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 utilizacin de los mtodos lineales y estimacin de mnimos cuadrados.
Para lograr este fin, se realiz una bibliografa bsica la cual permiti desarrollar
los conceptos y ejemplos, como base para realizar el ejercicio dado en clase.
En este trabajo bsicamente se habla de cmo desarrollar la aplicacin de los
mtodos lineales y estimacin por mnimos cuadrados, adems de inferencia,
prediccin y correlacin.
Se desarrollaron una serie de ejemplos mediante los cuales se trata de presentar
manera ms sencilla usar estos mtodos.

a) MARCO TEORICO

METODO DE LOS MINIMOS CUADRADOS

Mnimos cuadrados es una tcnica de anlisis numrico enmarcada dentro de

la optimizacin matemtica, en la que, dados un conjunto de pares ordenados
variable independiente, variable dependiente y una familia de funciones, se
intenta encontrar la funcin continua, dentro de dicha familia, que mejor se
aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio de mnimo
error cuadrtico.
En su forma ms simple, intenta minimizar la suma de cuadrados de las
diferencias en las ordenadas (llamadas residuos) entre los puntos generados por
la funcin elegida y los correspondientes valores en los datos. Especficamente, se
llama mnimos cuadrados promedio (LMS) cuando el nmero de datos medidos es
1 y se usa el mtodo dedescenso por gradiente para minimizar el residuo
cuadrado. Se puede demostrar que LMS minimiza el residuo cuadrado esperado,
con el mnimo de operaciones (por iteracin), pero requiere un gran nmero de
iteraciones para converger.
Desde un punto de vista estadstico, un requisito implcito para que funcione el
mtodo de mnimos cuadrados es que los errores de cada medida estn
distribuidos de forma aleatoria. El teorema de Gauss-Mrkov prueba que los
estimadores mnimos cuadrticos carecen de sesgo y que el muestreo de datos no
tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin es importante
que los datos a procesar estn bien escogidos, para que permitan visibilidad en
las variables que han de ser resueltas (para dar ms peso a un dato en particular.

La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas.

Muchos otros problemas de optimizacin pueden expresarse tambin en forma de
mnimos cuadrados, minimizando la energa o maximizando la entropa.

RECTA QUE MEJOR SE AJUSTA (MTODO DE MNIMOS

CUADRADOS)

Una recta que mejor se ajusta es una lnea recta que es la mejor aproximacin del
conjunto de datos dado.
Es usada para estudiar la naturaleza de la relacin entre dos variables.
Una recta que mejor se ajusta puede ser determinada aproximadamente usando el
mtodo visual al dibujar una lnea recta en una grfica de dispersin para que
tanto el nmero de puntos arriba de la recta y debajo de la recta sean casi iguales
(y la lnea pasa a trves de tantos puntos como sea posible).
Una forma ms precisa de encontrar la recta que mejor se ajusta es el mtodo de
mnimos cuadrados.
Use los pasos siguientes para encontrar la ecuacin 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 frmula:

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

Pas 5: Calcule la intercepcin en y de la recta usando la frmula:

Donde

son las medias de las coordenadas de x y y de los puntos de datos

respectivamente.
Paso 6: Use la pendiente y la intercepcin en y para formar la ecuacin de la
recta.

IMAGEN NUMERO:1

b) MARCO PRACTICO
A
O

PRODUCCI
N

IMPORTACIONE
S

EXPORTACIONE
S

CONSUMO
APARENT
E DE

199
4

2.71

123.093

125.803

3.63

141.685

145.315

2.72

171.357

174.077

2.72

186.52

189.24

2.72

197.393

200.113

2.72

219.144

221.864

235.08

238.08

237.953

240.953

2.3

263.354

265.654

2.6

278.422

281.022

199
5
199
6
199
7
199
8
199
9
200
0
200
1
200
2
200
3

POR EL
DE

METODO

FORMULAS CLASICAS
x

xy
x^2

1
2
3
4
5
6

125.8
145.3
174.1
189.2
200.1
221.9

125.8
290.6
522.2
757.0
1000.6
1331.2

1
4
9
16
25
36

NUMERA
DENOMINADOR
DOR
x^2
(x)^2/n
TOTAL
113.8
1
0.1
0.9
261.6
4
0.4
3.6
470.2
9
0.9
8.1
682.0
16
1.6
14.4
900.6
25
2.5
22.5
1198.2
36
3.6
32.4

7
8
9
10
55

238.1
241.0
265.7
281.0
2082.1

1666.6
1927.6
2390.9
2810.2
12822.7

Hacemos un nuevo cuadro

TOTALES

FORMULA A EMPLEAR

GRAFICOS
a) GRAFICO DE DISPERSION

49
64
81
100
385

1500.6
1735.6
2151.9
2529.2
11543.7

49
64
81
100

4.9
6.4
8.1
10

44.1
57.6
72.9
90
346.5

CONSUMO APARENTE DEL MANGO

y
400.0
350.0
300.0
250.0
C.A.M 200.0
150.0
100.0
50.0
0.0

Linear (y)

6
AOS

b) GRAFICO CIRCULAR

10

12

GRAFICULO CIRCULAR
14%

1%
2%3%
4%

13%

6%
7%
8%

12%

9%
11%

1994

1995

1996

2001

2002

2003

10%

1997

1998

1999

2000

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
NUMERO DE ORDEN

174.077
189.24
200.113
221.864
238.08
240.953
265.654
281.022

y
1
2
3
4
5
6
7
8
9
10
55

xy

178.8
198.3
227.1
242.2
253.1
274.9
291.1
294.0
318.7
334.0
2612.1

178.8
396.6
681.2
969.0
1265.6
1649.2
2037.6
2351.6
2867.9
3340.2
15737.7

x^2
1
4
9
16
25
36
49
64
81
100
385

NUMERAD
OR
161.8
357.6
613.2
873.0
1139.6
1485.2
1834.6
2116.6
2581.9
3006.2
14169.7

x^2
1
4
9
16
25
36
49
64
81
100

TOTALES
Y= CONSUMO APARENTE + NUMERO DE ORDEN
M=
B=

16.618
4089.368

DENOMINADOR
(x)^2/n
TOTAL
0.1
0.9
0.4
3.6
0.9
8.1
1.6
14.4
2.5
22.5
3.6
32.4
4.9
44.1
6.4
57.6
8.1
72.9
10
90
346.5

831

GRAFICO DE DISPERSION
400.0
300.0
CONSUMNO APARENTE 200.0
100.0
0.0

AOS

PARA EL AO 2014 AL 2016

2014
2015
2016

4454.956
Y=mx
4471.5
+b
74
4488.1
92

10

12