1 Programación NuméricaRegresión Programación Numérica
2 Regresión Lineal Se desea ajustar un serie de puntos (xi, yi) a una línea recta dada por: y = a0 + a1x + e Donde a0 y a1 son coeficientes que representan la intersección con el eje y la pendiente, y e es el error, o diferencia, entre el modelo y las observaciones. e = y – a0 – a1x
3 Criterio del mejor ajusteEn el método de mínimos cuadrados se desea minimizar la suma de los cuadrados de los residuos.
4 Ajuste por mínimos cuadradosDerivando respecto a a0 y a1. Obtenemos Igualando a 0 Resolviendo para a0 y a1
5 Ejemplo Ajustar con mínimos cuadrados los siguientes datos X Y 1 0.5 22.5 3 2.0 4 4.0 5 3.5 6 6.0 7 5.5
6 Tarea Ajustar con mínimos cuadrados los siguientes datos X Y 5 2 6 4 75 2 6 4 7 9 11 8 12 15 10 17 19
7 Estadística básica Promedio: Desviación estándar Varianza:Coeficiente de variación: Estimado normal estándar:
8 Tarea Escriba un archivo M para graficar la recta del mejor ajuste utilizando mínimos cuadrados. Deberá aceptar como parámetros los valores de X y Y. Grafique los puntos con círculos y la línea de regresión con una recta.
9 Error en la regresión linealy Medición La desviación estándar de la línea de regresión es: yi – a0 – a1x Línea de regresión a0 + a1x La magnitud del error residual antes de la regresión es: x En ajuste perfecto Sr = 0 y r = r2 = 1. Si r = r2 = 0, Sr = St, el ajuste no representa alguna mejora. El coeficiente de determinación es: El coeficiente de correlación es:
10 Linealización de relaciones no linealesy y y x x x ln y log y 1/y Pendiente = b3/a3 Pendiente = b1 Intersección = 1/a3 Pendiente = b2 x log x 1/x Intersección = ln a1 Intersección = log a2
11 Ejemplo Ajustar los siguientes datos a
12 ejemplo Usar regresión de mínimos cuadrados para ajustar a una ecuación de taza de crecimiento de saturación. x 5 10 15 20 25 30 35 40 45 50 y 17 24 31 33 37 42 41
13 Tarea Dados los datos siguientes use regresión por mínimos cuadrados para ajustar a) una línea recta, b) una ecuación exponencial, c) una ecuación de potencias. x 5 10 15 20 25 30 35 40 45 50 y 17 24 31 33 37 42 41
14 Regresión Polinomial Ajuste a un polinomio cuadráticoy = a0 + a1x + a2x2 + e La suma de los cuadrados de los residuos es: De aquí obtenemos:
15 Reordenando se obtieneEl error estándar es:
16 Ejemplo Ajustar a un polinomio de segundo grado. x 5 10 15 20 25 30 3540 45 50 y 17 24 31 33 37 42 41
17 Tarea Ajustar a un polinomio de segundo grado.x 5 10 15 20 25 30 35 40 45 50 y 17 24 31 33 37 42 41 Escriba una función en C que calcule el polinomio de segundo grado del mejor ajuste utilizando mínimos cuadrados. Escriba un archivo M para graficar el polinomio de segundo grado del mejor ajuste utilizando mínimos cuadrados.
18 Regresión polinomial en Cvoid regrePoly(double x[],double y[],int n,int m,double a[][20]) { int i,j,k,l; double sum; for(i = 0; i
19 Ejemplo de corrida main(){ int j; double a[20],b[20][20]; double x[]={0,1,2,3,4,5}; double y[]={2.1,7.7,13.6,27.2,40.9,61.1}; int n=6; regrePoly(x,y,6,2,b); print(b,3); gauss(b,3,a); for(j=0; j<3; j++) cout << a[j]<<"\n"; system("PAUSE"); }
20 Ajuste a polinomios de orden superiorSea el polinomio de ajuste dado por p(x) = a0 + a1 x + a2 x2 +… + an xn La desviación de la curva respecto a cada punto es ri = yi – p(xi) La suma de las desviaciones al cuadrado es Igualando a cero las derivadas parciales respecto ai.