Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Datos->
4 1 0
𝑣1 = (−3) 𝑣2 = (2) 𝑣3 = (0)
0 0 4
Incógnita
Planea
𝑢1 = 𝑣1
𝑣2 ∙ 𝑢1
𝑢2 = 𝑣2 − 𝑢
𝑢1 ∙ 𝑢1 1
𝑣3 ∙ 𝑢1 𝑣3 ∙ 𝑢2
𝑢3 = 𝑣3 − 𝑢1 − 𝑢
𝑢1 ∙ 𝑢1 𝑢2 ∙ 𝑢2 2
ii) Normalizar los vectores obtenidos
iii) Interpretar los resultados
Ejecuta
i)
𝑢1 = 𝑣1
4
𝑢1 = (−3)
0
𝑣2 ∙ 𝑢1
𝑢2 = 𝑣2 − 𝑢
𝑢1 ∙ 𝑢1 1
1 4 8 33
(2) ∙ (−3) −
1 4 1 −2 4 1 25 25
𝑢2 = (2) − 0 0 (−3) = (2) − (−3) = (2) − 6 = 44
4 4 25
0 (−3) ∙ (−3) 0 0 0 0 25 25
0 0 ( 0 ) ( 0)
33
0 25
0 4 (0) ∙ 44 33
(0) ∙ (−3) 4 25
0 4 ( 0 ) 25 0
𝑢2 = (0) − 4 0 (−3) − 44 = (0)
4 4 33 33
4 (−3) ∙ (−3) 0 25 25 25 4
0 0 44 ∙ 44 ( 0 )
25 25
(0) (0)
ii)
33
4 25 0
𝑢1 = (−3) 𝑢2 = 44 𝑢3 = (0)
0 25 4
(0)
33 2 44 2 11
|𝑢2 | = √( ) + ( ) + 02 =
25 25 5
|𝑢3 | = √02 + 02 + 42 = 4
4 3
5 5 0
𝑢1 = 3 𝑢2 = 4 𝑢3 = (0)
− 1
5 5
( 0 ) (0)
4 3
5 5 0
𝐵´ = 3 , 4 , (0)
− 1
5 5
{( 0 ) (0) }
Identifica
Datos
1 0 1 4
1 1 1 −1
𝐴=( ) 𝑏=( )
0 1 1 0
1 1 0 1
Incógnita
Planea
𝑥̃ = (𝐴𝑇 𝐴)−1 𝐴𝑇 𝑏
(𝐴𝑇 𝐴) 𝑛𝑜 𝑡𝑖𝑒𝑛𝑒 𝑖𝑛𝑣𝑒𝑟𝑠𝑎, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑐𝑜𝑛 𝐺𝑎𝑢𝑠𝑠 − 𝐽𝑜𝑟𝑑𝑎𝑛:
(𝐴𝑇 𝐴)𝑥̃ = 𝐴𝑇 𝑏
v) Interpretar y comprobar
Ejecuta
El paso i) y ii) puede ser omitido, debido a que ya contamos con la ecuación matricial
iii)
1 0 1
1 1 1
𝐴=( )
0 1 1
1 1 0
iv)
1 0 1
1 1 0 1
1 1 1
𝐴=( ) −→ 𝐴𝑇 = (0 1 1 1)
0 1 1
1 1 1 0
1 1 0
𝐴𝑇 𝐴 =
(𝐴𝑇 𝐴)−1 =
𝑥̃ = (𝐴𝑇 𝐴)−1 𝐴𝑇 𝑏
Ahora bien, tenemos que como resultado por mínimos cuadrados a nuestra ecuación matricial es:
2
𝑥 = (−2)
1
Evalúa
Identifica
Datos
Incógnita
Planea
𝑥̃ = (𝐴𝑇 𝐴)−1 𝐴𝑇 𝑏
(𝐴𝑇 𝐴) 𝑛𝑜 𝑡𝑖𝑒𝑛𝑒 𝑖𝑛𝑣𝑒𝑟𝑠𝑎, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑐𝑜𝑛 𝐺𝑎𝑢𝑠𝑠 − 𝐽𝑜𝑟𝑑𝑎𝑛:
(𝐴𝑇 𝐴)𝑥̃ = 𝐴𝑇 𝑏
v) Interpretar y comprobar
Ejecuta
i)
𝑦(𝑡) = 𝑚𝑡 + 𝑏
52.6 = 𝑚(5) + 𝑏
56.1 = 𝑚(6) + 𝑏
60.6 = 𝑚(7) + 𝑏
63.7 = 𝑚(8) + 𝑏
ii)
5 1 52.6
6 1 𝑚 56.1
( )( ) = ( )
7 1 𝑏 60.6
8 1 63.7
5 1
6 1 5 6 7 8
𝐴=( ) −→ 𝐴𝑇 = ( )
7 1 1 1 1 1
8 1
𝐴𝑇 𝐴 =
(𝐴𝑇 𝐴)−1 =
𝑥̃ = (𝐴𝑇 𝐴)−1 𝐴𝑇 𝑏
Ahora bien, tenemos como resultado por mínimos cuadrados a los coeficientes de nuestra recta
de regresión, por lo tanto:
𝑦 = 3.78𝑡 + 33.68
Hacemos la predicción para 2015:
Datos
Incógnita
Planea
𝑥̃ = (𝐴𝑇 𝐴)−1 𝐴𝑇 𝑏
(𝐴𝑇 𝐴) 𝑛𝑜 𝑡𝑖𝑒𝑛𝑒 𝑖𝑛𝑣𝑒𝑟𝑠𝑎, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑐𝑜𝑛 𝐺𝑎𝑢𝑠𝑠 − 𝐽𝑜𝑟𝑑𝑎𝑛:
(𝐴𝑇 𝐴)𝑥̃ = 𝐴𝑇 𝑏
v) Repetir pasos 1-4 para el polinomio cúbico
Ejecuta
iii)
𝑦(𝑡) = 𝑎𝑡 2 + 𝑏𝑡 + 𝑐
21.2 = 𝑎(25) + 𝑏(5) + 𝑐
24.1 = 𝑎(36) + 𝑏(6) + 𝑐
27.2 = 𝑎(49) + 𝑏(7) + 𝑐
29.3 = 𝑎(64) + 𝑏(8) + 𝑐
32 = 𝑎(81) + 𝑏(9) + 𝑐
32.5 = 𝑎(100) + 𝑏(10) + 𝑐
iv)
25 5 1 21.2
36 6 1 𝑎 24.1
49 7 1 27.2
(𝑏 ) =
64 8 1 𝑐 29.3
81 9 1 32
(100 10 1) (32.5)
25 5 1
36 6 1
25 36 49 64 81 100
49 7 1
𝐴= −→ 𝐴𝑇 = ( 5 6 7 8 9 10 )
64 8 1
1 1 1 1 1 1
81 9 1
(100 10 1)
𝐴𝑇 𝐴 =
(𝐴𝑇 𝐴)−1 =
𝑥̃ = (𝐴𝑇 𝐴)−1 𝐴𝑇 𝑏
Ahora bien, tenemos como resultado por mínimos cuadrados a los coeficientes de nuestra recta
de regresión cuadrática, por lo tanto:
Polinomio cúbico
𝑦(𝑡) = 𝑎𝑡 3 + 𝑏𝑡 2 + 𝑐𝑡 + 𝑑
21.2 = 𝑎(125) + 𝑏(25) + 𝑐(5) + 𝑑
24.1 = 𝑎(216) + 𝑏(36) + 𝑐(6) + 𝑑
27.2 = 𝑎(343) + 𝑏(49) + 𝑐(7) + 𝑑
29.3 = 𝑎(512) + 𝑏(64) + 𝑐(8) + 𝑑
32 = 𝑎(729) + 𝑏(81) + 𝑐(9) + 𝑑
32.5 = 𝑎(1000) + 𝑏(100) + 𝑐(10) + 𝑑
i)
125 25 5 1 21.2
216 36 6 1 𝑎 24.1
343 49 7 1 𝑏 27.2
( )=
512 64 8 1 𝑐 29.3
729 81 9 1 𝑑 32
(1000 100 10 1) (32.5)
125 25 5 1
216 36 6 1
343 49 7 1
𝐴= −→ 𝐴𝑇 =
512 64 8 1
729 81 9 1
(1000 100 10 1)
𝐴𝑇 𝐴 =
´
(𝐴𝑇 𝐴)−1 =
𝑥̃ = (𝐴𝑇 𝐴)−1 𝐴𝑇 𝑏
Ahora bien, tenemos como resultado por mínimos cuadrados a los coeficientes de nuestra recta
de regresión cúbica, por lo tanto:
1 3 44 2 1033 1591
𝑦(𝑡) = − 𝑡 + 𝑡 − 𝑡+
15 35 210 70
1 3 44 2 1033 1591
𝑦(𝑡) = 𝑦(𝑡) = − 𝑡 + 𝑡 − 𝑡+
15 35 210 70
= 6.8
𝑔𝑎𝑛𝑎𝑛𝑐𝑖𝑎𝑠 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑎𝑚𝑒𝑛𝑡𝑒 𝑒𝑛 2015
Tomando en cuenta únicamente estos dos modelos, el que presenta una mejor predicción a futuro
es el modelo cuadrático, ya que debido a la tendencia que tienen los datos, significa que las
ganancias irán aumentando, y en el caso del modelo cúbico, existe una abrupta bajada, por lo que
no consideramos que sea el óptimo. No obstante, lo dos modelos a futuro tendrán un decrecimiento
en algún punto, por lo que concluimos que ningún modelo es totalmente preciso.
Evalúa