TRABAJO DE APLICACIN CURVAS EN S PROFESOR: Ing. JHON WILDER ZARTHA SOSSA.

ESPECIALIZACIN EN GERENCIA DE PROYECTOS UNIVERSIDAD EAFIT 2009 * CONTENIDO 1. 2. 3. INTRODUCCIN Extrado de www.wikipedia.org La curva logstica o curva en forma de S es una funcin matemtica que aparece en diver sos modelos de crecimiento de poblaciones, propagacin de enfermedades epidmicas y difusin en redes sociales. Dicha funcin constituye un refinamiento del modelo expo nencial para el crecimiento de una magnitud. La curva logstica propone que bajo ciertas circunstancias razonables muchas magni tudes en sistemas ecolgicos y sociales evolucionan con el tiempo de acuerdo con l a expresin: Donde K es se llama capacidad del sistema, y r se llama tasa natural de incremen to. Una magnitud que crece de acuerdo con esa expresin se dice que presenta creci miento logstico. 1.1 Propiedades [editar] La funcin logstica que modeliza el crecimiento logstico de una magnitud M(t) tiene las siguientes propiedades: * Crecimiento acotado, para todo t se cumple que: * Aproximacin exponencial, para valores pequeos de M/K (o tambin para valores de la funcin logstica puede aproximarse por un modelo de crecimiento exponencial de l tipo . 2.1 Origen del crecimiento logstico [editar] El crecimiento logstico est relacionado con el crecimiento exponencial, de hecho p ara pequeos valores de la magnitud que presenta crecimiento logstico, el crecimien to logstico se asemeja mucho al crecimiento exponencial. Sin embargo, a partir de un cierto punto el crecimiento se ralentiza, eso hace que la curva pueda repres entar adecuadamente la propagacin de rumores, la extensin de una innovacin tecnolgic a o una epidemia: al principio estas se propagan rpidamente, cada "infectado" o " afectado" por la innovacin es susceptible de traspasar el "contagio" a otro indiv iduo que tenga contacto con l, pero a cuando el nmero de "infectados" crece es ms d ifcil encontrar una persona que previamente no haya estado en contacto con la enf ermedad o innovacin. Una mangitud P; que sigue un crecimiento logstico tiene un crecimiento dado por l a ecuacin diferencial no lineal: Donde: , es la tasa de crecimiento, cuando P; es pequea en relacin a la tasa de crecimie nto de la variable es prcticamente proporcional a r, tal como sucede en un modelo de crecimiento exponencial. es la capacidad o nivel de saturacin de la variable, normalmente representa algu na restriccin que el ecosistema o el medio en el que crece la variable impone un lmite mximo por encima del cual la variable no puede seguir creciendo. INTRODUCCIN 3 DATOS INICIALES 4 BIBLIOGRAFA 10

DATOS INICIALES Para elaborar el anlisis de tomaron como datos iniciales el promedio acumulado de metros cuadrados de aislamiento instalados durante los ltimos 30 meses de operac in de una empresa de Refrigeracin, as: TIEMPO 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 | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | CANTIDAD 450 | 1030 | 1680 | 2430 | 3110 | 3760 | 4410 | 5260 | 6060 | 6730 | 7290 | 7840 | 8290 | 8690 | 9070 | 9720 | 10020 | 10470 | 10920 | 11600 | 12150 | 12910 | 13490 | 14360 | 15110 | 16040 | 16490 | 17050 | 17700 | 18400 | |

La grfica inicial fue la siguiente: De acuerdo a esta grfica y a los datos iniciales se usaron los siguientes parmetro s para realizar el anlisis estadstico con el software STATGRAPHICS 5.1. Regresin No lneal ------------------Variable dependiente: Y Variables independientes: t Funcin a estimar: a+(b/(1+exp(-1*c*(t-d)))) Estimaciones del parmetro inicial: a = 10000.0 b = 8400.0 c = 0.1 d = 12.0 Mtodo de estimacin: Marquardt La estimacin se detuvo despus de alcanzar las mximas iteracciones Nmero de iteracciones: 31 Nmero de llamadas de funciones: 181

Resultados de la Estimacin ---------------------------------------------------------------------------Asinttica 95.0% Asinttica Intervalos de Confianza Parmetro Estimado Error Estndar Inferior Superior ---------------------------------------------------------------------------a -10726.7 8881.6 -28983.1 7529.73 b 41594.3 18759.9 3032.66 80156.0 c 0.059468 0.029425 -0.00101601 0.119952 d 16.6221 2.67477 11.1241 22.1202 ---------------------------------------------------------------------------Anlisis de Varianza ----------------------------------------------------Fuente Suma de Cuadrados Gl Cuadrado Medio ----------------------------------------------------Modelo 3.45961E9 4 8.64902E8 Residuos 5.29273E6 26 203566.0 ----------------------------------------------------Total 3.4649E9 30 Total (Corr.) 8.04127E8 29 R-Cuadrado = 99.3418 porcentaje R-Cuadrado (adaptado para g.l.) = 99.2659 porcentaje Error Estndar de la Est. = 451.183 Error absoluto de la Media = 361.551 Estadstico Durbin-Watson = 0.157338 Autocorrelacin residual Lag 1 = 0.866735 Anlisis de Residuos --------------------------------Estimacin Validacin n 30 MSE 203566.0 MAE 361.551 MAPE 10.514 ME -1.65554 MPE -6.06064 El StatAdvisor -------------La salida muestra los resultados del ajuste a un modelo de regresin no lineal para describir la relacin entre las variables independientes Y y 1. La ecuacin del modelo ajustado es -10726.7+(41594.3/(1+exp(-1*0.059468*(t-16.6221)))) Realizando el ajuste, el proceso de estimacin se detuvo antes de la convergencia debido al mximo nmero de interacciones que se han excedido. Para continuar con el proceso de estimacin, ponga las estimaciones iniciales de los parmetros desconocidos en las estimaciones actuales y empiece el proceso de estimacin de nuevo. El estadstico R-cuadrado indica que el modelo as ajustado explica 99.3418% de la variabilidad en Y. El estadstico R-cuadrado ajustado ms conveniente para comparar modelos con nmeros diferentes de variables independientes es 99.2659%. El error estndar de la estimacin muestra la desviacin normal de los residuos para ser 451.183. Este valor puede utilizarse para construir los lmites de prediccin para las nuevas observaciones seleccionando la opcin

Previsiones del men de texto. El error absoluto de la media (MAE) de 361.551 es el valor promedio de los residuos. El estadstico Durbin-Watson (DW) revisa los residuos para determinar si hay alguna correlacin significativa basada en el orden en el que se suceden los datos en su fichero. La salida tambin muestra aymptotics 95.0% intervalos de confianza para cada uno de los parmetros desconocidos. Estos intervalos son aproximados y ms precisos para tamaos de muestra grandes. Puede determinar si una estimacin es o no estadsticamente significativa examinando cada intervalo y observando si contiene el valor 0.0. Los intervalos que contienen el valor 0.0 corresponden a coeficientes que pueden eliminarse del modelo sin afectar substancialmente el ajuste. Segn los datos entregados por el software, indica que la funcin escogida para anal izar los datos ingresados no es lo suficientemente confiable, ya que, aunque cum ple con los requerimientos exigidos por el anlisis por medio de R(2) aproximado a l 100%, no cumple con el parmetro Durbin-Watson que debe ser aproximadamente 2. Pero adems, se puede concluir que el punto de inflexin se encuentra dentro de la c urva, y su valor es 16.6221. Adems se estima que los valores iniciales para el anl isis de la serie de datos deben ser como lo indica el modelo ajustado de la func in en el resultado del Stat Advisor. BIBLIOGRAFA * www.wikipedia.org * Software, STATGRAPHICS 5.1, TRIAL VERSION.