Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase 5-Mínimos Cuad
Clase 5-Mínimos Cuad
FCEFN-UNSJ
D
Dra. María
M í L.L G
Gordillo
dill
2015
Clase 5
¿Para qué ajustar datos?
1. Datos: valores discretos en un continuo. Se requiere estimar
(aproximar) entre los valores discretos.
f(x)
P Q
¿Para qué ajustar datos?
Análisis de tendencia: Se desarrollan relaciones predictivas a partir de datos
experimentales, para predecir valores sobre puntos de variable dependiente
no tabulados:
t b l d
Extrapolación
p ((fuera de los límites de los datos
observados)
p
Interpolación (dentro del rango de los datos)
g
Regresión por mínimos cuadrados (tb. en el rango de
g p ( g
datos)
Ajuste de datos
j
Razones
para
ajustar
j
a) El grado de error asociado con los datos (origen de los
datos mismos)
b) Cantidad de datos tabulados.
1. Los datos exhiben “mucho” error o ruido, se los ajusta por una curva que
representa la tendencia general: MÉTODO DE MÍNIMOS CUADRADOS.
2 Muchos
2. M h d t
datos (
(aunque sean muy precisos)
i ) ajuste
j t por MÉTODO DE
MÍNIMOS CUADRADOS.
3. Datos muy precisos, y no demasiados: se los ajusta a una curva que pasa
por cada uno de los puntos datos MÉTODO DE INTERPOLACIÓN.
d d l t d t MÉTODO DE INTERPOLACIÓN
a) b)
c) Dependencia no funcional
d)
D
Dependencia
d i funcional
f i l
Dependencia funcional
Figura 1.
Regresión o Relación
¿Cuándo existe regresión (relación) entre x e y?
Se deduce observando el conjunto de datos o nube de puntos {xi,yi}i=1…,m
i=1 m .
(Primera idea acerca de si hay relación (dependencia) de y respecto de x.
R l ió o dependencia
Relación d d i de d y respecto de
d x:
• Dependencia funcional y = f ( x )
• Dependencia no funcional (relación que no es función).
Ej: ‐ en Fig. 1.(c) la función sería y = a +b x .
‐ en Fig. 1.(e) la función sería y = a +b x+c x2 .
Regresión o Relación
o Relación
2° Dependencia no funcional : no existe una dependencia funcional perfecta
pero ocurre otro tipo de dependencia o relación menos rigurosa (Figura
1.(a) y 1.(b)).
Ejemplos:
y = a +b x +e (Fig. 1.(a )), o y = a +b x +c x2+e (Fig. 1.(b ))
e error o (residuo), debido a diferentes causas:
error o (residuo) debido a diferentes causas:
1‐ no incluir variables en el modelo importantes a la hora de explicar el
comportamiento de y, cuyos efectos sean diferentes a la sola implicancia
de x en y;
2- errores aleatorios o de medida (falta de precisión en los datos);
3‐ mala especificación del modelo.
Ejemplo: Nube de puntos
Supongamos tener las alturas y los pesos de 30 individuos representados
en el siguiente diagrama; queremos ajustar los datos a un polinomio de
grado 1, (debido a la tendencia que se observa en la nube de puntos.
100
90
Pesa 83 kg.
80
70
60
50
Pesa4054 kg.
30
140 150 160 170 180 190 200
V i bl independiente
Variable i d di t x (altura)
( lt )
8
Ejemplo: Nube de puntos
Si queremos utilizar polinomios de grado 1 en el ajuste:
¿cuál es la recta que aproxima o ajusta mejor esos datos?
III
I
100
90 II
80
70
60
50
Tomar un criterio de
40 aproximación que diga no
solo la ordenada al origen de
30 la recta sino también su
140 150 160 170 180 pendiente
190 200
9
Ajuste por Mínimos cuadrados
Ajuste por Mínimos cuadrados
(En este curso sólo utilizaremos polinomios para ajustar datos por el método de los mínimos cuadrados)
El método consiste en determinar los coeficientes de un polinomio de un
grado previamente determinado de modo tal que se minimice la suma
de los cuadrados de los errores:
i 1 i 1
m
(a0 a1 xi a2 xi 2 an xi n yi ) 2
i 1
Ajuste por Mínimos cuadrados
Ajuste por Mínimos cuadrados
P(x)
(x j ,
yj )
(x j , y j )
Ajuste por Mínimos cuadrados
Ajuste por Mínimos cuadrados
Observaciones:
1 R R(a0 , a1, a2 ,, an ) es una función de las n 1var iables a0 , a1, a2 ,, an
en los reales mayores o iguales que cero.
R R R R
0,
0 00, 00, , 0
a0 a1 a 2 an
R m 2 m n
ak ak i 1
0 1i 2i
( a a x a x 2
a x
n i
n
yi ) a t i
( a x t
yi ) 2
k i 1 t 0
m n
m n
= (at xit yi )2 2(at xit yi ) (at xit yi )
i 1 t 0 ak i 1 t 0 ak
m n
=2(at xit yi ) xik 0 (I) k 0,1,2,, n
i 1 t 0
Método de los mínimos cuadrados:
Ecuaciones Normales
Ecuaciones Normales
Se conocen como ecuaciones normales a las obtenidas en (I):
R m n m n m
2( at xit yi ) xik 0 a x t k
yi xik k 0,1, 2, , n
ak i 1 t 0
t i
i 1 t 0 i 1
Ellas constituyen un SEL de n+1 ecuaciones con n+1 incógnitas, los coeficientes
a0,a1,…an:
n
m
m
k 0
x a t
i
t
yi
t0 i 1 i1
n
m
m
k 1
x i
t1
a t
yixi
t0 i1 i1
n
m
m
k 2
x i
t 2
a t
y i x i2 (II)
t0 i 1 i1
n
m
m
k n
t0
i1
x i
t n
a t
i 1
y i x in
n
m
m
x a t
i
t
yi
t0 i 1 i 1
n
m
m
x it 1 a t
yi xi
t0 i 1 i 1
n
m
m
x it 2 a t
y i x i2 (II)
t0 i1 i1
n
m
m
x i
tn
a t
y i x in
t0 i1 i 1
Matricialmente:
m m m
m i1
x i i1
x i
2
i1
x i
n
ao m
yi
m
x
m
x 2
m
x 3
m
x n 1 a i1
m
i1
i
i1
i
i1
i
i1
i
1 yi xi
i1
a2
m m m m
x i
2
x i
3
x i
4
x i
n 2
m
yi xi2
i1 i1 i1 i1
m m i1
x i
3
x i
4
i1 i1
m m m m
m
i i
n
i1
x i
n
i1
x i
n 1
i1
x i
n 2
i1
x i
2 n
an i1
y x
Método de los mínimos cuadrados
Observar que:
La matriz de los coeficientes es no singular det( A) 0
• La matriz de los coeficientes es no singular
• Luego existe una única solución para el SEL obtenido
a partir de las ecuaciones normales.
• Esta solución es un vector que contiene los
coeficientes del polinomio de ajuste por m.c, de
acuerdo al grado que hallamos determinado.
d l d h ll d t i d
• Si se aumenta el grado del polinomio en 1, se debe
agregar una fila y una columna a la matriz porque
agregar una fila y una columna a la matriz, porque
habrá un coeficiente más. También se debe agregar
una fila a los términos independientes.
Regresión por mínimos cuadrados
Regresión por mínimos cuadrados
1.8
f(x)
1.6
1.4
1.2
0.8
-4 -3 -2 -1 0 1 2 3 4
x
Regresión por mínimos cuadrados
Regresión por mínimos cuadrados
Regresion por minimos cuadrados
2.6
Lineal
2.4 Cuadratico
Cubico
2.2
quinto
1.8
f(x))
1.6
1.4
1.2
0.8
-4 -3 -2 -1 0 1 2 3 4
x
Elección del grado óptimo para el polinomio
por mínimos cuadrados
í
Dados m p
puntos en el p
plano ((nube de p
puntos))
¿Cómo elegimos el grado del polinomio (n) por mínimos cuadrados
que ajusta estos datos? Siempre debe ocurrir que n+1 < m
m
Calculamos: e i
2
n2 i 1
m n 1
Se resuelven las ecuaciones normales para n=1, n=2… etc, hasta
que n2 y n21 difieran en una cantidad predeterminada Cuándo
que difieran en una cantidad predeterminada. Cuándo
esto ocurre se elige a n cómo el grado óptimo para el polinomio de
ajuste.
Sistemas rectangulares de Ecuaciones Lineales:
(Ax=b A IRnxm , n>m
A b con AIR > )
Si Ax b Ax b 0 Ax b 2 0 (I)
x m : Ax b 2
sea mínimo
Sistemas rectangulares de Ecuaciones Lineales:
E n c o n tra r x : A x b
2
m ín im o e n c o n tra r x : A t
. A x A t b
S i n d e m o s t r a c i ó n : A t . A e s d e f i n i d a p o s i t i v a , lu e g o s u d e t e r m i n a n t e e s d i s t i n t o d e c e r o .
P o r l o t a n t o A t . A x A t b t i e n e s o lu c i ó n ú n i c a .
E je m p lo :
1 1 2 .1
1 x1 6 2 x1 5 .6
2
. 2 5 x 2 7 .9
2 5 . 3 =
2 1 /2 x 2 1 .2 5
At A A tb
A b
E n S c i la b d a e l m i s m o r e s u l t a d o s i h a c e m o s A \ b ( a u n q u e A s e a r e c t a n g u la r ) ,
o s i s e u t i li z a A '* A \ A '* b ( e s t a e s l a s o l u c i ó n por mínimos cuadrados)
--> x = A \b
x =
- 0 .4 9 4 5 4 5 5
1 .3 1 6 3 6 3 6
=
- - > x = A '* A \A '* b
x =
- 0 .4 9 4 5 4 5 5
1 .3 1 6 3 6 3 6
Sistemas rectangulares de Ecuaciones Lineales:
Matemáticamente se demuestra que la solución x de (AtA)x=Atb
es la que produce la norma mínima del residuo, es decir si x es
Ax b
solución de Ax=b ((AtA)x=Atb), entonces es mínima.
La demostración no está al alcance de este curso. Pero si podemos
mostrar que un vector y distinto de x
mostrar que un vector y distinto de x produce una norma mayor
produce una norma mayor
Ay b
para su residuo . En el ejemplo anterior sea
1 - 0.4945455
y x
2 1.3163636
Calculemos ambos residuos:
‐‐>norm(A*x‐b)
>norm(A x b)
ans = 4.5575512
‐‐>y=[‐1;2];norm(A*y‐b)
ans = 5.1127292
Podemos observar que x produce un residuo menor
Para estudiar:
Capítulo 8
Capítulo 8 : Ajuste de curvas(Shoichiro
: Ajuste de curvas(Shoichiro
Nakamura):8.1; 8.2 y 8.3
Estas diapositivas: Sistemas de Ecuaciones
Estas diapositivas: Sistemas de Ecuaciones
Lineales rectangulares