Metodo de Regresión NO LINEAL - Minimos Cuadrados NO LINEALES

Cuando tenemos ecuaciones NO LINEALES usamos el metodo de regresión lineal

¿Cómo identificamos que es un sistema NO LINEAL?
Porque los coeficientes estan en el argumento de las funciones

Coeficiente NO en el argumento Coeficiente ESTA en el argumento

𝑣(𝑡)= 𝑥_0 𝑆𝑒𝑛(𝑡) 𝑣(𝑡)= 𝑥_0 𝑆𝑒𝑛(𝑥_1 𝑡+𝑥_2 )+𝑥_3

Mes tiempo Temp 95

Ene 1 61 90
Feb 2 65
Mar 3 72
85
Abr 4 78 80
Mayo 5 85 75
Jun 6 90
70
Jul 7 92
Ago 8 92 65
Sep 9 88 60
Oct 10 81 55
Nov 11 72
Dic 12 63
50
1 2 3 4 5 6 7 8

¿Qué tipo de grafica es la que vemos?

a) cuadratica, o sea x al cuadrado R=
b) exponencial
c) logaritmica
d) seno o coseno

Dependiendo del tipo de grafica es la ecuación que que vamos a ajustar a los datos que nos dan
de entrada

Si es una cuadratica, entonces un ejemplo seria: 𝑇=𝑥_1 𝑡^2+𝑥_2 𝑡+𝑥_3

Si es una exponencial, entonces un ejemplo seria: 𝑇=𝑥_1 𝑒^2𝑡+𝑥_2 𝑡+𝑥_3

Si es una logaritmica, entonces un ejemplo seria: 𝑇=𝑥_1 ln⁡(𝑥_2 𝑡)+𝑥_3

Si es una logaritmica, entonces un ejemplo seria: 𝑇=𝑥_1 Cos⁡(𝑥_2 𝑡+𝑥_3)+𝑥_4

PASO 1
Entonces, ¿Cuál seria la ecuacion a ajustar?

R= <<Escribe tu respuesta aquí

PASO 2
¿Cuántas COEFICIENTES tengo? Escribelas a continuacion y dale valores iniciales

Valores iniciales
x1 17
x2 0.5
x3 10.5
x4 77

PASO 3
Sacar el residuo, esto se calcula sustituyendo el valor de los coeficientes inciales en
la ecuación a ajustar (FILA 51). Donde t es el valor del mes y al final se compara con
las temperaturas de los datos que nos dieron al principio. Entonces…

x1sen(x2(tiempo 1)+x3)+x4-(temp en tiempo 1)

x1sen(x2(tiempo 2)+x3)+x4-(temp en tiempo 2)
x1sen(x2(tiempo 3)+x3)+x4-(temp en tiempo 3)
x1sen(x2(tiempo 4)+x3)+x4-(temp en tiempo 4)
x1sen(x2(tiempo 5)+x3)+x4-(temp en tiempo 5)
residuo= x1sen(x2(tiempo 6)+x3)+x4-(temp en tiempo 6)
x1sen(x2(tiempo 7)+x3)+x4-(temp en tiempo 7)
x1sen(x2(tiempo 8)+x3)+x4-(temp en tiempo 8)
x1sen(x2(tiempo 9)+x3)+x4-(temp en tiempo 9)
x1sen(x2(tiempo 10)+x3)+x4-(temp en tiempo 10)
x1sen(x2(tiempo 11)+x3)+x4-(temp en tiempo 11)
x1sen(x2(tiempo 12)+x3)+x4-(temp en tiempo 12)

PASO 4
Elevo el residuo al cuadrado, calculando asi de esta manera el error cuadrado total

residuo en tiempo 1 al cuadrado

residuo en tiempo 2 al cuadrado
residuo en tiempo 3 al cuadrado
residuo en tiempo 4 al cuadrado
residuo en tiempo 5 al cuadrado
residuo^2 = residuo en tiempo 6 al cuadrado =
residuo en tiempo 7 al cuadrado
residuo en tiempo 8 al cuadrado
residuo en tiempo 9 al cuadrado
residuo en tiempo 10 al cuadrado
residuo en tiempo 11 al cuadrado
 residuo en tiempo 12 al cuadrado

ECT = SUMA DE TODO LO DE ARRIBA =

PASO 5
Se obtiene la derivada de la funcion en cada una de los COEFICIENTES

función 𝑡𝑒𝑚𝑝= 𝑥_1 𝑆𝑒𝑛(𝑥_2 𝑡+𝑥_3 )+𝑥_4

derivada con respecto a x1 = sen(x2t+x3)
derivada con respecto a x2 = tx1cos(x2t+x3)
derivada con respecto a x3= x1cos(x2t+x3)
derivada con respecto a x4= 1

IMPORTANTE: Cuando derivamos con respecto a COEFICIENTES es distinto a

derivar con respecto a una VARIABLE. En este caso EXCLUSIVO DE COEFICIENTES
la derivada con respecto a un COEFICIENTE es igual a lo que le acompaña al
COEFICIENTE, el resto se ELIMINA. Ejemplo:

x1sen(x2t) derivada con respecto a x1 es = sen(x2t)

x1sen(x2t) derivada con respecto a x2 es = t*x1cos(x2t)
x1 + x2t derivada con respecto a x1 es = 1
x1 + x2t derivada con respecto a x2 es = t

PASO 6
Las derivadas se pondran en la matriz y se evaluaran por los 12 tiempos o puntos. Es la matriz
jacobiana que ya se ha hecho anteriormente

sen(0.5(1)+10.5 (1)17Cos(0.5(1)+10.5
sen(0.5(2)+10.5 (2)17Cos(0.5(2)+10.5
sen(0.5(3)+10.5 (3)17Cos(0.5(3)+10.5
sen(0.5(4)+10.5 (4)17Cos(0.5(4)+10.5
sen(0.5(5)+10.5 (5)17Cos(0.5(5)+10.5
jacobiana= sen(0.5(6)+10.5 (6)17Cos(0.5(6)+10.5
sen(0.5(7)+10.5 (7)17Cos(0.5(7)+10.5
sen(0.5(8)+10.5 (8)17Cos(0.5(8)+10.5
sen(0.5(9)+10.5 (9)17Cos(0.5(9)+10.5
sen(0.5(10)+10.5 (10)17Cos(0.5(10)+10.5
sen(0.5(11)+10.5 (11)17Cos(0.5(11)+10.5
sen(0.5(12)+10.5 (12)17Cos(0.5(12)+10.5
Entonces la jacobiana queda de la siguiente manera…

-0.9999902066 0.0752368658 0.07523687 1

-0.8754521747 16.432361798 8.2161809 1
-0.536572918 43.036551895 14.3455173 1
-0.0663218974 67.850282984 16.9625707 1
0.4201670368 77.132976423 15.4265953 1
jacobiana= 0.8037844266 60.681907658 10.1136513 1
0.9906073557 16.271728967 2.32453271 1
0.9348950555 -48.269700283 -6.03371254 1
0.6502878402 -116.23225067 -12.9146945 1
0.2064674819 -166.33708868 -16.6337089 1
-0.2879033167 -179.08232282 -16.2802112 1
-0.7117853424 -143.28899973 -11.94075 1

PASO 7
Se multiplica la jacobiana por su traspuesta

-0.9999902066 0.0752368658 0.07523687 1

-0.8754521747 16.432361798 8.2161809 1
-0.536572918 43.036551895 14.3455173 1
-0.0663218974 67.850282984 16.9625707 1
0.4201670368 77.132976423 15.4265953 1
jacobiana= 0.8037844266 60.681907658 10.1136513 1
0.9906073557 16.271728967 2.32453271 1
0.9348950555 -48.269700283 -6.03371254 1
0.6502878402 -116.23225067 -12.9146945 1
0.2064674819 -166.33708868 -16.6337089 1
-0.2879033167 -179.08232282 -16.2802112 1
-0.7117853424 -143.28899973 -11.94075 1

Entonces queda la siguiente matriz

5.7916772445 53.744291369 -3.4639733 0.52818334106777

53.744291369 112732.53593 12930.3811 -371.72931559039
-3.4639733006 12930.381137 1794.20528 3.66120801456822
0.5281833411 -371.72931559 3.66120801 12

PASO 8
Se multiplica la Jacobiana (NEGATIVA) por el vector de residuos (paso 3)

-0.9999902066 0.0752368658 0.07523687 1

-0.8754521747 16.432361798 8.2161809 1
 -0.536572918 43.036551895 14.3455173 1
-0.0663218974 67.850282984 16.9625707 1
jacobiana(-)= 0.4201670368 77.132976423 15.4265953 1
0.8037844266 60.681907658 10.1136513 1
0.9906073557 16.271728967 2.32453271 1
0.9348950555 -48.269700283 -6.03371254 1
0.6502878402 -116.23225067 -12.9146945 1
0.2064674819 -166.33708868 -16.6337089 1
-0.2879033167 -179.08232282 -16.2802112 1
-0.7117853424 -143.28899973 -11.94075 1

y el resultado es esta matriz

-7.2600835084
624.13597827
143.55218154
6.0208832018

PASO 9
Se junta la matriz en color verde y la color azul y procedemos a aplicar la eliminacion gaussiana

5.7916772445 53.744291369 -3.4639733 0.52818334106777

53.744291369 112732.53593 12930.3811 -371.72931559039
-3.4639733006 12930.381137 1794.20528 3.66120801456822
0.5281833411 -371.72931559 3.66120801 12

PASO 10
>>Al resolver la eliminacion gaussiana, la ultima columna contiene los numeros que se le sumarán
a los valores iniciales de los COEFICIENTES
egresión lineal

iciente ESTA en el argumento

𝑒𝑛(𝑥_1 𝑡+𝑥_2 )+𝑥_3

3 4 5 6 7 8 9 10 11 12

<<Escribe tu respuesta

ajustar a los datos que nos dan

1 𝑡^2+𝑥_2 𝑡+𝑥_3

_1 𝑒^2𝑡+𝑥_2 𝑡+𝑥_3

_1 ln⁡(𝑥_2 𝑡)+𝑥_3

𝑥_1 Cos⁡(𝑥_2 𝑡+𝑥_3)+𝑥_4

valores iniciales

ntes inciales en
l se compara con

-0.999834
-2.882687
-4.12174
-2.127472
-0.85716
= 0.6643353
1.840325
0.8932159
0.0548933
-0.490053
0.1056436
1.8996492

cuadrado total

0.99966705
8.30988417
16.9887374
4.5261382
0.73472391
0.44134133
3.38679628
0.79783472
0.00301327
0.24015175
0.01116057
 3.60866701

40.0481156

NTES es distinto a
VO DE COEFICIENTES
e acompaña al

pos o puntos. Es la matriz

17cos(0.5(1)+10.5) 1
17cos(0.5(2)+10.5) 1
17cos(0.5(3)+10.5) 1
17cos(0.5(4)+10.5) 1
17cos(0.5(5)+10.5) 1
17cos(0.5(6)+10.5) 1
17cos(0.5(7)+10.5) 1
17cos(0.5(8)+10.5) 1
17cos(0.5(9)+10.5) 1
17cos(0.5(10)+10.5) 1
17cos(0.5(11)+10.5) 1
17cos(0.5(12)+10.5) 1
 -0.99999 0.075237 0.07523687 1
-0.875452 16.43236 8.2161809 1
-0.536573 43.03655 14.3455173 1
-0.066322 67.85028 16.9625707 1
0.420167 77.13298 15.4265953 1
X 0.8037844 60.68191 10.1136513 1
0.9906074 16.27173 2.32453271 1
0.9348951 -48.2697 -6.03371254 1
0.6502878 -116.232 -12.9146945 1
0.2064675 -166.337 -16.6337089 1
-0.287903 -179.082 -16.2802112 1
-0.711785 -143.289 -11.94075 1

-0.999834
-2.882687
 -4.12174
-2.127472
X -0.85716
0.6643353
1.840325
0.8932159
0.0548933
-0.490053
0.1056436
1.8996492

car la eliminacion gaussiana

-7.26008351
624.135978
143.552182
6.0208832

os numeros que se le sumarán