Professional Documents
Culture Documents
UACA
UNIDAD ACADMICA DE CIENCIAS AGROPECUARIAS
TEMA:
MODELO MATEMTICO PARA DETERMINAR EL PESO PTIMO
DE COSECHA DEL CAMARN.
ALUMNO:
ASIGNATURA:
Econometra
DOCENTE:
Ing. Jhonny Alban Alcvar
AO LECTIVO:
2017 - 2018
INTRODUCCIN
El objetivo principal de este trabajo se centra en determinar cul es el peso ptimo del
camarn para su cosecha en funcin del tiempo en que este se est cultivando. Dada la
produccin de este cultivo, ya que la principal ventaja o beneficio que se puede obtener
del camarn, los costos, los beneficios, e inclusive pronosticar todos los datos
anteriores.
Objetivo General
Determinar cul es el peso ptimo del camarn para su cosecha en funcin del
FUNDAMENTACIN
crecen por medio de mudas sucesivas a lo largo de su vida. Estos se cran en grandes
estanques o piscinas, que suelen tener por lo menos un metro de profundidad. El cultivo
promedio el camarn se cosecha entre los 98 y 120 das, alcanzan don un peso entre 12
al Ing. Carlos Olvin Farinango Romero; que corresponde a las semanas de produccion y
peso obtenido en una de sus camaroneras, estos datos sern analizados para aplicarlos al
0.3 1 11.7 11
0.6 2 13 12
1.5 3 14.3 13
2.6 4 15.6 14
3.9 5 16.9 15
5.2 6 18.2 16
6.5 7 19.5 17
7.8 8 20.8 18
9.1 9
20
15
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Fuente: El autor
Elaborado: Excel, versin 2013.
De esta grafica se puede establecer, que muestra una relacin positiva creciente, y es
directa, por lo cual se presume que existe una correlacin fuerte entre el peso y el
tiempo. Seguido de esto procedemos a medir la intensidad de la relacin, para ello
hacemos uso de la frmula de correlacin de Pearson.
n xy( x)( y )
R=
[ n ( x )( x) ][ n ( y )( y ) ]
2 2 2 2
En donde:
n = muestra
xy= Sumatoria de la variable X por Y
x= Sumatoria de la variable X
y= Sumatoria de la variable Y
x2= Sumatoria de la variable X elevada al cuadrado
y2= Sumatoria de la variable Y elevada al cuadrado
Tiempo
Peso X
Y X*Y X^2 Y^2
0,3 1 0,3 0,09 1
0,6 2 1,2 0,36 4
1,5 3 4,5 2,25 9
2,6 4 10,4 6,76 16
3,9 5 19,5 15,21 25
5,2 6 31,2 27,04 36
6,5 7 45,5 42,25 49
7,8 8 62,4 60,84 64
9,1 9 81,9 82,81 81
10,4 10 104 108,16 100
11,7 11 128,7 136,89 121
13 12 156 169 144
14,3 13 185,9 204,49 169
15,6 14 218,4 243,36 196
16,9 15 253,5 285,61 225
18,2 16 291,2 331,24 256
19,5 17 331,5 380,25 289
20,8 18 374,4 432,64 324
177,9 171 2300,5 2529,25 2109
Sustituimos valores:
n xy( x)( y )
r=
[ n ( x )( x) ][ n ( y )( y ) ]
2 2 2 2
18(2300.5)(177.9)(171)
r=
[ 18 ( 2109 )(171) ] [ 18 ( 2529.25 )( 177.9) ]
2 2
4140930420.9
r=
[ 3796229241 ][ 45526.5031648.41 ]
10988.1
r=
11001,40095
r=0.99 87
r=0.9987 x 100=99,87
2
r =0.997
-1 1
-0.5 0 0.5
Correlacin Correlacin
negativa Correlacin nula positiva
perfecta perfecta
Segn la escala se concluye que existe una correlacin positiva fuerte, de la cual se
asume que las variables son adecuadas para la construccin de un modelo de regresin.
15
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Fuente: El autor
Elaborado: Excel, versin 2013
El modelo presenta una funcin de Y = 1,26x 2,0863 con un R^2 de 0.9976, es decir
los datos se ajustan en un 99,76%. Ahora se proceder a probar un modelo polinomial
de segundo grado para observar si existe un mayor ajuste de los datos.
15
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Fuente: El autor
Elaborado: Excel, versin 2013
En este caso el modelo es Y= 0,009x2 + 1,0886x - 1,5152, cuyo R^2 es de 0,9987,
presentando as un mayor ajuste que el modelo lineal, no obstante a esto se proceder a
efectuar otro modelo para ver si presenta mayor ajuste.
Modelo potencial
25
f(x) = 0.29 x^1.52
R = 0.99
20
15
10
0
0 2 4 6 8 10 12 14 16 18 20
Fuente: El autor
Elaborado: Excel, versin 2013
El modelo potencia Y= 0,2936x1,521 con un R^2 de 0,99 si presenta un buen ajuste, pero
no superior a los dos modelos anteriores. A continuacin proceder a utilizar otro
modelo.
Modelo logartmico
25
20
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Fuente: El autor
Elaborado: Excel, versin 2013
El modelo es Y = 7,7003ln(x) - 5,6864 con un R^2 = 0,8406 presenta un menor ajuste
comparndolo con los modelos anteriores a pesar de tener una relacin intensa en sus
datos. Finalmente se analizar tambin con el modelo exponencial, a fin de seleccionar
el modelo con el que se ajustan mayor los datos.
Modelo exponencial
Fuente: El autor
Elaborado: Graph, versin 4,2
Interpretacin
Analizando los 5 modelos se concluye que el modelo polinomial (Segundo grado)
presenta el mejor ajuste de la relacin tiempo y peso (X, Y).
Y= 0,009x2 + 1,0886x - 1,5152
Llevando el modelo a las variables queda as:
P= 0,009T2 -1,0088T 1,5152
En donde:
P = Peso (Y)
T= Tiempo (X)
A partir de este modelo se puede contestar a la interrogante planteada en el modelo.
Cul es la edad ptima para cosechar el camarn? o En qu momento es
adecuado cosechar el camarn?
Esta interrogante se responde entendiendo que el peso adecuado se da en un periodo de
tiempo en donde la tasa de variacin del peso comienza a decaer, con lo que se puede
inferir que no es conveniente dejarlo ms tiempo en la piscina, ya que ms tiempo
implicara ms gasto, la ganancia de peso ya no sera la misma, es decir habran
perdidas, es as que surge una nueva pregunta:
Cmo determinar la rapidez con que gana peso el camarn en cada instante de a
curva de crecimiento?
Esta pregunta se contesta haciendo uso del clculo diferencial, aplicando la primera
derivada de la funcin obtenida permite obtener la velocidad con que gana peso el
camarn para cada semana de tiempo.
BIBLIOGRAFA
Bencardino, C. M. (2000). Estadstica y muestreo. Ecoe Ediciones.
Haeussler, E. F., & Paul, R. S. (2003). Matemticas para administracin y economa.
Pearson Educacin.