Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EJEMPLO DIJIMOS…
Sistemas Incompatibles
16 -1 0 No existe ningún conjunto de valores para las
20 -1 100 NO tienen solución incógnitas que verifican simultáneamente a
10 -1 20 todas y cada una de las ecuaciones.
CALCULEN LOS RANGOS
rg(MC)=2 rg(MA)=3
MÉTODOS PARA ECUACIONES ALGEBRAICAS LINEALES INCOMPATIBLES MÉTODOS PARA ECUACIONES ALGEBRAICAS LINEALES INCOMPATIBLES
El conjunto de todos los vectores z ortogonales a W se llama complemento Cada vector y en W puede escribirse como combinación lineal de los
ortogonal de W vectores de la base S.
MÉTODOS PARA ECUACIONES ALGEBRAICAS LINEALES INCOMPATIBLES MÉTODOS PARA ECUACIONES ALGEBRAICAS LINEALES INCOMPATIBLES
MÉTODOS PARA ECUACIONES ALGEBRAICAS LINEALES INCOMPATIBLES MÉTODOS PARA ECUACIONES ALGEBRAICAS LINEALES INCOMPATIBLES
MÉTODOS PARA ECUACIONES ALGEBRAICAS LINEALES INCOMPATIBLES MÉTODOS PARA ECUACIONES ALGEBRAICAS LINEALES INCOMPATIBLES
proyW y
Además:
COMPATIBLE
COMPATIBLE COMPATIBLE
Por método iterativo o directo Por ejemplo como la matriz es invertible, resolvemos por matriz inversa:
EJEMPLO: Encuentre una solución por mínimos cuadrados del sistema incompatibleAx = b, EJEMPLO: Encuentre una solución por mínimos cuadrados del sistema inconsistente Ax = b,
donde : donde :
Debe resolverse el sistema compatible: Debe resolverse el sistema compatible:
EJEMPLO: Encuentre una solución por mínimos cuadrados del sistema inconsistente Ax = b, EJEMPLO: Encuentre una solución por mínimos cuadrados del sistema inconsistente Ax = b,
donde : donde :
Debe resolverse el sistema compatible: Debe resolverse el sistema compatible:
Solución
Ejemplo
Cierta partícula se mueve siguiendo una trayectoria y se han obtenido los
Ajuste de curvas siguientes datos experimentales sobre posición aproximada:
f(1)=0.5; f(2)=2.5; f(3)=2; f(4)=4; f(5)=3.5; f(6)=6; f(7)=5.5
Se desea estimar cuál será la posición de la partícula en 3.5; en 5.3 y en 6.2.
Ajuste de curvas
Ajuste de curvas ¿Cuál es la problemática? Métodos de Regresión por mínimos cuadrados
Se cuenta con un conjunto de datos discretos y se desea ajustar una Se cuenta con un conjunto de datos discretos y se desea ajustar una
curva a esos datos discretos para poder realizar estimaciones curva a esos datos discretos para poder realizar estimaciones
Obtenemos una curva que Obtenemos una curva que Obtenemos una curva que
representa la tendencia general pasa por cada dato representa la tendencia general
de los datos discretos conocidos discreto conocidos de los datos discretos conocidos
Ejemplo Ejemplo
Cierta partícula se mueve siguiendo una trayectoria y se han obtenido los Cierta partícula se mueve siguiendo una trayectoria y se han obtenido los
siguientes datos experimentales sobre posición aproximada: siguientes datos experimentales sobre posición aproximada:
f(1)=0.5; f(2)=2.5; f(3)=2; f(4)=4; f(5)=3.5; f(6)=6; f(7)=5.5 f(1)=0.5; f(2)=2.5; f(3)=2; f(4)=4; f(5)=3.5; f(6)=6; f(7)=5.5
Se desea estimar cuál será la posición de la partícula en 3.5; en 5.3 y en 6.2. Se desea estimar cuál será la posición de la partícula en 3.5; en 5.3 y en 6.2.
Diagrama de dispersión
Graficar
Ajuste de curvas
Métodos de Regresión por mínimos cuadrados Ejemplo
Se cuenta con un conjunto de datos discretos y se desea ajustar una curva Cierta partícula se mueve siguiendo una trayectoria y se han obtenido los
a esos datos discretos para poder realizar estimaciones siguientes datos experimentales sobre posición aproximada:
f(1)=0.5; f(2)=2.5; f(3)=2; f(4)=4; f(5)=3.5; f(6)=6; f(7)=5.5
Se desea estimar cuál será la posición de la partícula en 3.5; en 5.3 y en 6.2.
1° Análisis: graficamos (diagrama de dispersión) y analizamos los datos en forma
visual para conocer el modelo.
Diagrama de dispersión
Parece
responder a un
modelo lineal
• Proyección ortogonal de un vector y en R2: • Proyección ortogonal de un vector y en un Propiedad de las proyecciones ortogonales
subespacio W de Rn:
proyW y
Ajuste de curvas
Ejemplo Métodos de Regresión por mínimos cuadrados
Ajustar el conjunto de
datos discretos a una
línea recta.
Línea de regresión de y Se desea determinar los
sobre x parámetros β0 y β1 que dejen
a la línea tan “cercana” a los
Coeficientes de regresión puntos como sea posible
Ajuste de curvas
Métodos de Regresión por mínimos cuadrados Recuerdan que…
El cuadrado de la distancia entre los vectores Xβ y y es precisamente la suma de Regresión lineal Regresión Polinomial Regresión lineal múltiple
los cuadrados de los residuales. El β que minimiza esta suma también minimiza la
distancia entre Xβ y y. El cálculo de la solución por mínimos cuadrados de Xβ = y
equivale a encontrar el β que determina la línea de mínimos cuadrados. Modelo Modelo Modelo Modelo Racional
lineal Exponencial Potencial o crecimiento de
saturación
¿Cómo cuantificamos el error cometido en la regresión lineal? ¿Cómo cuantificamos el error cometido en la regresión lineal?
La suma de los cuadrados de los errores La suma de los cuadrados de las La suma de los cuadrados de los errores La suma de los cuadrados de las
con la recta de ajuste diferencias entre los datos y la media de con la recta de ajuste diferencias entre los datos y la media de
esos datos esos datos
r2 es el coeficiente de determinación
2° Transformación LINEALIZACIÓN 3°) Regresión lineal: se obtienen las constantes y se vuelve al modelo
3°Regresión lineal (se obtienen las constantes y se vuelve al modelo )
1°) Análisis de Regresión 2°) Linealización 1°) Análisis de Regresión 2°) Linealización
Diagrama de dispersión Diagrama de dispersión
3°) Regresión lineal: se obtienen las constantes y se vuelve al modelo 3°) Regresión lineal: se obtienen las constantes y se vuelve al modelo
3°) Regresión lineal: se obtienen las constantes y se vuelve al modelo 3°) Regresión lineal: se obtienen las constantes y se vuelve al modelo
AJUSTE
Regresión Polinomial
Gráficamente se ve que es un buen ajuste Se ajusta la variable
independiente con varios
términos
2° Transformación LINEALIZACIÓN
m: nro. de incógnitas
n: nro. de valores discretos
r2 es el coeficiente de determinación
r es el coeficiente de correlación
Permite cuantificar la bondad de nuestro ajuste. Por lo que
sirve para comparar diferentes regresiones
Coeficiente de determinación
Coeficiente de correlación
2° Transformación LINEALIZACIÓN