Video 1: Regresión lineal y Mínimos cuadrados

Es simple de comprender, recordando un poco podemos decir que matemáticamente una recta se
define como una constante y una variable independiente, y esta seria la estructura de un modelo de
regresión lineal simple. Pero la realidad es mucho mas compleja, por lo que generalmente usaremos
modelos que necesiten aproximaciones de muchas más variables.

La forma mas como da de representar esta combinación lineal de variables para cada uno de nuestros
datos es de forma vectorial, en lugar de tener muchas ecuaciones creamos una matriz en la que cada
columna representa una característica de nuestros datos de entrada, haciendo una matriz “x” que
representen nuestras variables medidas, y una matriz “y” que representa cada una de las variables
dependientes, también definimos una matriz “w” en la que pondremos todas nuestras constantes.

De esta manera podemos definir todas nuestras múltiples ecuaciones mediante una sola igualdad,
diciendo que Y= XW. Utilizando esta ecuación podemos usar 2 métodos diferentes; el primero es el
método de mínimos cuadrados. En este método lo primero que vamos a tomar en cuenta es el error,
primero los elevamos al cuadrado para aumentar aun mas lo puntos alejados a la recta, y aumentar un
poco menos los que están mas cercanos a la recta que estamos buscando.

Mediante derivar el error cuadrático medio podemos obtener el mínimo de esta ecuación igualando esa
derivada a 0, obteniendo por último que el error cuadrático medio mínimo es el que se encuentra en la
siguiente ecuación: 𝑊 = (𝑋 𝑇 𝑋)−1 𝑋 𝑇 𝑌.

Esta ecuación es lo único que necesitamos para minimizar el error de una serie de puntos a la hora de
realizar una regresión lineal mediante mínimos cuadrados. La desventaja que tiene este método es que
para empezar no siempre nos va a ser de utilidad para nuestros problemas y que además tenemos que
invertir una matriz X, lo que pudiera resultar algo complicado algunas veces.
Video 2: Una introducción al ajuste polinomial de datos por mínimos cuadrados utilizando Matlab 1 UPV

Al hacer experimentos en la vida real obtenemos valores concretos con cierto porcentaje de error, es
por esto por lo que casi nunca podemos aplicar el método de interpolación lineal a nuestros datos en la
tabla, si no que tenemos que generar un polinomio que sea una aproximación a estos, tomando como
referencia el mínimo error posible de distancia a cada punto. Esto es algo que estamos seguros de que
siempre vamos a poder hacer siempre y cuando haya una relación aparente en los datos obtenidos,
ósea que siempre que se pueda cumplir que se haga una función.

Esta regresión lineal la podemos realizar mediante el método de mínimos cuadrados, que consiste en
ajustar de forma que sea mínima la suma de los cuadrados de las distancias de cada dato a nuestra recta
aproximada.

Después de definir los vectores “x” e “y” tenemos que calcular el polinomio que interpola estos
vectores, y el grado del polinomio será el grado T, en donde T puede ser igual a 1 o a 2. Las abscisas y las
ordenadas no necesariamente están ordenadas. Después de calcular este método le vamos a asignar a
“y” el valor de la función obtenida.

Para este propósito en este video se usó una aplicación llamada Matlab con la finalidad de facilitar la
resolución de esta clase de problemas, y es que el usar un software resulta mucho más práctico que
estar realizando cada una de las operaciones a mano. Algo que sin duda creo que el profesor lo tomara
en cuenta a la hora de realizar los ejercicios en la clase.