Análisis Del Consumo Energético Estratificado en La Ciudad de Barranquilla Mediante Ajuste de Curvas Por Regresiones e Interpolaciones.
Análisis Del Consumo Energético Estratificado en La Ciudad de Barranquilla Mediante Ajuste de Curvas Por Regresiones e Interpolaciones.
Análisis Del Consumo Energético Estratificado en La Ciudad de Barranquilla Mediante Ajuste de Curvas Por Regresiones e Interpolaciones.
Por:
Facultad de Ingeniería
Industrial [1]
Computo [2]
herramienta valiosa para comprender y optimizar el uso de recursos energéticos en los hogares.
Universidad del Norte, este análisis busca justificar cuánto se puede explicar una de las variables
de los datos recopilados, se pretende establecer relaciones claras entre las variables
Para lograr este objetivo, se emplearán métodos numéricos y técnicas de análisis de datos que
sostenible en la comunidad.
2.1. Descripción
El cuidado del medio ambiente ha adquirido una relevancia cada vez mayor en la vida cotidiana,
gases de efecto invernadero. En este contexto, el ahorro de energía se presenta como una
solución crucial para mitigar la degradación ambiental y reducir los gastos en viviendas
residenciales. Por ende, el proyecto de investigación se enfoca en identificar las variables que
inciden directamente en el aumento del consumo eléctrico en las zonas residenciales de
Barranquilla.
comprender cuánto puede explicar esta variable significativa respecto al consumo de energía en
eficiencia energética en los hogares, contribuyendo así al cuidado del medio ambiente y al
Tras explicar el fenómeno a analizar, se pueden usar los métodos numéricos, que facilitarán la
obtención de otros datos que no se tomaron manualmente. Los métodos utilizados corresponden
kilovatios (kW).
➢ Nevera
➢ Aire acondicionado
Capacidad: (18000, 12000, 9000) BTU
➢ Lavadora
➢ Televisor
P=V*I
Cabe resaltar que, la investigación de donde se tomó los datos sólo utilizó de la
sectores de interés.
Figura 1. Tabla de consumo EPM
2.3. Línea de investigación
el análisis del consumo energético en hogares para formar profesionales integrales capaces de
identificar, analizar y resolver problemas relacionados con el uso eficiente de los recursos
información valiosa para el diseño de estrategias que fomenten un consumo más responsable y
económicos, ya que reduce los costos asociados con la generación y distribución de energía,
tanto a nivel doméstico como empresarial. En un contexto más amplio, la reducción del
3. Experimentación
3.1.Materiales:
llevado a cabo por el DANE en 2005. Estos datos proporcionan información detallada
sobre los voltajes específicos en nuestra área de interés, ofreciéndonos una visión precisa
del panorama energético local. Al integrar estos datos en nuestro análisis, podemos
establecer una sólida línea de base y comprender mejor la distribución y variabilidad de
Para llevar a cabo nuestro estudio sobre el consumo de energía de los electrodomésticos en el
estrato 3 de Barranquilla, nos beneficiamos de los datos detallados recopilados por el DANE
durante su censo en 2005. Estos datos proporcionaron información crucial sobre los voltajes
específicos en nuestra área de interés, lo que nos permitió establecer una base sólida para nuestro
análisis. Este enfoque nos permitió aprovechar eficazmente los recursos disponibles,
aprovechando los datos del censo del DANE para guiar nuestra investigación y junto con datos
energético de cada vivienda en el estrato 3. Esta comparación nos permitirá identificar patrones
y variaciones en el consumo de energía entre diferentes hogares, lo que a su vez podría ayudar
a entender mejor las tendencias y factores que influyen en el consumo energético en este estrato
socioeconómico específico.
La siguiente tabla presenta datos recopilados del censo de 2005 realizado por el
al estrato socioeconómico 3:
X Y(kWh)
No.1 9 200,3
No.2 12 315,6
No.3 15 415,82
No.4 18 539,1
No.5 21 678,58
No.6 24 835,388
No.7 27 1.011,168
No.8 30 1.207,948
No.9 33 1.427,748
No.10 36 1.672,548
No.11 39 1.944,348
No.12 42 2.245,148
No.13 45 2.576,948
No.14 48 2.941,748
No.15 51 3.331,548
No.16 54 3.748,348
No.17 57 4.194,148
No.18 60 4.670,948
No.19 63 5.179,748
No.20 66 5.718,548
4. Procesamiento de datos
los datos
Para esta parte del proyecto, se utilizó como guía el análisis realizado en los ejemplos
17.2,17.3 y 17.5 del libro “Métodos Numéricos para Ingenieros 7° Ed. / Steven C. Chapra &
Raymond P. Canalé”.
La regresión lineal es una técnica de análisis de datos que permite estimar el valor de
datos desconocidos mediante el ajuste de una recta a partir de dos datos (la recta que más se
ajusta a los datos). Esta técnica nos permitirá establecer una relación lineal entre el numero de
La regresión polinomial, por otro lado, trabaja a partir de los dos datos antes
mencionados. La regresión polinomial nos puede resultar un poco más útil para ajustar nuestro
conjunto de datos ya que trabaja en base a curvas polinómicas. Así pues, el grafico obtenido
El error estándar de la estimación nos dice cuánto los valores observados se desvían o
se desvían de la línea de regresión ajustada. Un pequeño valor de error indicaría que no hay
errores significativos, por lo que los puntos están más cerca de la línea, lo que sugiere que es
un buen modelo.
Finalmente, el coeficiente de determinación 𝑟2, será útil para predecir futuros resultados
datos realice las operaciones matemáticas necesarias para determinar la curva o relación lineal
que más se ajuste a los datos, la desviación estándar, el error estándar de estimación, el
resultados.
Python
A partir de esto, podemos analizar los resultados y extraer conclusiones significativas,
La regresión lineal obtenida a partir de los 20 datos tomados nos arroja una curva con
pendiente positiva, indica una relación directa entre las variables, lo que supondría que
Por otro lado, la desviación estándar es de 381.530, lo que nos indica la dispersión
relación y fuerza lineal entre las variables. Teniendo en cuenta los rangos proporcionados por
afirmar que es una correlación muy alta entre el número de electrodomésticos y el total de
consumo.
ajusta el modelo a los datos obtenidos y también estudiar la correlación entre las
variables mencionadas.
Para ello, también se programó un código que al ingresar los 20 pares de datos
realice las operaciones matemáticas necesarias para determinar la curva polinomial de
segundo grado que más se ajuste a los datos, la desviación estándar, el error estándar de
curva con una pendiente positiva. Esta tendencia sugiere una relación directa entre el número
total de energía.
Por otro lado, al calcular la desviación estándar y obtener un valor de 29.16, podemos
interpretar que existe una dispersión baja entre los valores y la línea de la regresión
fuerza y la naturaleza de la relación entre las variables. Comparamos el valor obtenido con
los rangos proporcionados por la literatura para determinar si existe una correlación muy alta
Este análisis nos da una comprensión más completa de la dinámica del consumo de
energía respecto al número de electrodomésticos en los hogares del estrato 3 de Barranquilla,
No.1 9 200,3
No.2 12 315,6
308,06
No.20 66 5.718,548
Este análisis nos da una comprensión más completa de la dinámica del consumo de energía
4.3.B Comparación
Grado 2 -0,17705854
Grado 3 0,1123704
Grado 4 -0,09071542
mayor sesgo hacia abajo, indicando una tendencia a subestimar los valores reales. Este sesgo
negativo sugiere que, en general, los valores predichos por esta interpolación tienden a ser
menores que los valores reales observados en los datos. Por otro lado, la interpolación de grado
2 también presenta un sesgo negativo, aunque de magnitud menor que la de grado 1. Este
patrón sugiere una mejora en la precisión de la aproximación, pero aún con una tendencia a
una ligera tendencia a sobreestimar los valores reales. Este cambio hacia un sesgo positivo
sugiere una mejora en la precisión de la aproximación, aunque con una inclinación hacia la
negativo, aunque su valor es cercano a cero. Esto sugiere una aproximación más equilibrada
de los datos, con un sesgo mínimo en cualquier dirección.
4.3.C
Tenemos el siguiente grafico que muestra los valores de cada interpolación superpuestas
20000
15000
10000
5000
0
9 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 63 66
-5000
4.3.D
Et%
Errores relativos porcentuales verdaderos εt% Vs X
3
0
9 19 29 39 49 59 69
-1 X
-2
-3
-4
grado 4 parece ser la más adecuada para estos datos. Esto se debe a que presenta el error
relativo porcentual verdadero promedio más cercano a cero en comparación con los otros
grados de interpolación. Este resultado sugiere que la interpolación de grado 4 logra una mejor
las gráficas de los errores relativos porcentuales verdaderos en función de x, se puede apreciar
de todo el rango de valores de x, lo que respalda aún más su selección como la mejor opción.
5. Conclusiones
opción que proporcionó el ajuste más preciso a los datos. Aunque el valor del error relativo
aproximó notablemente a cero, lo que indica una mínima discrepancia entre los datos
interpolados y los datos reales. Este hallazgo, a pesar de su naturaleza negativa, sugiere una
Por otro lado, se observó que grados de interpolación superiores no garantizaron una mejor
adaptación a los datos, ya que podrían conducir a una sobreestimación y alejarse de la realidad.
Por ende, la selección cuidadosa del grado de interpolación es esencial para evitar distorsiones
en los resultados y garantizar una representación precisa del fenómeno estudiado. En este
una estimación precisa del comportamiento del consumo de energía de los electrodomésticos en
1. Bibliografías
Kandola, A. (2022, Diciembre 22). Heart rate recovery: How to calculate it, improve
recovery
corazon-deporte-capitulo3.php
https://aws.amazon.com/es/what-is/linear-
regression/#:~:text=La%20regresi%C3%B3n%20lineal%20es%20una,independiente%20com
o%20una%20ecuaci%C3%B3n%20lineal.
Ortega, C. (2022, diciembre 21). Desviación estándar: Qué es, usos y cómo obtenerla.
QuestionPro. https://www.questionpro.com/blog/es/desviacion-estandar
2. Anexos
Código regresión lineal
#regrecion lienal
#lista de X y Y
Lista_X=[9,12,15,18,21,24,27,30,33,36,39,42,45,48,51,54,57,60,63,66]
Lista_Y =
[200.3,315.6,415.82,539.1,678.58,835.388,1011.168,1207.948,1427.748,1672.548,194
4.348,2245.148,2576.948,2941.748,3331.548,3748.348,4194.148,4670.948,5179.748,57
18.548]
#Delacramos todas las siamtoria que nesitaremos
Sum_XY=float(0)
Sum_X=float(0)
Sum_Y=float(0)
Sum_X2=float(0)
Sum_Y2=float(0)
#penimos el tamaño de la mustra o el nuero de valores que se tienen
n=len(Lista_X)
"""#penimos las valoresd x y y
for i in range(0,n):
x = float(input(f"Ingrese el valor de X{i+1}: "))
y = float(input(f"Ingrese el valor de Y{i+1}: "))
Lista_X.append(x)
Lista_Y.append(y)"""
#Calculampos todas las sumatorias
for i in range(n):
Sum_XY+= Lista_X[i]*Lista_Y[i]
Sum_X+= Lista_X[i]
Sum_Y+=Lista_Y[i]
Sum_X2+=Lista_X[i]**2
Sum_Y2+=Lista_Y[i]**2
#relizamos los calculos de b1 y b0
b1=((n*Sum_XY)-Sum_X*Sum_Y)/((n*Sum_X2)- Sum_X**2)
b0=(Sum_Y -(b1*Sum_X))/n
#imprimimos la ecuacion de la regrecion
if( b1 >0):
print(f"la ecuacion resultante es : Y = {b0:.2f} + {b1:.2f}X")
elif(b1<0):
print(f"la ecuacion resultante es : Y ={b0:.2f} {b1:.2f} X")
for i in range(0,n):
print(f"regrecion linal Y{lista_Ylineal[i]:.2f}")
Código regresión Polinomial
import numpy as np
# Ingesar las datos
xi1 = [9,12,15,18,21,24,27,30,33,36,39,42,45,48,51,54,57,60,63,66]
yi1 =
[200.3,315.6,415.82,539.1,678.58,835.388,1011.168,1207.948,1427.748,1672.548,194
4.348,2245.148,2576.948,2941.748,3331.548,3748.348,4194.148,4670.948,5179.748,57
18.548]
n=len(xi1)
m = 2 #indica el gardo del polinomio en nuetro caso es de grado 2
xi2 = np.array(xi1)
yi2 = np.array(yi1)
lista_valores_X= [9,12,15,18,21,24,27,30,33,36,39,42,45,48,51,54,57,60,63,66]
lista_valores_Fx=[200.3,315.6,415.82,539.1,678.58,835.388,1011.168,1207.948,1427
.748,1672.548,1944.348,2245.148,2576.948,2941.748,3331.548,3748.348,4194.148,467
0.948,5179.748,5718.548]
#n = grado a calular
n=int(4)
p=int(input("ingrese la pociion de x a calcualr la interpolacion:"))-1
x=lista_valores_X[p]
#pide los valores de x y f(x)
"""for i in range(n+1):
valor1=float(input("ingrese el valor para X{} :".format(c)))
lista_valores_X.append(valor1)
valor2=float(input("ingrese el valor para F({}) :".format(valor1)))
lista_valores_Fx.append(valor2)
c+=1"""
lista_Bus_x=[]
lista_Bus_y=[]
lista_Bus_x.append(lista_valores_X[p+1])
lista_Bus_y.append(lista_valores_Fx[p+1])
c=1
for i in range(n):
valor1=lista_valores_X[p-c]
lista_Bus_x.append(valor1)
valor2=lista_valores_Fx[p-c]
lista_Bus_y.append(valor2)
c+=1
#definimos el metodo para calualer los valores de Li(x)
#indice = i del Li
#grado = n
#x= valor de x en el que se reliza la interpolacion
def calcular_Lix(listaX,grado,indice,x):
resultado=float(1);
for j in range(0,grado+1):
if j==indice:
continue
resultado *= float(x-lista_Bus_x[j])/(lista_Bus_x[indice]-
lista_Bus_x[j])
return resultado