02 regresion polinomial
-
Upload
consultoria-y-suministros-mega-arwil-ca -
Category
Education
-
view
20 -
download
0
Transcript of 02 regresion polinomial
![Page 1: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/1.jpg)
MÉTODOS NUMÉRICOS
CAPÍTULO 4: REGRESIÓN POR
MÍNIMOS CUADRADOS.
REGRESIÓN POLINOMIAL.
Ing. Willians Medina.
Maturín, Junio de 2015.
![Page 2: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/2.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 36
4.3.- REGRESIÓN POLINOMIAL.
En la sección anterior se desarrolló un procedimiento para obtener la ecuación de
una línea recta por medio del criterio de mínimos cuadrados. En la ingeniería, aunque
algunos datos exhiben un patrón marcado, como el que se advierte en la figura 4.9, son
pobremente representados por una línea recta, entonces, una curva podrá ser más adecuada
para ajustarse a los datos.
Figura 4.9. Diagrama de dispersión. Tendencia no lineal.
Una alternativa es ajustar polinomios a los datos mediante regresión polinomial.
El procedimiento de mínimos cuadrados se puede extender fácilmente al ajuste de
datos con un polinomio de grado superior. Por ejemplo, suponga que ajustamos un
polinomio de segundo grado o cuadrático:
2
210 ii xaxaay (4.11)
En este caso, la suma de los cuadrados de los residuos es
0
10
20
30
40
50
60
70
0 1 2 3 4 5 6
y
x
![Page 3: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/3.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 37
n
i
iiir xaxaayS1
22
210 )( (4.12)
Al seguir el procedimiento de la sección anterior, obtenemos la derivada de la ecuación
(4.12) con respecto a cada uno de los coeficientes desconocidos del polinomio,
n
i
iiir xaxaay
a
S
1
2
210
0
)(2
n
i
iiir xaxaayx
a
S
1
2
2210
1
)(2
n
i
iiir xaxaayx
a
S
1
2
2210
2
2
)(2
Estas ecuaciones se igualan a cero y se reordenan para desarrollar el siguiente conjunto de
ecuaciones normales:
n
i
i
n
i
i
n
i
i yaxaxan1
2
1
2
1
1
0 )()()(
n
i
ii
n
i
i
n
i
i
n
i
i yxaxaxax1
2
1
3
1
1
2
0
1
)()()(
n
i
ii
n
i
i
n
i
i
n
i
i yxaxaxax1
2
2
1
4
1
1
3
0
1
2 )()()( (4.13)
Observe que las tres ecuaciones anteriores son lineales y tienen tres incógnitas: 0a , 1a y 2a
. Los coeficientes de las incógnitas se evalúan de manera directa, a partir de los datos
observados.
En este caso, observamos que el problema de determinar un polinomio de segundo
grado por mínimos cuadrados es equivalente a resolver un sistema de tres ecuaciones
lineales simultáneas. En el capítulo 2 se estudiaron las técnicas para resolver tales
ecuaciones.
El error estándar se formula como
3/
n
SS r
xy (4.14)
Ejemplo 4.3.
![Page 4: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/4.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 38
[DM] Los paneles laterales del interior de un aeroplano se hacen en una prensa de 1500
toneladas. El costo unitario de fabricación varía con el tamaño del lote de producción. Los
datos que se presentan a continuación muestran el costo promedio por unidad (en cientos de
dólares) de este producto (y) y el tamaño del lote de producción (x).
ix iy
20 1.81
25 1.70
30 1.65
35 1.55
40 1.48
50 1.40
60 1.30
65 1.26
70 1.24
75 1.21
80 1.20
90 1.18
a) Elabore un diagrama de dispersión.
b) Suponiendo que un polinomio de segundo orden puede ser apropiado, ajuste el modelo
de regresión que relacione el costo promedio por unidad (y) con el tamaño del lote de
producción (x).
c) ¿Cuál es la estimación del costo promedio por unidad cuando el tamaño del lote es 45?
d) Suponga que el tamaño del lote es 50. Calcule el valor ajustado de y y el residual
correspondiente.
e) Si el costo promedio por unidad es de 1.50 (en cientos de dólares), determine el tamaño
del lote.
f) Determine el coeficiente de determinación.
g) Determine el coeficiente de correlación.
Solución.
a) En la figura 4.10 se muestra el diagrama de dispersión de los datos.
![Page 5: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/5.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 39
Figura 4.10. Diagrama de dispersión de los datos del ejemplo 4.3.
En la figura 4.10 se observa que los datos se ajustan a una curva parabólica.
b) Para encontrar la recta de mínimos cuadrados que aproxima a estos datos, extendemos la
tabla y sumamos las columnas como se muestra en las cinco últimas columnas de la tabla
i ix iy 2
ix 3
ix 4
ix ii yx ii yx 2
1 20 1.81 400 8000 160000 36.2 724
2 25 1.7 625 15625 390625 42.5 1062.5
3 30 1.65 900 27000 810000 49.5 1485
4 35 1.55 1225 42875 1500625 54.25 1898.75
5 40 1.48 1600 64000 2560000 59.2 2368
6 50 1.4 2500 125000 6250000 70 3500
7 60 1.3 3600 216000 12960000 78 4680
8 65 1.26 4225 274625 17850625 81.9 5323.5
9 70 1.24 4900 343000 24010000 86.8 6076
10 75 1.21 5625 421875 31640625 90.75 6806.25
11 80 1.2 6400 512000 40960000 96 7680
12 90 1.18 8100 729000 65610000 106.2 9558
640 16.98 40100 2779000 204702500 851.3 51162
1
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
10 20 30 40 50 60 70 80 90 100
Co
sto
pro
med
io p
or u
nid
ad
Tamaño del lote
![Page 6: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/6.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 40
Todas las sumas anteriores se pueden obtener directamente con la calculadora CASIO fx-
570 ES PLUS a expensas de los cálculos indicados en la tabla anterior. El menú para las
sumas se encuentra con la siguiente secuencia de teclas:
AC SHIFT 1 3
Las ecuaciones normales (4.13) son:
98.164010064012 210 aaa
3.851277900040100640 210 aaa
51162204702500277900040100 210 aaa
En el capítulo 2 se explicó cómo resolver este sistema de ecuaciones en forma directa
utilizando la calculadora CASIO fx-570 ES PLUS.
Al resolver el sistema de tres ecuaciones con tres incógnitas anterior:
1982663.20 a
0225224.01 a
0001251.02 a
Estas constantes se pueden obtener directamente con la calculadora CASIO fx-570 ES
PLUS a expensas de la solución del sistema de ecuaciones. El menú para las constantes se
encuentra con la siguiente secuencia de teclas:
AC SHIFT 1 5
La mejor ecuación cuadrática en el sentido de mínimos cuadrados es, de acuerdo con la
ecuación (4.11):
2
210ˆ ii xaxaay (4.11)
20001251.00225224.01982663.2ˆ xxy
En la figura 4.11 se muestran los datos y la parábola de regresión.
![Page 7: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/7.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 41
Figura 4.11. Diagrama de dispersión y parábola de mínimos cuadrados de los datos del ejemplo 4.3.
c) Costo promedio por unidad cuando 45x .
Aplicando la ecuación de regresión 20001251.00225224.01982663.2ˆ xxy , se
sustituye 45x , para obtener:
2)45(0001251.0)45(0225224.01982663.2ˆ y
2533275.00135080.11982663.2ˆ y
4380.1ˆ y
La tabla siguiente muestra los valores observados con los valores obtenidos usando
esta aproximación.
ix iy 20001251.00225224.01982663.2 xxy 2)( yyi 2)ˆ( yyi
20 1.81 1.7978452 0.156025 0.0001477
25 1.7 1.7133731 0.081225 0.0001788
30 1.65 1.6351542 0.055225 0.0002204
35 1.55 1.5631886 0.018225 0.0001739
40 1.48 1.4974763 0.004225 0.0003054
1
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
10 20 30 40 50 60 70 80 90 100
Co
sto
pro
med
io p
or u
nid
ad
Tamaño del lote
![Page 8: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/8.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 42
50 1.4 1.3848113 0.000225 0.0002307
60 1.3 1.2971595 0.013225 0.0000081
65 1.26 1.2627134 0.024025 0.0000074
70 1.24 1.2345206 0.030625 0.0000300
75 1.21 1.2125811 0.042025 0.0000067
80 1.2 1.1968948 0.046225 0.0000096
90 1.18 1.1842820 0.055225 0.0000183
640 16.98 16.98 0.5265 0.0013371
d) El valor estimado para 50x es:
2)50(0001251.0)50(0225224.01982663.2 y
3848113.1y
con un valor residual.
3848113.14.1 e
0380858.0e
e) Para 50.1y , tendremos:
20001251.00225224.01982663.2ˆ xxy
20001251.00225224.01982663.250.1 xx
06982663.00225224.00001251.0 2 xx
Al resolver la ecuación de segundo grado anterior:
23.140x
80.39x
El tamaño del lote es 39.80.
El error estándar del estimado es, de acuerdo con la ecuación (4.14):
3/
n
SS r
xy (4.14)
312
0013371.0/
xyS
0121889.0/ xyS
f) El coeficiente de determinación es, de acuerdo con la ecuación (4.9):
![Page 9: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/9.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 43
t
rt
S
SSr
2 (4.9)
5265.0
0013371.05265.02 r
9974604.02 r
g) El coeficiente de correlación es
2rr
9974604.0r
9999327.0r
En caso bidimensional se extiende con facilidad a un polinomio de m-ésimo grado
como sigue
m
m xaxaxaay 2
210 (4.15)
El análisis anterior se puede extender fácilmente a este caso más general.
El problema general de aproximar un conjunto de datos },...,2,1,0/),{( niyx ii , con un
polinomio
m
j
j
jm xaxP0
)( de grado nm usando el procedimiento de mínimos
cuadrados se ataca de manera similar y requiere de la elección de las constantes 0a , 1a ,…,
ma para minimizar el error de mínimos cuadrados.
n
i
imir xPyS0
2)]([(
n
i
im
n
i
iim
n
i
i xPyxPy0
2
00
2 )]([)(2
n
i
m
j
j
ij
n
i
i
m
j
j
ij
n
i
i xayxay0
2
00 00
2 )()(2
m
j
m
k
n
i
kj
ikj
m
j
n
i
j
iij
n
i
i xaaxyay0 0 00 00
2 )()(2
![Page 10: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/10.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 44
Como en el caso lineal, para minimizar a rS , es necesario que 0
j
r
a
S para cada
mj ,,2,1,0 . Por lo tanto, para cada j,
m
k
n
i
kj
ik
n
i
j
ii
j
r xaxya
S
0 00
220
Esto da 1m ecuaciones para las 1m incógnitas, ja , que se conocen como ecuaciones
normales,
n
i
j
ii
m
k
n
i
kj
ik xyxa00 0
mj ,,2,1,0 .
Es conveniente escribir las ecuaciones como sigue:
n
i
ii
n
i
m
im
n
i
i
n
i
i
n
i
i xyxaxaxaxa0
0
00
2
2
0
1
1
0
0
0
n
i
ii
n
i
m
im
n
i
i
n
i
i
n
i
i xyxaxaxaxa0
1
0
1
0
3
2
0
2
1
0
1
0
n
i
n
ii
n
i
m
im
n
i
m
i
n
i
m
i
n
i
m
i xyxaxaxaxa00
2
0
2
2
0
1
1
0
0 (4.16)
Se puede demostrar que las ecuaciones normales tienen una solución única siempre que las
ix , para ni ,,2,1,0 sean distintas.
Así, se reconoce que la determinación de los coeficientes de un polinomio de m-ésimo
grado es equivalente a resolver un sistema de 1m ecuaciones lineales simultáneas. En
este caso, el error estándar se formula como sigue:
)1(/
mn
SS r
xy (4.17)
Esta cantidad se divide entre )1( mn , ya que )1( m coeficientes obtenidos de los datos
0a , 1a ,…, ma , se utilizaron para calcular rS ; hemos perdido 1m grados de libertad.
Además del error estándar, también se calcula un coeficiente de determinación para la
regresión polinomial con la ecuación (4.9).
![Page 11: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/11.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 45
Ejercicios propuestos.
27. [CC] Ajuste una parábola a los datos
ix 0.75 2 2.5 4 6 8 8.5
iy 0.8 1.3 1.2 1.6 1.7 1.8 1.7
Grafique los datos y la ecuación, y determine el error estándar.
28. [CC] Ajuste una parábola a los datos
ix 0.4 0.8 1.2 1.6 2.0 2.3
iy 750 1000 1400 2000 2700 3750
Grafique los datos y la ecuación.
29. [BF] Encuentre un polinomio de mínimos cuadrados de grado 2 para los datos que se
muestran en el problema 2.
30. [BF] Construir la aproximación de mínimos cuadrados de grado dos para los datos del
problema 3 y calcular el error.
31. [BF] Construir la aproximación de mínimos cuadrados de grado dos para los datos del
problema 4 y calcular el error.
32. [CC] Use regresión polinomial para ajustar una parábola a los datos del problema 7.
Calcule el error estándar de la estimación y el coeficiente de correlación. Grafique los datos
y la parábola. Evalúe el ajuste. Compare los resultados con los del problema 7.
33. Utilice regresión por mínimos cuadrados para ajustar una parábola a los datos del
problema 8.
Ingeniería Química.
34. [CC] El volumen específico de un vapor sobrecalentado se presenta en las tablas de
vapor para diferentes temperaturas. Por ejemplo, a una presión de 2950 ln/in2, la
temperatura y el volumen específicos se relacionan como:
Fº ,T 700 720 740 760 780
m
3/lbft ,v 0.1058 0.1280 0.1462 0.1603 0.1703
Determine v a Fº750T .
Ingeniería Eléctrica.
![Page 12: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/12.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 46
35. [CC] Usted mide la caída de voltaje V a través de una resistencia para diversos valores
de la corriente i. Los resultados son
i 0.25 0.75 1.25 1.5 2.0
V –0.45 –0.6 0.70 1.88 6.0
Use correlación polinomial para estimar la caída de voltaje para 1.1i . Interprete sus
resultados.
36. [CC] La corriente en un alambre se mide con gran precisión como función del tiempo:
t 0 0.1250 0.2500 0.3750 0.5000
i 0 6.2402 7.7880 4.8599 0.0000
Determine i a 22.0t .
Ingeniería Mecánica / Aeronáutica.
37. [CC] La viscosidad cinemática del agua, v , está relacionada con la temperatura de la
siguiente forma:
Cº,T 0 4 8 12 16 20 24
/scm , 2v 1.7923×10–2
1.5676×10–2
1.3874×10–2
1.2396×10–2
1.1168×10–2
1.0105×10–2
0.9186×10–2
Grafique estos datos.
Con regresión polinomial ajuste una parábola a los datos para predecir v a Cº5.7T .
38. [CC] La distancia requerida para frenar un automóvil es una función de su rapidez. Se
recabaron los siguientes datos experimentales para cuantificar esta relación:
Rapidez, mi/h 15 20 25 30 40 50 60
Distancia de frenado, ft 16 20 34 40 60 90 120
Estime la distancia de frenado para un automóvil que circula a 45 mi/h.
![Page 13: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/13.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 47
RESPUESTA A LOS EJERCICIOS SELECCIONADOS.
27.
20.02432870.33907580.5967526ˆ xxy , 0.0894624/ xyS , 0.95880542 r ,
0.9791861r
28. 22726.7683268453.9903699854.659058ˆ xxy , 5112.701623/ xyS ,
0.99409072 r , 0.9970410r .
29. 21.14733030.32569881.0113410ˆ xxy , 0.0177506/ xyS , 0.99308072 r ,
0.9965344r .
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 2 4 6 8 10
y
x
0
500
1000
1500
2000
2500
3000
3500
4000
0 0.5 1 1.5 2 2.5
y
x
![Page 14: 02 regresion polinomial](https://reader036.fdocuments.es/reader036/viewer/2022073102/55c7c3ffbb61eb60778b4664/html5/thumbnails/14.jpg)
Capítulo 4. Regresión por mínimos cuadrados. Regresión polinomial.
Métodos Numéricos. Ing. Willians Medina. http://www.slideshare.net/asesoracademico/ 48
30. 26.61821091.14352341.2355604ˆ xxy , 0.0143572/ xyS , 0000000.12 r ,
0000000.1r .
31. 21.12942390.31140350.0851439ˆ xxy , 0.0219996/ xyS , 0.99956292 r ,
0.9997814r .
32. 20.48894444.806918716.0269615ˆ xxy , 2.1091337/ xyS , 0.71800672 r ,
0.8473527r .
33. 20.01545451.345757612.1666667ˆ xxy , 2.1504052/ xyS , 0.94763032 r ,
0.9734631r .
Ingeniería Química.
34. 20.00000510.00833863.2375114ˆ xxy , 0.0000239/ xyS , 0.99999962 r ,
0.9999998r . Para 750x , 0.1537475ˆ y .
Ingeniería Eléctrica.
35. 23.39445474.00929990.3885526ˆ iiV , 0.1318823/ xyS , 0.99881062 r ,
0.9994051r . Para 1.1i , 0.0856129ˆ V .
36. 27121.94788559.86970290.2428086ˆ tti , 0.6478762/ xyS , 0.98381232 r ,
0.9918731r . Para 22.0t , 7.5118655ˆ i .
Ingeniería Mecánica / Aeronáutica.
37.
20.00000810.00055120.0178410ˆ TTv , 0.0000946/ xyS , 0.99939072 r ,
0.9996953r . Para 5.7T , 0.0141608ˆ v .
38. 20.02323560.58175901.6438654ˆ xxy , 2.4191599/ xyS , 0.99736482 r ,
0.9986815r . Para 45x , 98.1107492ˆ y .
0.000000
0.002000
0.004000
0.006000
0.008000
0.010000
0.012000
0.014000
0.016000
0.018000
0.020000
0 5 10 15 20 25 30
y
x