INTRODUCCION

El presente trabajo forma parte de los objetivos y contenidos de aprendizaje para

el curso de Elaboracion de Proyectos , que pretende desarrollar las habilidades
para la utilización de los métodos lineales y estimación de mínimos cuadrados.
Para lograr este fin, se realizó una  bibliografía básica la cual permitió desarrollar
los conceptos y ejemplos, como base para realizar el ejercicio dado en clase.

En este trabajo básicamente se habla de cómo desarrollar la aplicación de los

métodos lineales y estimación por mínimos cuadrados, además de inferencia,
predicción y correlación.
Se desarrollaron una serie de ejemplos mediante los cuales se trata de presentar
manera más sencilla usar estos métodos.
 a) MARCO TEORICO

METODO DE LOS MINIMOS CUADRADOS

Mínimos cuadrados es una técnica de análisis numérico enmarcada dentro de

la optimización matemática, en la que, dados un conjunto de pares ordenados —
variable independiente, variable dependiente— y una familia de funciones, se
intenta encontrar la función continua, dentro de dicha familia, que mejor se
aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio de mínimo
error cuadrático.

En su forma más simple, intenta minimizar la suma de cuadrados de las

diferencias en las ordenadas (llamadas residuos) entre los puntos generados por
la función elegida y los correspondientes valores en los datos. Específicamente, se
llama mínimos cuadrados promedio (LMS) cuando el número de datos medidos es
1 y se usa el método dedescenso por gradiente para minimizar el residuo
cuadrado. Se puede demostrar que LMS minimiza el residuo cuadrado esperado,
con el mínimo de operaciones (por iteración), pero requiere un gran número de
iteraciones para converger.

Desde un punto de vista estadístico, un requisito implícito para que funcione el

método de mínimos cuadrados es que los errores de cada medida estén
distribuidos de forma aleatoria. El teorema de Gauss-Márkov prueba que los
estimadores mínimos cuadráticos carecen de sesgo y que el muestreo de datos no
tiene que ajustarse, por ejemplo, a una distribución normal. También es importante
que los datos a procesar estén bien escogidos, para que permitan visibilidad en
las variables que han de ser resueltas (para dar más peso a un dato en particular.

La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas.

Muchos otros problemas de optimización pueden expresarse también en forma de
mínimos cuadrados, minimizando la energía o maximizando la entropía.
 RECTA QUE MEJOR SE AJUSTA (MÉTODO DE MÍNIMOS
CUADRADOS)

Una recta que mejor se ajusta es una línea recta que es la mejor aproximación del
conjunto de datos dado.

Es usada para estudiar la naturaleza de la relación entre dos variables.

Una recta que mejor se ajusta puede ser determinada aproximadamente usando el
método visual al dibujar una línea recta en una gráfica de dispersión para que
tanto el número de puntos arriba de la recta y debajo de la recta sean casi iguales
(y la línea pasa a tráves de tantos puntos como sea posible).

Una forma más precisa de encontrar la recta que mejor se ajusta es el  método de
mínimos cuadrados.

Use los pasos siguientes para encontrar la ecuación de la recta que mejor se
ajusta para un conjunto de parejas ordenadas.

Paso 1: Calcule la media de los valores de x y la media de los valores de y.

Paso 2: Realice la suma de los cuadrados de los valores de x.

Paso 3: Realice la suma de cada valor de x multiplicado por su valor

correspondiente y.

Paso 4: Calcule la pendiente de la recta usando la fórmula:

Donde n es el número total de puntos de los datos.

Pasó 5: Calcule la intercepción en y de la recta usando la fórmula:

Donde   son las medias de las coordenadas de x y y de los puntos de datos
respectivamente.

Paso 6: Use la pendiente y la intercepción en y para formar la ecuación de la

recta.

IMAGEN NUMERO:1
 b) MARCO PRACTICO

CONSUMO
AÑ PRODUCCIÓ IMPORTACIONE EXPORTACIONE
APARENT
O N S S
E DE
199
2.71 123.093 0 125.803
4
199
3.63 141.685 0 145.315
5
199
2.72 171.357 0 174.077
6
199
2.72 186.52 0 189.24
7
199
2.72 197.393 0 200.113
8
199
2.72 219.144 0 221.864
9
200
3 235.08 0 238.08
0
POR EL METODO
200
DE 3 237.953 0 240.953
1
200
2.3 263.354 0 265.654
2
200
2.6 278.422 0 281.022
3

FORMULAS CLASICAS
x y xy NUMERADO DENOMINADOR
x^2 R x^2 (x)^2/n TOTAL
1 125.8 125.8 1 113.8 1 0.1 0.9
2 145.3 290.6 4 261.6 4 0.4 3.6
3 174.1 522.2 9 470.2 9 0.9 8.1
4 189.2 757.0 16 682.0 16 1.6 14.4
5 200.1 1000.6 25 900.6 25 2.5 22.5
6 221.9 1331.2 36 1198.2 36 3.6 32.4
7 238.1 1666.6 49 1500.6 49 4.9 44.1
8 241.0 1927.6 64 1735.6 64 6.4 57.6
9 265.7 2390.9 81 2151.9 81 8.1 72.9
10 281.0 2810.2 100 2529.2 100 10 90
55 2082.1 12822.7 385 11543.7 346.5
 Hacemos un nuevo cuadro

TOTALES
 FORMULA A EMPLEAR

GRAFICOS
a) GRAFICO DE DISPERSION

CONSUMO APARENTE DEL MANGO

y Linear (y)
400.0
350.0
300.0
250.0
C.A.M

200.0
150.0
100.0
50.0
0.0
0 2 4 6 8 10 12
AÑOS
GRAFICULO CIRCULAR

14% 1%2% 3% b) GRAFICO

4%
6%
7%
CIRCULAR
13%
8%
12%
9%
11% 10%

1994 1995 1996 1997 1998 1999 2000

2001 2002 2003
RESPECTO AL NUMERO DE ORDEN Y ANALIZANDO CON FORMULAS DE
EXCEL

N= 53
FORMULAS A EMPLEAR:

EMPECEMOS:

Consumo
aparente de

125.803
145.315 A MI CONSUMO APARENTE
TENDRE QUE SUMARLE MI
174.077
NUMERO DE ORDEN
189.24
200.113
221.864
238.08
240.953
265.654
281.022
 DENOMINADOR
x y xy x^2 NUMERADOR
x^2 (x)^2/n TOTAL
1 178.8 178.8 1 161.8 1 0.1 0.9
2 198.3 396.6 4 357.6 4 0.4 3.6
3 227.1 681.2 9 613.2 9 0.9 8.1
4 242.2 969.0 16 873.0 16 1.6 14.4
5 253.1 1265.6 25 1139.6 25 2.5 22.5
6 274.9 1649.2 36 1485.2 36 3.6 32.4
7 291.1 2037.6 49 1834.6 49 4.9 44.1
8 294.0 2351.6 64 2116.6 64 6.4 57.6
9 318.7 2867.9 81 2581.9 81 8.1 72.9
10 334.0 3340.2 100 3006.2 100 10 90
55 2612.1 15737.7 385 14169.7 346.5

TOTALES

Y= CONSUMO APARENTE + NUMERO DE ORDEN

M= 16.618
4089.36883
B= 1
 GRAFICO DE DISPERSION

400.0
CONSUMNO APARENTE

350.0
300.0
250.0
200.0
150.0
100.0
50.0
0.0
0 2 4 6 8 10 12
AÑOS

PARA EL AÑO 2014 AL 2016

2014

2015

2016
4454.956
Y=mx + b
4471.574
4488.192