15
Copyright © The McGraw-Hill Companies, Inc. Permission required for reproduction or display. Regresión por Mínimos Cuadrados
Regresion Por Minimos Cuadrados 2014
Embed Size (px)
DESCRIPTION
METODOS NUMERICOSSSSSS
Citation preview
PowerPoint PresentationRegresión por Mínimos Cuadrados
Regresión por Mínimos Cuadrados
La finalidad es generar una curva que minimice la discrepancia
entre los puntos y la curva.
Derivar una función aproximada que ajuste la forma de la tendencia
general de los puntos sin ajustar necesariamente con los puntos
individuales
Datos que exhiben un error significativo
Ajuste polinomial mas allá de rango de datos
Ajuste por mínimos cuadrados
Regresión por Mínimos Cuadrados
Regresión Lineal
La primera aproximación es mediante el ajuste de un conjunto de
pares de observaciones a una línea recta.
La mejor estrategia es minimizar la suma de los cuadrados de los
residuos entre la y medida y la y calculada con el modelo
lineal
Determinación de
Al fijar esas derivadas igual a cero, resultará en un mínimo
de
Donde n es el numero total de puntos
Copyright © The McGraw-Hill Companies, Inc. Permission required for
reproduction or display.
Regresión por Mínimos Cuadrados
Regresión Lineal:
Si observamos que , se expresan las ecuaciones como un conjunto de
dos ecuaciones simultaneas, con dos incógnitas ( ):
Copyright © The McGraw-Hill Companies, Inc. Permission required for
reproduction or display.
Regresión por Mínimos Cuadrados
Suma total de los cuadrados alrededor de la Media
Suma total de los cuadrados de los residuos alrededor de la línea
de regresión
Regresión Lineal
El residuo en la regresión lineal representa la distancia vertical
entre el dato y la línea recta.
Copyright © The McGraw-Hill Companies, Inc. Permission required for
reproduction or display.
Regresión por Mínimos Cuadrados
Error Estándar del estimado
Regresión por Mínimos Cuadrados
Ejemplo de Regresión Lineal
Ajuste a una línea recta los valores de x y y en las dos primeras
columnas de la siguiente tabla
xi yi St = (yi – y )2 Sr = ( yi – a0 – a1xi)2
1 0.5 8.5765306 0.1686862
2 2.5 0.8622449 0.5625000
3 2.0 2.0408163 0.3472577
4 4.0 0.3265306 0.3265306
5 3.5 0.0051020 0.5896046
6 6.0 6.6122449 0.7971939
7 5.5 4.2908163 0.1992985
28.0 24.0 22.7142857 2.9910714
Regresión por Mínimos Cuadrados
Ejemplo de Regresión Lineal
Copyright © The McGraw-Hill Companies, Inc. Permission required for
reproduction or display.
Regresión por Mínimos Cuadrados
Ejemplo de Regresión Lineal
Calcule la desviación estándar total, el error estándar del
estimado, el coeficiente de determinación y el coeficiente de
correlación para los datos del problema anterior:
Como es Sy/x < Sy, el modelo de regresión lineal es adecuado. La
mejora se puede cuantificar mediante
Los resultados indican que el modelo explicó el 86.8 % de la
incertidumbre original.
Copyright © The McGraw-Hill Companies, Inc. Permission required for
reproduction or display.
Regresión por Mínimos Cuadrados
Datos no adecuados para la regresión Lineal por Mínimos
Cuadrados
Preferible una parábola
Linearización
Linearización
Linearización
Regresión por Mínimos Cuadrados
fácilmente al ajuste de datos con un
polinomio de grado superior.
Polinomio de Segundo grado o Cuadrático:
Estas ecuaciones se igualan a cero y se reordenan para obtener el
siguiente conjunto de tres ecuaciones con tres incógnitas a0, a1 y
a2
Copyright © The McGraw-Hill Companies, Inc. Permission required for
reproduction or display.
Regresión por Mínimos Cuadrados
Se puede extender el caso en dos dimensiones a un polinomio
de
m-ésimo orden.
La determinación de los coeficientes de un polinomio de m-ésimo
orden es equivalente a resolver un sistema de m+1 ecuaciones
lineales simultáneas
Error Estándar del estimado
Copyright © The McGraw-Hill Companies, Inc. Permission required for
reproduction or display.
Ejemplo: Ajustar a un polinomio de segundo orden los datos en las
dos primeras columnas de la siguiente tabla
Regresión por Mínimos Cuadrados
0
2.1
1
7.7
2
13.6
3
27.2
4
40.9
5
61.1
15
152.6
544.44
0.14332
314.47
1.00286
140.03
1.08158
3.12
0.80491
239.22
0.61951
1272.11
0.09439
2513.39
3.74657
Regresión por Mínimos Cuadrados
a0=2.47857
y= 2.47857 + 2.35929x + 1.86071x2