜆 − 6𝜆 + 𝜆2 )(10 − 𝜆) + (−96) + (−128)
𝛼 = (−240 + 4𝜆 + 12𝜆2 − 𝜆3 ) − 224
𝛼 = (−464 + 4𝜆 + 12𝜆2 − 𝜆3 )

9
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

𝛽 = [4(−4)(10 − 𝜆) + 16(−4 − 𝜆) − 48(6 − 𝜆)]

𝛽 = −160 + 16𝜆 − 64 − 16𝜆 − 288 + 48𝜆
𝛽 = 48𝜆 − 512

Entonces tenemos que:

𝐷𝑒𝑡(𝐴 − 𝜆𝐼𝑛 ) = 𝛼 − 𝛽 = (−464 + 4𝜆 + 12𝜆2 − 𝜆3 ) − (48𝜆 − 512) = 0
48 − 44𝜆 +12𝜆2 − 𝜆3 = 0

Factorizando la expresión tenemos que:

𝑝(𝜆 = 𝜆 − 2)(−𝜆2 + 10𝜆 − 24) = (𝜆 − 2)(−𝜆 + 4)(𝜆 − 6) = 0
) (

2 0 0
𝐷 = (0 4 0)
0 0 6

A continuación, calcularemos la matriz de vectores propios 𝑃. Para esto debemos utilizar

cada valor propio y encontrar cada vector (dejaremos los vectores en función de 𝑥3 ):

−4 − 2 −4 −8  6  4  8 0   6  4  8 0
  𝐸3 1  
𝝀=𝟐∶ ( 4 6−2 4 )=  4 4 4 0 →  4 4 4 0
6 4 10 − 2  6 8 0   0 0 0 
 4  0

  6  4  8 0   6  4  8 0 −2
  𝐸 21   𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠
6
𝐸2 ( )
4
→  6 6 6 0 →  0 2  2 0 ⇒ 𝑥3 ( 1 )
 0 0 0   0  1
 0  0 0 0

−4 − 4 −4 −8  8  4  8 0   8  4  8 0
  𝐸2 (2)  
𝝀=𝟒∶ ( 4 6−4 4 )=  4 2 4 0 →  8 4 8 0
6 4 10 − 4  6 6 0   6 6 0 
 4  4

  8  4  8 0   8  4  8 0
𝐸21   𝐸31   𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠 −1
→  0 0 0 0 →  0 0 0 0 ⇒ 𝑥3 ( 0 )
 6 6 0    2 0  2 0 1
 4  

−4 − 6 −4 −8   10  4  8 0   10  4  8 0 
  𝐸31  
𝝀=𝟔∶ ( 4 6−6 4 )=  4 0 4 0 →  4 0 4 0
6 4 10 − 6  6 4 0    4 0  4 0
 4  

10
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

  10  4  8 0  −1
𝐸32   𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠 1
→  4 0 4 0 ⇒ 𝑥3 ( )
 0 2
 0 0 0  1

Ahora podemos construir la matriz de vectores propios con los resultados destacados, esta
quedaría de la siguiente manera (amplificamos el tercer vector para eliminar la fracción):

−2 −1 −2 −1 0 −1
𝑃=(1 0 1 ) 𝑦 𝑃−1 = (−1 −2 0 )
1 1 2 1 1 1
Dado que conocemos la matriz de vectores propios y la de valores propios, podemos decir:

𝐴100 = (𝑃𝐷𝑃−1 )(𝑃𝐷𝑃−1 ) … … … (𝑃𝐷𝑃−1 )

𝐴100 = 𝑃𝐷𝑃−1 𝑃𝐷𝑃−1 … … … . . 𝑃𝐷𝑃−1

𝐴100 = 𝑃𝐷𝐼𝐷𝐼 … 𝐼𝐷𝑃−1

Con lo que finalmente llegamos a:

2100 0 0
100 −1
𝐴 = 𝑃( 0 4100 0 )𝑃
0 0 6100

−2 −1 −2 2100 0 0 −1 0 −1
100
𝐴 = ( 1 0 1 )( 0 4100 0 ) (−1 −2 0 )
1 1 2 0 0 6100 1 1 1

11
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

Problema 4
Gonzalo ya tiene que jubilar y es necesario con urgencia encontrar un reemplazo digno como
ayudante coordinador. Como le va tan bien en el curso de Mate III es un candidato potencial
a la sucesión, pero primero para probar sus habilidades, se le pide hacer un modelo para saber
cuál es la nota final que se obtendrá, como usted es muy “pill@” le pregunta a todos sus
amigos y amigas que factores que son relevantes para pasar o rendir en un curso de mate III,
aunque muchas de sus amigas y algunos amigos estaban muy enojad@s porque el género
siempre era evaluado con valor 1 al hombre y con valor 0 a la mujer, así se decidió por esta
única vez trabajarlos al revés, finalmente todas las horas son en torno a un día (24 horas) y
la información que pudo recopilar fue la siguiente:

Estudiante Hrs. sueño H. de ocio Hrs Nota Final

estudio
Pepita 2 4 2 70
Andrea 3 3 4 35
Jorge 4 3 3 55
Valeria 5 2 4 65
Gonzalo 6 4 2 60

Se le pide que plantee el modelo (considerando el 𝛽0 ), estime e interprete los resultados,

estos resultados son coherentes o no?, explique la razón o cuestione la posible hipótesis de
lo ocurrido mientras propone nuevas variables relevantes al modelo.

Respuesta:

El modelo a estimar será el siguiente:

𝑁𝑜𝑡𝑎 𝐹𝑖𝑛𝑎𝑙 = 𝛽0 + 𝛽1 ∗ 𝐺é𝑛𝑒𝑟𝑜 + 𝛽2 ∗ 𝐻𝑜𝑟𝑎𝑠 𝑑𝑒 𝑠𝑢𝑒ñ𝑜 + 𝛽3 ∗ 𝐻𝑜𝑟𝑎𝑠 𝑑𝑒 𝑜𝑐𝑖𝑜 + 𝛽4

∗ 𝐻𝑜𝑟𝑎𝑠 𝑑𝑒 𝐸𝑠𝑡𝑢𝑑𝑖𝑜

OJO: que por enunciado hablan del género y es necesario considerarlo

Es necesario ahora poder estimar los parámetros de la siguiente forma:

𝑋 ∗ 𝛽 = 𝑌 (modelo de MCO una var. independiente por un factor da una var. dependiente)

𝑋 𝑇 ∗ 𝑋 ∗ 𝛽 = 𝑋 𝑇 ∗ 𝑌 (se multiplica por ambos lados de la igualdad a la izquierda por 𝑋 𝑇 )

𝜷 = (𝑿𝑻 𝑿)−𝟏 (𝑿𝑻 𝒀) (se mult. por la izq. por (𝑋 𝑇 𝑋)−1 para despejar el 𝛽)

Primero que todo es necesario determinar la matriz X con su transpuesta y la matriz Y

12
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

𝑌 𝑋 𝑋𝑇
70 1 1 2 4 2 1 1 1 1 1
35 1 1 3 3 4 1 1 0 1 0
50 1 0 4 3 3 2 3 4 5 6
65 1 1 5 2 4 4 3 3 2 4
[60] [1 0 6 4 2] [2 4 3 4 2]

De esta forma no queda que

5 3 20 16 15 280
3 3 10 9 10 170
𝑋 𝑇 ∗ 𝑋 = 20 10 90 63 60 𝑋 𝑇 ∗ 𝑌 = 1130
16 9 63 54 45 905
[15 10 60 45 49] [ 810 ]

OJO: Esta matriz no está hecha para sacar su inversa a mano en poco tiempo como en
una prueba, concentrarse más en el procedimiento y la interpretación de los resultados.

Por lo tanto, la única matriz que nos falta sacar es la inversa de 𝑋 𝑇 ∗ 𝑋, que nos queda:

4077 −117 −108 −650 −495

1 −117 90 19 10 −15
(𝑋 𝑇 ∗ 𝑋)−1 = ∗ −108 19 10 13 5
49 −650 10 13 110 80
[−495 −15 5 80 76 ]

Finalmente se determina el (𝑋 𝑇 𝑋)−1 (𝑋 𝑇 𝑌) que nos queda:

1490
1 130
(𝑋 𝑇 𝑋)−1 (𝑋 𝑇 𝑌) = ∗ 15 = 𝛽
7 −180
[−220]

Conclusiones
Primero que todo el 𝛽0 no es representativo en el ejercicio, debido a que, si todas mis demás
variables fueran 0, no podría sacarme una nota final de 149,0, además hay que considerar
que tanto el modelo como la recopilación de datos (solo 4 variables independientes y solo 5
estudiantes), no logran capturar todas las variables significativas que componen a la nota
final de mate III, por lo tanto nos enfocaremos dicho esto en un análisis de signos
principalmente y cual aporta o perjudica a la nota final, ya que no puede haber como nota
final un 13,0 o un -18,0, además el análisis que la mayor cantidad de variables esta en horas
por día, donde debería arrojar quizás en un modelo simple un rendimiento por día, mientras
que la variable dependiente mide la nota final del curso que es semestral, entre otros posibles
factores relevantes.

13
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

De esta misma forma el género como numero positivo puede influir en que las mujeres tengan
mejor resultado en matemática que los hombres, pero no solo por ser mujer, existen variables
como los conocimientos del colegio en básica y media, el colegio de donde vienen y sin
considerar los conocimientos o notas finales en mate I y II que son factores relevantes y el
modelo no los toma.

Aunque tiene bastante lógica pensar que si uno duerme más, debería estar en mejor condición
física y mental para rendir un examen, existen factores adicionales, como la cantidad de horas
máximas para dormir que no pueden pasar de 24 horas y si pasara eso, no es posible estudiar,
comer o tener tiempo de ocio, además cada persona puede rendir de formas distintas en torno
a las horas de sueño que su cuerpo acostumbra, así que el estimador no es 100% fiable o por
lo menos no captura todo lo necesario, quizás las horas de sueño al cuadrado o una variable
asociada a la productividad por hora de sueño que después de cierto punto es decreciente con
estudios más avanzados, puedan mejorar esta variable.

Según esto las horas de ocio son perjudiciales y es posible, debido a que mientras más horas
de ocio menos tiempo tengo para dormir o estudiar o comer, aunque quizás con más casos o
una muestra más grande sea necesario un poco de ocio para mejorar el rendimiento de la
misma forma que ayudan las horas de sueño, quizás determinar la productividad realizada en
torno a las horas trabajadas dada una cantidad de horas de ocio o descanso y así poder
encontrar una aproximación al optimo buscado.

Finalmente el coeficiente negativo de horas de estudio no es muy coherente debido a que

hace alusión a que mientras más estudio peor me va, eso no es racional, por lo tanto la muestra
quizás tenía mejores conocimientos de ramos pasados y por eso algunos alumnos estudiaban
poco y les iba bien, mientras que los alumnos que no les fue bien en los mates anteriores,
estudiaban muchas más horas y su resultado no era muy satisfactorio debido a las malas o
incompletas bases, es una opción que podría explicar el resultado, otra opción es si el alumno
es repitente o estudia en grupo, donde de estas formas podría tener mejores bases al saber la
materia ya pasada en el semestre anterior o al estudiar en grupo se pueden resolver dudas
más rápido y por eso la menor cantidad de horas de estudio.

14
Universidad de Chile 26 de Mayo del 2017
Facultad de Economía y Negocios

Problema 4 - 2.0

Ahora para facilitar el análisis y a favor del estudio, se hará solo con las variables género y
horas de estudio y los primeros 3 estudiantes

Las matrices necesarias quedan:

1 1 2 70 1 1 1 160
𝑋 = [1 1 4] 𝑌 = [35] 𝑋 𝑇 = [1 1 0] 𝑋 𝑇 ∗ 𝑌 = [105]
1 0 3 55 2 4 3 445

3 2 9 1 11 −2 −3
𝑋 𝑇 ∗ 𝑋 = [2 2 6 ] (𝑋 𝑇
∗ 𝑋) −1
= ∗ [−2 3 0]
2
9 6 29 −3 0 1

1 215
(𝑋 𝑇 ∗ 𝑋)−1 ∗ (𝑋 𝑇 ∗ 𝑌) = ∗ [ −5 ] = 𝛽
2
−35
Conclusiones

En este apartado es el mismo análisis anterior, solo con diferentes magnitudes y en este caso
hay que fijarse en que el signo del 𝛽1 donde género cambia de signo principalmente por el
impacto que se pierde al sacar las 2 muestras de alumnos y por lo tanto su impacto es
negativo, pero recalcar que el modelo al ser tan simple e incompleto no tiene coherencia con
la realidad en que las horas de estudio tienden a ser perjudiciales en la nota final con más
horas y en un modelo, ser mujer es a favor de la nota final y en el siguiente es en contra, todo
esto por modificar uno o dos datos y aumentar o restar variables, por lo tanto no se puede
decir de forma absoluta una relación, sino solo aproximaciones o estimaciones dado un
modelo estricto y restringido.

15