REGRESION POLINOMIAL

Se trata de calcular el polinomio de segundo grado P2(x)=a0+a1x+a2x2 que ajuste mejor a los n datos
(xi,yi). se minimiza la función
𝑛

𝑠 = ∑[𝑎0 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖2 − 𝑦𝑖 ]2
𝑖=1

𝜕𝑠
1) = 2 ∑𝑛𝑖=1[𝑎0 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖2 − 𝑦𝑖 ] = 0
𝜕𝑎0
𝜕𝑠
2) = 2 ∑𝑛𝑖=1[𝑎0 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖2 − 𝑦𝑖 ]𝑥𝑖 = 0
𝜕𝑎1
𝜕𝑠
3) 𝜕𝑎2
= 2 ∑𝑛𝑖=1[𝑎0 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖2 − 𝑦𝑖 ]𝑥𝑖2 = 0

Al desarrollar (1), (2) y (3) se genera un SEL:

𝑛 ∑𝑥 ∑ 𝑥 2 𝑎0 ∑𝑦
( ∑𝑥 ∑ 𝑥2 3 𝑎 ∑
∑ 𝑥 ) ( 1 ) = ( 𝑥𝑦 )
∑ 𝑥2 ∑ 𝑥3 ∑ 𝑥 4 𝑎2 ∑ 𝑦𝑥 2

La temperatura de ebullición del agua registrada a diferentes alturas se registra

en la siguiente tabla donde la altura se mide en pies y la temperatura en Fahrenheit:
Altura: 0,2000,5000,7500,10000, 20000, 26000
Temperatura: 212, 210, 203, 198, 194, 178, 168
1) grafica los datos
2) observando la gráfica de dispersión se propone un modelo lineal
3) usa el modelo lineal para estimar la temperatura de ebullición a 16000 pies
4) Resuelve el SEL por el método que elija
5) grafique en el mismo plano el modelo lineal y la dispersión
6) calcule el coeficiente de la ecuación de Pearson según las siguientes formulas.

 CCPearson
𝑆𝑟 = ∑2𝑖=1(𝑇𝑖 − 𝑃𝑛 (ℎ𝑖 ))2 sumatoria de los residuales

𝑆𝑡 = ∑2𝑖=1(𝑇𝑖 − 𝑇𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 )2 sumatoria de las desviaciones medias

𝑆𝑡 − 𝑆𝑟
𝑟2 =
𝑆𝑡
clc; clear all; close all
%Modelo lineal para la temperatura de abullicion del agua
h=[0 2000 5000 7500 10000 20000 26000];
t=[212 210 203 198 194 178 168];
%grafica de dispersion
plot(h,t,'o','Markersize',5,'MarkerFaceColor','r','MarkerEdgeColor','b')
grid on
% Calculo de los coeficientes del modelo lineal
A=[length(t) sum(h); sum(h) sum(h.^2)]
B=[sum(t);sum(t.*h)]
x=inv(A)*B
syms H
T=vpa(x(2)*H+x(1),7) %Ecuacion lineal
hold on
a=ezplot(T,[min(h),max(h)]) % grafica del modelo lineal
set(a,'color','g')
ylabel('Temperatura (°F)')
xlabel('Altura (ft)')
title('Regresion lineal altura vs temperatura')
legend('datos de altura-temp.','regresion lineal')
Temperatura=subs(T,16000)
%Temperatura = 184.61105351820677578089657799865
%calculo del CCPearson
Sr=sum((t-subs(T,h)).^2) %Suma de los residuales
St=sum((t-mean(t)).^2)
r=sqrt((St-Sr)/St)

T=

211.8776 - 0.00170416*H

a=

175.0179

Temperatura =

184.61105351820677578089657799865

Sr =

4.6140339510172346766878324019552

St =

1.6054e+03

r=

0.99856195597477615485668251998558
Los siguientes datos experimentales representan el valor especifico de una sustancia como función
de la temperatura. La temperatura en °K y el calor especifico (Cp) en cal/g °K según los siguientes
datos:

t= [273 283 293 303 313 323 333 343 353 363];

Cp= [1.00783 1.00129 0.99880 0.99800 0.99850 0.99940 1.00060 1.00229 1.00437];
clc; clear all; close all
%Modelo lineal para la temperatura de abullicion del agua
t= [273 283 293 303 313 323 333 343 353 363];
c= [1.00783 1.00129 0.99880 0.99800 0.99800 0.99850 0.99940 1.00060
1.00229 1.00437];
%grafica de dispersion
plot(t,c,'o','Markersize',5,'MarkerFaceColor','g','MarkerEdgeColor','r')
grid on
% Calculo de los coeficientes del modelo lineal
A=[length(t) sum(t) sum(t.^2);
sum(t) sum(t.^2) sum(t.^3);
sum(t.^2) sum(t.^3) sum(t.^4)];
B=[sum(c);sum(c.*t);sum(c.*t.^2)];
x=inv(A)*B;
syms L
P2=vpa(x(3)*L^2+x(2)*L+x(1),7)
hold on
a=ezplot(P2,[min(t),max(t)])
ce=subs(P2,293)
set(a,'color','b')
ylabel('Calor especifico (cal/g °K)')
xlabel('Temperatura (°K)')
title('Regresion lineal Cp vs T')
legend('datos de Cp-temp.','regresion lineal')

P2 =

0.000003892424*L^2 - 0.002481909*L + 1.393326

a=

175.0330

ce =

1.0002876964189997555099154169511
En su tiempo el astrónomo Johannes Keplerformulo su tercera ley del movimiento planetario
mediante el siguiente modelo:

𝑇 = 𝐶𝑥 𝛽
Donde x es la distancia al sol media en millones de kilómetros, T es el periodo orbital en días y c es
una constante de proporcionalidad. Encuentre el valor de la constante c y β de acuerdo a los
siguientes datos: (x, T)

ln(𝑇) = ln(𝐶𝑥 𝛽 )

ln(𝑇) = ln(𝐶) + 𝑙𝑛𝑥 𝛽

ln(𝑇) = ln(𝐶) + 𝛽 ln(𝑥)

Y = a0+ a1 X

Y = ln (T)

a0 = ln (C)

a1 =β

X = ln (x)

d=[57.59 108.11 149.57 227.84 778.14 1427 2870.30 4499.9 5909];

p=[87.99 224.7 365.26 686.98 4332.4 10759 30648 60188 90710];

%Linealizacuion de un modelo potencial
clc; clear all; close all
d=[57.59 108.11 149.57 227.84 778.14 1427 2870.30 4499.9 5909];
p=[87.99 224.7 365.26 686.98 4332.4 10759 30648 60188 90710];
%grafica de dispersion
plot(d,p,'*')
grid on; hold on

% grafica de linealizacion
Y=log(p);
X=log(d);
figure
plot(X,Y,'*')
grid on
legend('Linealizacion')

%SEL con el cambio de variable

A=[length(X) sum(X); sum(X) sum(X.^2)];
B=[sum(Y);sum(Y.*X)];
x=inv(A)*B;
%Determinacion de los coeficientes
a0=x(1)
a1=x(2)
%Sustitucion de a0 y a1 en las constantes del modelo
c=exp(a0)
beta=vpa(a1,6)
%determinacion del modelo
syms x
T=vpa(c*x.^(beta),8)
%grafica de los datos de los plantetas con el modelo potencial de Kepler
figure
plot(d,p,'o')
hold on
a=ezplot(T,[min(d),max(d)])
set(a,'color','g')
legend('datos de johannes Kepler','Modelo potencial')
title('Modelo para ajustar la Tercera Ley de Kepler')
xlabel('distancia(millones de kilometros) al sol')
ylabel('periodo orbital de los planetas (días)')
%agregar a CCPearson
%comparar los datos y el modelo con la literatura
%escribir los planetas respectivos
a0 =

-1.6028

a1 =

1.4988

c=

0.2013

beta =

1.49882

T=

0.20132839*x^1.4988234

a=

574.0007