Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 1K vistas

    Método de Mínimos Cuadrados de Segundo Orden

    Cargado por

    Liam Heathen
    El método de mínimos cuadrados de segundo orden (MCSO) permite ajustar un polinomio cuadrático a datos no lineales mediante la minimización de los errores cuadráticos. Esto genera un sistema de ecuaciones lineales con tantas incógnitas como coeficientes polinomiales. Resolver este sistema permite determinar los coeficientes que mejor describen los datos de forma no lineal.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Método de Mínimos Cuadrados de Segundo Orden

    Cargado por

    Liam Heathen
    1K vistas4 páginas
    El método de mínimos cuadrados de segundo orden (MCSO) permite ajustar un polinomio cuadrático a datos no lineales mediante la minimización de los errores cuadráticos. Esto genera un sistema de ecuaciones lineales con tantas incógnitas como coeficientes polinomiales. Resolver este sistema permite determinar los coeficientes que mejor describen los datos de forma no lineal.

    Descripción original:

    METODO NUMERICO

    Título original

    MÉTODO DE MÍNIMOS CUADRADOS DE SEGUNDO ORDEN

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El método de mínimos cuadrados de segundo orden (MCSO) permite ajustar un polinomio cuadrático a datos no lineales mediante la minimización de los errores cuadráticos. Esto genera un sistema de ecuaciones lineales con tantas incógnitas como coeficientes polinomiales. Resolver este sistema permite determinar los coeficientes que mejor describen los datos de forma no lineal.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    1K vistas4 páginas

    Método de Mínimos Cuadrados de Segundo Orden

    Cargado por

    Liam Heathen
    El método de mínimos cuadrados de segundo orden (MCSO) permite ajustar un polinomio cuadrático a datos no lineales mediante la minimización de los errores cuadráticos. Esto genera un sistema de ecuaciones lineales con tantas incógnitas como coeficientes polinomiales. Resolver este sistema permite determinar los coeficientes que mejor describen los datos de forma no lineal.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 4

    MCSO

    MÉTODO DE MÍNIMOS CUADRADOS DE SEGUNDO ORDEN (MCSO)

    Regresión Polinomial
    El ajuste de datos usando un modelo lineal es excelente cuando los datos sigan
    una tendencia lineal. Sin embargo, en muchas ocasiones los datos no siguen esta
    tendencia lineal. Considérese como ejemplo la siguiente colección de diez datos. Si se
    grafica esta colección de datos, se obtiene lo siguiente:

    De la gráfica no resulta claro cómo se pueda describir esta colección de datos con
    una fórmula empírica lineal. Se puede forzar una línea recta sobre esta colección de
    datos llevando a cabo el análisis de regresión, haciendo ciegamente los cálculos
    matemáticos usuales para obtener el "mejor ajuste" lineal. Sin embargo, la fórmula
    así obtenida tal vez no será de mucha utilidad para estimar lo que ocurrirá con otros
    valores no graficados. Si nos hacemos a la idea de que esta colección de datos puede
    ser mejor descrita por un modelo no-lineal, entonces un primer paso hacia esta
    dirección consistiría en utilizar un polinomio de grado m:

    (1)

    En el método anterior se desarrolló un procedimiento para obtener la ecuación de


    una línea recta por medio del criterio de mínimos cuadrados. En ingeniería, aunque
    algunos datos exhiben un patrón marcado, como el que se advierte en la figura 17.8,
    son pobremente representados por una línea recta, entonces, una curva podrá ser
    más adecuada para ajustarse a los datos. Como se analizó en la sección anterior, un
    método para lograr este objetivo es utilizar transformaciones. Otra alternativa es
    ajustar polinomios a los datos mediante regresión polinomial.

    Página 1 de 4
    Métodos Numéricos-MTS
    MCSO

    El procedimiento de mínimos cuadrados del método anterior (Mínimos Cuadrados


    Lineales) 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:

    (2)

    Para este caso, la suma de los cuadrados de los residuos es:

    (3)

    Al seguir el procedimiento del método anterior, se obtiene la derivada de la ecuación


    (3) con respecto a cada uno de los coeficientes desconocidos del polinomio:

    Página 2 de 4
    Métodos Numéricos-MTS
    MCSO

    Estas ecuaciones se igualan a cero y se reordenan para obtener el siguiente


    conjunto de ecuaciones normales:

    Nota: todas las sumatorias van desde i = 1 hasta n.

    Observe que las tres ecuaciones anteriores son lineales y tienen tres incógnitas: a0,
    a1 y a2. Los coeficientes de las incógnitas se calculan de manera directa, a partir de
    los datos observados. En este caso, observamos que el problema de determinar un
    polinomio de segundo grado por mínimos cuadrados es equivalente a resolver un
    sistema de tres ecuaciones lineales simultáneas (sistema de 3x3). Las técnicas para
    resolver este tipo de sistemas de ecuaciones ya fueron vistas.

    El caso de segundo grado se extiende con facilidad a un polinomio de m-ésimo


    grado como sigue:

    El análisis anterior se puede extender fácilmente a este caso más general. Así, se
    reconoce que la determinación de los coeficientes de un polinomio de m-ésimo grado
    es equivalente a resolver un sistema de m + 1 ecuaciones lineales simultáneas.

    El error en la regresión polinomial se puede cuantificar mediante el Error Estándar


    de Estimación (Sy/x), que ahora es:

    =
    /
    −( + )

    Donde m es el grado del polinomio y n el número de datos.

    Todos los demás cálculos como la Desviación Estándar (Sy), el Coeficiente de


    Determinación (r2) y el Coeficiente Correlación(r) se calculan de la misma manera que
    en Mínimos Cuadrados Lineales:

    Página 3 de 4
    Métodos Numéricos-MTS
    MCSO

    Desviación Estándar (Sy)

    =
    −

    Donde: = ∑( − )

    Los Coeficientes de Determinación (r2) y Correlación(r) respectivamente:

    = ∗ %

    Página 4 de 4
    Métodos Numéricos-MTS

    También podría gustarte