Regresion minimos cuadrados
-
Upload
omar-lopez-villeda -
Category
Documents
-
view
55 -
download
1
description
Transcript of Regresion minimos cuadrados
--------------------------------------------------------
Materia: Métodos Matemáticos II
Maestría en Energía Renovable
-------------------------------------------------------
Temas:
*Regresión por Mínimos Cuadrados
------------------------------------------------------
Nombre de los estudiantes:
Aguilar Lira Jorge Luis
López Villeda Omar
Fecha de Entrega: 17/07/15
Profesora: Dra. Margarita Cunill Rodríguez
Cuatrimestre: mayo-agosto de 2015
Universidad Politécnica de Tulancingo
Maestría en Energías Renovables
Métodos Matemáticos II
Regresión por Mínimos Cuadrados
Introducción.
Los datos a menudo son dados para valores discretos a lo largo de un continuo. Sin embargo, se puede
requerir una estimación en puntos entre los valores discretos. Existen dos procedimientos generales para el
ajuste de curvas que se distinguen uno del otro con base en el grado de error asociado con los datos. Primero,
donde los datos exhiban un grado significativo de error o “ruido”, la estrategia será derivar una sola curva que
represente la tendencia general de los datos. Debido a que cualquier dato individual puede ser incorrecto,
no se necesita interceptar cada punto. En lugar de esto se designa la curva para seguir un patrón de los
puntos tomados como un grupo. Un procedimiento de esta naturaleza es llamado regresión por mínimos
cuadrados.
Segundo, donde se conoce que los datos son muy precisos, el procedimiento básico será ajustar a una curva
o a una serie de curvas que pasen directamente a través de cada uno de los puntos. Usualmente tales datos
se originan de tablas. Como ejemplos se tiene los valores de densidad del agua o la capacidad calorífica de
los gases en función de la temperatura. La estimación de valores entre puntos discretos bien conocidos es
llamada interpolación.
1. Investigue si existe alguna función propia de MatLab que permita realizar el ajuste por mínimos
cuadrados lineales. Demuestre con ejemplos como funciona.
La función polyfit(x,y,n) del Matlab calcula la aproximación lineal por mínimos cuadrados de un conjunto de
puntos dados en los vectores x e y. La aproximación lineal se logra haciendo n=1.
Ejemplo:
Para los datos:
xi=[1 2 3 4 5 6 7 8 9]
y=[0 3 4 -6 2 4 0 4 3]
Universidad Politécnica de Tulancingo
Maestría en Energías Renovables
Métodos Matemáticos II
Regresión por Mínimos Cuadrados
>> xi=[1 2 3 4 5 6 7 8 9];
>> yi=[0 3 4 -6 2 4 0 4 3];
>> polyfit(xi,yi,1)
ans =
0.2833 0.1389
>> x=-3:0.1:10;
>> f=(0.2833*x+0.1389);
>> plot(x,f)
>> hold on
>> plot(xi,yi,'ro')
>> grid on
Para los puntos:
xi=[1 2 3 4 5 6 7]
yi=[0.5 2.5 2 4 3.5 6 5.5]
>> xi=[1 2 3 4 5 6 7];
>> yi=[0.5 2.5 2 4 3.5 6 5.5];
>> polyfit(xi,yi,1)
ans =
0.8393 0.0714
>> x=-3:0.01:10;
>> f=(0.8393*x+0.0714);
>> plot(xi,yi,'ro')
>> hold on
>> plot(x,f)
>> grid on
Universidad Politécnica de Tulancingo
Maestría en Energías Renovables
Métodos Matemáticos II
Regresión por Mínimos Cuadrados
2. Con uno de los ejemplos usados para encontrar el polinomio de Lagrange:
a) Encuentre el polinomio de Lagrange y grafíquelo
INTERPOLACION "POLINOMIO DE LAGRANGE"
Ingrese los puntos pertenecientes a las x: [0 0.25 0.5 0.75 1]
Ingrese los puntos pertenecientes a las y: [0.9162 0.8109 0.6931 0.5596 0.4055]
L0:
(32*(x - 1)*(x - 1/2)*(x - 1/4)*(x - 3/4))/3
L1:
-(128*x*(x - 1)*(x - 1/2)*(x - 3/4))/3
L2:
64*x*(x - 1)*(x - 1/4)*(x - 3/4)
L3:
-(128*x*(x - 1)*(x - 1/2)*(x - 1/4))/3
L4:
(32*x*(x - 1/2)*(x - 1/4)*(x - 3/4))/3
POLINOMIO INTERPOLANTE:
4581/5000 - (1303*x^2)/15000 - (13*x^3)/1875 - (34*x^4)/1875 - (11963*x)/30000
b)Encuentre el polinomio ajustado mediante el método de minimos cuadrados y grafíquelo
>> polyfit(xi,yi,1)
ans =
-0.509080000000000 0.931600000000000
>> x=0:0.01:5;
>> f=4581/5000 - (1303*x.^2)/15000 - (13*x.^3)/1875 - (34*x.^4)/1875 - (11963*x)/30000;
>> subplot(2,1,1)
>> hold on
>> plot(x,f)
>> plot(xi,yi,'ro')
>> grid on
>> f2=-0.509080000000000*x+0.931600000000000;
>> subplot(2,1,2)
>> plot(x,f2)
>> hold on
>> plot(xi,yi,'ro')
>> grid on
Universidad Politécnica de Tulancingo
Maestría en Energías Renovables
Métodos Matemáticos II
Regresión por Mínimos Cuadrados
Como se puede observar, las gráficas tienen similitud en el intervalo de 0 a 1, conforme va aumentando el
valor de xi, la interpolación de Lagrange nos describe una curva, debido a que con este método se tiene un polinomio de 4to. grado. Esto podria ocasionar errores en valores mas altos de xi, ya que la curva se va a ir alejando mas de los posible valores reales. En cambio la regresion lineal, nos da una recta que se ajusta a los valores de xi y podría tener un menor porcentaje de error.
3. Explique el procedimiento de mínimos cuadrados para un polinomio de segundo grado y
resuelva el ejemplo usando la función en Matlab encontrada.
En la sección 17.1 se desarrolló un procedimiento para obtener la ecuación de una línea recta por medio del
criterio de mínimos cuadrados. Algunos datos de ingeniería, aunque exhiben un patrón marcado como el que
se vio en la figura 17.8, está pobremente representado por una línea recta. Para esos casos, una curva podría
ser más adecuada para el ajuste de los datos. Como se analizó en la sección anterior, un método para cumplir
con este objetivo es usar transformaciones. Otras alternativas son ajustar polinomios con los datos mediante
regresión de polinomios.
El procedimiento de mínimos cuadrados se puede fácilmente extender al ajuste de datos con un polinomio
de orden superior. Por ejemplo, suponga que ajustamos un polinomio de segundo orden o cuadrático:
Universidad Politécnica de Tulancingo
Maestría en Energías Renovables
Métodos Matemáticos II
Regresión por Mínimos Cuadrados
Para este caso la suma de los cuadrados de los residuos es:
Siguiendo el procedimiento de la sección anterior, tomamos la derivada de la ecuación (17.18) con respecto
de cada uno de los coeficientes desconocidos del polinomio, como en
Estas ecuaciones se pueden igualar a cero y reordenar para desarrollar el siguiente conjunto de ecuaciones
normal:
Donde todas las sumatorias son de i = 1 hasta n. Observe que las tres ecuaciones anteriores son lineales y
tienen tres incógnitas: a0, a1 y a2. Los coeficientes de las incógnitas se pueden evaluar de manera directa a
partir de los datos observados. Para este caso, vemos que el problema de determinar un polinomio por
mínimos cuadrados de segundo orden es equivalente a resolver un sistema de tres ecuaciones lineales
simultáneas. Las técnicas para resolver tales ecuaciones fueron analizadas en la parte tres. El caso en dos
dimensiones puede extenderse con facilidad a un polinomio de m-ésimo orden como
El análisis anterior se puede fácilmente extender a este caso más general. Así, podemos reconocer que la
determinación de los coeficientes de un polinomio de m-ésimo orden es equivalente a resolver un sistema
de m + 1 ecuaciones lineales simultáneas. Para este caso, el error estándar se formula como
Universidad Politécnica de Tulancingo
Maestría en Energías Renovables
Métodos Matemáticos II
Regresión por Mínimos Cuadrados
Esta cantidad es dividida entre n — (m + 1), ya que (m + 1) coeficientes obtenidos de los datos (a0, a0, a1, am)
se usaron para calcular Sr, así, hemos perdido m + 1 grados de libertad. Además del error estándar, un
coeficiente de determinación puede ser calculado para una regresión de polinomios con la ecuación (17.10).
a) Grafique en una misma figura los datos y la curva de ajuste. Comente los resultados estadísticos
encontrados.
>> xi=[0 1 2 3 4 5];
>> yi=[2.1 7.7 13.6 27.2 40.9 61.1];
>> polyfit(xi,yi,2)
ans =
1.860714285714284 2.359285714285721 2.478571428571420
>> x=0:0.1:10;
>> f=1.860714285714284*x.^2+2.359285714285721*x+2.478571428571420;
>> plot(x,f)
>> hold on
>> plot(xi,yi,'ro')
>> grid on
Universidad Politécnica de Tulancingo
Maestría en Energías Renovables
Métodos Matemáticos II
Regresión por Mínimos Cuadrados
Conclusión. Donde se ocasiona errores sustanciales con los datos, la interpolación polinomial es inapropiada y puede dar
resultados insatisfactorios cuando se usa para predecir valores intermedios.
Para hacer a un lado esta subjetividad se debe concebir unos criterios con el fin de establecer una base para
el ajuste. Una forma de hacerlo es derivar una curva que minimice la discrepancia entre los puntos y la curva.
La regresión por mínimos cuadrados es una técnica diseñada para cumplir con tal objetivo.