Está en la página 1de 11

Universidad Aut

onoma de Tlaxcala
Facultad de Ciencias B
asicas Ingeniea y Tecnologa

M
etodo Aproximaci
on polin
omica

Analisis numerico
Licenciatura en Matematicas Aplicadas
Equipo:
Eduardo Rold
an S
anchez
Gabriel V
azquez Jim
enez
M
onica Nava guzm
an

Diciembre de 2014
1

Indice
1 Introducci
on

2 Aproximaci
on polin
omica

3 Programa en Matlab

4 Algoritmo

5 Ejemplos

6 Problemas

7 Bibliografia

11

Introducci
on

Los par
ametros del modelo de regresi
on polinomial se estiman o aproximan por el metodo de mnimos cuadrados,
el cual es una tecnica de an
alisis numerico encuadrada dentro de la optimizacion matematica, en la que, dados
un conjunto de pares ordenados, se intenta encontrar la funcion que mejor se aproxime a los datos (un mejor
ajuste , de acuerdo con el criterio de mnimo error cuadratico.
En su forma m
as simple, intenta minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos generados por la funcion y los correspondientes en los datos. Desde un punto de vista
estadstico, un requisito implcito para que funcione el metodo de mnimos cuadrados es que los errores de cada

medida esten distribuidos de forma aleatoria. Esta


tecnica se usa com
unmente en el ajuste de curvas. Muchos
otros problemas de optimizaci
on pueden expresarse tambien en forma de mnimos cuadrados, minimizando la
energa o maximizando la entropa.

Aproximaci
on polin
omica

Sup
ongase el conjunto de puntos (xk , yk ), siendo k = 1, 2, ..., n. Sea fj (x), con j = 1, 2, ..., m una base de m
funciones linealmente independientes. Queremos encontrar una funcion f combinacion lineal de las funciones
base tal que f (xk ) yk , esto es:
m
X
f (x) =
j fj (X)
j=i

Se trata de hallar los m coeficientes bj que hagan que la funcion aproximante f (x) sea la mejor aproximac
on a
los puntos (xk , yk ). El criterio de mejor aproximacion puede variar, pero en general se basa en aquel que de un
menor error en la aproximaci
on. El error en un punto (xk , yk ) se podra definir como:
ek = yk f (xk )
En el modelo de regresi
on polinomial la funcion f esta definida de la forma:
f (X) = 0 + 1 X + 2 X 2 + ... + m X m
donde los coe
cientes j son calculados por el metodo de mnimos cuadrados, para lo cual se minimiza el error cuadr
atico
expuesto anteriormente, haciendo uso del calculo multivariable (se tratara de un problema de optimizaci
an en
j ), o alternativamente hacer uso del
algebra lineal. As pues, se tendra la siguiente expresion en desarrollo de
matrices.

1
X1
X12
..
.

... 1
... Xn
... Xn2
..
.

X1m

...

Xnm

1
1
..
.

X1
X2
..
.

X12 ... X1m


X22 ... X2m
..
.

Xn

Xn2

...

1
2
..
.

..
.
Xnm
m

Por lo tanto, de esta relacion se tiene


= (X T X)1 (X T )
,

Programa en Matlab

clc;
z=eval(get(handles.xx,String));
zz=eval(get(handles.yy,String));
m=eval(get(handles.gg,String));
x=z;
y=zz;
if length(z) > m
X=[];
for i=0:m
X =[X, x. i ];
4

1
X1
X12
..
.

... 1
... Xn
... Xn2
.. m
.X
1

...

Xnm

1
2
..
.
n

end
beta = inv(X 0 X) (X 0 y);
P ol = sprintf (0 %.4f x% d0 , beta(m + 1), m);
f ori = 2 : m
if beta(m+2-i)0,
P ol = [P ol, sprintf (0 %.4f x% d0 , beta(m + 2 i), m i + 1)];
else
P ol = [P ol, sprintf (0 +%.4f x% d0 , beta(m + 2 i), m i + 1)];
end
end
if beta(1)0,
P ol = [P ol, sprintf (0 %.4f 0 , beta(1))];
else
P ol = [P ol, sprintf (0 +%.4f 0 , beta(1))];
end
set(handles.pol,0 String 0 , P ol)
P ol
else
set(handles.pol,0 String 0 ,0 Comentario0 )
end

Algoritmo
1. Datos de entrada: x : Vector de coordenadas xi , vector de coordenadas yi ; ambos de dimensi
on n y el
grado del polinomio que se quiere aproximar m.
2. Formar la matriz X
3. Formar el vector
4. = (X T X)1 (X T )
5. Imprimir o el modelo y = 0 + 1 x + ... + bm xm

Ejemplos

Planteamiento del problema 1


seg
un la siguiente tabla.

El n
umero de habitantes (en miles) de una determinada ciudad ha evolucionado

A
nos

1987

1988

Poblaci
on

53

71

1989
91

Sabiendo que dicha poblaci


on se ajusta a una funcion cuadratica se requiere calcular la poblacion que habr
a en
la ciudad en 1995.
Soluci
on.
Primero se establece el modelo de regresi
on polinomial de segundo grado, calculando los coe
cientes con el metodo. As pues, se tiene el siguiente resultado Y = 3891744.001 3934.164X + 0.994X 2 Por lo
tanto, evaluando la fecha en el modelo que se obtuvo podemos decir que en aquella ciudad habra una poblaci
on
de 251 mil en el a
no de 1995.
Ejemplo 2
Se requiere aproximar los datos x = 0.31, x = 1.54 y x = 0.213 con un polinomio de grado 2, por cuadrados
mnimos y graficar la soluci
on.
x
y

0.00
1.00

0.25
1.28

0.50
1.64

0.75
2.11

1.00
2.71

Utilizando el metodo se tiene que el polinomio de grado 2 tiene la forma


Y = 1.005 + 0.864x1 + 0.844x2
Las aproximaciones de los puntos x son:
x
0.31
1.54
0.213

y
1.354
4.336
1.227

Ahora bien, la gr
afica de la funci
on cuadratica esta dada por la siguiente expresion
Y = 1.005 + 0.864x1 + 0.844x2

Problemas
1. Un comite sobre el seguimiento de las pruebas de selectividad en la Universidad de Murcia tiene los
siguientes datos sobre el n
umero de alumnos matriculados en las pruebas. Se sabe que el polinomio de
estimaci
on es de segundo grado y se requiere estimar el n
umero de alumnos matriculados en 1992.
A
no
No de alumnos
matriculados

1984

1988

3000

3800

1989
4100

Soluci
on: En el a
no 1992 habr
a aproximadamente 5239 alumnos matriculados.
2. Los beneficios, en miles de euros, de una empresa se registran en la siguiente tabla
A
no

1975

1980

1982

1985

Beneficios

20

60

77

140

1990
255

Se sabe que el modelo de predicci


on esta dado por un polinomio de segundo grado y la empresa requiere
estimar los bene
cios que tuvo la empresa en los a
nos 2000 y 2002. Solucion: En el a
no 2000 la empresa tendra beneficios
de 620 mde y en el a
no 2002 beneficios de 713 mde.
3. Para conocer la relaci
on entre la velocidad de cada de un paracaidista y la fuerza de friccion hacia arriba,
se han efectuado las siguientes mediciones
v
f

1.0
5

2.0
15.3

3.0
29.3

4.0
46.4

5.0
66.3

donde v se mide en centmetros por segundo y el rozamiento f en 106 dinas. Dibuje los puntos de la tabla
y realice la aproximaci
on mnimo cuadratica
4. En 1601 el astr
onomo alem
an J.Kepler formulo su tercera ley del movimiento planetario: T = c d3/2
donde d es la distancia de un planeta al sol medida en millones de kilometros, T es el periodo orbital en
das y c es una constante. Los datos observados para los cuatro planetas Mercurio, Venus, Tierra y Marte
son:
di

58

108

155

Ti

88

225

365

228
687

Ajuste el valor de c para estos datos en el sentido de los mnimos cuadrados, como un polinomio de tercer
grado.
5. La velocidad de cierta reacci
on qumica expresada por el logaritmo neperiano de la constante de equilibrio Y ,
vara con la presi
on, expresada en atmosferas X, de acuerdo con la siguiente tabla de datos experimentales:
X

0.5

1.0

1.5

2.0

2.5

-7

-2

1.0

10

3.0
12

Hallar la recta de regresi


on de Y sobre X, y los valores previsibles de Y en X = 2.3 y X = 5.4.
8

6. La intensidad de corriente que se aprecia en un amperemetro vara con la fuerza electromotriz aplicada, E,
de acuerdo con la tabla de datos experimentales adjunta :
E

10

1.5

20

25

-7

-2

1.0

10

30
12

Determinar el polinomio de cuarto orden que aproxima la funcion de regresion.


7. Se han observado, en varios modelos de automoviles, los datos de potencia del motor (X), en caballos, y
la aceleraci
on (Y ), medida en el n
umero de segundos necesarios para acelerar de 0 a 100 Km./h. La tabla
adjunta refleja los valores obtenidos.
X
Y

50
15

75
12

90
10.5

100
10

120
9

150
8

A partir de tales datos, se ha decidido expresar la aceleracion en funcion de la potencia mediante el ajuste
de una funci
on potencial. Halle dicha funcion potencial de grado tres.
8. En una muestra de familias se han analizado las variables ahorro anual (Y ) y renta anual (X), medidas
ambas en miles de euros. Los datos obtenidos han sido los siguientes:
Ahorro (Y )

1.9

1.8

2.0

2.1

1.9

2.0

2.2

2.3

2.7

Renta (X)

20.5

20.8

21.2

21.7

22.1

22.3

22.2

22.6

23.1

Obtener el modelo lineal que explica el ahorro de las familias en funcion de su renta.
9. En un nuevo proceso artesanal de fabricacion de cierto artculo que esta implantado, se ha considerado que
era interesante ir anotando peri
odicamente el tiempo medio (medido en minutos) que se utiliza para realizar
una pieza (variable Y ) y el n
umero de das desde que empezo dicho proceso de fabricacion (variable X). Con
ello, se pretende analizar c
omo los operarios van adaptandose al nuevo proceso, mejorando paulatinamente
su ritmo de producci
on conforme van adquiriendo mas experiencia en el. A partir de las cifras recogidas,
que aparecen en la tabla adjunta, se decide ajustar una curva de regresion de tercer orden que explique el
tiempo de fabricaci
on en funci
on del n
umero de das que se lleva trabajando con ese metodo.
X

10

20

30

40

50

60

35

28

23

20

18

15

70
13

Que tiempo se predecira para la fabricacion del artculo cuando se lleven 100 das?
10. De un sector productivo formado por 7 empresas se recogen en los siguientes datos, cual sera la productividad para 1000 empleados:

Empresa

15

20

30

50

80

302

305

G
Produccion

100

150
Empleados
(x100)

3.0
23.5

Que tiempo se predecir


a para la fabricacion del artculo cuando se lleven 100 das?

10

Bibliografia

An
alisis Numerico / Richard L. Burden, J. Douglas Faires.
Metodos Numericos para ingenieros / Steven C. Chapra, Raymond P. Canale.
Metodos Numericos aplicados a la Ingeniera / Antonio Nieves, Federico C. Domnguez.

11

También podría gustarte