c
 c



   

Los datos sobre consumo de determinado artículo por habitante, en los últimos
cinco (5) años, y el respectivo ingreso por habitante, a precios constantes, son los
siguientes:

Ingreso por habitante, T 5 6 8 10 11

(Miles dólares/habitante)

Consumo, Y 40 53 67 69 78
(Unidades/habitante)

Ajustar los datos anteriores, por el método de los mínimos cuadrados, a:

Una función lineal;
Una función parabólica de grado 2;
Una función exponencial;
Una función potencial.
¿Cuál es la tendencia de los datos históricos? ¿Cuál es el consumo esperado
cuando el ingreso sea de 12.000 dólares/habitante?



El método de mínimos cuadrados se utiliza para determinar la ecuación lineal que
mejor se ajuste a la relación entre variables observadas.

Matemáticamente la ecuación de regresión lineal es:


 !
donde Y es el valor estimado de la variable dependiente para un valor especifico
de la variable independiente X, a es el punto de intersección de la línea de
regresión con el eje Y, b es la pendiente de la línea de regresión y X es el valor
especifico de la variable independiente.

El criterio de los mininos cuadrados permite que la linea de regresión de mejor
ajuste reduzca al minimo la suma de las desviaciones cuadraticas entre los
valores reales y estimados de la variable dependiente para la informacion
muestral.
Vea Ê(
la suma de los cuadrados de todas estas desviaciones

Ê(
)
 )(
 )2 (
 ) (
 )

Los valores que minimizan a Ê(
) son aquellos para los que

Ve obtiene así, un sistema de dos ecuaciones con dos incógnitas y  cuya

solución es

Donde  e
son las medias de las variables y n el número de relaciones.


" #$

La recta que mejor se ajusta a los datos de la tabla tiene la forma:

Y= a + bX

     
Donde la pendiente es Ë
y la intersección es

¬ b .
    

Para aplicar la regresión lineal se debe:

1. Calcular los valores de las sumatorias, para hallar la pendiente b y el punto

de intersección a.

En la siguiente tabla se especifican los valores de X, Y y las sumatorias

 V%!& ' %& ! !( (
40 5 200 1.600 25
53 6 318 2.809 36
67 8 536 4.489 64
69 10 690 4.761 100
78 11 858 6.084 121
V:307 V 40 V:2.602 V!(19.743 V(346


2. Ve halla el valor de la pendiente, remplazando los valores de la tabla en la
ecuación

     
Ë

    

Donde n es el número de relaciones que para este caso es 5, entonces,

     

Ë


 
      

Ë  

3. Ve halla el valor de a,

€ Ë  , donde — 


 


   , la media
de los valores de x.

Entonces,


—= ;    
 
Ahora hallamos a

 €   
€

€

4. Reemplazamos los valores de a y b en la ecuación lineal Y = a + b X,

€   
 Ahora se representa gráficamente la función

Los puntos rojos de la grafica corresponde a los valores de X e Y,

inicialmente dados en la tabla de datos y la recta, es la que mejor se ajusta
a los valores iniciales.

" #$: 


La idea es convertir una curva exponencial a una recta por medio de logaritmos,
como sigue:

Ve empieza con la función exponencial

f !
y se toma el logaritmo de ambos lados:

log y = log ( ! )
Las propiedades de logaritmos nos dan entonces

Log y = log A + log ! 

Log y = log A + x log r

Esto expresa log y como una función lineal de x,

Y = a + bX con
Pendiente = b =log r

Intersección = a = log A

Por lo tanto, si calculamos la recta de mejor ajuste usando log y como una función
de x, entonces la pendiente y la intersección en y serían dados,

     
Ë
;
€ Ë
    

y después podemos obtener los coeficientes r y A por

« " ; # $

Para hallar la regresión se debe:

1. Calcular los valores de las sumatorias, para hallar la pendiente b y el punto

de intersección a.

En la siguiente tabla se especifican los valores de X, Y = log y y las

sumatorias, donde .

! )' ! !(

40 0.6989 27.956 1.600
53 0.7781 41.239 2.809
67 0.9030 60.501 4.489
69 1 69 4.761
78 1.0413 81.221 6.084
V:307 V 4.4213 V:279.9177 V!(19.743

2. Ve halla el valor de la pendiente, remplazando los valores de la tabla en la

ecuación

     
Ë

    

Donde n es el número de relaciones que para este caso es 5, entonces,

       

Ë



      

Ë  %
 3. Ve halla el valor del punto de intersección a,

€ Ë  , donde — 


 


   , la media
de los valores de x.

Entonces,

 
—=   ;    
 
Ahora hallamos a

  €  % 
  €  

 

4. Reemplazamos los valores de a y b en la ecuación lineal Y = a + b X,

    %

Ahora se representa gráficamente la función

Los puntos azules de la grafica corresponden a los valores de X y log y, i

dados en la tabla de datos y la recta, es la que mejor se ajusta a los
valores.


 5. Calculamos los coeficientes deseados para llegar a la función inicial

f !  , donde « " ; # $

Entonces,

« "    

# $   

Por lo cual,

f 

" #$ 


La función potencial

&' "

Por las propiedades de los logaritmos se transforma en

Log y = log a + b log x

Vi se usan las nuevas variables log y = y; log a= a y log x=x , se obtiene la relación
lineal

Y = a + bX

Por lo tanto, si calculamos la recta de mejor ajuste usando log y como una función
de x, entonces la pendiente y la intersección en Y serían dados,

     
Ë
;
€ Ë
    

Para hallar la regresión se debe:

1. Calcular los valores de las sumatorias, para hallar la pendiente b y el punto

de intersección a.
 En la siguiente tabla se especifican los valores de X= log x, Y = log y y las
sumatorias,

!': )' ! !(

1.6020 0.6989 1.1196 2.5664
1.7242 0.7781 1.3416 2.9728
1.8260 0.9030 1.6488 3.3342
1.8388 1 1.8388 3.3811
1.8920 1.0413 1.9701 3.5796
(
V:8.883 V 4.4213 V:7.9189 V! 15.8341

2. Ve halla el valor de la pendiente, remplazando los valores de la tabla en la

ecuación

     
Ë

    

Donde n es el número de relaciones que para este caso es 5, entonces,

        

Ë



       

Ë  

3. Ve halla el valor del punto de intersección a,

€ Ë  , donde — 


 


   , la media
de los valores de x.

Entonces,

 
—=   ;     
 
Ahora hallamos a

  €   
  € 

€ 

4. Reemplazamos los valores de a y b en la ecuación lineal Y = a + b X,



€     

Ahora se representa gráficamente la función

Los puntos rojos de la grafica corresponden a los valores de X= log x y Y=

log y, dados en la tabla de datos y la recta, es la que mejor se ajusta a los
valores.

" #$ *


La función cuadrática

Y = a + bX + cX2

Para este caso la suma de los cuadrados de todas las desviaciones es


Ahora necesitamos encontrar los parámetros a, b y c que minimicen E, para ello
derivamos con respecto a cada constante e igualamos a cero cada derivada.

Ahora resolvemos y nos queda el siguiente sistema de ecuaciones

El cual debe resolverse para hallar los valores de a, b y c

Para obtener la regresión cuadrática se debe:

1. Calcular los valores de X, Y y de las sumatorias del sistema de ecuaciones.

En la siguiente tabla se especifican los valores necesarios para solucionar

el sistema de ecuaciones.

!  ! !( !+ !, !(

40 5 64.000 2.560.000 8.000
200 1.600
53 6 148.877 7.890.481 16.854
318 2.809
67 300.763 20.151.121 35.912
8 536 4.489
69 328.509 22.667.121 47.610
10 690 4.761
78 474.552 37.015.056 66.924
11 858 6.084
V: V V: V!( V( V!, V!(
307 40 2.602 19.743 1.316.701 90.283.779 175.300

Ahora reemplazamos los valores anteriores en el sistema de ecuaciones

L (
 Ë L
  L
 )  
 Ë  % 
L

L
 Ë L
   L
 )  
 % Ë    

L


L


Ë L
   L


  % 

  Ë
 %  %

Entonces, tenemos el siguiente sistema de ecuaciones

 
 Ë  %  v
 
 % Ë     (
  % 
  Ë
 %  % +

El cual resolveremos por el método de sustitución

a¬ Despejamos a de la ecuación v

€Ë € %   

€ Ë €  %*  

b¬ Reemplazos a en la ecuación ( y despejamos c

 € Ë €  %*    % Ë    

 € %*Ë €   *     % Ë    
 %* Ë   *  
 %* Ë   *   € 
 %* Ë   * € 

Ahora despejamos c

 € %* Ë
   €  Ë
 *

c¬ Reemplazamos a en la ecuación +

  % € Ë €  %*     Ë
 %  %

 
€  * Ë €  % %   %    Ë
 %  %

   *Ë        %

  *Ë      €   ,

Ahora reemplazamos c en ,

  *Ë       €  Ë €  

  *Ë    * €  *Ë €  

 € % Ë €  *

Despejamos b

€ *
Ë € 
%