Solución al segundo trabajo práctico de Física

Escuela de Estudios Generales - Ciencias

Bacilio, Wilfredo (19140101); Caycho, Jesús (19140086); Dávila, Rodrigo (19100132);

Quito, Bryan (19140033)
2 de Sepiembre de 2019

Contents
1 Tablas 2
1.1 Tabla 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Tabla 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Tabla 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Desarrollo teórico previo: 3

2.1 El modelo de regresión simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Método de los Mínimos Cuadrados Ordinarios . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

3 Preguntas 5
3.1 Ejercicio 01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Ejercicio 02 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3 Ejercicio 03 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.4 Ejercicio 04 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.5 Ejercicio 05 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.6 Ejercicio 06 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.7 Ejercicio 07 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.8 Ejercicio 08 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.9 Ejercicio 09 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

4 Referencias 15

1
1 Tablas

1.1 Tabla 1

y x
10 9.3
20 17.4
30 26.7
40 36.1

1.2 Tabla 2

y x
1 5
2 20
3 45
4 80
5 125

1.3 Tabla 3

xi yi
0 455
1 402
2 356
3 315
4 278
5 246
6 218
7 193
8 171
9 151
10 133

2
2 Desarrollo teórico previo:

2.1 El modelo de regresión simple

La regresión lineal simple (o con una variable explicativa) consiste en generar un modelo de regresción
(ecuación de una recta) que permita explicar la relación lineal que existe entre dos variables. Normalmente,
diremos que x es la variable independiente, (predictora, regresora o explicativa) e y es la variable dependiente
(predicha, regresada o explicada).
El modelo de regresión lineal simple se describe de acuerdo a la ecuación:

yi = β0 + β1 xi + εi ; i = 1, 2, ..., n

Siendo β0 la ordenada en el origen (intercepto del modelo), β1 la pendiente y εi el error aleatorio. En nuestro
modelo, β0 representa el efecto de todas aquellas variables que influyen (sistemáticamente) en y, mientras
que el término de error aleatorio (εi ) es la diferencia ente el valor ajustado por la recta (de regresión) y el
valor real y recoge el efecto de todas aquellas variables que influyen (no sistemáticamente) en y, pero que no
se incluyen en el modelo (no fueron considerados como variables predictoras).
Normalmente, β0 y β1 poblacionales son desconocidos, por lo que, a partir de una muestra, debemos obtener
los valores estimados de los parámetros (o coeficientes) del modelo, es decir: βˆ0 y βˆ1 . En ese sentido, nuestro
modelo empírico será:

yi = β̂0 + βˆ1 xi ; i = 1, 2, ..., n

Para calcular los coeficientes del modelo podemos usar el método de los Mínimos Cuadrados Ordinarios
(M CO)1

2.2 Método de los Mínimos Cuadrados Ordinarios

Consiste en un método derivado de la minimización de la suma de los errores cuadrados de los residuos
(“SCR”). Se trata, por tanto, de seleccionar valores de los coeficientes βˆ0 y βˆ1 que resuelven el siguiente
problema:

X
M inβ̂ SCR = û2i
0 ,β̂1

Donde los residuos del modelo estimado (ûi ) es el estimador del error aleatorio εi y puede expresarse como:

ûi = yi − (β̂0 + β̂1 xi )

De modo que el problem puede escribirse como:

X n
X
M inβ̂ SCR = ûi 2
= (yi − β̂0 − β̂1 xi )2
0 ,β̂1
i=1

Ahora, aplicando la condición de primer orden tenemos:

n
dSCR X
= −2 (yi − β̂0 − β̂1 xi ) = 0
dβ0 i=1
1 También llamado Ordinary Least Square (OLS) en ingles.

3
 n
dSCR X
= −2 (yi − β̂0 − β̂1 xi )xi = 0
dβ1 i=1

Resolviendo la primera derivada encontramos que los coeficientes optimos que minimizan la suma de errores
al cuadrado estan dados por:

Pn P
yi − β̂1 xi
β̂0∗ = i
= y − β̂1 x
n
Pn Pn Pn
yi xi − n1 ( i=1 xi )( i=1 yi )
Pn
(x − y)(yi − y)
β̂1∗ = i=1
= Pn i
i=1
i=1 (xi − x)
Pn 2 − 1( n
) 2
P 2
i=1 ix n i=1 ix

Dichos valores óptimos de los coeficientes del modelo de regresión nos porporcionan directamente las esti-
maciones M CO. Se recomineda primero calcular β̂1 y, luego, se obtiene β̂0 = y − β̂1 x.

4
3 Preguntas

3.1 Ejercicio 01

Tomando en cuenta la tabla 1 de un experimento que involucra dos variables: x (variable independiente) e
y (variable independiente). Confeccionar una gráfica en papel milimetrado. ¿Qué tipo de función es?
Solución
En primer lugar debemos incorporr los datos de la tabla 1, para luego realizar el modelo de regresión simple
y encontrar la recta que se ajuste mejor al modelo.

data1 <- data.frame("y" = c(10, 20, 30, 40), "x" = c(9.3, 17.4, 26.7, 36.1))

Posterior a elo, procedemos a graficar la recta de regresión que minimiza el error aleatorio. Así, obtenemos
lo siguiente.

library(ggplot2)
ggplot(data1, aes(x= x, y= y)) + geom_point() + ggtitle("Gráfica del modelo 1") +
xlab("Variable explicativa x") +
ylab("Variable explicada x") +
geom_smooth(method=lm, se = FALSE)

Gráfica del modelo 1

40
Variable explicada x

30

20

10

10 20 30
Variable explicativa x

Tal como podemos observar, el gráfico de regresión lineal nos muestra que el modelo es lineal.

5
3.2 Ejercicio 02

Halle la ecuación del modelo empírico de la tabla 1

Solución
En este caso, podemos realizar de dos formas. De forma manual, es decir, realizando los cálculos de manera
manual con las ecuaciones derivadas por el método de los Mínimos Cuadrados Ordinarios, y mediante la
utilización del software.

• De forma manual

Tenemos los datos de la tabla 1 y completaremos los cálculos para calcular los coeficientes del modelo de
regresión simple. De ese modo, y realizando los cálculos, obtenemos el siguiente cuadro:
Pn
y x y i xi xi 2 ( i=1 xi ) 2
10 9.3 93 86.49
20 17.4 348 302.76
30 26.7 801 712.89
P 40 36.1 1,444 1,303.21
100 89.5 2,686 2,405.35 8,010.25

Ahora, procedemos a reemplazar en las formulas derivadas anteriormente. En ese sentido, tenemos:
Pn Pn Pn
yi xi − n1 ( i=1 xi )( i=1 yi ) 2, 686 − 41 (89.5)(100)
β̂1∗ = i=1
Pn n = = 1.11349
i=1 xi − n ( i=1 xi ) 2, 405.35 − 14 (8, 010.25)
1
2
P 2

Luego,

Pn
100 − 1.11349(89.5)
P
yi − β̂1 xi
β̂0∗ = i
= = 0.08565
n 4
Finalmente, el modelo puede representarse como:

yi = 0.08565 + 1.11349xi

• Utilizando software

Utilizando el software R, debemos hacer lo siguiente:

data1 <- data.frame("y" = c(10, 20, 30, 40), "x" = c(9.3, 17.4, 26.7, 36.1))
modelo1 <- lm(y ~ x, data = data1)
print(modelo1)

##
## Call:
## lm(formula = y ~ x, data = data1)
##
## Coefficients:
## (Intercept) x
## 0.08565 1.11349

6
Como podemos observar, el coeficiente del intercepto es 0.08565 y la pendiente del modelo es 1.11349, por
lo que el modelo represnetado es el mismo que obtuvimos manualmente, es decir:

yi = 0.08565 + 1.11349xi

3.3 Ejercicio 03

En la tabla 1, mediante el método de ajuste por mímimos cuadrados, halle la ecuación del modelo empírico
que relaciona y con x.
Solución
Como ya se había calculado, el modelo viene dado por la siguiuente ecuación que relaciona y con x:

yi = 0.08565 + 1.11349xi

Donde 0.08565 representa el efecto sistemático de las variables que afectan a y, los cuales no fueron incopo-
rados en el modelo. En ese sentido, 1.11349 es el cambio que sufre la variable explicada y, ante un cambio
en una unidad en la variable explicartiva x.

3.4 Ejercicio 04

Tomando en cuenta la tabla 2 de un experimento que involucra dos variables x e y. Confeccione una gráfica
en papel milimetrado de las variables. ¿Qué tipo de función es?
Solución
En primer lugar debemos incorporar los datos de las variables que serán graficados.

data2 <- data.frame("x" = c(1, 2, 3, 4, 5), "y" = c(5, 20, 45, 80, 125))

Posterior a ello, es recomendable realizar el gráfico con los valores sin transformar. En ese sentido procedemos
a graficarlo en R.

library(ggplot2)
ggplot(data2, aes(x= x, y= y)) + geom_point() + ggtitle("Gráfica del modelo 2") +
xlab("Variable explicativa x") +
ylab("Variable explicada y") +
geom_smooth(se = FALSE)

7
 Gráfica del modelo 2
125

100
Variable explicada y

75

50

25

0
1 2 3 4 5
Variable explicativa x

Como podemos observar en el gráfico el comportamiento de la gráfica nos sugiere que la relación no es lineal
y que no podemos realizar la estimación de los parámetros del modelo sin antes realizar una transformación
al modelo. En ese sentido, viendo el comportamiendo de la gráfica anterior, nos sugiere un modelo de
potencia, digamos de la siguiente forma:

yi = β̂0 xβ̂i 1
Ahora, tomando logaritmo tenemos:

log(yi ) = log(β̂0 ) + log(xβ̂i 1 )

log(yi ) = log(β̂0 ) + β̂1 log(xi )

El cual puede representarse como:

yi0 = β̂00 + β̂10 x0i

Entonces, podemos realizar el gráfico correspondiente a este caso. Así, tenemos:

library(ggplot2)
ggplot(data2, aes(x= log(x), y= log(y))) + geom_point() + ggtitle("Gráfica del modelo 2'") +
xlab("Log de la variable explicativa x") +
ylab("Log de la variable explicada y") +
geom_smooth(method = lm, se = FALSE)

8
 Log de la variable explicada y Gráfica del modelo 2'

0.0 0.5 1.0 1.5

Log de la variable explicativa x

Donde claramente observamos una relación lineal entre las variables transformadas en logaritmos.

3.5 Ejercicio 05

Con los datos de la tabla 2 y usando el papel logarítmico hallar la ecuación del modelo empírico que relaciona
x e y.
Solución
De la tabla 2 podemos observar claramente que:

x y Desarrollo
1 5 y1 = 5x21 = 5(1)1 = 5
2 20 y2 = 5x21 = 5(2)2 = 20
3 45 y3 = 5x21 = 5(3)2 = 45
4 80 y4 = 5x21 = 5(4)2 = 80
5 125 y5 = 5x21 = 5(5)2 = 125

Por lo que nuestra función en potencia viene dado por:

yi = 5x2i

9
3.6 Ejercicio 06

En la tabla 2, mediante el método de ajuste por mínimos cuadrados halle la ecuación del modelo empírico
que relaciona y con x.
Solución

• De forma manual

Tenemos los datos de la tabla 2 y completaremos los cálculos para calcular los coeficientes del modelo de
regresión simple. De ese modo, y realizando los cálculos, obtenemos el siguiente cuadro:

2 Pn
x y x0 = log(x) y 0 = log(y) yi0 x0i x0i ( i=1 x0i )2
1 5 0.0 1.6 0.0 0.0
2 20 0.7 3.0 2.1 0.5
3 45 1.1 3.8 4.2 1.2
4 80 1.4 4.4 6.1 1.9
P 5 125 1.6 4.8 7.8 2.6
15 275 4.8 17.6 20.1 6.2 22.9

Ahora, procedemos a reemplazar en las formulas derivadas anteriormente. En ese sentido, tenemos:
Pn Pn Pn
∗ yi0 x0i − n1 ( i=1 x0i )( i=1 yi0 ) 20.1 − 51 (4.8)(17.6)
β̂ 0 1 = i=1
= =2
6.2 − 51 (22.9)
Pn 02 n
i=1 xi − n ( i=1 xi )
1 0 2
P

Luego,

Pn
yi0 − β̂10 x0i 17.6 − 2(4.8)
P
β̂00∗ = i
= = 1.609
n 5
Finalmente, el modelo puede representarse como:

yi0 = 1.609 + 2x0i

El cual puede expresarse como:

yi = 5x2i

Pues, yi0 = log(yi ), x0i = log(xi ) y log(5) = 1.609.

• Utilizando software

Utilizando el software R, debemos hacer lo siguiente:

modelo2 <- lm(log(y) ~ log(x), data = data2)

print(modelo2)

##
## Call:
## lm(formula = log(y) ~ log(x), data = data2)

10
##
## Coefficients:
## (Intercept) log(x)
## 1.609 2.000

Como podemos observar, el coeficiente del intercepto es 1.609 y la pendiente del modelo es 2, por lo que el
modelo representado es el mismo que obtuvimos manualmente, es decir:

yi0 = 1.609 + 2x0i

Es decir,

yi = 5x2i

Pues, yi0 = log(yi ), x0i = log(xi ) y log(5) = 1.609, tal como se obtuvo de foman manual.

3.7 Ejercicio 07

Tomando en cuenta la tabla 3, de un experimento que involucra dos variables x e y. Confeccionar una gráfica
en papel milimetrado. ¿Qué tipo de función es?
Solución
Tal como en los casos anteriores, en principio colocamos los datos de la tabla 3.

data3 <- data.frame("x" = c(0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10),

"y" = c(455, 402, 356, 315, 278, 246, 218, 193, 171, 151, 133))

Ahora procedemos a graficarlo.

library(ggplot2)
ggplot(data3, aes(x = x, y = y)) + geom_point() + ggtitle("Gráfica del modelo 3") +
xlab("Variable explicativa x") +
ylab("Variable explicada y") +
geom_smooth(se = FALSE)

11
 Gráfica del modelo 3

400
Variable explicada y

300

200

0.0 2.5 5.0 7.5 10.0

Variable explicativa x

Como podemos observar, el gráfico parece sugerir una función exponecial. En ese sentido, la función
propuesta es la siguiente:

yi = β̂0 eβ̂1 xi

El cual puede ser linealizada tomando el logaritmo natural.

ln(yi ) = ln(β̂0 ) + ln(eβ̂1 xi ) = ln(β̂0 ) + β̂1 xi

El cual puede representarse como:

yi0 = β̂00 + β̂1 xi

Luego, procedemos a graficar el modelo linealizado anteriormente.

library(ggplot2)
ggplot(data3, aes(x = log(x), y = y)) + geom_point() + ggtitle("Gráfica del modelo 3'") +
xlab("Variable explicativa x") +
ylab("Logaritmo natural de la variable explicada y") +
geom_smooth(se = FALSE)

12
 Logaritmo natural de la variable explicada y Gráfica del modelo 3'

400

300

200

0.0 0.5 1.0 1.5 2.0

Variable explicativa x

Por lo cual, el gráfico sugiere un modelo exponencial

3.8 Ejercicio 08

Con los datos de la tabla 3, halle la ecuación del modelo empírico que relaciona x e y utilizando el papel
semilogarítmico.
Solución
De la pregunta anterior, obtuvimos que la función que mejor representa el modelo original sin una transfor-
mación es una función exponecial como:

yi = β̂0 eβ̂1 xi

El cual puede ser linealizada tomando el logaritmo natural.

ln(yi ) = ln(β̂0 ) + ln(eβ̂1 xi ) = ln(β̂0 ) + β̂1 xi

El cual puede representarse como:

yi0 = β̂00 + β̂1 xi

El cual sería el m odelo linealizado.

13
3.9 Ejercicio 09

Emplee el métodfo de ajuste por mínimos cuadrados de la tabla 3 para encontrar la ecuación del modelo
empírico que relaciona y con x.
Solución

• De forma manual

Tenemos los datos de la tabla 2 y completaremos los cálculos para calcular los coeficientes del modelo de
regresión simple. De ese modo, y realizando los cálculos, obtenemos el siguiente cuadro:
Pn
xi yi yi0 = ln(yi ) yi0 xi xi 2 ( i=1 xi )2
0 455 6.12 0.00 0
1 402 6.00 6.00 1
2 356 5.87 11.75 4
3 315 5.75 17.26 9
4 278 5.63 22.51 16
5 246 5.51 27.53 25
6 218 5.38 32.31 36
7 193 5.26 36.84 49
8 171 5.14 41.13 64
9 151 5.02 45.16 81
P 10 133 4.89 48.90 100
55 2,918 60.57 289.38 385 3,025

Ahora, procedemos a reemplazar en las formulas derivadas anteriormente. En ese sentido, tenemos:
Pn Pn Pn
∗ yi0 xi − n1 ( i=1 xi )( i=1 yi0 ) 289.38 − 11
1
(55)(60.57)
β̂ 0 1 = i=1
Pn n = = −0.123
i=1 xi − n ( i=1 xi ) 385 − 11 (3, 025)
1 1
2
P 2

Luego,

Pn
yi0 − β̂10 60.57 − (−0.123)(55)
P
xi
β̂00∗ = i
= = 6.120
n 11
Finalmente, el modelo puede representarse como:

yi0 = 6.120 − 0.123xi

El cual puede expresarse como:

yi = 455e−0.123xi

Pues, yi0 = ln(yi ), xi = xi y ln(455) ' 6.120.

• Utilizando software

Utilizando el software R, debemos hacer lo siguiente:

14
modelo3 <- lm(log(y) ~ x, data = data3)
print(modelo3)

##
## Call:
## lm(formula = log(y) ~ x, data = data3)
##
## Coefficients:
## (Intercept) x
## 6.1198 -0.1226

Como podemos observar, el coeficiente del intercepto es 6.1198 y la pendiente del modelo es −0.1226, por lo
que el modelo representado es similar al que obtuvimos manualmente, es decir:

yi0 = 6.1198 − 0.1226xi

Es decir,

yi = 455e−0.1226xi

Pues, yi0 = ln(yi ) y log(455) ' 6.1198, el cual es similar a lo calculado de forma manual.

4 Referencias
• Material de clase. Representación gráfica de resultados experimentales (relacionales no-lineales.

• Bacilio, Wilfredo. Notas de Econometría aplicada en R.

• Máxima Formación. Gráficos ggplot2.

15