TRABAJO DE INVESTIGACION

TEMA : AJUSTE DE CURVAS-METODO MINIMOS CUADRADOS CALCULO NUMERICO LUIS AMAYA CEDRO DNAGHY AMACHI COILA FACI-ESIS 2DO AO

CURSO PROFESOR ALUMNO FACULTAD AO

: : : : :

TACNA PERU 2008

AJUSTE DE CURVAS-METODO DE LOS MINIMOS CUADRADOS El ajuste de curvas consiste en encontrar una curva que contenga una serie de puntos y que posiblemente cumpla una serie de restricciones adicionales. Mnimos cuadrados es una tcnica de optimizacin matemtica que, dada una serie de mediciones, intenta encontrar una funcin que se aproxime a los datos (un "mejor ajuste"). Intenta minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos generados por la funcin y los correspondientes en los datos El mtodo de los mnimos cuadrados es de gran importancia en las distintas ramas de la ingeniera, las ciencias y las matemticas. Este mtodo consiste en encontrar una funcin cuya grfica sea la ms aproximada a los datos obtenidos. Precisando, claro esta, que significa estar aproximada. Este mtodo nos permite predecir la existencia de otros valores o inferir valores futuros. Cuando se asume que existe un error sustancial en los datos de f(xi), la interpolacin polinomial, ya sea de Newton o de Lagrange, es inapropiada debido a que cuando se utiliza para encontrar los valores intermedios la variabilidad de los datos har que la curva representada a travs del polinomio oscilar en forma amplia en el intervalo entre los puntos. En este caso se utiliza el mtodo por mnimos cuadrados, tcnica cuyo objetivo es derivar una curva que minimice la discrepancia entre los puntos y la curva. Algunas de las razones por las que no se admite un modelo lineal como representativo de la relacin entre dos (o ms) variables, pueden ser la falta de significacin de los parmetros implicados o que dicha relacin lineal resulte

pobre debido a un bajo indicador en el coeficiente de determinacin. En cualquiera de estos casos, cabe apuntar posibilidades: en primer lugar, que no existe relacin entre las variables; en segundo lugar, que existiendo relacin entre ellas sta no puede considerarse desde el modelo lineal; en tercer lugar, aunque el modelo lineal funcione bien podramos considerar un modelo no-lineal por el que obtener una interpretacin completa de los parmetros. La consideracin de las relaciones entre variables desde un planteamiento no-lineal como modelo explicativo da lugar a que las posibilidades de obtener una funcin mediante la que representar la relacin se amplen enormemente. No obstante, antes de abordar esta posibilidad, conviene matizar a qu nos estamos refiriendo cuando consideramos la no-linealidad en una ecuacin.. En este sentido, estableceremos, con cuatro modelos, la evolucin desde la mtodo lineal al no-lineal (en el sentido ms estricto): En primer lugar, el modelo lineal, en su concepcin ms simple, podra expresarse segn la ecuacin:

En segundo lugar, en la evolucin hacia la no-linealidad, podemos considerar la ecuacin:

En esta ecuacin, se representa la relacin no-lineal entre la variable dependiente (Y) y la variable independiente (X), en la que la consideracin cuadrtica en sta determina observaciones simples en aqulla. Estos modelos pueden considerarse no-lineales en las variables; si bien, continan siendo lineales en los parmetros que marcan el grado de ajuste entre ambas. La transformacin de la ecuacin (2), mediante el clculo de la raz cuadrada de la variable, conducira hacia la evitacin del trmino cuadrtico y, por tanto, podra considerarse como un modelo lineal.

En tercer lugar, otra forma de considerar en la representacin de la ecuacin podra ser mediante la ecuacin:

La ecuacin (4), representa a un modelo no-lineal en los parmetros o y 1. Sin embargo, este modelo debe considerarse como intrnsecamente lineal, debido a que, mediante la aplicacin de logaritmos, podra expresarse linealmente, como se especifica en:

As, la ecuacin (4), no lineal en los parmetros se ha transformado, en (5), en un modelo lineal. En cuarto lugar, podemos considerar un modelo no-lineal en los parmetros, e intrnsecamente no-lineal, como se representa en:

En esta ecuacin la no-linealidad se produce en los parmetros, dado que al menos una de las derivadas de Y con respecto a los parmetros o y 1, es funcin de, al menos, uno de los parmetros. As, la derivada de Y respecto de o, y la derivada de Y respecto de 1, son funcin de o y/o de 1. Adems, no existe posibilidad de linealizar la ecuacin. La obtencin de Modelos no-Lineales Si tuvisemos que resumir la estrategia analtica plantearamos un esquema interactivo entre las facetas de identificacin, estimacin y validacin. 1) IDENTIFICACIN

La estrategia de modelizacin debera comenzar por tratar de dar respuesta a la siguiente pregunta: Existe algn modelo terico y/o evidencia emprica suficiente en los que basarnos para seleccionar la funcin no-lineal apropiada? Si la respuesta no es afirmativa convendra considerar, al menos, dos aspectos: a) Las caractersticas de las variables que se estn considerando. Es decir, Cmo se han obtenido los valores de la variable independiente? b) El aspecto de la representacin grfica de los datos: 2) ESTIMACIN. En los apartados que siguen trataremos de exponer algunas posibilidades para obtener buenos estimadores en las ecuaciones del modelo no-lineal.
Un breve ejemplo Un astrnomo formulo su tercera ley del movimiento planetario T=Cx3/2 donde: x :distancia al Sol(en millones de kilmetros) T: periodo orbital (en das) C: constante Conociendo las parejas de datos (x, T) observados en los primero planetas Se utiliz el ajuste en mnimos cuadrados, de lo cual se obtiene la siguiente formula general: T = 0.199769x3/2

METODO NO LINEAL DE LOS MINIMOS CUADRADOS Para y=CeAx Suponiendo que queremos ajustar una curva exponencial de la forma: y=CeAx a un conjunto de puntos (x1,y1),(x2,y2),(x3,y3),...,(xn,yn) dado de antemano.

El mtodo no lineal consiste en hallar el mnimo de la funcin: E ( A, C ) = Ce Axk yk

k =1 N

Para ello, hallamos las derivadas parciales de E(A,C) respecto de A y C,

N E = 2 Ce Ax k yk Cx k e Ax k A k =1 N E = 2 Ce C k= 1

)(

) )

(13)

Ax k

y k e Ax k

)(

Al igualar a cero estas derivadas parciales (13) y (14) obtenemos, despus de simplificar, las correspondientes ecuaciones normales C xk e 2 Axk xk y k e Axk = 0
k =1 k =1 N N

C e Axk yk e Axk = 0 La diferencia con el mtodo de linealizacion de los datos reside en el hecho de que las ecuaciones (15) no son lineales para las incgnitas A y C. Podramos resolver las ecuaciones normales (15) usando el mtodo iterativo de Newton Raphson, pero ello conlleva a nmero alto de operaciones. Ejemplo practico: Vamos a usar el mtodo no lineal de los mnimos cuadrados para el ajuste exponencial ptimo: Y=CeAx para los cinco datos: (0, 1.5),(1,2.5),(2,3.5),(3,5.0) y (4,7.5). Tenemos que minimizar la cantidad E (A, C) dada por: E ( A, C ) = ( C 1.5) + Ce A 2.5 + Ce 2 A 3.5 + Ce 3 A 5.0 + Ce 4 A 7.5
2 2 2 2

) (

) (

) (

Asimismo podramos darle un valor para A y para C, por ejemplo A=1 y C=1 Reemplazando se tiene: E ( A, C ) = (1 1.5) + 1e1 2.5 + 1e 2 (1) 3.5 + 1e3(1) 5 + 1e 4 (1) 7.5
2 2 2 2

) (

) (

) (

Luego:
E ( A, C ) = ( 0.5) + e1 2.5 + e 2 3.5 + e 3 5 + e 4 7.5
2 2 2 2

) (

) (

) (

Obtendramos Y= 1.6108995.e0.3835705 Solucin por Ecuaciones Normales Dada una relacin funcional conocida como Yi= (Xi; )+, donde (Xi; ) fuese, p.e., 0e1X, el criterio C de mnimos cuadrados podra expresarse del siguiente modo:

Donde la derivada parcial de C respecto del parmetro j sera:

Por tanto, para 0 e 1X, las ecuaciones normales se obtendran segn:

Sustituyendo 0 y 1 por b0 y b1 en (10) y (11), las ecuaciones seran:

Que simplificadas seran:

Estas ecuaciones normales, como en muchos modelos nolineales, no tienen una solucin analtica, por lo que es preciso el recurso de algn procedimiento iterativo que permita encontrar una solucin. Solucin por Bsqueda Numrica: procedimiento de GaussNewton En la mayora de los programas informticos estadsticos se emplean una o varias estrategias de bsqueda numrica directa que dan solucin a los problemas del modelo nolineal. Entre ellas, el Mtodo de Linearizacin o de GaussNewton (GN) que resulta ms eficiente que el procedimiento de Newton, debido a la rpida convergencia, en la mayora de los casos, desde unos valores tomados inicialmente, hacia los modelos prximos a la linealidad. El procedimiento de GN utiliza las expansiones de las series de Taylor para aproximar el modelo no-lineal hacia trminos lineales y emplea la estrategia de mnimos cuadrados ordinarios para estimar los parmetros. La iteracin de estos pasos lleva, generalmente, hacia soluciones planteadas por los problemas del modelo nolineal. Algunas de las posibilidades para obtener estos valores pueden basarse en estudios previos, expectativas tericas o bsquedas previas para los parmetros que conducen a bajos valores del criterio C. La forma matricial sera:

El modelo representado en (21) tiene la estructura del modelo lineal, del que se diferencia en que la matriz de ste se ha sustituido por la matriz de derivadas parciales. Por tanto, podramos estimar los valores de (0) considerando las ecuaciones normales del procedimiento del modelo lineal ordinario:

Desde (22) obtenemos el vector de estimadores que podemos utilizar para obtener coeficientes revisados como se muestra a continuacin:

As, b(1) k es vector de un estimadores de k tras la primera iteracin. Para comprobar si los ajustes se estn realizando apropiadamente podemos acudir al criterio mnimo cuadrtico C; para ello, tomamos el vector de estimadores iniciales b(0) y obtenemos la suma cuadrtica residual (SSE), para dichos valores iniciales, tal como se muestra a continuacin:

Despus, consideramos el vector de estimadores obtenido tras la primera iteracin y, similarmente a (24), obtenemos la segn la igualdad:

Si SSE (1) < SSE (0) podramos concluir que los coeficientes revisados son mejores que los iniciales. Por tanto, el algoritmo de GN estara trabajando convenientemente. El procedimiento descrito se repite, tomando ahora como valores iniciales los estimadores obtenidos en b(1), hasta

que la diferencia entre estimaciones sucesivas y/o la diferencia entre las medidas de sus SSE son muy pequeas. APLICACIN. Este tipo de modelos, como debera considerase en cualquier modelizacin, no deberan utilizarse sin un conocimiento de las implicaciones que conllevan; por tanto, no deberan ser simples sustitutos de modelizacin para aquellos casos en los que no parece adecuado el modelo lineal. Por ello, parece conveniente hacer algunas alusiones acerca de algunos de los modelos no-lineales ms frecuentemente utilizados. Las aplicaciones de este tipo de modelos pueden considerarse para tratar de dar respuesta a cuestiones similares a las que se plantean en el modelo lineal, desde el marco no-lineal.

A modo de conclusin En resumen, el modelo obtenido mediante metodo no lineal es un procedimiento de ajuste de datos adecuado para el supuesto de que las variables no sigan relaciones lineales. Es de esperar que en un futuro prximo este tipo de modelos se utilice con ms frecuencia. Bibliografa: Metodos Numericos con Matlab, John Mathews-Kurtis Fink Direcciones URL: http://biolab2.fisica.edu.uy/minc.pdf http://www.psicothema.es/psicothema.asp?ID=573 http://www.metodoseconometricos.com/presdos.pdf