Aplicación de la interpolación de Lagrange para el cálculo

del PBI en el sector minero metálico

Application of Lagrange interpolation for the calculation of GDP in
the metallic mining industry
Integrantes: Perez Sanchez Greey, Tintaya Avila David, Ñaupas Ordoñez Camila, Vega Huerta
Gianella
Docente: Ysique Walter

Asignatura: Métodos Numéricos

Escuela Profesional de Ingeniería Económica

Facultad de Ingeniería Económica, Estadística y CCSS
Universidad Nacional de Ingeniería

RESUMEN

Este trabajo se sostiene de la capacidad predictiva de la interpolación en un contexto especifico. Se busca

estimar y analizar los resultados obtenidos del Sector Minería en el año 2020 en el PBI, teniendo en cuenta
el aporte de la minera al PBI de los años 2015 a 2019, dado que la evolución del PBI del sector minero ha
ido generalmente en alza para que con eso se pueda hacer una comparación entre los resultados que se
hubieran obtenido sin cambios coyunturales y de mercado con los resultados obtenidos con variaciones,
como la pandemia del COVID-19. Además, también se vuelve necesario mostrar como un incremento en la
toma de datos puede hacer que los resultados a estimarse puedan variar significativamente.

Palabras clave: Interpolación, evolución, incremento, sector minería, pandemia.

ABSTRACT

This work is based on the predictive capacity of interpolation in a specific context. It seeks to estimate and
analyze the results obtained from the Mining Sector in the year 2020 in GDP, taking into account the
contribution of the mining company to GDP from the years 2015 to 2019, given that the evolution of the
GDP of the mining sector has generally been on the rise so that with this, a comparison can be made
between the results that would have been obtained without economic and market changes with the results
obtained with variations, such as the COVID-19 pandemic. In addition, it is also necessary to show how an
increase in data collection can cause the results to be estimated to vary significantly.

Keywords: Interpolation, evolution, increase, mining sector, pandemic.

Diciembre – enero 2021

 INTRODUCCIÓN En primera instancia, con la ayuda del programa
Matlab, se estimará la producción y la
La actividad minera tiene un papel importante en contribución de la minería para el año 2020, se
la economía peruana porque genera valor tendrá como puntos referentes a los años 2015-
agregado y aporta 10% al producto bruto interno 2019.
(PBI), mayores divisas e ingresos fiscales por Luego, se mostrará el algoritmo que nos ayudará
impuestos, la creación de empleos directos e a estimar el polinomio de Lagrange para la
indirectos, y la mejora del crecimiento potencial producción que estamos buscando.
de la actividad económica. Además, atrae
inversiones. Por último, se explicará que sucede cuando las
observaciones aumentan y la influencia de estos
Se afirma que la minería es la columna vertebral en la aproximación.
de la economía del Perú, teniendo en cuenta que
las regiones donde se realiza esta actividad
extractiva se benefician con la transferencia de
canon minero y la promoción de recursos para el OBJETIVOS
desarrollo mediante el aporte directo de recursos.
Objetivo general:
El Perú tiene un sitial significativo en la
producción minera mundial, pues se ubica entre
los primeros países productores de plata, cobre, ▪ Utilizar el método de interpolación
zinc, estaño, plomo y oro. polinómica de Lagrange para estimar el
aporte del sector minería para el año
El presente trabajo es una investigación realizada
2020.
con la finalidad de poder estimar o aproximar el
aporte del PBI del sector minero metálico,
tomando como base la producción de este sector. Objetivos específicos:
Asimismo, se evaluará la capacidad de
observaciones que se puede emplear en la ▪ Contrastar el resultado obtenido
aproximación. mediante la aplicación de la interpolación
polinómica de Lagrange con los datos
FORMULACIÓN DEL PROBLEMA DE reales para el año 2020.
INVESTIGACIÓN
▪ Mostrar como un incremento en el
En este sentido, la estimación del aporte del sector número de observaciones puede
minería para el año 2020 no es nada sencilla, pues ocasionar un cambio verdaderamente
depende de varios factores y de datos de diversa significativo en el resultado de la
índole que no son fáciles de encontrar, por lo que estimación del año 2020.
la estimación por medio de la interpolación
polinómica de Lagrange resulta importante para
lograrlo. Paralelamente, al usar el Polinomio de
MARCO TEÓRICO
Lagrange, la función obtenida no incluye
variaciones o cambios de coyuntura global y no
Antecedentes de la investigación.
asegura que al aumentar el número de
observaciones se obtenga una función más exacta.
En los últimos años, el BCRP ha proyectado
crecimientos del sector minero en todos sus
IMPORTANCIA Y JUSTIFICACIÓN
reportes de inflación; sin embargo, para obtener
esta estimación realiza un modelo econométrico
El motivo por el cual se debe realizar este trabajo,
en el que intervienen diversos factores, a pesar de
es porque aplicaremos los conocimientos
esto, no siempre obtiene un crecimiento cercano
aprendidos en el curso de métodos numéricos
al verdadero. Por ejemplo, en el año 2019, el PBI
para tratar de exponer un tema de importancia
del sector minero disminuyó en 1.3% y en su
para la economía de nuestro país, principalmente
proyección el BCRP calculó un aumento de 5.3%,
primario exportadora.

Diciembre – enero 2021

está variación puede deberse a muchos factores 𝑝(𝑥) = 𝑦0 𝑙0 (𝑥) + 𝑦1 𝑙1 (𝑥) … + 𝑦𝑛 𝑙𝑛 (𝑥)
tanto internos y externos al país. 𝑛

= ∑ 𝑦𝑘 𝑙𝑘 (𝑥)
Un ejemplo de factor externo, es la pandemia de 𝑘=0
COVID 19, que ha afectado a diversas economías
del mundo y el Perú no es ajeno a esta situación;
y un ejemplo de factor interno es la incertidumbre En donde 𝑙0 , 𝑙1 , … , 𝑙𝑛 son polinomios que
política que actualmente estamos viviendo. dependen de los nodos tabulados 𝑥0 , 𝑥1 , … , 𝑥𝑛 ,
pero no de las ordenadas 𝑦0 , 𝑦1 , … , 𝑦𝑛 . La fórmula
Marco conceptual. general del polinomio es:
𝑛
▪ Aproximación Polinomial 𝑥 − 𝑥𝑗
𝑙𝑖 (𝑥) = ∏
𝑥𝑖 − 𝑥𝑗
𝑗=0,𝑗≠𝑖
En los casos de tener un número limitado de
puntos tabulados para los que se desconoce
la función que los define se necesitan
encontrar procedimientos que puedan La forma para un polinomio de grado 2 será la
construir modelos matemáticos, que siguiente:
describan el comportamiento de los puntos
𝑝2 (𝑥) = 𝑦0 𝑙0 + 𝑦1 𝑙1 + 𝑦2 𝑙2
tabulados, con el objetivo de lograr
estimaciones de otros valores que no están
tabulados. Dentro de estas técnicas de
aproximación de funciones se encuentran los METODOLOGÍA
de interpolación polinómica.
En la presente sección se empleará el programa
▪ Interpolación Polinomial Matlab, se modelará el polinomio de Lagrange y
se estimará el aporte del PBI al año 2020, además
La interpolación polinómica es un método se observará que es lo que sucede al incrementar
usado para conocer valores que toma cierta el número de observaciones.
función de la cual sólo se conoce su imagen
en un número finito de abscisas. Una función
de interpolación es aquella que pasa a través
de puntos dados como datos, los cuales se
muestran por medio de una tabla de valores o
se toma directamente de una función dada.

▪ Interpolación Polinómica de Lagrange

Interpolar significa estimar el valor desconocido

de una función en un punto tomando una media
ponderada de sus valores conocidos en puntos
cercanos al dado.

Polinomio de Lagrange

Un polinomio de interpolación de Lagrange, p, se

define en la forma:

Diciembre – enero 2021

 PRODUCCIÓN MINERA METÁLICA

2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020

MINERÍA METÁLICA

Cobre (toneladas) 1024 1025 1121 1204 1211 1523 2134 2230 2219 2236 1952
Estaño (toneladas) 29 25 23 21 20 17 16 15 16 17 18
Hierro (toneladas) 6139 7123 6685 6681 7193 7321 7663 8806 9534 10120 8894
Oro (toneladas) 0.159 0.161 0.157 0.152 0.136 0.143 0.149 0.148 0.136 0.125 0.085
Plata (toneladas) 3.423 3.214 3.273 3.457 3.542 3.856 4.114 4.154 3.911 3.629 2.812
Plomo (toneladas) 244 214 232 248 258 293 292 285 269 286 224
Zinc (toneladas) 1254 1072 1093 1153 1122 1212 1141 1257 1258 1198 1134
Molibdeno (toneladas) 16 18 16 17 16 19 25 27 27 29 31

TOTAL (toneladas) 8,710 9,480 9,172 9,326 9,823 10,390 11,275 12,625 13,326 13,891 12,256

Producción minera metálica total durante el periodo

2010-2020. Fuente: Memoria BCR 2020 .

PRODUCTO BRUTO INTERNO POR SECTORES PRODUCTIVOS

(Millones de soles a precios de 2007)

2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020

Agropecuario 2/ 21,766 22,658 23,992 24,640 25,028 25,894 26,584 27,328 29,429 30,471 30,861
- Agrícola 13,075 13,596 14,773 14,926 15,044 15,397 15,668 16,065 17,609 18,079 18,644
- Pecuario 5,447 5,761 6,086 6,239 6,604 6,950 7,208 7,409 7,841 8,161 8,032
Pesca 1,891 2,892 1,960 2,445 1,762 2,042 1,836 1,921 2,838 2,351 2,400
Minería e hidrocarburos 3/ 50,714 51,043 52,473 55,034 54,553 59,715 69,445 71,823 70,749 70,715 61,409
- Minería metálica 33,929 33,210 34,044 35,494 34,703 40,155 48,662 50,840 49,957 49,537 42,829
- Hidrocarburos 7,828 8,225 8,310 8,909 9,261 8,199 7,781 7,591 7,588 7,937 7,060
Manufactura 4/ 59,255 64,330 65,965 69,207 66,684 65,702 64,793 64,669 68,476 67,313 58,300
- De procesamiento de recursos primarios 13,143 15,243 17,145 18,641 16,890 17,154 17,027 17,302 19,531 17,880 17,415
- No primaria 46,112 49,087 48,820 50,562 49,799 48,553 47,772 47,363 48,955 49,457 40,885
Electricidad y agua 6,501 6,994 7,401 7,804 8,185 8,671 9,306 9,412 9,826 10,212 9,585
Construcción 23,993 24,848 28,779 31,356 31,960 30,101 29,135 29,748 31,335 31,788 27,356
Comercio 40,420 44,034 47,218 49,984 52,193 54,217 55,199 55,767 57,243 58,960 49,539
Otros servicios 5/ 177,840 189,457 203,412 215,964 226,943 236,165 245,283 253,546 264,770 274,351 246,025

PRODUCTO BRUTO INTERNO 382,380 406,256 431,199 456,435 467,308 482,506 501,581 514,215 534,665 546,161 485,474

Producto bruto interno por sectores productivos

durante el periodo 2010-2020. Fuente: Memoria
BCR 2020.

Diciembre – enero 2021

 Para el objetivo de este trabajo, se tomará en
cuenta el subsector correspondiente únicamente Expuesto lo anterior, se presentará el algoritmo,
a minería metálica. el cual nos permitirá estimar el polinomio de
Lagrange para una producción especifica (en este
Para la primera estimación se tomarán en cuenta caso la producción del año 2020).
los siguientes niveles de producción y aporte
correspondientes a los años 2015-2019.

2015 2016 2017 2018 2019 2020

Producción
minera
metálica total 10390.20 11275.05 12625.32 13326.19 13890.56 12255.57
Aporte al
PBI del
sector minero 40155.21 48662.24 50840.45 49956.85 49536.77 42829.44

Donde la producción minera metálica total está

dada en toneladas y el aporte al PBI del sector
minero en millones de soles.

Utilizando el programa Matlab, estimamos la

producción y el aporte de la minería para el año
2020 teniendo como puntos conocidos los datos
referentes a los años 2015-2019. Por otra parte,
con el objetivo de obtener un gráfico se
aproximarán algunos valores recolectados y se
cambiaran sus unidades: Por lo que la producción
minera metálica dada en toneladas se pasaran a
miles de toneladas y el aporte del PBI del sector
minero de millones de soles a miles de millones
de soles.

Por lo tanto, el polinomio de interpolación de

Lagrange con los supuestos anteriores quedará
de la siguiente forma:

Donde X es la producción minera metálica total

dada en miles de toneladas y el gráfico de la
interpolación polinómica de Lagrange quedaría
dada de la siguiente manera.

Diciembre – enero 2021

Para el caso de la estimación del aporte del PBI Tomando en cuenta los datos desde 2010 hasta
del sector minero metálico mediante 2019, tendremos:
interpolación de Lagrange dada la producción del
año 2020, el resultado de la estimación será el
siguiente:

Lo que nos quiere decir este resultado es que en

condiciones normales el aporte del PBI en el
sector minero dada la producción en el año 2020
debería aproximarse a 51029.57 millones de
soles; sin embargo, esto dista de una manera algo
Podemos ver que tan solo al añadir otros cinco
notable a su valor real, esto puede deberse a varias
datos la aproximación mediante el polinomio de
causas una de ellas la externalidad que significo
interpolación de Lagrange se desvía
la pandemia específicamente en el año 2020, otra
significativamente, llegando a dar resultados que
posiblemente que esta interpolación no resulta
incluso podrían calificarse de absurdos. Esto se
óptima para datos tan grandes u otra que
puede deber debido al fenómeno de Runge el cual
finalmente necesitaríamos tomar una mayor
nos dice que al usar interpolación polinómica para
cantidad datos.
aproximar determinadas funciones por
polinomios de alto grado el error máximo se
Por último, trataremos de explicar lo que sucede
incrementa al aumentar el orden polinómico.
ante el incremento de los puntos y como estos
influyen en la aproximación para eso tomaremos
Pues al tomar los nuevos datos pasamos de un
los datos desde el año 2010 hasta el año 2019.
polinomio de grado 4 a uno de grado 9 al
incrementar considerablemente el grado del
polinomio de interpolación corremos el riesgo de
incrementar el error máximo tal y como se mostró
en el ejemplo.

Diciembre – enero 2021

 RESULTADOS
CONCLUSIONES

▪ Existe un claro contraste en el aporte del

sector minero metálico entre los datos
reales y estimados respecto al año 2020,
siendo la diferencia entre ambas
cercanas al 20%.
▪ La relación entre la producción minera
metálica y el aporte al PBI del sector no
están estrictamente relacionados, pues
llegan a darse años donde si bien se da
una mayor producción el aporte al PBI es
menor.
▪ El método de interpolación polinómica
de Lagrange no es muy efectivo en
observaciones donde la incertidumbre
Comportamiento del Polinomio de Interpolación
de Lagrange de grado 4. es muy alta, ya que tales incertidumbres
pueden generar mayores errores en la
aproximación.
▪ El aumento del número de
observaciones en el polinomio de
Lagrange no mejora necesariamente la
aproximación, sino que más puede
ocasionar errores, tales como un
aumento significativo o exagerado en el
valor de estimación.

Comportamiento del Polinomio de

Interpolación de Lagrange de grado 9.

Diciembre – enero 2021

 BIBLIOGRAFÍA % de las funciones: L0(pto), ...,
Ln(pto).
%
[1]https://estadisticas.bcrp.gob.pe/estadistica %
s/series/anuales/producto-bruto-interno-por-
sectores-productivos-mill-soles-del-2007 %------------VARIABLES---------%
% punto para la estimación
[2]https://repositorio.unprg.edu.pe/bitstream/han pto=12255.57;
dle/20.500.12893/438/BC-TES- % cantidad de puntos conocidos
4149.pdf?sequence=1&isAllowed=y
n=10;
% variables de matrices
x=zeros(1,n);
y=zeros(1,n);
[3]https://gestion.pe/blog/mineria-
2021/2021/01/perspectivas-2021-y-la- % puntos "x"
agenda-del-sector-minero- x = [8710.47 9480.45 9172.21
9326.27 9823.45
[4]https://www.bcrp.gob.pe/docs/Publicacio 10390.20 11275.05
nes/Reporte-Inflacion/2021/marzo/reporte- 12625.32 13326.19
de-inflacion-marzo-2021.pdf 13890.56
];
% puntos "y"
%y = [0.405465 0.693147 1.0986123];
[5]http://www.minem.gob.pe/_estadistica.ph y=[33929.24 33210.15 34043.85
p?idSector=1&idEstadistica=12501 35493.94 34702.60
40155.21 48662.24
50840.45 49956.85
49536.77
];
ANEXOS % vector respuesta de los coeficientes de
Lagrange
Script en Matlab para la Interpolación de ele=ones(1,n);
Lagrange
% PROGRAMA: MÉTODO DE %----------ALGORITMO DEL
INTERPOLACIÓN DE LAGRANGE PROGRAMA-----%
% Descripción: El programa realiza disp(' PROGRAMA: POLINOMIO DE
una estimación para un determinado punto, INTERPOLACION DE LAGRANGE');
% utilizando la aproximación for i=1:n,
polinomial de Lagrange. for j=1:n,
% Los datos que se ingresan son los if ne(i,j)
siguientes: ele(1,i)=ele(1,i)*(pto-x(1,j))/(x(1,i)-
% * El punto en donde se desea x(1,j));
hacer la estimación (pto) end;
% * El número de puntos que se end;
emplean para la construcción del end;
% polinomio de interpolación(n). % estimación en el punto
% * El conjunto de puntos de resp=0;
interpolación: el conjunto de for i=1:n,
% puntos de interpolación: x0, x1, resp=resp+y(1,i)*ele(1,i);
..., xn; y0,...,yn. end;
% El programa regresa el valor
estimado de la función y los valores
Diciembre – enero 2021
disp(' COEFICIENTES DE LAGRANGE :
');
disp(' L(0), L(1), L(2), L(3),... ');
disp(ele);
disp('PUNTO ESTIMADO:');
linea=sprintf('f( %5.8f ) = %5.8f', pto, resp);
disp(linea);
Script en Matlab para el calculo del polinomio
de interpolación de Lagrange de grado 4.
syms x;
x0= 10.4;
x1= 11.3;
x2= 12.6;
x3= 13.3;
x4= 13.9;
L0=((x-x1)*(x-x2)*(x-x3)*(x-x4))/((x0-
x1)*(x0-x2) *(x0-x3)*(x0-x4));
L1=((x-x0)*(x-x2)*(x-x3)*(x-x4))/((x1-
x0)*(x1-x2) *(x1-x3)*(x1-x4));
L2=((x-x1)*(x-x0)*(x-x3)*(x-x4))/((x2-
x1)*(x2-x0) *(x2-x3)*(x2-x4));
L3=((x-x1) *(x-x2)*(x-x0)*(x-x4))/((x3-
x1)*(x3-x2) *(x3-x0)*(x3-x4));
L4=((x-x1)*(x-x2)*(x-x3)*(x-x0))/((x4-
x1)*(x4-x2) *(x4-x3)*(x4-x0));
P= 40.2*L0+ 48.7*L1+ 50.8*L2+ 50*L3+
49.5*L4
Script en Matlab para el cálculo del polinomio
de interpolación de Lagrange de grado 9.
syms x;
x0= 8.7;
x1= 9.5;
x2= 9.2;
x3= 9.3;
x4= 9.8;
x5=10.4;
x6=11.3;
x7=12.6;
x8=13.3;
x9=13.9;
L0=((x-x1) *(x-x2) *(x-x3)*(x-x4)*(x-
x5)*(x-x6)*(x-x7)*(x-x8)*(x-x9))/((x0-
x1)*(x0-x2) *(x0-x3)*(x0-x4)*(x0-x5)*(x0-
x6)*(x0-x7)*(x0-x8)*(x0-x9));
L1=((x-x0) *(x-x2) *(x-x3)*(x-x4)*(x-
x5)*(x-x6)*(x-x7)*(x-x8)*(x-x9))/((x1-
x0)*(x1-x2) *(x1-x3)*(x1-x4)*(x1-x5)*(x1-
x6)*(x1-x7)*(x1-x8)*(x1-x9));
L2=((x-x1) *(x-x0) *(x-x3)*(x-x4)*(x-
x5)*(x-x6)*(x-x7)*(x-x8)*(x-x9))/((x2-
x1)*(x2-x0) *(x2-x3)*(x2-x4)*(x2-x5)*(x2-
x6)*(x2-x7)*(x2-x8)*(x2-x9));
L3=((x-x1) *(x-x2) *(x-x0)*(x-x4)*(x-
x5)*(x-x6)*(x-x7)*(x-x8)*(x-x9))/((x3-
x1)*(x3-x2) *(x3-x0)*(x3-x4)*(x3-x5)*(x3-
x6)*(x3-x7)*(x3-x8)*(x3-x9));
L4=((x-x1) *(x-x2) *(x-x3)*(x-x0)*(x-
x5)*(x-x6)*(x-x7)*(x-x8)*(x-x9))/((x4-
x1)*(x4-x2) *(x4-x3)*(x4-x0)*(x4-x5)*(x4-
x6)*(x4-x7)*(x4-x8)*(x4-x9));
L5=((x-x1) *(x-x2) *(x-x3)*(x-x4)*(x-
x0)*(x-x6)*(x-x7)*(x-x8)*(x-x9))/((x5-
x1)*(x5-x2) *(x5-x3)*(x5-x4)*(x5-x0)*(x5-
x6)*(x5-x7)*(x5-x8)*(x5-x9));
L6=((x-x1) *(x-x2) *(x-x3)*(x-x4)*(x-
x5)*(x-x0)*(x-x7)*(x-x8)*(x-x9))/((x6-
x1)*(x6-x2) *(x6-x3)*(x6-x4)*(x6-x5)*(x6-
x0)*(x6-x7)*(x6-x8)*(x6-x9));
L7=((x-x1) *(x-x2) *(x-x3)*(x-x4)*(x-
x5)*(x-x6)*(x-x0)*(x-x8)*(x-x9))/((x7-
x1)*(x7-x2) *(x7-x3)*(x7-x4)*(x7-x5)*(x7-
x6)*(x7-x0)*(x7-x8)*(x7-x9));
L8=((x-x1) *(x-x2) *(x-x3)*(x-x4)*(x-
x5)*(x-x6)*(x-x7)*(x-x0)*(x-x9))/((x8-
x1)*(x8-x2) *(x8-x3)*(x8-x4)*(x8-x5)*(x8-
x6)*(x8-x7)*(x8-x0)*(x8-x9));
L9=((x-x1) *(x-x2) *(x-x3)*(x-x4)*(x-
x5)*(x-x6)*(x-x7)*(x-x8)*(x-x0))/((x9-
x1)*(x9-x2) *(x9-x3)*(x9-x4)*(x9-x5)*(x9-
x6)*(x9-x7)*(x9-x8)*(x9-x0));
P=33.9*L0+33.2*L1+34*L2+35.5*L3+34.7
*L4+40.2*L5+48.7*L6+50.8*L7+50*L8+4
9.5*L9
Diciembre – enero 2021