Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Regresión.
Tópicos
1 Introducción
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
Tópicos
1 Introducción
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
Ajuste de curvas
Es común que los datos se den como valores discretos,
Se podrı́a necesitar la estimación de un punto entre
valores discretos,
Se podrı́a necesitar una curva que ajuste los datos para
obtener estimaciones intermedias,
Se podrı́a necesitar una version simplificada de una
función complicada,
Estas aplicaciones se conocen como ajuste de curvas.
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
Ajuste de curvas
Es común que los datos se den como valores discretos,
Se podrı́a necesitar la estimación de un punto entre
valores discretos,
Se podrı́a necesitar una curva que ajuste los datos para
obtener estimaciones intermedias,
Se podrı́a necesitar una version simplificada de una
función complicada,
Estas aplicaciones se conocen como ajuste de curvas.
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
Ajuste de curvas
Es común que los datos se den como valores discretos,
Se podrı́a necesitar la estimación de un punto entre
valores discretos,
Se podrı́a necesitar una curva que ajuste los datos para
obtener estimaciones intermedias,
Se podrı́a necesitar una version simplificada de una
función complicada,
Estas aplicaciones se conocen como ajuste de curvas.
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
Ajuste de curvas
Es común que los datos se den como valores discretos,
Se podrı́a necesitar la estimación de un punto entre
valores discretos,
Se podrı́a necesitar una curva que ajuste los datos para
obtener estimaciones intermedias,
Se podrı́a necesitar una version simplificada de una
función complicada,
Estas aplicaciones se conocen como ajuste de curvas.
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
Ajuste de curvas
Es común que los datos se den como valores discretos,
Se podrı́a necesitar la estimación de un punto entre
valores discretos,
Se podrı́a necesitar una curva que ajuste los datos para
obtener estimaciones intermedias,
Se podrı́a necesitar una version simplificada de una
función complicada,
Estas aplicaciones se conocen como ajuste de curvas.
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
Tópicos
1 Introducción
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
n
X n
X n
X
0 = yi − a0 − a1 xi
i=1 i=1 i=1
Xn n
X n
X
0 = yi x i − a0 xi − a1 x2i
i=1 i=1 i=1
n n
!
X X
yi = na0 + xi a1
i=1 i=1
n n n
! !
X X X
xi yi = xi a0 + x2i a1
i=1 i=1 i=1 beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
n
X n
X n
X
0 = yi − a0 − a1 xi
i=1 i=1 i=1
Xn n
X n
X
0 = yi x i − a0 xi − a1 x2i
i=1 i=1 i=1
n n
!
X X
yi = na0 + xi a1
i=1 i=1
n n n
! !
X X X
xi yi = xi a0 + x2i a1
i=1 i=1 i=1 beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
n
P n
P n
P
n x i yi − xi yi
i=1 i=1 i=1
a1 = n 2
n
x2i −
P P
n xi
i=1 i=1
n
P n
P
yi xi
i=1 i=1
a0 = − a1
n n
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
Ejemplo
Ejemplo 1
Ajuste a una lı́nea recta los valores de x y y dados en la
siguiente tabla:
xi yi
1 0.5
2 2.5
3 2.0
4 4.0
5 3.5
6 6.0
7 5.5
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
Ejemplo
Solución
clear ; clc ;
x =[1 2 3 4 5 6 7 ] ;
y= [ 0 . 5 2 . 5 2 . 0 4 . 0 3 . 5 6 . 0 5 . 5 ] ;
n=length ( x ) ;
sxy=sum( x . ∗ y )
sx2=sum( x . ∗ x )
sx=sum( x )
sy=sum( y )
a1 =( n∗ sxy−sx ∗ sy ) / ( n∗sx2 −(sx ) ˆ 2 )
a0=sy / n−a1∗ sx / n
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
Ejemplo
Solución
% S o l u c i o n ejemplo 1
sxy = 119.5000
sx2 = 140
sx = 28
sy = 24
a1 = 0.8393
a0 = 0.0714
y = 0.0714+0.8393∗ x
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
Programa Matlab
function [ a ] = l i n r e g r ( x , y )
% l i n r e g r : A j u s t e de curva con r e g r e s i o n l i n e a l
% Entrada : x , y−−−−S a l i d a : a = [ a1 , a0 ]
n = length ( x ) ;
i f length ( y ) ˜= n , e r r o r ( ’ x−y d i f e r e n t e s l o n g i t u d e s ’ ) ; end
sx = sum( x ) ; sy = sum( y ) ;
sx2 = sum( x . ∗ x ) ; sxy = sum( x . ∗ y ) ;
a ( 1 ) = ( n∗ sxy−sx ∗ sy ) / ( n∗sx2−sx ˆ 2 ) ;
a ( 2 ) = sy / n−a ( 1 ) ∗ sx / n ;
% P l o t e o de l a data y l i n e a r e c t a a j u s t a d a
xp = linspace ( min ( x ) ,max( x ) , 2 ) ;
yp = a ( 1 ) ∗xp+a ( 2 ) ;
p l o t ( x ’ , y ’ , ’ o ’ , xp , yp ) ; g r i d on
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
e = y − a0 − a1 x − a2 x2
e = y − a0 − a1 x − a2 x2
e = y − a0 − a1 x − a2 x2
e = y − a0 − a1 x − a2 x2
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
n n n
! !
X X X
yi = n a0 + xi a1 + x2i a2
i=1 i=1 i=1
n n n n
! ! !
X X X X
xi yi = xi a0 + x2i a1 + x3i a2
i=1 i=1 i=1 i=1
n n n n
! ! !
X X X X
x2i yi = x2i a0 + x3i a1 + x4i a2
i=1 i=1 i=1 i=1
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
function [ a ] = cuadregr ( x , y )
% cuadregr : A j u s t e de curva con r e g r e s i o n c u a d r a t i c a
% Entrada : x , y−−−−S a l i d a : a = [ a2 , a1 , a0 ]
n = length ( x ) ;
i f length ( y ) ˜= n , e r r o r ( ’ x−y d i f e r e n t e s l o n g i t u d e s ’ ) ; end
sx=sum( x ) ; sy=sum( y ) ; sx2=sum( x . ∗ x ) ; sxy=sum( x . ∗ y ) ;
sx3=sum( x . ∗ x . ∗ x ) ; sx4=sum( x . ∗ x . ∗ x . ∗ x ) ; sx2y=sum( x . ∗ x . ∗ y ) ;
a ( 3 ) =( sx2y ∗ sx2ˆ2−sxy ∗ sx2 ∗sx3−sx4 ∗ sy ∗ sx2+sy ∗ sx3ˆ2−sx ∗ sx2y
∗ sx3+sx ∗ sx4 ∗ sxy ) / ( sx4 ∗ sx ˆ2−2∗ sx ∗ sx2 ∗ sx3+sx2ˆ3−n∗ sx4 ∗
sx2+n∗ sx3 ˆ 2 ) ;
a ( 2 ) =( sx2 ˆ 2∗ sxy+n∗ sx2y ∗sx3−n∗ sx4 ∗ sxy−sx ∗ sx2 ∗ sx2y+sx ∗ sx4 ∗
sy−sx2 ∗ sx3 ∗ sy ) / ( sx4 ∗ sx ˆ2−2∗ sx ∗ sx2 ∗ sx3+sx2ˆ3−n∗ sx4 ∗ sx2
+n∗ sx3 ˆ 2 ) ;
a ( 1 ) =( sx2y ∗ sxˆ2−sxy ∗ sx ∗sx2−sx3 ∗ sy ∗ sx+sy ∗ sx2ˆ2−n∗ sx2y ∗ sx2
+n∗ sx3 ∗ sxy ) / ( sx4 ∗ sx ˆ2−2∗ sx ∗ sx2 ∗ sx3+sx2ˆ3−n∗ sx4 ∗ sx2+n∗
sx3 ˆ 2 ) ;
% P l o t e o de l a data y l i n e a r e c t a a j u s t a d a
xp = linspace ( min ( x ) ,max( x ) , 1 0 0 ) ;
yp = a ( 3 ) +a ( 2 ) ∗xp+a ( 1 ) ∗xp . ˆ 2 ;
beamer-tu-log
p l o t ( x ’ , y ’ , ’ o ’ , xp , yp ) ; g r i d on
Introducción Regresión por mı́nimos cuadrados
Ejemplo
Ejemplo 2
Ajuste a un polinomio cuadrático los valores de x y y dados en
la siguiente tabla:
xi yi
1 0.5
2 2.5
3 2.0
4 4.0
5 3.5
6 6.0
7 5.5
beamer-tu-log
Introducción Regresión por mı́nimos cuadrados
Ejemplo
beamer-tu-log