CAPTULO 8

CAPTULO 8 TUTORIAL

1. AJUSTE LINEAL 1.1. Consideraciones previas Aqu se muestra un ejemplo de como utilizar paso a paso el Solver del Microsoft Excel para encontrar la funcin lineal que mejor se ajusta a una serie de datos con dos variables independientes (esto es, la llamada regresin mltiple que, en nuestro caso, es triple). Ha sido extrado del anterior captulo 6 de este mismo libro, a partir de una publicacin del antiguo Instituto Nacional de Colonizacin (INC), citada en la bibliografa. El ejemplo debe servir, a mayor abundamiento, para que se infiera como realizar un procedimiento anlogo si ya no es una relacin lineal sino que es polinmica, potencial, logartmica, exponencial, etc. Supongamos que tenemos las siguientes mediciones de las coordenadas de diversos puntos de la malla o red de un terreno a nivelar o explanar (en este caso del centro de la cuadrcula), obtenidas con el instrumento correspondiente (taqumetro, nivel, estacin total, GPS, ...):
Tabla 1. Coordenadas de los vrtices de la parcela.

Vrtices 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

X1 162,5 137,5 112,5 87,5 62,5 37,5 12,5 162,5 137,5 112,5 87,5 62,5 37,5 12,5 162,5 137,5 112,5

X2 112,5 112,5 112,5 112,5 112,5 112,5 112,5 87,5 87,5 87,5 87,5 87,5 87,5 87,5 62,5 62,5 62,5

Yi 23,04 25,02 26,22 22,80 25,27 25,51 22,91 24,61 26,90 26,55 21,61 23,94 23,20 22,04 30,22 29,12 26,80

297

TUTORIAL

Vrtices 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

X1 87,5 62,5 37,5 12,5 162,5 137,5 112,5 87,5 62,5 37,5 12,5 162,5 137,5 112,5 87,5 62,5 37,5 12,5

X2 62,5 62,5 62,5 62,5 37,5 37,5 37,5 37,5 37,5 37,5 37,5 12,5 12,5 12,5 12,5 12,5 12,5 12,5

Yi 22,22 24,81 24,02 22,80 31,63 28,60 24,93 23,50 25,70 24,66 22,59 29,10 25,11 23,50 25,13 24,66 23,81 22,22

, donde a los efectos de los trabajos topogrficos, dichas variables se corresponden con las tres coordenadas: X1 = X, X2 = Y, Y = Z, que pueden ser absolutas UTM o bien relativas al objeto de simplificar los clculos subsiguientes.

Fig. 1. Planta de la cuadrcula.

La funcin a la que se desea ajustar, si se trata de un plano de nivelacin, es del tipo: Y = a +bX1 + cX2, pero podra ser tambin de cualquier otro tipo (superficie alabeada, cudrica, logartmica,
298

CAPTULO 8

exponencial, potencial, etc.). Cabe, entonces, hacerse la siguiente pregunta: cmo se sabe a qu tipo de funcin matemtica se debe ajustar por el mtodo de los mnimos cuadrados?. Una forma de hacerse una idea de ello es graficar cada variable independiente con la variable dependiente (cada X con la Y), y segn la forma que exprese cada grfica se puede inferir la forma de la funcin. Nuestro problema se reduce entonces a encontrar los valores de a, b y c de tal manera que se minimice el error o coste que, en nuestro caso, representa el monto del volumen del movimiento de tierras a efectuar (desmonte y terraplenado), y ello lo podemos expresar como: Error = di2 = Sumatoria (Y-Yi)2. El cuadrado es para que el error d siempre positivo, e Y es el valor calculado final (el que resulta de efectuar la operacin: a + bX1 + cX2) e Yi es la medicin i-sima que expresa las diferentes cotas taquimtricas de los puntos de la malla o red planteada sobre el terreno a explanar. 1.2. Aplicacin de la hoja de clculo Excel con Solver Primeramente, hagamos el formato tal como se ve en la figura siguiente:

299

TUTORIAL

Las celdas A2, B2, C2 se correspondern con los valores buscados de a, b y c. El meollo del asunto estriba en escribir una frmula en la columna D que est en funcin de A2, B2, C2 y de cada valor que vayan tomando las variables o coordenadas X1 y X2 que se encuentran en la columna A y B despus de la fila 5. Si se tuviera otra funcin cualquiera de las muchas contempladas en la teora del presente libro, los parmetros adicionales se escribiran a la derecha de la C y la frmula de la columna D (o la columna correspondiente) cambiara segn la funcin pero lo dems sera exactamente igual. La frmula de Y ser: D5 = $A$2 + $B$2*A5 + $C$2*B5 siendo: a = $A$2 b = $B$2 X1 = A5 c = $C$2 X2 = B5 Ntese que para los valores a, b, y c se us la doble expresin $$ para denotar que la referencia no cambiar para ninguna celda donde se copie y pegue la frmula en cuestin; en cambio para X1 y X2 no ha sido as. La frmula se debe copiar y pegar (o arrastrar) a las celdas D6, D7 y D8. Para la columna E la frmula es la diferencia existente entre Y e Yi, o sea: E5 = C5 - D5, y se copia y pega (o se arrastra) para las dems hacia abajo. En la columna F, la frmula ser la columna E al cuadrado, esto es: F5 = E5^2. En la celda F9 se dejar el cuadrado de la suma de los errores o discrepancias entre los valores de las cotas iniciales del terreno natural y las resultantes del proceso de clculo que aqu se presenta, y esa ser precisamente la celda cuyo valor nos interesa que alcance un valor mnimo. La pinta resultante debe ser estructurada como la que se presenta a continuacin:

300

CAPTULO 8

Luego, una vez obtenida la tabla anterior, se debe invocar el Solver del Excel haciendo click en Herramientas y luego en Solver (si no aparece habr que buscarlo en la opcin de complementos del mismo men), y le indicaremos que deseamos minimizar el valor de la celda F9 cambiando el valor de las celdas A2, B2 y C2, tal como se ve en la siguiente figura:

301

TUTORIAL

Entonces hacemos click en resolver y se tendr la siguiente pantalla:

As pues, se obtienen los siguientes coeficientes en la ecuacin del plano definitivo del bancal (ajustando a tres decimales, o sea, con precisin milimtrica): A = 2292471 B = 00311 C = -001045 De esta suerte, la expresin general del plano resultante ser: 00311X - 001045Y Z + 2292471 = 0 con lo que para hallar las cotas taquimtricas definitivas de los 35 vrtices despejaremos: Z = 2292471 + 003110X - 001045Y A resultas de lo anterior, obtendremos dichas cotas definitivas en la siguiente tabla que realizaremos tambin con el excel siguiendo estos pasos.

302

CAPTULO 8

Primero suprimiremos las columnas E y F que nos servan para hacer el clculo anterior y que ahora ya no resultan necesarias. A continuacin, se designa la columna E para el clculo de las cotas definitivas Z mediante la frmula: E5 = 22,92471+0,0311*A5-0,01045*B5. Arrastramos la frmula para toda la columna y reducimos las cifras decimales a tres. Debemos, entonces, obtener inmediatamente la siguiente pantalla:

El siguiente paso consiste en obtener la correccin en altura a efectuar para conseguir las cotas definitivas del terreno en cada estaca o vrtice,

303

TUTORIAL

para lo que restaremos de la columna obtenida las cotas del terreno inicial, designando la columna F (corregido) de la siguiente forma: F5 = E5-C5. Nos queda, entonces, la siguiente pantalla:

Como consecuencia de los valores as obtenidos de las cotas corregidas, podemos elaborar la siguiente tabla pegando las diversas columnas al texto en Microsoft Word:

304

CAPTULO 8

Tabla 2. Cotas definitivas y correcciones.

Vrtices 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

Cotas del Puntos Cotas Corregido terreno tericos del definitivas di inicial plano (X,Y) Z 23,04 (1625,1125) 26,803 +3,763 25,02 (1375,1125) 26,025 +1,005 26,22 (1125,1125) 25,248 -0,972 22,80 (875,1125) 24,470 +1,670 25,27 (625,1125) 23,693 -1,577 25,51 (375,1125) 22,915 -2,595 22,91 (125,1125) 22,138 -0,772 24,61 (1625,875) 27,064 +2,454 26,90 (1375,875) 26,287 -0,613 26,55 (1125,875) 25,509 -1,041 21,61 (875,875) 24,732 +3,122 23,94 (625,875) 23,954 +0,014 23,20 (375,875) 23,177 -0,023 22,04 (125,875) 22,399 +0,359 30,22 (1625,625) 27,325 -2,895 29,12 (1375,625) 26,548 -2,572 26,80 (1125,625) 25,770 -1,030 22,22 (875,625) 24,993 +2,773 24,81 (625,625) 24,215 -0,595 24,02 (375,625) 23,438 -0,582 22,80 (125,625) 22,660 -0,140 31,63 (1625,375) 27,587 -4,043 28,60 (1375,375) 26,809 -1,791 24,93 (1125,375) 26,032 +1,102 23,50 (875,375) 25,254 +1,754 25,70 (625,375) 24,477 -1,223 24,66 (375,375) 23,699 -0,961 22,59 (125,375) 22,922 +0,332 29,10 (1625,125) 27,848 -1,252 25,11 (1375,125) 27,070 +1,960 23,50 (1125,125) 26,293 +2,793 25,13 (875,125) 25,515 +0,385 24,66 (625,125) 24,738 +0,078 23,81 (375,125) 23,960 +0,150 22,22 (125,125) 23,183 +0,963

Tambin como consecuencia de las correcciones que se expresan en el cuadro anterior, resultar el siguiente movimiento de tierras en trminos volumtricos que deducimos tambin de la hoja de clculo multiplicando la superficie de cada subparcela (25 x 25 = 625 m2) por la correccin en altura o cota correspondiente (el signo + implica terrapln y el implica desmonte), notndose que esta estimacin resulta ser slo una

305

TUTORIAL

aproximacin, teniendo en cuenta las superficies de las subparcelas tributarias o anexas de cada vrtice o estaca:
Tabla 3. Movimiento de tierras resultante.

Vrtices

Superficie Correccin Volumen (m2) (m) (m3) 1 625 +3,763 2.351,875 625 2 +1,005 628,125 625 3 -0,972 -607,5 625 4 +1,670 1.043,75 625 5 -1,577 -985,625 625 6 -2,595 -1.621,875 625 7 -0,772 -482,5 625 8 +2,454 1.533,75 625 9 -0,613 -383,125 625 10 -1,041 -650,625 625 11 +3,122 1.951,25 625 12 +0,014 8,75 625 13 -0,023 -14,375 625 14 +0,359 224,375 625 15 -2,895 -1.809,375 625 16 -2,572 -1.607,5 625 17 -1,030 -643,75 625 18 +2,773 1.733,125 625 19 -0,595 -371,875 625 20 -0,582 -363,75 625 21 -0,140 -87,5 625 22 -4,043 -2.526,875 625 23 -1,791 -1.119,375 625 24 +1,102 688,75 625 25 +1,754 1.096,25 625 26 -1,223 -764,375 625 27 -0,961 -600,625 625 28 +0,332 207,5 625 29 -1,252 -782,5 625 30 +1,960 1.225 625 31 +2,793 1.745,625 625 32 +0,385 240,625 625 33 +0,078 48,75 625 34 +0,150 93,75 625 35 +0,963 601,875 21.875 TOTAL 0000 0,000 (625x35)

306

CAPTULO 8

, por lo que la compensacin de tierras resulta absolutamente ajustada y matemticamente perfecta, no obtenindose volmenes ni de tierras sobrantes ni de tierras a aportar a la parcela, salvando la consideracin de los pertinentes coeficientes de esponjamiento y/o compactacin posterior que haya que aplicar en su caso. Este clculo, que se deduce del cuadro anterior, puede ser contrastado con la cuantificacin correspondiente mediante el estudio de los perfiles transversales y longitudinales de la parcela en estudio, determinados por la malla o red de vrtices que nos ocupa. Para tener una medida del grado de explanacin, igualaremos a +10,00 m. la cota relativa media o centro de gravedad de la parcela en estudio, cuyo valor resulta de dividir la suma de las cotas iniciales del terreno natural por el nmero de vrtices (87475 m./35 = 24993 m.), por lo que tendremos que restar: 24993 10000 = 14993 m. de cada una de las cotas iniciales y definitivas. Si se desea complementariamente calcular el grado de explanacin determinado, como ya se ha visto, por el coeficiente de contingencia derivado de la distribucin de probabilidad chi-cuadrado (2), debemos ampliar la tabla anterior con dos nuevas columnas del siguiente modo:

307

TUTORIAL

Para confeccionar esta tabla debemos comenzar colocando en la primera columna los vrtices, en la segunda la Z (cotas iniciales) y en la tercera columna colocaremos la Y (cotas definitivas). En la cuarta columna (cotas relativas iniciales) lo que hacemos es restarle 14,993 a la columna Z de la siguiente manera: D2 = B2 14,993. Arrastramos la frmula para toda la columna y sumamos. En la quinta columna (cotas relativas definitivas) el proceso seguido es el mismo que en la cuarta pero la resta se la debemos hacer a la columna Y. As: E2 = C2 14,993. Arrastramos, sumamos y comprobamos que la suma final nos da igual que la columna anterior. En la columna siguiente di calculamos la diferencia entre las dos columnas anteriores de la siguiente forma: F2 = E2 D2. La suma final nos debe dar 0 por las razones tericas ya expresadas. La columna siguiente di2 es simplemente el cuadrado de la anterior, as: G2 = F2^2. Por ltimo, en la ltima columna di2/rel.def. vamos a realizar una divisin. Para ello aplicamos la siguiente frmula: H2 = G2/E2. Arrastramos dicha frmula para toda la columna y sumamos. El resultado de esta suma, si hemos realizado todos los pasos correctamente, ofrece la medida buscada del grado de explanacin dada por la 2 y, posteriormente, por el coeficiente de contingencia C. Si ahora utilizamos el programa EViews, al que hacemos referencia en el epgrafe siguiente, obtendremos para el ajuste pretendido el siguiente resultado, con especificacin de diversos coeficientes de indudable relevancia estadstica: Forma Funcional: Z = a + bX + cY (plano)
Dependent Variable: Z Method: Least Squares Included observations: 35 Variable a X (b) Y (c) Coefficient Standard Error t-Statistic Probability 22.92471 0.031097 -0.010446 0.844853 27.13457 0.006303 4.933993 0.008913 -1.171929 Mean dependent variable S.D. dependent variable Akaike info criterion Schwarz criterion F-statistic Prob (F-statistic) 0.0000 0.0000 0.2499 24.99286 2.429076 4.165512 4.298827 12.85885 0.000080

R-squared 0.445577 Adjusted R-squared 0.410926 S.E. of regression 1.864344 Sum squared resid 111.2249 Log likelihood -69.89646 Durbin-Watson statistic 1.612869

308

CAPTULO 8

Observaciones: 1.- El valor de R2 es relativamente bajo. 2.- El coeficiente de la variable Y es NO significativo, que quiere decir que no es diferente de cero (Ho; = 0. No puede rechazarse, entonces, la hiptesis nula. Esto es precisamente lo que contrastamos con el valor de la t de StudentGosset). 3.- Estos comentarios son iguales para todas las estimaciones que siguen, por lo que nos ahorraremos su mencin en cada caso. 4.- Como el coeficiente de la variable Y es no significativo lo hemos eliminado de la regresin y se ha obtenido un nuevo resultado en el que slo vara el valor del trmino constante (esto se ha realizado para todas las especificaciones que hemos probado).

Ecuacin resultante: Z = 2292471 + 0031097X 0010446Y que, como puede comprobarse, es la misma que la obtenida mediante la aplicacin de la hoja de clculo de Microsoft Excel con Solver. Si ahora, como hemos sealado, prescindiramos de la variable o coordenada Y (no significativa desde el punto de vista estadstico) se obtendra la siguiente forma funcional: Z = a + bX (es decir sin la variable Y):
Dependent Variable: Z Method: Least Squares Included observations: 35 Variable a X (b) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson statistic Coefficient Standard Error t-Statistic Probability 22.27186 0.031097 0.421782 0.404260 1.874862 115.9986 -70.63187 1.573687 0.638752 34.86779 0.006338 4.906312 Mean dependent variable S.D. dependent variable Akaike info criterion Schwarz criterion F-statistic Prob (F-statistic) 0.0000 0.0000 24.99286 2.429076 4.150393 4.239270 24.07189 0.000024

Ecuacin resultante: Z = 2227186 + 0031097X En este ltimo caso, los valores de las cotas taquimtricas definitivas de la parcela pueden verse en la ltima columna del cuadro de Excel siguiente, comparados con los anteriores (2 variables):

309

TUTORIAL

Al respecto de los perfiles longitudinales y transversales de esta parcela, puede consultarse el anexo nmero 5 (Complementos) de este mismo libro. 2. AJUSTE NO LINEAL 2.1. Estimacin logartmica Para ello se precisa realizar una REGRESION MULTIPLE LOGARITMICA CON MICROSOFT EXCEL 6.0 (o superior). Como puede suponerse, existen diferentes programas informticos que pueden facilitar la obtencin del modelo ms adecuado para el ajuste de una superficie de nivelacin no lineal, como el SPSS 1 o el Econometric
El SPSS es un programa estadstico informtico muy usado en las ciencias sociales y tambin en las empresas de investigacin de mercado. En la actualidad, la sigla se usa tanto para designar el programa estadstico como la empresa que lo produce. Originalmente SPSS fue creado como el acrnimo de Statistical Package for the Social Sciences ya que se est popularizando la idea de traducir el acrnimo como "Statistical Product and Service Solutions". Sin embargo, aunque realizando bsquedas por internet estas pueden llevar a la pgina web de la empresa, dentro de la pgina misma de la empresa no se encuentra dicha denominacin. Fue creado en 1968 por Norman H. Nie, C. Hadlai (Tex) Hull y Dale H. Bent. Entre 1969 y 1975 la Universidad de Chicago por medio de su National Opinion Research Center estuvo a cargo del desarrollo, distribucin y venta del programa. A partir de 1975 corresponde a SPSS
1

310

CAPTULO 8

Views 2 que, sin duda alguna, son programas especializados para ello. Tambin la subrutina para el clculo de la regresin mltiple logartmica de Microsoft Excel es similar a la lineal, ya estudiada en otros apartados del presente libro. Se tratara, en este caso, de ajustar una funcin exponencial del tipo: Z = A BX CY, con el objetivo de averiguar el valor de los parmetros A, B y C. Al tomar logaritmos neperianos (naturales) o decimales (de Briggs 3 ) en ambos miembros de la expresin anterior tiene lugar su linealizacin, obtenindose una ecuacin logartmica lineal, as: ln Z = ln A + X ln B + Y ln C

Inc. Originalmente el programa fue creado para grandes computadores. En 1970 se publica el primer manual de usuario del SPSS por Nie y Hall. Este manual populariza el programa entre las instituciones de educacin superior en EE. UU. En 1984 sale la primera versin para computadores personales. Como programa estadstico es muy popular su uso debido a la capacidad de trabajar con bases de datos de gran tamao. En la versin 12 es de 2 millones de registros y 250.000 variables. Adems, de permitir la recodificacin de las variables y registros segn las necesidades del usuario. El programa consiste en un mdulo base y mdulos anexos que se han ido actualizando constantemente con nuevos procedimientos estadsticos. Cada uno de estos mdulos se compra por separado. Actualmente, compite no slo con softwares licenciados como lo son SAS, MatLab, Statistica, Stata, sino tambin con software de cdigo abierto y libre, de los cuales el ms destacado es el Lenguaje R. Desde la versin 14, pero ms especficamente desde la versin 15 se ha implantado la posibilidad de hacer uso de las libreras de objetos del SPSS desde diversos lenguajes de programacin. Aunque principalmente se ha implementado para Python, tambin existe la posibilidad de trabajar desde Visual Basic, C++ y otros lenguajes. El 28 de junio de 2009 se anuncia que IBM, meses despus de ver frustrado su intento de compra de Sun Microsystems, el gigante informtico estadounidense anuncia la adquisicin de SPSS, por la no despreciable cifra de 1.200 millones de dlares USA.
2

EViews (Dictamen economtrico) es un paquete estadstico para Windows, utilizado principalmente para las series temporales orientadas al anlisis economtrico, aunque tambin puede resultar til a los efectos de la aplicacin topogrfica que aqu propugnamos. Es desarrollado por Quantitative Micro Software (QMS). La versin 1.0 fue lanzada en marzo de 1994, y sustituye a la anterior MicroTSP. La versin actual de EViews es de 7.1, lanzada en abril de 2010. EViews puede ser utilizado para anlisis estadstico general y el anlisis economtrico, como la seccin transversal y anlisis de datos del panel y de series de tiempo (cronolgicas) de estimacin y previsin. EViews combina la hoja de clculo y la tecnologa de base de datos relacional con las tareas tradicionales que se encuentran en el software de estadstica, y utiliza un Windows GUI. Esto se combina con un lenguaje de programacin que muestra limitada la orientacin a objetos. EViews se basa principalmente en un formato de archivos propietarios y no documentados para el almacenamiento de datos. Sin embargo, la entrada y salida soporta numerosos formatos, incluyendo formato de base de datos, formatos de Excel, PSPP / SPSS, DAP / SAS, Stata, RATS y TSP. EViews puede tener acceso ODBC a bases de datos. EViews formatos de archivo puede ser parcialmente abierta por gretl.

En el ao 1622, el matemtico ingls Henry Briggs (1561-1630) public un pequeo tratado en el Paso del Noroestea los mares del sur, a travs del Continente de Virginia y la Baha de Hudson; y en 1624 su Aritmtica Logartmica en folio, un trabajo que contena los logaritmos de treinta mil nmeros naturales a catorce decimales (1-20.000 y 90.000 a 100.000). Tambin, Briggs complet la tabla de funciones trigonomtricas y tangentes para la centsima parte de cada grado a catorce decimales, con una tabla de funciones naturales a quince lugares y las tangentes y secantes para los mismos diez lugares; todos los cuales fueron impresos en Gouda en 1631 y publicados en 1633 bajo el ttulo de Trigonometria Britannica; este trabajo fue probablemente el sucesor de su Logarithmorum Chilias Prima (Introduccin a los Logaritmos), que dio una breve resea de logaritmos y una larga tabla de los primeros 1.000 enteros calculados al catorce decimal. Briggs descubri, de una forma un tanto oculta y sin la prueba correspondiente, el teorema del binomio.

311

TUTORIAL

Esta forma funcional coincide con otra que veremos ms adelante: la estimacin exponencial. Aqu, empleando logaritmos neperianos el coeficiente de la variable X es ln B mientras que en la forma funcional es simplemente B. Del apartado correspondiente se observa como el coeficiente de la variable X tiene de valor: 0,001199 con lo que ahora sera: Ln B = 0,001199 B = e0,001199 = 1,0012 Todo lo dems no vara. El comando para activarla en la hoja de clculo citada es el siguiente: ESTIMACION.LOGARITMICA A continuacin, se exponen brevemente las instrucciones precisas: a) Escoger en fx la funcin: ESTIMACION.LOGARITMICA, tal como hemos sealado anteriormente. b) En la Caja de dilogo se debe marcar la Columna de la Variable Dependiente (y) con el ratn del ordenador. c) En la Caja de dilogo marcar las Columnas de las Variables Independientes (x) con el ratn. d) Indicar en la ventanilla "CONSTANTE" el argumento: VERDADERO. e) Indicar en la ventanilla "ESTADISTICA" el argumento: VERDADERO. f) Marcar con el Ratn el Rango de Salida (*) de los elementos de la Regresin. g) Iluminar con el ratn en la "Barra de Frmulas" la caja donde aparece la frmula de la regresin. h) Apretar simultneamente las teclas: "CONTROL", "SHIFT" (tecla con la flecha hacia arriba) y "ENTER". (*) El Rango de Salida tiene un tamao de: 5 lneas X el # de Variables de columnas. Vamos, pues, a seguir los siguientes pasos tal como los hemos relacionado:

312

CAPTULO 8

a) Escoger en fx la funcin: ESTIMACIN.LOGARTMICA.

b) En la Caja de dilogo marcar la Columna de la Variable Dependiente (y) con el ratn. c) En la Caja de dilogo marcar las Columnas de las Variables Independientes (x) con el ratn. d) Indicar en la ventanilla "CONSTANTE" el argumento: VERDADERO. e) Indicar en la ventanilla "ESTADISTICA" el argumento: VERDADERO.

f) Marcar con el Ratn el Rango de Salida de los elementos de la Regresin.

313

TUTORIAL

g) Iluminar con el ratn la "Barra de Frmulas", ventanilla donde aparece la frmula de la regresin. h) Apretar simultneamente las teclas: "CONTROL", "SHIFT" y "ENTER". Al final del proceso, se obtiene la siguiente pantalla (ejemplo cualquiera):

En la pantalla anterior, usada como simple ejemplo, el resultado de la regresin logartmica mltiple efectuada, en este caso con 5 variables (en la problemtica de la nivelacin ptima de terrenos que propugnamos este nmero queda reducido a 3, como se sabe), ser:

Si ahora, alternativamente, utilizamos el programa EViews para el ajuste o estimacin logartmica de la funcin correspondiente, obtendremos la expresin exponencial: Z = A BX CY = 229661 10012X 09996Y A continuacin, obtendremos la siguiente tabla como consecuencia de la aplicacin de la ecuacin de ajuste de la superficie anterior, que nos servir para efectuar ulteriores consideraciones de inters:

314

CAPTULO 8

Obsrvese que en la tabla anterior hemos definido el di = Yi Ti como la diferencia existente entre las cotas del terreno natural o iniciales y las definitivas que se deducen de la aplicacin de nuestro modelo de explanacin. Ello es as con el objetivo de adecuarnos a la terminologa utilizada para el clculo de chi-cuadrado que realizaremos a continuacin. En este caso, el sumatorio de las discrepancias di es slo aproximadamente igual a 0 (-2,395). El error estndar o tpico de la estima de esta regresin mltiple (triple) vendr dado por la expresin (vase el captulo 5), con m = 2 variables explicativas correspondientes a la abscisa y la ordenada de cada punto:

S xy =

(Y T )
i i i =1

Nm1

109,891 = 1'85 m. 35 2 1

Para N 1 = 35 1 = 34 grados de libertad, se tiene un 20,5 = 1655, realizando la interpolacin correspondiente en la tabla de percentiles de la distribucin terica de probabilidad chi-cuadrado que figura en el

315

TUTORIAL

anexo 3. Al ser: 2 = 10199 < 1655 puede considerarse bastante bajo, en trminos relativos, el volumen de explanacin a realizar en la parcela que nos ocupa. De haberse considerado, alternativamente, un valor del nmero de grados de libertad de: N m 1 = 32 g.l. se obtendra, por interpolacin lineal, un valor terico chi-cuadrado algo ms exigente 20,5 = 1517, lo que no modificara tampoco las conclusiones anteriormente expresadas. Por otra parte, el grado de explanacin determinado, como ya se ha visto, por el coeficiente de contingencia C derivado de la distribucin de probabilidad chi-cuadrado (2), vendr dado por la expresin:
2 10'199 = = 0'47 47% , C= 2 10'199 + 35 +N

siendo N = 35 el nmero de estacas o vrtices de nivelacin considerado. Obsrvese, en fin, que la estimacin ahora efectuada ofrece valores algo mejores que los obtenidos incluso mediante la regresin lineal (ajuste a un plano de nivelacin). La comparacin de los valores resultantes de los estadsticos de esta estimacin con los de las restantes efectuadas podr verse ms adelante (al final del presente captulo de nuestro libro) en el cuadro elaborado al efecto. En algn momento puede plantersele al topgrafo el siguiente dilema: qu modelo utilizar, el lineal o el logartmico (exponencial) anteriormente obtenidos, para el replanteo del plano definitivo del terreno? Pues bien, desde un punto de vista estrictamente terico o estadstico, el modelo que mejor explica el ajuste por regresin mnimo cuadrtica y, en su consecuencia, el que provoca un menor movimiento de tierras en la parcela, ser aquel cuyo coeficiente de concausalidad, determinacin o crtico R2 sea mayor. De cualquier modo, en los problemas reales que puedan presentarse en la prctica de la nivelacin no lineal, ya existe una predeterminacin ex anto por parte del proyectista en el sentido de que el resultado final no constituya un plano perfecto por perentoriedad de la concepcin de la propia obra, por lo que la solucin a la pregunta planteada resulta obvia. Sin embargo, s puede resultar interesante averiguar cul de las posibles soluciones no lineales planteadas ser ms conveniente desde el punto

316

CAPTULO 8

de vista estrictamente econmico (esto es, la que suponga un menor movimiento de tierras). Evidentemente, adems del error standard o tpico de la estima, del 2 y del coeficiente de contingencia o grado de explanacin del terreno C, tambin el coeficiente de concausalidad R2 puede usarse provechosamente en la comparacin de la bondad del ajuste entre diferentes funciones y planos de nivelacin. En este sentido, en el captulo anterior de nuestro libro hemos explicado de qu modo puede calcularse el expresado parmetro de concausalidad en el caso de las regresiones mltiples (triples) lineales. As mismo, el estadstico 4 de contraste experimental F de Snedecor es el estadgrafo que se construye para contrastar si los parmetros asociados a las variables explicativas del modelo, o sea, las coordenadas X e Y (exceptuando el trmino independiente) son conjuntamente iguales a cero. O dicho de otro modo, este estadstico permite contrastar la capacidad explicativa conjunta de las variables introducidas en el modelo empleado 5 . Cabe sealar que, adems del modelo exponencial reseado, pueden emplearse otros modelos no lineales de regresin mltiple (semilogartmicos, potenciales, transformacin inversa, parablicos o polinomiales, etc.) intentando buscar, en todo momento, el que ofrezca los resultados ms ajustados, en que los valores resultantes de los estadgrafos relacionados sean mayores.

2.2. Estimacin doblemente logartmica Utilizando, a partir de ahora, el expresado programa EViews, se trata de adoptar la forma funcional: lnZ = a + blnX + clnY
Z = e a X b Y c (potencial, logartmica doble),

cuyos resultados quedan expresados con especificidad en la tabla de la pgina siguiente:

Un estadstico es una medida cuantitativa, derivada de un conjunto de datos de una muestra con el objetivo de estimar o contrastar caractersticas de una poblacin o modelo estadstico. Ms formalmente un estadstico es una funcin medible que, dada una muestra estadstica de valores, les asigna un nmero que sirve para estimar los parmetros de la distribucin de la que procede la muestra. As por ejemplo la media muestral de valores sirve para estimar el valor esperado de una variable, la varianza muestral de una muestra amplia sirve para estimar la varianza de la poblacin o universo, etc.

Generalmente, se considera que un valor superior a 6 resulta suficiente para que la capacidad explicativa del modelo pueda calificarse como adecuada.

317

TUTORIAL

Dependent Variable: LZ Method: Least Squares Included observations: 35 Variable a LX (b) LY (c) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson statistic Coefficient Standard Error t-Statistic Probability 2.971694 0.067104 -0.010321 0.369586 0.330185 0.076699 0.188249 41.78055 1.513296 0.093470 31.79315 0.015653 4.286843 0.016671 -0.619070 0.0000 0.0002 0.5403

Mean dependent variable 3.214223 S.D. dependent variable 0.093716 Akaike info criterion -2.216031 Schwarz criterion -2.082716 F-statistic 9.380136 Prob (F-statistic) 0.000622

Ecuacin resultante: Z = e2971694 X0067104 Y-0010321 A continuacin, obtendremos la siguiente tabla como consecuencia de la aplicacin de la ecuacin de ajuste de la superficie anterior:

318

CAPTULO 8

Obsrvese que en la tabla anterior hemos definido el di = Yi Ti como la diferencia entre las cotas del terreno natural o iniciales y las definitivas que se deducen de la aplicacin de nuestro modelo de explanacin. Ello es as con el objetivo de adecuarnos a la terminologa utilizada para el clculo de chi-cuadrado que realizaremos a continuacin. En este caso, el di es slo aproximadamente igual a 0 (-2,46). El error estndar o tpico de la estima de esta regresin mltiple (triple) vendr dado por la expresin (vase el captulo 5), con m = 2 variables explicativas correspondientes a la abscisa y la ordenada de cada punto:

S xy =

(Y T )
i i i=1

Nm1

127,473 = 2'00 m. 35 2 1

Para N 1 = 35 1 = 34 grados de libertad, se tiene un 20,5 = 1655, realizando la interpolacin correspondiente en la tabla de percentiles de la distribucin terica de probabilidad chi-cuadrado que figura en el anexo 3. Al ser: 2 = 11784 < 1655 puede considerarse bastante bajo, en trminos relativos, el volumen de explanacin a realizar en la parcela que nos ocupa. De haberse considerado, alternativamente, un valor del nmero de grados de libertad de: N m 1 = 32 g.l. se obtendra, por interpolacin lineal, un valor terico chi-cuadrado algo ms exigente 20,5 = 1517, lo que no modificara tampoco las conclusiones anteriormente expresadas. Por otra parte, el grado de explanacin determinado, como ya se ha visto, por el coeficiente de contingencia C derivado de la distribucin de probabilidad chi-cuadrado (2), vendr dado por la expresin:
2 11'784 = = 0'50 50% , C= 11'784 + 35 2 + N

siendo N = 35 el nmero de estacas o vrtices de nivelacin considerado. Obsrvese, en fin, que la estimacin ahora efectuada ofrece valores algo peores que los obtenidos mediante la regresin lineal (ajuste a un plano de nivelacin) y la logartmica. La comparacin de los valores resultantes de los estadsticos de esta estimacin con los de las restantes efectuadas podr verse ms adelante en el cuadro elaborado al efecto.

319

TUTORIAL

Si ahora, como hemos sealado, prescindiramos de la variable o coordenada Y (no significativa desde el punto de vista estadstico) se obtendra la siguiente forma funcional: Z = ea Xb (es decir sin la variable Y), o bien la ecuacin linealizada: ln Z = a + b ln X. As:
Dependent Variable: LZ Method: Least Squares Included observations: 35 Variable a LX (b) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson statistic Coefficient Standard Error t-Statistic Probability 2.931486 0.067104 0.362036 0.342703 0.075979 0.190504 41.57221 1.515209 0.066586 44.02570 0.015506 4.327473 Mean dependent variable S.D. dependent variable Akaike info criterion Schwarz criterion F-statistic Prob (F-statistic) 0.0000 0.0001 3.214223 0.093716 -2.261269 -2.172392 18.72702 0.000132

Ecuacin resultante: Z = e2931486 X0067104 2.3. Estimacin exponencial Se trata, ahora, de adoptar la forma funcional: ln Z = a + bX + cY Z = e ( a+bX +cY ) (exponencial)
Dependent Variable: LZ Method: Least Squares Included observations: 35 Variable a X (b) Y (c) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson statistic Coefficient Standard Error t-Statistic Probability 3.134019 0.001199 -0.000395 0.444039 0.409292 0.072028 0.166016 43.97994 1.693096 0.032640 96.01658 0.000243 4.923538 0.000344 -1.147524 0.0000 0.0000 0.2597

Mean dependent variable 3.214223 S.D. dependent variable 0.093716 Akaike info criterion -2.341711 Schwarz criterion -2.208396 F-statistic 12.77902 Prob (F-statistic) 0.000083

320

CAPTULO 8

Ecuacin resultante: Z = e3134019 + 0001199X 0000395Y A continuacin, obtendremos la siguiente tabla como consecuencia de la aplicacin de la ecuacin de ajuste de la superficie anterior:

Obsrvese que en la tabla anterior hemos definido el di = Yi Ti como la diferencia entre las cotas del terreno natural o iniciales y las definitivas que se deducen de la aplicacin de nuestro modelo de explanacin. Ello es as con el objetivo de adecuarnos a la terminologa utilizada para el clculo de chi-cuadrado que realizaremos a continuacin. El error estndar o tpico de la estima de esta regresin mltiple (triple) vendr dado por la expresin (vase el captulo 5), con m = 2 variables explicativas correspondientes a la abscisa y la ordenada de cada punto:

Sxy =

(Y T )
i i i =1

Nm 1

326,476 = 3'19 m. 35 2 1

Para N 1 = 35 1 = 34 grados de libertad, se tiene un 20,5 = 1655, realizando la interpolacin correspondiente en la tabla de percentiles de la distribucin terica de probabilidad chi-cuadrado que figura en el anexo 3. Al ser: 2 = 40223 > 1655 puede considerarse bastante
321

TUTORIAL

elevado, en trminos relativos, el volumen de explanacin a realizar en la parcela que nos ocupa. De haberse considerado, alternativamente, un valor del nmero de grados de libertad de: N m 1 = 32 g.l. se obtendra, por interpolacin lineal, un valor terico chi-cuadrado algo ms exigente 20,5 = 1517, lo que no modificara tampoco las conclusiones anteriormente expresadas. Por otra parte, el grado de explanacin determinado, como ya se ha visto, por el coeficiente de contingencia C derivado de la distribucin de probabilidad chi-cuadrado (2), vendr dado por la expresin:
2 = C= 2 +N 40'223 = 0'73 73% , 40'223 + 35

siendo N = 35 el nmero de estacas o vrtices de nivelacin considerado. Si ahora, como hemos sealado, prescindiramos de la variable o coordenada Y (no significativa desde el punto de vista estadstico) se obtendra la siguiente forma funcional: Z = ea+bX (es decir sin la variable Y), o bien la ecuacin linealizada: ln Z = a + bX. As:
Dependent Variable: LZ Method: Least Squares Included observations: 35 Variable a X (b) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson statistic Coefficient Standard Error t-Statistic Probability 3.109322 0.001199 0.421161 0.403621 0.072373 0.172848 43.27424 1.652322 0.024657 126.1037 0.000245 4.900073 Mean dependent variable S.D. dependent variable Akaike info criterion Schwarz criterion F-statistic Prob (F-statistic) 0.0000 0.0000 3.214223 0.093716 -2.358528 -2.269651 24.01071 0.000025

Ecuacin resultante: Z = e3109322 + 0001199X

322

CAPTULO 8

2.4. Estimacin semilogartmica Se trata, por ltimo, de adoptar la forma funcional: Z = lna + blnX + clnY e Z = aX b Y c (semilogartmica)
Dependent Variable: Z Method: Least Squares Included observations: 35 Variable La LX (b) LY (c) Coefficient Standard Error t-Statistic Probability 18.80655 1.713999 -0.265797 2.442876 7.698529 0.409109 4.189587 0.435705 -0.610039 Mean dependent variable S.D. dependent variable Akaike info criterion Schwarz criterion F-statistic Prob (F-statistic) 0.0000 0.0002 0.5461 24.99286 2.429076 4.310558 4.443874 8.962394 0.000812

R-squared 0.359036 Adjusted R-squared 0.318976 S.E. of regression 2.004575 Sum squared resid 128.5863 Log likelihood -72.43477 Durbin-Watson statistic 1.445052

Ecuacin resultante: eZ = 147.089.2348 X1713999 Y-0265797 A continuacin, obtendremos la siguiente tabla como consecuencia de la aplicacin de la ecuacin de ajuste de la superficie 6 anterior, con el objetivo de disponer de algunos parmetros de inters a la hora de establecer comparaciones:

Aunque aqu se trata de resolver otro tipo de problemas, veamos que el Mtodo de los Elementos Finitos enlaza francamente bien con los conceptos que aqu se exponen y permite obtener una solucin numrica aproximada sobre un cuerpo, estructura o dominio (medio continuo o superficie del terreno) sobre el que estn definidas ciertas ecuaciones diferenciales en forma dbil o integral que caracterizan el comportamiento fsico del problema, dividindolo en un nmero elevado de subdominios nointersectantes entre s denominados elementos finitos. El conjunto de elementos finitos forma una particin del dominio tambin denominada discretizacin. Dentro de cada elemento se distinguen una serie de puntos representativos llamados nodos (las estacas o vrtices). Dos nodos son adyacentes si pertenecen al mismo elemento finito; adems, un nodo sobre la frontera de un elemento finito, puede pertenecer a varios elementos. El conjunto de nodos considerando sus relaciones de adyacencia se llama malla. Los clculos se realizan sobre una malla de puntos (llamados nodos), que sirven a su vez de base para la discretizacin del dominio en elementos finitos. La generacin de la malla se realiza usualmente con programas especiales llamados generadores de mallas, en una etapa previa a los clculos que se denomina pre-proceso. De acuerdo con estas relaciones de adyacencia o conectividad se relaciona el valor de un conjunto de variables incgnitas definidas en cada nodo y denominadas grados de libertad. El conjunto de relaciones existentes entre el valor de una determinada variable entre los nodos se puede escribir en forma de sistema de ecuaciones lineales (o linealizadas). La matriz de dicho sistema de ecuaciones se llama matriz de rigidez del sistema. El nmero de ecuaciones de dicho sistema resulta proporcional al nmero de nodos.

323

TUTORIAL

Obsrvese que en la tabla anterior hemos definido el di = Yi Ti como la diferencia existente entre las cotas del terreno natural o iniciales y las definitivas que se deducen de la aplicacin de nuestro modelo de explanacin. Ello es as con el objetivo de adecuarnos a la terminologa utilizada para el clculo de chi-cuadrado que realizaremos a continuacin. El error estndar o tpico de la estima de esta regresin mltiple (triple) vendr dado por la expresin (vase el captulo 5), con m = 2 variables explicativas correspondientes a la abscisa y la ordenada de cada punto:

Sxy =

(Y T )
i i i =1

Nm 1

128'579 = 2'00 m. 35 2 1

Para N 1 = 35 1 = 34 grados de libertad, se tiene un 20,5 = 1655, realizando la interpolacin correspondiente en la tabla de percentiles de la distribucin terica de probabilidad chi-cuadrado que figura en el

324

CAPTULO 8

anexo 3. Al ser: 2 = 11821 < 1655 puede considerarse aceptable, en trminos relativos, el volumen de explanacin a realizar en la parcela que nos ocupa. De haberse considerado, alternativamente, un valor del nmero de grados de libertad de: N m 1 = 32 g.l. se obtendra, por interpolacin lineal, un valor terico chi-cuadrado algo ms exigente 20,5 = 1517, lo que no modificara tampoco las conclusiones anteriormente expresadas. Por otra parte, el grado de explanacin determinado, como ya se ha visto, por el coeficiente de contingencia C derivado de la distribucin de probabilidad chi-cuadrado (2), vendr dado por la expresin:
2 11'821 = = 0'50 50% , C= 2 +N 11'821 + 35

siendo N = 35 el nmero de estacas o vrtices de nivelacin considerado. Si ahora, como hemos sealado, prescindiramos de la variable o coordenada Y (no significativa desde el punto de vista estadstico) se obtendra la siguiente forma funcional: eZ = a Xb (es decir sin la variable Y), o bien la forma linealizada: Z = lna + b lnX. As:
Dependent Variable: Z Method: Least Squares Included observations: 35 Variable La LX (b) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson statistic Coefficient 17.77101 1.713999 0.351582 0.331933 1.985415 130.0817 -72.63711 1.448726 Std. Error 1.739955 0.405199 t-Statistic Probability 10.21349 4.230020 0.0000 0.0002 24.99286 2.429076 4.264978 4.353855 17.89307 0.000174

Mean dependent variable S.D. dependent variable Akaike info criterion Schwarz criterion F-statistic Prob (F-statistic)

325

TUTORIAL

Ecuacin resultante: eZ = 52.221.769 X1713999 2.5. Resumen de estimaciones Una vez efectuados los ajustes minimocuadrticos a diferentes funciones matemticas, lineales o no, para el ejemplo de nivelacin desarrollado, podemos elaborar la siguiente tabla comparativa con los parmetros que juzgamos ms significativos de las estimaciones realizadas de la cota taquimtrica Z con las dos variables explicativas (coordenadas X e Y):
Tabla 4. Cuadro comparativo de estimaciones.

ESTIMACIN Lineal (*) Logarmica (*) Doblemente Logartmica Exponencial Semilogartmica

R2 F D-W 0,445577 12,85885 1,612869 ----

Sxy 1,86 m. 1,85 m.

2 10,268 10,199 11,784 40,223 11,821

C 0,48 0,47

0,369586 9,380136 1,513296 0,444039 12,77902 1,693096 0,359036 8,962394 1,445052

2,00 m. 3,19 m. 2,00 m.

0,50 0,73 0,50

Desde luego, la estimacin a considerar definitivamente por el proyectista de la obra de tierra ser tanto ms correcta cuanto mayores sean los tres primeros parmetros analizados y, por el contrario, cuanto menores sean los tres ltimos, dando preferencia a estos ltimos en la decisin final, puesto que pueden producirse resultados contradictorios. En este orden de ideas, puede observarse que la estimacin lineal es bastante correcta y, en el caso de desearse el ajuste a una superficie curva (no lineal), debera adoptarse la regresin logartmica, aunque tambin podra considerarse cualquiera de ellas menos la exponencial; en concreto, las estimaciones doblemente logartmica y semilogartmica ofrecen resultados altamente coincidentes, siendo algo mejor la primera de ellas. En el cuadro-resumen anterior, en definitiva, se han sealizado con (*) las regresiones que procede seleccionar a los efectos deseados.

326