Regresin de polinomios

Mnimos cuadrados

En qu consiste el mtodo de Mnimos cuadrados?

Derivar una funcin aproximada que ajuste la forma de la tendencia general de los datos sin ajustar necesariamente con los puntos individuales.

Regresin de polinomios
Algunos datos aunque exhiben un patrn marcado no pueden ser representados por una lnea recta. Para esos casos una curva es lo ms adecuado.

El procedimiento de mnimos cuadrados se puede extender al ajuste de polinomios de orden superior

Ajustar un polinomio de segundo orden
y= a0 + a1x + a2x2 + e

Para este caso la ecuacin de suma de cuadrados es:

n

Sr= (yi - a0 - a1x i+ a2xi2)2

i1

 Se toma la derivada de la ecuacin con respecto de cada uno de los coeficientes desconocidos del polinomio.
Sr =-2 (yi a0 a1xi a2xi2) a0

Sr =-2 xi (yi a0 a1xi a2xi2) a1

Sr =-2 xi2(yi a0 a1xi a2xi2) a2

 Al igualar a cero estas ecuaciones y sabiendo que a0= (n) a0, al reordenar trminos se tiene el siguiente conjunto de ecuaciones:
(n) a0 + ( xi) a1 +( xi2) a2 = yi
( xi)a0 + ( xi2)a1 +( xi3)a2 = xiyi
( xi2)a0 + ( xi3)a1 +( xi4)a2 = xi2yi

 Determinar un polinomio por mnimos cuadrados es equivalente a resolver un sistema de ecuaciones lineales simultneas donde existen 3 incgnitas: a0 ,a1,a2. De manera general puede ser un polinomio de m-simo orden.
y= a0 + a1x + a2x2
+...+

amxm + e

Para un sistema de m+1 ecuaciones lineales simultneas.

 El error estndar se formula como:

Sy/x=
( +1)

Coeficiente de determinacin:
2 r=

Cuantifica un aumento o disminucin del error por medio de la variabilidad de datos.

Ejemplo:
Ajustar a un polinomio de segundo orden los datos en las dos primeras columnas de la siguiente tabla:
xi
0 1 2 3 4 5

yi
2.1 7.7 13.6 27.2 40.9 61.1 152.6

(yi-y)2 544.44 314.47 140.03 3.12 239.22 1272.11 2513.39

(yi -

a0 - a1xi - a2xi2)
0.14332 1.00286 1.08158 0.80491 0.61951 0.09439 3.74657

Solucin:
A partir de los datos dados:
n=6 m=2 Media xi = 2.5 Media yi = 25.43

xi =15 yi =152.6 xi2=55 xi3=225

xi4=979 xiyi =585.6 xi2yi =2488.8

 Por tanto, las ecuaciones lineales simultneas son:

6 15 55 15 55 225 55 225 979
a0 a1 a2 152.6 585.6 2488.8

Resolviendo por mtodo de Gauss se tiene que: a0 = 2.47857 a1= 2.35929 a2=1.86071

Solucin:
A partir de los datos dados:
n=6 m=2 Media xi = 2.5 Media yi = 25.43

xi =15 yi =152.6 xi2=55 xi3=225

xi4=979 xiyi =585.6 xi2yi =2488.8

 Por tanto, las ecuaciones lineales simultneas son:

6 15 55 15 55 225 55 225 979
a0 a1 a2 152.6 585.6 2488.8

Resolviendo por mtodo de Gauss se tiene que: a0 = 2.47857 a1= 2.35929 a2=1.86071

Solucin:
A partir de los datos dados:
n=6 m=2 Media xi = 2.5 Media yi = 25.43

xi =15 yi =152.6 xi2=55 xi3=225

xi4=979 xiyi =585.6 xi2yi =2488.8

 Por tanto, las ecuaciones lineales simultneas son:

6 15 55 15 55 225 55 225 979
a0 a1 a2 152.6 585.6 2488.8

Resolviendo por mtodo de Gauss se tiene que: a0 = 2.47857 a1= 2.35929 a2=1.86071

 Por lo tanto la ecuacin cuadrtica por mnimos cuadrados para este caso es:
y= 2.47857+ 2.35929x + 1.8071x2

Tomando la sumatoria de la tercera y cuarta columna se calcular el error estndar y el coeficiente de correlacin

xi
0 1 2 3 4 5

yi
2.1 7.7 13.6 27.2 40.9 61.1 152.6

(yi-y)2 544.44 314.47 140.03 3.12 239.22 1272.11 2513.39

(yi -

a0 - a1xi - a2xi2)
0.14332 1.00286 1.08158 0.80491 0.61951 0.09439 3.47657

Error estndar

Sy/x=

3.47657 6 3

=1.12

Coeficiente de determinacin
r2=
2513 .393.47657 2513 .39

= 0.99851

 Los resultados indican que el 99.851% de la incertidumbre la resolvi el modelo. Conclusin: La ecuacin cuadrtica presenta un excelente ajuste.