Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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:
(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
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) + 𝑨𝒙
𝒍𝒏(𝒚) = 𝑨𝒙 + 𝒍𝒏(𝒃)
Código
Evaluando
𝒚 = 𝟎. 𝟑𝟓𝟐𝟓𝟐 ∗ 𝒆𝟎.𝟑𝟖𝟔𝟖 𝒙
𝒚𝒊 = 𝟑𝟖. 𝟏𝟗𝟔𝟏
Gráficos
Figura 2. Modelo exponencial
Modelo potencial
𝒚 = 𝒃𝒙𝑨
𝒍𝒏(𝒚) = 𝒍𝒏(𝒃𝒙𝑨 )
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
𝒚𝒊 = 𝟓. 𝟗𝟕𝟓𝟓
Gráficos
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
Ejercicio 1
La presión (P) y el volumen (V) es un tipo de gas, están ligados por una ecuación
del tipo.
PV-a=b
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)
𝑝 = 1.0120𝑉 −1.3830
Sustitución
P=1.0120
• v=-1.3830
Gráficos
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:
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?
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
%EJERCICIO 3
datos=xlsread('TAREA1.xlsx','Hoja1')
x1=datos(:,1)
x2=datos(:,2)
x3=datos(:,3)
y=datos(:,4)
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
%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]
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]
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
MODELO
¿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
• 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.