Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inv. #2 Métodos Numéricos
Inv. #2 Métodos Numéricos
numéricos
Métodos mínimos cuadrados
Se usa para encajar un conjunto de m observaciones con un modelo que es no lineal
en n parámetros desconocidos (m > n). Se utiliza en algunas formas de regresión no lineal. La
base del método es para aproximar el modelo por uno lineal y para refinar los parámetros por
iteraciones sucesivas. Hay muchas similitudes con mínimos cuadrados lineales, pero también
algunas diferencias importantes.
¿Como es?
Considere un conjunto de m observaciones, (X1, Y1), (X2, Y2), …, (Xm, Ym), y una curva
(función del, modelo) Y=f (X, B), que además de la variable X también depende de n
parámetros, B = (B1, B2, …, Bn), con m > n. Se desea encontrar el vector B de parámetros
tales que la curva se ajuste mejor a los datos dados en el sentido de mínimos cuadrados, es
decir, la suma de cuadrados.
Cuando las observaciones no son igualmente fiables, una suma ponderada de los cuadrados
puede ser minimizado,
Cada elemento de la matriz de peso diagonal W debería, idealmente, ser igual al recíproco de
la varianza de error de la medida. Las ecuaciones normales son entonces:
Este método es aplicable en muchas situaciones en las que se estudia la relación entre dos o
más variables o predecir un comportamiento, algunas incluso sin relación con la tecnología. En
caso de que no se pueda aplicar un modelo de regresión a un estudio, se dice que no hay
correlación entre las variables estudiadas. Este modelo puede ser expresado como:
Donde:
¿Cómo es?
El modelo de regresión lineal será aplicado en aquellos casos en los que la variable Y sea
continua. El modelo lineal relaciona la variable dependiente Y con m variables regresoras Xj con
j = 1, 2, …, m o cualquier transformación de éstas que generen un hiperplano de parámetros
B0 desconocidos:
Una vez se ha obtenido la recta de regresión, es necesario comprobar la bondad del ajuste
realizado mediante el siguiente análisis ANOVA:
N = número de datos. Se compara F0 con valor F crítico (tabla F de Snedecor) con valor de
significación α, 1, y n-2 grados de libertad concluyendo: Si F0< Ft, el modelo es apropiado, Si
F0> Ft, el modelo utilizado no es apropiado.
Método de Simpson
Es un método de integración numérica que se utiliza para obtener la aproximación de
la integral:
es equivalente a
Error
El término error E(f), llamado error global, corresponde a
Se puede calcular una estimación del error cometido al aproximar la integral mediante este
método. Si las cuatro primeras derivadas de f(x) son continuas en el intervalo, entonces el
error (en términos absolutos) está acotado como
Método trapezoidal
es un método de integración, es decir, un método para calcular aproximadamente el valor de
una integral definida. La regla se basa en aproximar el valor de la integral de f (X) por el de
la función lineal, que pasa a través de los puntos (a, f(a)) y (b, f(b)). La integral de esta
es igual al área del trapecio bajo la gráfica de la función lineal.
¿Cómo es?
Es necesario usar un polinomio de primer orden, y esta es representada por:
Error
El término de error corresponde a: Siendo E un número
perteneciente al intervalo [a, b].
representa el área de la región delimitada por la gráfica de f y el eje OX, desde X = a hasta
X = b. Primero se divide el intervalo [a, b] en n sub intervalos, cada uno de ancho
También podemos hacer los cálculos y las operaciones lógicas de los circuitos aún más rápido
siguiendo algunos teoremas, que se conocen como "Teoremas del álgebra de Boole". Una
función booleana es una función que representa la relación entre la entrada y la salida de un
circuito lógico.
¿Cómo es?
Al formular expresiones matemáticas para circuitos lógicos es importante tener conocimiento
del álgebra booleana, que define las reglas para expresar y simplificar enunciados lógicos
binarios. Una barra sobre un símbolo indica la operación booleana NOT, que corresponde a la
inversión de una señal.
Leyes Fundamentales
Leyes conmutativas Leyes asociativas
A + B = B + A
A ∙ B = B ∙ A
Ejemplo de simplificación
Se va a simplificar la siguiente expresión aplicando las leyes e identidades booleanas
mencionadas: E = (X ∙ Y ∙ Z) + (Y ∙ Z) + (X ∙ Y)
E = X ∙ (Y ∙ Z) + 1 ∙ (Y ∙ Z) + (X ∙ Y)
E = 1 ∙ (Y ∙ Z) + (X ∙ Y)