Ajuste de curvas. Regresión. -...
Transcript of Ajuste de curvas. Regresión. -...
beamer-tu-logo
Ajuste de curvas.Regresion.
Curso: Metodos Numericos en IngenierıaProfesor: Dr. Jose A. Otero HernandezCorreo: [email protected]: http://metodosnumericoscem.weebly.comUniversidad: ITESM CEM
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Topicos
1 Introduccion
2 Regresion por mınimos cuadradosRegresion lineal por mınimos cuadradosEjemploPrograma MATLAB: linregr.mRegresion cuadratica por mınimos cuadradosPrograma MATLAB: cuadregr.mEjemplo
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Topicos
1 Introduccion
2 Regresion por mınimos cuadradosRegresion lineal por mınimos cuadradosEjemploPrograma MATLAB: linregr.mRegresion cuadratica por mınimos cuadradosPrograma MATLAB: cuadregr.mEjemplo
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Ajuste de curvasEs comun que los datos se den como valores discretos,Se podrıa necesitar la estimacion de un punto entrevalores discretos,Se podrıa necesitar una curva que ajuste los datos paraobtener estimaciones intermedias,Se podrıa necesitar una version simplificada de unafuncion complicada,Estas aplicaciones se conocen como ajuste de curvas.
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Ajuste de curvasEs comun que los datos se den como valores discretos,Se podrıa necesitar la estimacion de un punto entrevalores discretos,Se podrıa necesitar una curva que ajuste los datos paraobtener estimaciones intermedias,Se podrıa necesitar una version simplificada de unafuncion complicada,Estas aplicaciones se conocen como ajuste de curvas.
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Ajuste de curvasEs comun que los datos se den como valores discretos,Se podrıa necesitar la estimacion de un punto entrevalores discretos,Se podrıa necesitar una curva que ajuste los datos paraobtener estimaciones intermedias,Se podrıa necesitar una version simplificada de unafuncion complicada,Estas aplicaciones se conocen como ajuste de curvas.
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Ajuste de curvasEs comun que los datos se den como valores discretos,Se podrıa necesitar la estimacion de un punto entrevalores discretos,Se podrıa necesitar una curva que ajuste los datos paraobtener estimaciones intermedias,Se podrıa necesitar una version simplificada de unafuncion complicada,Estas aplicaciones se conocen como ajuste de curvas.
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Ajuste de curvasEs comun que los datos se den como valores discretos,Se podrıa necesitar la estimacion de un punto entrevalores discretos,Se podrıa necesitar una curva que ajuste los datos paraobtener estimaciones intermedias,Se podrıa necesitar una version simplificada de unafuncion complicada,Estas aplicaciones se conocen como ajuste de curvas.
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Metodos generales para el ajuste de curvas
Regresion: Si los datos exhiben un grado significativo de erroro ”ruido”, entonces la estrategia sera obtener una sola curvaque represente la tendencia general de los datos.
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Metodos generales para el ajuste de curvas
Interpolacion: Si se sabe que los datos son muy precisos,entonces la estrategia sera colocar una curva o una serie decurvas que pasen por cada uno de los puntos.
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Topicos
1 Introduccion
2 Regresion por mınimos cuadradosRegresion lineal por mınimos cuadradosEjemploPrograma MATLAB: linregr.mRegresion cuadratica por mınimos cuadradosPrograma MATLAB: cuadregr.mEjemplo
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion lineal por mınimos cuadrados
Regresion lineal por mınimos cuadrados
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion lineal por mınimos cuadrados
Regresion lineal por mınimos cuadradosProblema: Ajustar a una lınea recta (y = a0 + a1x) el conjuntode puntos:(x1, y1),(x2, y2),· · · ,(xn, yn).El error (e) es la diferencia entre el modelo (linea recta) y ladata, es decir es la diferencia entre el valor verdadero de y y elvalor aproximado a0 + a1x. Por lo cual, se puede determinarcomo:
e = y − a0 − a1x
Para cada punto (xi, yi) se define un error ei. La estrategiapara ajustar la linea recta consiste en minimizar la suma de loscuadrados de los errores entre los valores verdaderos y losvalores aproximados. Esto es:
Sr =
n∑i=1
e2i =
n∑i=1
(yi − a0 − a1xi)2
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion lineal por mınimos cuadrados
Regresion lineal por mınimos cuadradosProblema: Ajustar a una lınea recta (y = a0 + a1x) el conjuntode puntos:(x1, y1),(x2, y2),· · · ,(xn, yn).El error (e) es la diferencia entre el modelo (linea recta) y ladata, es decir es la diferencia entre el valor verdadero de y y elvalor aproximado a0 + a1x. Por lo cual, se puede determinarcomo:
e = y − a0 − a1x
Para cada punto (xi, yi) se define un error ei. La estrategiapara ajustar la linea recta consiste en minimizar la suma de loscuadrados de los errores entre los valores verdaderos y losvalores aproximados. Esto es:
Sr =
n∑i=1
e2i =
n∑i=1
(yi − a0 − a1xi)2
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion lineal por mınimos cuadrados
Regresion lineal por mınimos cuadradosProblema: Ajustar a una lınea recta (y = a0 + a1x) el conjuntode puntos:(x1, y1),(x2, y2),· · · ,(xn, yn).El error (e) es la diferencia entre el modelo (linea recta) y ladata, es decir es la diferencia entre el valor verdadero de y y elvalor aproximado a0 + a1x. Por lo cual, se puede determinarcomo:
e = y − a0 − a1x
Para cada punto (xi, yi) se define un error ei. La estrategiapara ajustar la linea recta consiste en minimizar la suma de loscuadrados de los errores entre los valores verdaderos y losvalores aproximados. Esto es:
Sr =
n∑i=1
e2i =
n∑i=1
(yi − a0 − a1xi)2
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion lineal por mınimos cuadrados
Ajuste de una lınea recta por mınimos cuadradosPara determinar los valores de a0 y a1, hay que derivar Sr conrespecto a cada uno de los coeficientes (a0, a1) e igual a cero:
∂Sr
∂a0= −2
n∑i=1
(yi − a0 − a1xi) = 0
∂Sr
∂a1= −2
n∑i=1
(yi − a0 − a1xi)xi = 0
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion lineal por mınimos cuadrados
Ajuste de una lınea recta por mınimos cuadrados
0 =
n∑i=1
yi −n∑
i=1
a0 −n∑
i=1
a1xi
0 =
n∑i=1
yixi −n∑
i=1
a0xi −n∑
i=1
a1x2i
Ajuste de una lınea recta por mınimos cuadrados
n∑i=1
yi = na0 +
(n∑
i=1
xi
)a1
n∑i=1
xiyi =
(n∑
i=1
xi
)a0 +
(n∑
i=1
x2i
)a1
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion lineal por mınimos cuadrados
Ajuste de una lınea recta por mınimos cuadrados
0 =
n∑i=1
yi −n∑
i=1
a0 −n∑
i=1
a1xi
0 =
n∑i=1
yixi −n∑
i=1
a0xi −n∑
i=1
a1x2i
Ajuste de una lınea recta por mınimos cuadrados
n∑i=1
yi = na0 +
(n∑
i=1
xi
)a1
n∑i=1
xiyi =
(n∑
i=1
xi
)a0 +
(n∑
i=1
x2i
)a1
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion lineal por mınimos cuadrados
Ajuste de una lınea recta por mınimos cuadrados
a1 =
nn∑
i=1xiyi −
n∑i=1
xin∑
i=1yi
nn∑
i=1x2i −
(n∑
i=1xi
)2
a0 =
n∑i=1
yi
n− a1
n∑i=1
xi
n
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Ejemplo
Ejemplo 1Ajuste a una lınea recta los valores de x y y dados en lasiguiente tabla:
xi yi1 0.52 2.53 2.04 4.05 3.56 6.07 5.5
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Ejemplo
Solucion
clear ; clc ;x =[1 2 3 4 5 6 7 ] ;y= [ 0 . 5 2.5 2.0 4.0 3.5 6.0 5 . 5 ] ;n= length ( x ) ;sxy=sum( x .∗ y )sx2=sum( x .∗ x )sx=sum( x )sy=sum( y )a1=(n∗sxy−sx∗sy ) / ( n∗sx2−(sx ) ˆ 2 )a0=sy / n−a1∗sx / n
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Ejemplo
Solucion
% Solucion ejemplo 1sxy = 119.5000sx2 = 140sx = 28sy = 24a1 = 0.8393a0 = 0.0714y = 0.0714+0.8393∗x
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Programa MATLAB: linregr.m
Programa Matlab
function [ a ] = l i n r e g r ( x , y )% l i n r e g r : A jus te de curva con regres ion l i n e a l% Entrada : x , y−−−−Sal ida : a = [ a1 , a0 ]n = length ( x ) ;i f length ( y ) ˜=n , error ( ’ x−y d i f e r e n t e s long i tudes ’ ) ; endsx = sum( x ) ; sy = sum( y ) ;sx2 = sum( x .∗ x ) ; sxy = sum( x .∗ y ) ;a ( 1 ) = ( n∗sxy−sx∗sy ) / ( n∗sx2−sx ˆ 2 ) ;a ( 2 ) = sy / n−a ( 1 ) ∗sx / n ;% Ploteo de l a data y l i n e a rec ta a justadaxp = l inspace (min ( x ) ,max( x ) ,2 ) ;yp = a ( 1 ) ∗xp+a ( 2 ) ;plot ( x ’ , y ’ , ’ o ’ , xp , yp ) ; grid on
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Programa MATLAB: linregr.m
Ejemplo 1: Programa Matlab
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion cuadratica por mınimos cuadrados
Regresion cuadratica por mınimos cuadradosProblema: Ajustar a un polinomio cuadratico(y = a0 + a1x+ a2x
2) el conjunto de puntos:(x1, y1),(x2, y2),· · · ,(xn, yn).El error (e) se puede determinar como:
e = y − a0 − a1x− a2x2
Para cada punto (xi, yi) se define un error ei.La estrategia para ajustar el polinomio cuadratico consiste enminimizar la suma de los cuadrados de los errores entre losvalores verdaderos y los valores aproximados. Esto es:
Sr =
n∑i=1
e2i =
n∑i=1
(yi − a0 − a1xi − a2x
2i
)2
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion cuadratica por mınimos cuadrados
Regresion cuadratica por mınimos cuadradosProblema: Ajustar a un polinomio cuadratico(y = a0 + a1x+ a2x
2) el conjunto de puntos:(x1, y1),(x2, y2),· · · ,(xn, yn).El error (e) se puede determinar como:
e = y − a0 − a1x− a2x2
Para cada punto (xi, yi) se define un error ei.La estrategia para ajustar el polinomio cuadratico consiste enminimizar la suma de los cuadrados de los errores entre losvalores verdaderos y los valores aproximados. Esto es:
Sr =
n∑i=1
e2i =
n∑i=1
(yi − a0 − a1xi − a2x
2i
)2
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion cuadratica por mınimos cuadrados
Regresion cuadratica por mınimos cuadradosProblema: Ajustar a un polinomio cuadratico(y = a0 + a1x+ a2x
2) el conjunto de puntos:(x1, y1),(x2, y2),· · · ,(xn, yn).El error (e) se puede determinar como:
e = y − a0 − a1x− a2x2
Para cada punto (xi, yi) se define un error ei.La estrategia para ajustar el polinomio cuadratico consiste enminimizar la suma de los cuadrados de los errores entre losvalores verdaderos y los valores aproximados. Esto es:
Sr =
n∑i=1
e2i =
n∑i=1
(yi − a0 − a1xi − a2x
2i
)2
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion cuadratica por mınimos cuadrados
Regresion cuadratica por mınimos cuadradosProblema: Ajustar a un polinomio cuadratico(y = a0 + a1x+ a2x
2) el conjunto de puntos:(x1, y1),(x2, y2),· · · ,(xn, yn).El error (e) se puede determinar como:
e = y − a0 − a1x− a2x2
Para cada punto (xi, yi) se define un error ei.La estrategia para ajustar el polinomio cuadratico consiste enminimizar la suma de los cuadrados de los errores entre losvalores verdaderos y los valores aproximados. Esto es:
Sr =
n∑i=1
e2i =
n∑i=1
(yi − a0 − a1xi − a2x
2i
)2
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion cuadratica por mınimos cuadrados
Ajuste del polinomio cuadratico por mınimos cuadradosPara determinar los valores de a0, a1 y a2, hay que derivar Sr
con respecto a cada uno de los coeficientes (a0, a1, a2) e iguala cero:
∂Sr
∂a0= −2
n∑i=1
(yi − a0 − a1xi − a2x
2i
)= 0
∂Sr
∂a1= −2
n∑i=1
(yi − a0 − a1xi − a2x
2i
)xi = 0
∂Sr
∂a2= −2
n∑i=1
(yi − a0 − a1xi − a2x
2i
)x2i = 0
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion cuadratica por mınimos cuadrados
Ajuste del polinomio cuadratico por mınimos cuadrados
n∑i=1
yi = na0 +
(n∑
i=1
xi
)a1 +
(n∑
i=1
x2i
)a2
n∑i=1
xiyi =
(n∑
i=1
xi
)a0 +
(n∑
i=1
x2i
)a1 +
(n∑
i=1
x3i
)a2
n∑i=1
x2i yi =
(n∑
i=1
x2i
)a0 +
(n∑
i=1
x3i
)a1 +
(n∑
i=1
x4i
)a2
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion cuadratica por mınimos cuadrados
Programa para la solucion del sistema
clear ; clc ;syms a0 a1 a2 n sx sy sx2 sxy sx3 sx4 sx2y ;eq1=n∗a0+sx∗a1+sx2∗a2−sy ;eq2=sx∗a0+sx2∗a1+sx3∗a2−sxy ;eq3=sx2∗a0+sx3∗a1+sx4∗a2−sx2y ;[ a0 a1 a2 ]= solve ( eq1 , eq2 , eq3 , a0 , a1 , a2 )
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Regresion cuadratica por mınimos cuadrados
Solucion del sistema
a0=( sx2y∗sx2ˆ2−sxy∗sx2∗sx3−sx4∗sy∗sx2+sy∗sx3ˆ2−sx∗sx2y∗sx3+sx∗sx4∗sxy ) / ( sx4∗sxˆ2−2∗sx∗sx2∗sx3+sx2ˆ3−n∗sx4∗sx2+n∗sx3 ˆ 2 )
a1=( sx2 ˆ2∗ sxy+n∗sx2y∗sx3−n∗sx4∗sxy−sx∗sx2∗sx2y+sx∗sx4∗sy−sx2∗sx3∗sy ) / ( sx4∗sxˆ2−2∗sx∗sx2∗sx3+sx2ˆ3−n∗sx4∗sx2+n∗sx3 ˆ 2 )
a2=( sx2y∗sxˆ2−sxy∗sx∗sx2−sx3∗sy∗sx+sy∗sx2ˆ2−n∗sx2y∗sx2+n∗sx3∗sxy ) / ( sx4∗sxˆ2−2∗sx∗sx2∗sx3+sx2ˆ3−n∗sx4∗sx2+n∗sx3 ˆ 2 )
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Programa MATLAB: cuadregr.m
function [ a ] = cuadregr ( x , y )% cuadregr : A jus te de curva con regres ion cuadra t i ca% Entrada : x , y−−−−Sal ida : a=[a2 , a1 , a0 ]n = length ( x ) ;i f length ( y ) ˜=n , error ( ’ x−y d i f e r e n t e s long i tudes ’ ) ; endsx=sum( x ) ; sy=sum( y ) ; sx2=sum( x .∗ x ) ; sxy=sum( x .∗ y ) ;sx3=sum( x .∗ x .∗ x ) ; sx4=sum( x .∗ x .∗ x .∗ x ) ; sx2y=sum( x .∗ x .∗ y ) ;a ( 3 ) =( sx2y∗sx2ˆ2−sxy∗sx2∗sx3−sx4∗sy∗sx2+sy∗sx3ˆ2−sx∗sx2y
∗sx3+sx∗sx4∗sxy ) / ( sx4∗sxˆ2−2∗sx∗sx2∗sx3+sx2ˆ3−n∗sx4∗sx2+n∗sx3 ˆ 2 ) ;
a ( 2 ) =( sx2 ˆ2∗ sxy+n∗sx2y∗sx3−n∗sx4∗sxy−sx∗sx2∗sx2y+sx∗sx4∗sy−sx2∗sx3∗sy ) / ( sx4∗sxˆ2−2∗sx∗sx2∗sx3+sx2ˆ3−n∗sx4∗sx2+n∗sx3 ˆ 2 ) ;
a ( 1 ) =( sx2y∗sxˆ2−sxy∗sx∗sx2−sx3∗sy∗sx+sy∗sx2ˆ2−n∗sx2y∗sx2+n∗sx3∗sxy ) / ( sx4∗sxˆ2−2∗sx∗sx2∗sx3+sx2ˆ3−n∗sx4∗sx2+n∗sx3 ˆ 2 ) ;
% Ploteo de l a data y l i n e a rec ta a justadaxp = l inspace (min ( x ) ,max( x ) ,100) ;yp = a ( 3 ) +a ( 2 ) ∗xp+a ( 1 ) ∗xp . ˆ 2 ;plot ( x ’ , y ’ , ’ o ’ , xp , yp ) ; grid on
beamer-tu-logo
Introduccion Regresion por mınimos cuadrados
Ejemplo
Ejemplo 2Ajuste a un polinomio cuadratico los valores de x y y dados enla siguiente tabla:
xi yi1 0.52 2.53 2.04 4.05 3.56 6.07 5.5