Instituto Politecnico Nacional

Unidad Profesional Interdisciplinaria de

Biotecnología

Metodos Numericos
“4BM2”

Reporte y Tarea # 6
MULTINOMIAL y LINEALIZACION DE SISTEMAS
Equipo 1
2° Parcial
Integrantes:
Huerta Albarran Diana Skarleth
Infante Perez Elizabeth Johan
Infante Perez Karla Michelle
Ramírez Hernández Pamela
Sánchez Armendáriz Fátima Iris
Profesores
Flores Nuñez José Ignacio
Valdes Lozano Alejandra

Fecha de entrega:

27/11/20
INTRODUCCIÓN
Multinomial y linealización de sistemas
Relaciones Lineales
Es la más sencilla de las relaciones empíricas, una relación lineal indica que existe
una relación de proporcionalidad entre las variables en cuestión, es decir existe
una constante de proporcionalidad que coincide con la pendiente de la recta. La
ecuación general que representa una relación lineal es: y=mx+b.
Si (X1,Y1) y (X2,Y2) son puntos de la recta: M=Y2-Y1X1-X2
El coeficiente de correlación lineal es un parámetro que nos indica el grado de
dependencia entre las variables (X,Y).
r, tiene valores entre -1 y 1.
Si r= -1 todos los puntos se encuentran sobre la recta, la correlación es perfecta e
inversa.
Si r=0 no existe la relación entre las variables.

Se aplica una regresión múltiple cuando f es una función lineal de dos o más
variables independientes f(x1, x2, x3, x4, ... , xn), por ejemplo para dos variables
independientes donde f es una función lineal de x1 y x2; f(x1,x2) el modelo
lineal seria y=a0+a1x1+a2x2+e.
Esta ecuación es útil para ajustar datos experimentales donde la variable sujeta a
estudio es a menudo una función de otras dos variables.

Figura 1. Regresión multilineal

El objetivo de la regresión no lineal se puede clarificar al considerar el caso de la
regresión polinomial, la cual es mejor no tratar como un caso de regresión no lineal.
Cuando la función toma la forma: f(x)=ax2+bx+c la función es no lineal en función
de x pero lineal en función de los parámetros desconocidos a, b, y c. Este es el
sentido del término “lineal” en el contexto de la regresión estadística. (Burden &
Faires1985).
Los procedimientos computacionales para la regresión polinomial son
procedimientos de regresión lineal (múltiple), en este caso con dos variables
predictoras x y x2. Sin embargo, en ocasiones se sugiere que la regresión no lineal
es necesaria para ajustar polinomios. Las consecuencias prácticas de esta mala
interpretación conducen a que un procedimiento de optimización no lineal sea
usado cuando en realidad hay una solución disponible en términos de regresión
lineal. Paquetes (software) estadísticos consideran, por lo general, más alternativas
de regresión lineal que de regresión no lineal en sus procedimientos.
Algunas veces cuando la relación entre las variables dependientes e
independientes es no lineal, es útil incluir términos polinomiales para ayudar a
explicar la variación de nuestra variable dependiente. (Gerarld& Wheatley 1990).
Las regresiones polinomiales se pueden ajustar la variable independiente con varios
términos
y=a+bx+cx2 <——- Segundo grado
y=a+bx+cx2+dx3 <——- Tercer grado
y=a0+ a1+ a2x2+… anxn <——- Ecuación general para cualquier grado
Que, derivando respecto a cada uno de los coeficientes nos da el planteamiento
un sistema de ecuaciones de la siguiente forma:

La regresión lineal es una técnica de modelización estadística que se emplea para

describir una variable de respuesta continua a modo de función de una o varias
variables predictivas. Puede ayudarle a comprender y predecir el comportamiento
de sistemas complejos o a analizar datos experimentales, financieros y biológicos.

Las técnicas de regresión lineal permiten crear un modelo lineal. Este modelo
describe la relación entre una variable dependiente yy (también conocida como
la respuesta) a modo de función de una o varias variables independientes XiXi
(denominadas predictores). La ecuación general correspondiente a un modelo de
regresión lineal es:

y=β0+∑ βiXi+ϵiy=β0+∑ βiXi+ϵi

Donde ββ representa las estimaciones de parámetros lineales que se deben
calcular y ϵϵ representa los términos de error.

Existen varios tipos de modelos de regresión lineal:

• Simple: modelo con un único predictor

• Múltiple: modelo con varios predictores
• Multivariante: modelo para varias variables de respuesta

(Mathews 2000)

Objetivo General:
• Ajustar una función Multinomial a un conjunto de datos experimentales
representados por una variable dependiente y dos o más variables
independientes y=f(x1, x2, x3, x4, ... , xn).
• Ajustar una función polinomio o un conjunto de datos experimentales a un
sistema lineal

EJEMPLO #1

Se solicita encontrar el modelo exponencial, graficar exponencial y grafica

linealizada, encontrada en la variable de yi cuando xi=12.32

Xi 1 2 3 4 5 6 7 8 9 10

Yi 0.41 0.8 1.2 1.6 2.01 3.12 4.5 7.75 10.46 15.98

Modelo exponencial

𝒚 = 𝒃𝒆𝑨𝒙

𝒍𝒏(𝒚) = 𝒃𝒆𝑨𝒙

𝒍𝒏(𝒚) = 𝒍𝒏(𝒃) + 𝒍𝒏(𝒆𝑨𝒙 )

𝒍𝒏(𝒚) = 𝒍𝒏(𝒃) + 𝑨𝒙

𝒍𝒏(𝒚) = 𝑨𝒙 + 𝒍𝒏(𝒃)
Código

clear all close

%MODELO EXPONENCIAL
%EJEMPLO 1
clc, clear all, close
xi=[1, 2, 3, 4, 5, 6, 7, 8, 9, 10];
yi=[0.41, 0.8, 1.2, 1.6, 2.01, 3.12, 4.5, 7.75, 10.46, 15.98];
%graficando datos
plot(xi,yi,'*r')
grid on
title('Modelo exponencial')
%cambios de variable
X=xi;
Y=log(yi);
%sistema de ecuaciones lineales
AA=[sum(X.^2),sum(X);sum(X),length(X)];
BB=[sum(X.*Y);sum(Y)];
%Solucion
S=inv(AA)*BB
%Cambio de variabe lo que se tiene en S posicion 2
A=S(1)
b=exp(S(2))%Cambio de variable
%Grafica exponencial
hold on
x2=min(xi)-1:0.1:max(xi)+1;
y2=b*exp(A*x2)%modelo graficar
plot(x2,y2,'g')
%grafica linealizada
figure %abre una nueva ventana para modelo lineal y exponencial
plot(X,Y,'*r')
%modelo linealizado
y3=A*xi+log(b);
hold on
plot (xi,y3,'y')
title ('modelo linealizado')
%evaluando 12.32
Xi=12.32;
evalua=b*exp(A*Xi)

Evaluando

𝒚 = 𝟎. 𝟑𝟓𝟐𝟓𝟐 ∗ 𝒆𝟎.𝟑𝟖𝟔𝟖 𝒙

𝒚𝒊 = 𝟎. 𝟑𝟓𝟐𝟓𝟐 ∗ 𝒆𝟎.𝟑𝟖𝟔𝟖 (𝟏𝟐.𝟑𝟐)

𝒚𝒊 = 𝟑𝟖. 𝟏𝟗𝟔𝟏

Gráficos
Figura 2. Modelo exponencial

Figura3. Modelo lineal

Ejemplo 2 potencial
Se solicita encontrar el modelo potencia, grafica potencial y grafica linealizada
encontrar el valor de yi cuando xi=22.05

xi 2.5 3.5 5 6 7.5 10 12.5 15 17.5 20

yi 13 11 8.5 8.2 7 6.2 5.2 4.8 4.6 4.3

Modelo potencial
𝒚 = 𝒃𝒙𝑨

𝒍𝒏(𝒚) = 𝒍𝒏(𝒃𝒙𝑨 )

𝒍𝒏(𝒚) = 𝒍𝒏(𝒃) + 𝒍𝒏(𝑿𝑨 )

𝒍𝒏(𝒚) = 𝒍𝒏(𝒃) + 𝑨 𝒍𝒏(𝒙)

𝒍𝒏(𝒚) = 𝑨 𝒍𝒏(𝒙) + 𝒍𝒏(𝒃)

Código
clear all close
%MODELO potencial
%EJEMPLO 2
xi=[2.5 3.5 5 6 7.5 10 12.5 15 17.5 20];
yi=[13 11 8.5 8.2 7 6.2 5.2 4.8 4.6 4.3];
%graficando datos
plot(xi,yi,'*r')
grid on
title('Modelo POTENCIAL')
%cambios de variable
% cambios en la linealizacion
X=log(xi);
Y=log(yi);
%sistema de ecuaciones lineales
AA=[sum(X.^2),sum(X);sum(X),length(X)];
BB=[sum(X.*Y);sum(Y)];
%Solucion
S=inv(AA)*BB;
%Cambio de variabe lo que se tiene en S posición 2
A=S(1)
b=exp(S(2))%Cambio de variable
%grafica potencial
hold on
x2=min(xi)-1:0.1:max(xi)+1;
y2=b*x2.^A;%modelo potencial
plot(x2,y2,'b')
title('modelo potencial')
%grafica linealizada
figure %abre una nueva ventana para modelo lineal y potencial
plot(X,Y,'*r')
grid on
%modelo linealizado
y3=A*log(xi)+log(b);%Modelo linealizado
hold on
plot(X,y3,'b')%datos del modelo linealizado X
title('modelo linealizado')
%evaluando 22.05
Xi=22.05;
evalua=b*Xi.^A

Evaluando

𝒚 = 𝟐𝟏. 𝟏𝟒𝟓 𝒙−𝟎.𝟓𝟒𝟎𝟑

𝒚𝒊(𝟐𝟐. 𝟎𝟓) = 𝟓. 𝟗𝟕𝟓𝟓

𝒚𝒊 = 𝟓. 𝟗𝟕𝟓𝟓

Gráficos

Figura 4. Modelo potencial

 Figura 5. Modelo lineal

Ejercicio 3 Regresión Lineal múltiple

X1 0 2 2.5 1 4 7

X2 0 1 2 1 6 2

Y 5 10 9 0 3 27

Código
clc,clear,close all
%regresion lineal multiple
%EJEMPLO 3
x1=[0,2,2.5,1,4,7];
x2=[0,1,2,3,6,2];
y=[5,10,9,0,3,27];
%sistema de ecuaciones normalizado
A=[length(x1),sum(x1), sum(x2);...
sum(x1),sum(x1.^2),sum(x1.*x2);...
sum(x2),sum(x2.*x1),sum(x2.^2)];
B=[sum(y);sum(x1.*y); sum(x2.*y)];
S=inv(A)*B;
B0=S(1)
B1=S(2)
B2=S(3)
%grafica puntos experimentales
plot3(x1,x2,y,'or')%modelo tridimencional
grid on
%grafica regresion lineal multiple
[xx1,xx2]=meshgrid(min(x1):0.1:max(x1),min(x2):0.1:max(x2)); %malla entre
x y y
%modelo
y2=B0+B1*xx1+B2*xx2;
hold on
mesh(xx1,xx2,y2)%graficando nuevos puntos superficie plano tridimensional
%evaluacion
X1=3.3;
X2=4.5;
Evalua=B0+B1*X1+B2*X2

Resultados

𝐵0 = 5

𝐵1 = 4

𝐵2 = -3
Gráfico

Figura 6. Regresión Lineal múltiple

 TAREA LIENEALIZACION DE MODELOS

Ejercicio 1

La presión (P) y el volumen (V) es un tipo de gas, están ligados por una ecuación
del tipo.

PV-a=b

Siendo a y b dos parámetros desconocidos. A partir de sucesivas experiencias en

el laboratorio, se han recogido los siguientes datos:

Estimar los parámetros a y b realizando el ajuste de la función potencial

a
P=b V
Desarrollo

𝒑 = 𝒃𝒗𝑨
𝒍𝒏(𝒑) = 𝒍𝒏(𝒃𝒙𝑨 )
𝒍𝒏(𝒑) = 𝒍𝒏(𝒃) + 𝒍𝒏(𝑽𝑨)
𝒍𝒏(𝒑) = 𝒍𝒏(𝒃) + 𝑨 𝒍𝒏(𝑽)
𝒍𝒏(𝒑) = 𝑨 𝒍𝒏(𝑽) + 𝒍𝒏(𝒃)

1. Resuelve el sistema de ecuaciones por el método de Gauss-Jordán.

2. Obtén el modelo de regresión potencial.

𝑝 = 1.0120𝑉 −1.3830

3. Obtén las gráficas del modelo linealizado y potencial.

4. ¿Qué presión se espera para un volumen de 1.55?
𝑝(1.55) = 0.5520
Código
clc;clear all;close all;
% Modelo Potencial
%Tarea ejercicio uno
vi=[1.65 1.03 0.74 0.61 0.53
0.45];
pi=[0.5 1 1.5 2 2.5 3];
% Graficando
plot(vi,pi,'r*')
grid on
title('Modelo Potencial')
% Cambio de variables
V=log(vi);
P=log(pi);
% Sistema de ecuaciones para
modelo lineal
AA=[ sum(V.^2), sum(V); sum(V),
length(V)]
BB=[ sum(V.*P); sum(P)]
%matriz ampliada
disp('La matriz a resolver por
Gauss-Jordan es:')
a=[AA,BB]
%reduciendo el sistema
%Por gauss jordan
%uno en a(1,1)
a(1,:)=a(1,:)/a(1,1)
%cero en (2,1)
a(2,:)=a(2,:)-a(2,1)*a(1,:)
%uno en a(2,2)
a(2,:)=a(2,:)/a(2,2)
%cero en a(1,2)
a(1,:)=a(1,:)-a(1,2)*a(2,:)
%solucion al sistema
disp('La solucion al sistema de
acuero al modelo es:')
aa=a(1,3);
bb=a(2,3);
a=aa
b=exp(bb)
% GRÁFICA POTENCIAL
hold on
v1=min(vi)-1 : 0.1 : max(vi)+1; %
Generamos un nuevo vector
p1=b*v1.^a; %Evaluamos cada valor
de v1 en nuestro modelo
plot(v1,p1,'g') % Gráfica
Potencial
% GRÁFICA LINEALIZADA
figure % Abre una nueva ventana
plot(V, P,'r*') % Gráfica de
datos experimentales (modelo
lineal)
hold on
p2=a*log(vi) + log(b); % Modelo
Linealizado
plot(V,p2)
grid on
title('Modelo Linealizado')
% Evaluando xi = 1.55
vi=1.55;
evaluando = b*vi.^a
Resolución del sistema por Gauss-Jordan

Sustitución

P=1.0120
• v=-1.3830

Gráficos

Figura 7. Modelo Potencial

 Figura 8. Modelo Potencial

Figura 9. Modelo Linealizado

¿Qué presión se espera para un volumen de 1.55?

Se espera una presión de 0.5520

Evaluando= b*vi.^a
Ejercicio 2
Investigar el número de personas infectadas diarias por COVID – 19 en Estados
Unidos, del día 28 de septiembre hasta 20 de noviembre.

Septiembre

Octubre

Noviembre

Obtén lo siguiente:

✓ Resuelve el sistema de ecuaciones por el método de la inversa. (No usar “inv”

de MatLab )
✓ Obtén el modelo de regresión exponencial

𝑦 = 𝑏𝑒 𝐴𝑥

𝑦 = 3.6287𝑥1004 𝑒 0.0285𝑥
✓ Obtén las gráficas del modelo linealizado y exponencial.
✓ ¿Qué cantidad de personas infectadas se esperan para el día 27 de
noviembre?

𝑦(61 𝑑𝑖𝑎𝑠) = 2.0662𝑥1005

Código
%Problema dos
clc, clear, close all
%REGRESION EXPONENCIAL
%COVID EU
xi=[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,...
27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,...
49,50,51,52,53,54];
yi=[37360,43697,42058,46418,53580,47779,35063,62382,42885,53015,56375,58959,
...
 51648,44783,48016,54359,59893,65340,70477,52761,47882,65431,60607,...

64229,75088,85112,78756,59712,74443,74453,81902,90770,99802,84298,74236,...
93686,92619,107928,121539,132854,125932,103416,130387,130754,142860,...
163440,181571,159121,135187,116544,161702,172348,187440,198633]
%Graficando
plot(xi,yi,'r+')
grid on
%title('Covid-19: Estados Unidos')
title('Modelo exponencial')
%Cambios de variable
X=xi;
Y=log(yi)
%Sistema de ecuaciones para modelo lineal
AA=[sum(X.^2),sum(X);sum(X),length(X)];
BB=[sum(X.*Y);sum(Y)];
%Solucion por el método de la inversa
%Aplicando Gauss Jordan
a=[AA,eye(2)]
%Uno en a(1,1)
a(1,:)=a(1,:)/a(1,1);
%Cero en a(2,1)
a(2,:)=a(2,:)-a(2,1)*a(1,:)
%Uno en a(2,2)
a(2,:)=a(2,:)/a(2,2);
%Cero en (1,2)
a(1,:)=a(1,:)-a(1,2)*a(2,:)
% Matriz inversa
invers=a(:,3:4)
h=invers*BB
%Solucion
A=h(1)
b=exp(h(2))
%Grafica exponencial
hold on
x1=min(xi)-1:0.1:max(xi)+1;
y1=b*exp(A.*x1);
plot(x1,y1,'b')
%Grafica linealizada
figure
plot(X,Y,'b*')
hold on
y2=A*xi+log(b);
plot(xi,y2,'g')
grid on
title('Modelo linealizado: Covid-19 EU')
%Evaluando xi=61
xi=61;
evalua=b*exp(A.*xi)
 Figura 10. Contagios COVID-19 EU

Figura 11. Modelo exponencial de contagios COVID-19

 Figura 12. Modelo linealizado de contagios de COVID-19 EU

✓ En equipo, discutan y expliquen los resultados obtenidos

Con base en los datos recopilados del 28 de septiembre al 20 de

noviembre se puede observar en la figura 10 que en número de casos
fue aumentando considerablemente, en base al tratamiento de datos
se espera que los casos de COVID-19 para el 27 de noviembre sea de
206,620 personas aumentando en 7 días 7,987 los casos de personas con
esta enfermedad. Lo que se observa en la figura 12 es el modelo
linealizado por lo que asumimos que los casos de COVID-19 han ido
creciendo de manera alarmante ya que la apertura de restaurantes, y
demás lugares públicos fue de manera apresurada y no se tomaron las
medidas correspondientes.

REGRESIÓN LINEAL MÚLTIPLE

Código con importación de datos en Excel
clc,clear,close all

%regresion lineal multiple

%EJERCICIO 3

datos=xlsread('TAREA1.xlsx','Hoja1')

x1=datos(:,1)

x2=datos(:,2)

x3=datos(:,3)

y=datos(:,4)

A=[length(x1),sum(x1), sum(x2), sum(x3);...

sum(x1),sum(x1.^2),sum(x1.*x2),sum(x1.*x3);...

sum(x2),sum(x2.*x1),sum(x2.^2),sum(x2.*x3)

sum(x3),sum(x1.*x3),sum(x2.*x3),sum(x3.^2)];

B=[sum(y);sum(x1.*y); sum(x2.*y);sum(x3.*y)];

%matriz

a=[A,B]
for i=2:4 %% a partir de donde se harán ceros

a(i,:)=a(1,1)/a(i,1)*a(i,:)-a(1,:)

end;a

for i=3:4

a(i,:)=a(2,2)/a(i,2)*a(i,:)-a(2,:);

end; a

for i=4:4

a(i,:)=a(3,3)/a(i,3)*a(i,:)-a(3,:);

end; a

x(4)=a(4,5)/a(4,4)

x(3)=(a(3,5)-a(3,4)*x(4))/a(3,3)

x(2)=(a(2,5)-a(2,3)*x(3)-a(2,4)*x(4))/a(2,2)

x(1)=(a(1,5)-a(1,2)*x(2)-a(1,3)*x(3)-a(1,4)*x(4))/a(1,1)

x=x'

B0=27.1883

B1=-0.4623

B2=-0.1633

B3=1.0554

%EVALUA

X2=180;

X3=81;

Y=38;

Evalua=(Y-B0-(B2*X2)-(B3*X3))/B1

CODIGO SIN EXCEL

clc,clear,close all

%regresion lineal multiple

%EJERCICIO 3
x1=[74,92,63,72,58,78,85,85,73,62,80,72]

x2=[168,196,170,175,162,169,190,186,176,170,176,179]

x3=[62,75,60,71,66,62,79,74,70,66,71,69]

y=[25,31,29,64,44,41,37,35,34,29,19,50]

%sistema de ecuaciones normalizado

A=[length(x1),sum(x1), sum(x2), sum(x3);...

sum(x1),sum(x1.^2),sum(x1.*x2),sum(x1.*x3);...

sum(x2),sum(x2.*x1),sum(x2.^2),sum(x2.*x3)

sum(x3),sum(x1.*x3),sum(x2.*x3),sum(x3.^2)];

B=[sum(y);sum(x1.*y); sum(x2.*y);sum(x3.*y)];

%matriz

a=[A,B]

for i=2:4 %% a partir de donde se haran ceros

a(i,:)=a(1,1)/a(i,1)*a(i,:)-a(1,:)

end;a

for i=3:4

a(i,:)=a(2,2)/a(i,2)*a(i,:)-a(2,:);

end; a

for i=4:4

a(i,:)=a(3,3)/a(i,3)*a(i,:)-a(3,:);

end; a

x(4)=a(4,5)/a(4,4)

x(3)=(a(3,5)-a(3,4)*x(4))/a(3,3)

x(2)=(a(2,5)-a(2,3)*x(3)-a(2,4)*x(4))/a(2,2)

x(1)=(a(1,5)-a(1,2)*x(2)-a(1,3)*x(3)-a(1,4)*x(4))/a(1,1)

x=x'

B0=27.1883

B1=-0.4623
B2=-0.1633

B3=1.0554

%EVALUA

X2=180;

X3=81;

Y=38;

Evalua=(Y-B0-(B2*X2)-(B3*X3))/B1

Figura 13. Valores obtenidos por GAUSS-JORDAN

Por lo tanto, el modelo queda de la siguiente forma

MODELO

y= 27.1883 -0.4623x1 -0.1633x2 + 1.0554x3

¿Qué peso se espera para una persona con una altura de 180 cm, contorno de
cintura de 81 cm y una edad de 38?
Se evalúa el modelo sustituyendo las variables dadas por la persona donde la altura
de la persona 180 es x2, el contorno de la cintura 81 es x3 y la edad de la persona
38 es y.
Sustituyendo las variables y despejando nos queda que el peso de la persona es de
97.9487

Peso = 97.9487 Kg

CONCLUSIONES

● Se aplicó el método de linealización para un modelo potencial y un modelo

exponencial. m
● La linealizacion de modelos es utilizada para es una técnica para calcular
una aproximación lineal de una ecuación no lineal en un punto dado. A
partir de cambio de variables y de logaritmos.
● Ambos modelos nos permiten obtener un valor esperado a partir de los
modelos obtenidos, ya que se obtienen las constantes de dichos modelos y
así poder sustituir el valor de cual se quiere obtener un valor esperado.

• REFERENCIAS
o Burden, R. L. & Faires, J. D. (1985). Análisis numérico. México: Grupo
Editorial Iberoamérica.
o Mathews et. all. (2000). Métodos numéricos con MATLAB (Tercera
edición)
o Gerarld, C. F. & Wheatley, P. O. (1990). Applied numerical methods.
(4a. ed.). Reading, MA: Addison-Wesley.