Regresión Por Mínimos Cuadrados

FACULTAD DE INGENIERÍA DE PROCESOS
ESCUELA PROFESIONAL DE INGENIERÍA DE MATERIALES

Métodos Numéricos Aplicados a Ingeniería de Materiales
AJUSTE DE CURVAS
Es común que los datos se dan como valores discretos a lo largo de un continuo. Sin embargo, quizás
se requiera la estimación de un punto entre valores discretos. Además, se puede necesitar de la
versión simplificada de una función complicada. Una manera de hacerlo es calcular valores de la
función en un número discreto de valores en el intervalo de interés. Después, se obtiene una función
más simple para ajustar dichos valores. Estas dos aplicaciones se conocen como ajuste de curvas.
Existen dos métodos generales para el ajuste de curvas que se distinguen entre sí al considerar la
cantidad de error asociado con los datos. Primero, si los datos exhiben un grado significativo de error
o “ruido”, la estrategia será obtener una sola curva que represente la tendencia general de los datos.
Como cualquier dato individual puede ser incorrecto, no se busca intersecar todos los puntos. En
lugar de esto, se construye una curva que siga la tendencia de los puntos tomados como un grupo. Un
procedimiento de este tipo se llama regresión por mínimos cuadrados.
Regresión por mínimos cuadrados

Segundo, si se conoce que los datos son muy precisos, el procedimiento básico será colocar una
curva o una serie de curvas que pasen por cada uno de los puntos en forma directa. Usualmente tales
datos provienen de tablas. Como ejemplos se tienen los valores de la densidad del agua o la
capacidad calorífica de los gases en función de la temperatura. La estimación de valores entre puntos
discretos bien conocidos se llama interpolación.
Edwin Urday Página 1 de 15

PRÁCTICA 14
REGRESIÓN POR MÍNIMOS CUADRADOS
Cuando los datos tienen errores sustanciales, la interpolación polinomial es inapropiada y puede dar
resultados poco satisfactorios cuando se utiliza para predecir valores intermedios. Con frecuencia los
datos experimentales son de este tipo.
Una estrategia más apropiada en tales casos consiste en obtener una función de aproximación que se
ajuste a la forma o a la tendencia general de los datos, sin coincidir necesariamente en todos los
puntos. Una forma de hacerlo es obtener una curva que minimice la discrepancia entre los puntos y la
curva. Una técnica para lograr tal objetivo, llamada regresión por mínimos cuadrados.

1. REGRESION LINEAL
El ejemplo más simple de una aproximación por mínimos cuadrados es ajustar una línea recta a
un conjunto de observaciones definidas por puntos: (x1, y1), (x2, y2),..., (xn, yn). La expresión
matemática para la línea recta es
donde a0 y a1 son coeficientes que representan la intersección con el eje y y la pendiente,

respectivamente, e es el error, o diferencia, entre el modelo y las observaciones.
El error o residuo es la discrepancia entre el valor verdadero de y y el valor aproximado, a0 +

a1x, que predijo la ecuación lineal.
Una estrategia para ajustar una “mejor” línea a través de los datos será minimizar la suma de los
cuadrados de los residuos entre la y medida y la y calculada con un modelo lineal.
Este criterio tiene varias ventajas, entre ellas el hecho de que se obtiene una línea única para
cierto conjunto de datos.
Para determinar los valores de a0 y a1 se utilizan las siguientes ecuaciones:
donde ý y x́ son los promedios de y y x, respectivamente.

Cuantificación del error de regresión lineal
La diferencia entre las cantidades, St - Sr, cuantifica la mejora o reducción del error por describir
los datos en términos de una línea recta en vez de un valor promedio. Como la magnitud de esta
cantidad depende de la escala, la diferencia se normaliza a St para obtener
r2 = coeficiente de determinación
r = coeficiente de correlación
Sr = suma de cuadrados de los residuos
St = suma total de los cuadrados

En un ajuste perfecto, Sr = 0 y r = r2 = 1, significa que la línea explica el 100% de la variabilidad

de los datos.
Si r = r2 = 0, Sr = St el ajuste no representa alguna mejora.
EJERCICIO 1
Ajuste a una línea recta los valores x y y de los siguientes datos
a) Con una hoja de cálculo

b) Con Matlab
SOLUCIÓN
Con una hoja de cálculo
1° Introduzca los datos como se indica
2° Seleccionar los datos de las columnas A y B y seleccionar Insertar gráfico de dispersión (X, Y) o
de dispersión y pulsar sobre Dispersión del menú Insertar. Se genera el siguiente gráfico:
3° Pulsar con el botón derecho sobre cualquier punto del grafico generado y pulsar sobre Agregar
línea de tendencia… para visualizar el panel de Formato de línea de tendencia. Seleccionar La
opción Lineal. En la parte inferior active las opciones Presentar ecuación en el gráfico y
Presentar el Valor R cuadrado en el gráfico. Cierre el Panel.

4° Escriba el título del gráfico: Regresión Lineal
Con una función de usuario de Matlab

1° Introduzca en Matlab como vectores los datos de x y y:
x = [1 2 3 4 5 6 7];
y = [0.5 2.5 2.0 4.0 3.5 6.0 5.5];

2° Las sumas requeridas por la regresión lineal se calculan fácilmente con una función de
MATLAB. Esta función calcula la pendiente y la intersección de la ecuación de regresión lineal.
La función [a, r2] = linregr(x,y) muestra la intercepción y la pendiente, el coeficiente de

determinación y un gráfico de la línea de mejor ajuste junto con las mediciones.
Funciones Integradas de Matlab: polyfit y polyval

MATLAB tiene una función polyfit integrada que ajusta datos a un polinomio de orden n
con mínimos cuadrados. Su sintaxis es:
p = polyfit(x, y, n)
donde x e y son los vectores de las variables independientes y la dependiente,

respectivamente, y n = el orden del polinomio.
La función devuelve un vector p que contiene los coeficientes del polinomio.

Debido a que una línea recta es un polinomio de primer orden, polyfit (x, y, 1)
devolverá la pendiente y el intercepto de la recta de mejor ajuste.
Por lo tanto, la pendiente es 19.4702 y la intersección es -234.2857.

Otra función, polyval, se puede utilizar después para calcular un valor usando los
coeficientes.
Tiene el formato general:
>> y = polyval(p, x)
donde p = coeficientes del polinomio, y y = el valor de ajuste óptimo en x.

Por ejemplo,
2. REGRESIÓN POLINOMIAL
El procedimiento de mínimos cuadrados se puede extender fácilmente al ajuste de datos con un
polinomio de grado superior. Por ejemplo, suponga que ajustamos un polinomio de segundo
grado o cuadrático:
El problema de determinar un polinomio de segundo grado por mínimos cuadrados es

equivalente a resolver un sistema de tres ecuaciones lineales simultáneas.
El caso bidimensional se extiende con facilidad a un polinomio de m-ésimo grado como sigue

La determinación de los coeficientes de un polinomio de m-ésimo grado es equivalente a

resolver un sistema de m + 1 ecuaciones lineales simultáneas.
En este caso, el error estándar se formula como sigue:
Esta cantidad se divide entre n - (m + 1), ya que (m + 1) coeficientes obtenidos de los datos, a0, ab..., am, se
utilizaron para calcular Sr; se ha perdido m + 1 grados de libertad. Además del error estándar, también se
calcula un coeficiente de determinación para la regresión polinomial (R 2).
EJERCICIO 2
Ajustar a un polinomio de segundo grado los datos dados en las dos columnas siguientes

b) Con Matlab
SOLUCIÓN
1° Seguir el procedimiento anterior hasta el paso 3, aquí seleccionar en Opciones de línea de
tendencia Polinómica y orden 2. También pulsar sobre las dos últimas opciones inferiores del
Panel para obtener.
Con un archivo script de Matlab

Usando con el operador \ (división izquierda)

1° Ingrese en Matlab las matrices inversas de los valores de x, y:

x = [0 1 2 3 4 5]';
y = [2.1 7.7 13.6 27.2 40.9 61.1]';
2° A continuación, crear la matriz [M]:
M=[x.^2,x,ones(size(x))];
3° Realice la división izquierda e ingrese las instrucciones para graficar el polinomio

p=M\y %coeficientes del polinomio
hold on
plot(x,y,'ro','markersize',4,'markerfacecolor','r')
z=@(x) polyval(p,x);
fplot(z,[x(1),x(end)])
xlabel('x')
ylabel('y')
grid on
title('Polinomio aproximador')
hold off

Con una función de usuario de Matlab

1° Ingrese en Matlab las matrices inversas de los valores de x, asi como el orden el pilinomio:
x = [0 1 2 3 4 5]';
y = [2.1 7.7 13.6 27.2 40.9 61.1]';
m=2
2° Cargue y ejecute la función de usuario least_squares(x, y, m)

Con una función integrada de Matlab: polyfit

Para el ajuste de datos a un polinomio se utiliza la función MATLAB polyfit, cuya sintaxis es la
siguiente:
p=polyfit(x,y,n)
 x, y son los vectores de las abscisas y de las ordenadas de los datos, respectivamente
 n, es el grado del polinomio al que se quieren ajustar los datos
 p, es el vector de los coeficientes de dicho polinomio.
Para n =1 tenemos la regresión lineal. Si m es el número de datos, el polinomio pasa a través de
todos los puntos si n = m-1. El grado n del polinomio no puede ser mayor que m-1.
1° Ingrese los vectores x, y de los datos
>> x = [0 1 2 3 4 5];
>> y = [2.1 7.7 13.6 27.2 40.9 61.1];
2° Realice los cálculos con polyfit para encontrar el vector de los coeficientes del polinomio,
seguido de las instrucciones para que Matlab construya el grafico correspondiente.
p=polyfit(x,y,2)
%gráficos
hold on
plot(x,y,'ro','markersize',4,'markerfacecolor','r')
z=@(x) polyval(p,x);
fplot(z,[x(1),x(end)])
xlabel('x')
ylabel('y')
grid on
title('Polinomio aproximador')
hold off

3 REGRESIÓN LINEAL MÚLTIPLE

Una extensión útil de la regresión lineal es el caso en el que y es una función lineal de dos o más
variables independientes. Por ejemplo, y podría ser una función lineal de x1 y x2, como en
En particular tal ecuación es útil cuando se ajustan datos experimentales donde la variable sujeta a
estudio es una función de otras dos variables. En este caso bidimensional, la “línea” de regresión se
convierte en un “plano”.
Como en los casos anteriores, los “mejores” valores para los coeficientes se determinan al realizar la
suma de los cuadrados de los residuos,
y derivando con respecto a cada uno de los coeficientes desconocidos,
Los coeficientes que dan la suma mínima de los cuadrados de los residuos se obtienen al igualar a
cero las derivadas parciales y expresando el resultado en forma matricial:

EJERCICIO 3
Los siguientes datos se calcularon con la ecuación y = 5 + 4x1 - 3x2:
Utilice la regresión lineal múltiple para ajustar estos datos.

b) Con Matlab
SOLUCIÓN
1° Introduzca los datos como se indica en la siguiente figura
2° Pulsar sobre Opciones del Menú Archivo del Excel para visualizar la ventana de Opciones de
Excel.

3° Pulsar sobre Complementos de la ventana Opciones y Excel, seleccionar Herramientas para

análisis – VBA y pulsar sobre el botón Ir… de la ventana Complementos
4° Activar la opción de la lista Complemento disponibles de la ventana visualizada y pulsar sobre
Aceptar.
5° Pulsar sobre la ventana Datos para visualizar la ventana de menú y hacer clic izquierdo sobre
Análisis de datos, donde se debe seleccionar la opción de Regresión pulsar sobre Aceptar
6° En la ventana de Regresión ingresar los datos de Rango Y de entrada y de Rango X de entrada
Para el caso de las X, debe seleccionar las dos columnas respectivas.

7° Excel visualiza los datos de regresión calculados en otra hoja de cálculo, donde se puede ubicar
los coeficientes del polinomio para ajustar los dataos.
Con programación en Matlab

1° Ingrese la matriz X, donde las columnas representan a las distintas variables y la última columna
es la variable independiente y.
X = [0 2 2.5 1 4 7; 0 1 2 3 6 2; 5 10 9 0 3 27]';
2° Cargue y ejecute la función pprogramada a=relimu(X), que dará como resultado el vector a
que contiene los parámetros optimizados a0, a1, a2…

Regresión Por Mínimos Cuadrados

Cargado por

Copyright:

Formatos disponibles

Regresión Por Mínimos Cuadrados

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Regresión Por Mínimos Cuadrados

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE INGENIERÍA DE PROCESOS

ESCUELA PROFESIONAL DE INGENIERÍA DE MATERIALES

Regresión por mínimos cuadrados

Edwin Urday Página 1 de 15

Edwin Urday Página 2 de 15

donde a0 y a1 son coeficientes que representan la intersección con el eje y y la pendiente,

El error o residuo es la discrepancia entre el valor verdadero de y y el valor aproximado, a0 +

donde ý y x́ son los promedios de y y x, respectivamente.

St = suma total de los cuadrados

Edwin Urday Página 3 de 15

En un ajuste perfecto, Sr = 0 y r = r2 = 1, significa que la línea explica el 100% de la variabilidad

a) Con una hoja de cálculo

Edwin Urday Página 4 de 15

4° Escriba el título del gráfico: Regresión Lineal

Con una función de usuario de Matlab

Edwin Urday Página 5 de 15

La función [a, r2] = linregr(x,y) muestra la intercepción y la pendiente, el coeficiente de

Funciones Integradas de Matlab: polyfit y polyval

donde x e y son los vectores de las variables independientes y la dependiente,

Edwin Urday Página 6 de 15

Por lo tanto, la pendiente es 19.4702 y la intersección es -234.2857.

donde p = coeficientes del polinomio, y y = el valor de ajuste óptimo en x.

El problema de determinar un polinomio de segundo grado por mínimos cuadrados es

Edwin Urday Página 7 de 15

La determinación de los coeficientes de un polinomio de m-ésimo grado es equivalente a

a) Con una hoja de cálculo

Con un archivo script de Matlab

Edwin Urday Página 8 de 15

1° Ingrese en Matlab las matrices inversas de los valores de x, y:

3° Realice la división izquierda e ingrese las instrucciones para graficar el polinomio

Edwin Urday Página 9 de 15

Con una función de usuario de Matlab

Edwin Urday Página 10 de 15

Con una función integrada de Matlab: polyfit

Edwin Urday Página 11 de 15

3 REGRESIÓN LINEAL MÚLTIPLE

y derivando con respecto a cada uno de los coeficientes desconocidos,

Edwin Urday Página 12 de 15

Utilice la regresión lineal múltiple para ajustar estos datos.

Edwin Urday Página 13 de 15

3° Pulsar sobre Complementos de la ventana Opciones y Excel, seleccionar Herramientas para

6° En la ventana de Regresión ingresar los datos de Rango Y de entrada y de Rango X de entrada

Para el caso de las X, debe seleccionar las dos columnas respectivas.

Edwin Urday Página 14 de 15

Con programación en Matlab

Edwin Urday Página 15 de 15

También podría gustarte