Métodos Numéricos
examen departamental
Facultad de ingeniería
Ing. Industrial
Alan Azahel Rivera Serrano 202250289
Alan Romero
…..
…..
….
PRIMAVERA 2023
INTRODUCCION PROBLEMA 1
Ajustar una curva a un conjunto de datos es una tarea común en muchas áreas de
la ciencia y la ingeniería. La razón es encontrar una curva que se ajuste a los
datos de manera adecuada para poder hacer predicciones o inferencias sobre el
comportamiento de la variable a buscar.
El método de mínimos cuadrados es uno de los métodos más populares de ajuste
de curvas. Este método implica encontrar una curva que minimice la suma de los
cuadrados de las diferencias entre los valores observados y los valores predichos
por la curva ajustada. Este método es ampliamente utilizado en la estadística y en
otras áreas donde se requiere un ajuste de curvas preciso.
El problema a presentar seria poder predecir los salarios de los trabajadores en
función de la experiencia laboral, es decir, supongamos que tenemos un grupo de
datos que registra el sueldo en miles y la experiencia laboral en años de diferentes
empleados en una industria. El propósito es desarrollar un modelo que permita
pronosticar el sueldo de un trabajador en base a su experiencia profesional.
Pasos que seguimos para resolver dicho problema:
1. Visualizar los datos: Se debe graficar la experiencia laboral en el eje x y el
salario en el eje y para entender cómo se distribuyen los datos y detectar
posibles valores atípicos.
2. Ajustar un modelo de regresión lineal: Se debe ajustar un modelo de
regresión lineal para encontrar la línea que mejor se ajuste a los datos.
(utilizando el método de cuadrados mínimos)
3. Evaluar el modelo: Se debe evaluar la calidad del modelo utilizando
medidas de error, como el error cuadrático medio y el coeficiente de
determinación.
4. Realizar predicciones: Utilizando el modelo ajustado, se pueden realizar
predicciones del salario esperado de un trabajador en función de su
experiencia laboral.
DATOS DE PARTIDA.
Suponiendo que tenemos un conjunto de datos con la información de la
experiencia laboral y su relación con el salario, y nos dicen que hagamos un
modelo capaz de predecir el salario en función de la experiencia laboral.
Años de experiencia Salario en miles
2 15
3 17
5 22
6 25
8 28
9 30
10 35
DESARROLLO DE LOS CÁLCULOS.
Podemos observar que los datos parecen tener una relación lineal, es decir, que el
salario tiende a aumentar a medida que la experiencia laboral aumenta.
Para ajustar el modelo de regresión lineal, utilizamos la ecuación general de una
línea:
y = mx + b
Donde y es el salario, x es la experiencia laboral, m es la pendiente de la línea y b
es la intersección con el eje y.
Para encontrar los valores de m y b que mejor ajusten los datos, utilizamos el
método de mínimos cuadrados
Tendríamos;
x y yx x**2
2 15 30 4
3 17 51 9
5 22 110 25
6 25 150 36
8 28 224 64
9 30 270 81
10 35 350 100
sumatoria: 43 172 1185 319
Formulas a usar:
m=∑ xy −¿ ¿ ¿
b=
∑ y −m( ∑ x )
n n
DESARROLLO
(43)(172)
1185 − 1185 − 1056.5714
𝑚= 7 𝑚=
1879 319 − 268.4285
319 −
7
m=
128.4286
=2.5396 b=
∑ y −m( ∑ x ) b=
172 43
−(2.5396)( )
50.5715 n n 7 7
b=24.5714−( 2.5396 ) ( 6.1428 )=b=24.5714−15.6002=8.9712
RESULTADOS CLARAMENTE MOSTRADOS.
m=2.5396, b=8.9712
formula: y = (2.5396)x + 8.9712
y este seria nuestro modelo, sin embargo, toca la evaluación del modelo.
Entonces para evaluar la calidad del modelo, podemos calcular el error cuadrático
medio (MSE) y el coeficiente de determinación (R2).
x y yx x pronostico error de pronostico Error Cuadratico Medio
2 15 30 4 14.0504 0.9496 0.90174016
3 17 51 9 16.59 0.41 0.1681
5 22 110 25 21.6692 0.3308 0.10942864
6 25 150 36 24.2088 0.7912 0.62599744
8 28 224 64 29.288 -1.288 1.658944
9 30 270 81 31.8276 -1.8276 3.34012176
10 35 350 100 34.3672 0.6328 0.40043584
sumatoria: 43 172 1185 319 172.0012 -0.0012 7.20476784
1.029252549
El MSE se calcula como la media de los errores al cuadrado entre los datos
observados y los valores predichos por el modelo. En este caso, el MSE es de
1.02925
El R2 se calcula como la proporción de la varianza explicada por el modelo en
relación a la varianza total de los datos. En este caso, el R2 es de 0.9835, lo que
indica que el modelo explica el 98.35% de la variabilidad en los datos.
ANÁLISIS DE RESULTADOS.
Utilizando el modelo de regresión lineal ajustado, podemos realizar predicciones
del salario esperado de un trabajador en función de su experiencia laboral.
Por ejemplo, si un trabajador tiene 16 años de experiencia, podemos decir
Salario= (2.5396)12 + 8.9712=49.60
Por lo tanto, este trabajador tendría un salario de aproximadamente $49,600
pesos.
CONCLUSIÓN PROBLEMA 1:
En este problema de aplicación, se ha utilizado el método de ajuste de curvas de
regresión lineal y mínimos cuadrados. Para encontrar una relación entre la
experiencia laboral y el salario de un trabajador. El modelo obtenido explica la
mayoría de la variabilidad en los datos y permite hacer predicciones del salario
esperado de un trabajador en función de su experiencia laboral.
