Clase N°15 (1) - 3-9

CLASE: Nro.
15
Aproximación polinomial con mínimos cuadrados
1. Regresión lineal
Hasta ahora nos hemos enfocado en encontrar un polinomio de aproximación que pase por los
puntos dados en forma tabular. Sin embargo, a veces la información (dada en la tabla) tiene errores
significativos; por ejemplo, cuando proviene de medidas físicas. En estas circunstancias no tiene
sentido pasar un polinomio de aproximación por los puntos dados, sino sólo cerca de ellos:
No obstante, esto crea un problema, ya que se puede pasar un número infinito de curvas entre los
puntos. Para determinar la mejor curva se establece un criterio que la fije y una metodología que la
determine. El criterio más común consiste en pedir que la suma de las distancias calculadas entre el
valor de la función que aproxima 𝑝(𝑥) y el valor de la función 𝑓(𝑥𝑖 ) dada en la tabla, sea mínima
es decir, que
n n
∑|𝑝(𝑥𝑖 ) − 𝑓(𝑥𝑖 )| = ∑ 𝑑𝑖 = 𝑚í𝑛𝑖𝑚𝑜

i=1 i=1
MÉTODOS NUMÉRICOS
Mgtr. Jacobo Vásquez
CLASE: Nro. 15
Como no interesa si la distancia es positiva o negativa, es recomendable minimizar el cuadrado de la

distancia, entonces
n n
𝑆 = ∑[𝑝(𝑥𝑖 ) − 𝑓(𝑥𝑖 )]2 = ∑ 𝑑𝑖 2 = 𝑚í𝑛𝑖𝑚𝑜

i=1 i=1
Si consideramos que 𝑝 es
Se sigue que, para minimizar la función S, con variables 𝑎1 y 𝑎2 , se debe derivar con respecto a cada
variable e igualar a cero
de esta manera se obtiene el sistema de ecuaciones lineales
Obteniendo así las variables 𝑎1 y 𝑎2 , que son los coeficientes de la recta de mínimos cuadrados.
Primero dibujemos los puntos y observemos la tendencia de los datos
MÉTODOS NUMÉRICOS
CLASE: Nro. 15
Como se observa en la gráfica, podemos encontrar el polinomio exacto que se ajusta a los datos, pero
no muestra de forma simple la tendencia de los datos. En cambio, la recta de mínimos cuadrados
representa mejor la tendencia:
MÉTODOS NUMÉRICOS
CLASE: Nro. 15
En OCTAVE/MATLAB:
x=[43 64 38 57 30];
y=[75 82 70 76 68];
plot(x,y,'*r')
hold on
p=interp_lagrange(x,y)
n=length(x);
%Sistema de ec: n*a1+a2*sumat(xi)=sumat(yi)
% a1*sumat(xi)+a2*sumat(xi^2)=sumat(xi*yi)
A=[n sum(x);sum(x) sum(x.^2)]
b=[sum(y);sum(x.*y)]
a=A\b
%pkg load symbolic
syms t
p1=a(1)+a(2)*t
ezplot(p1,[min(x) max(x)])
a =
56.7610
0.3758
Entonces, el modelo que permite predecir la nota final en base a la calificación parcial de un
estudiante, es:
𝑦 = 56.761 + 0.3758 ∙ 𝑥
• Para calibrar un medidor de orificio se miden la velocidad 𝑣 de un fluido, y la caída de presión

∆𝑃. Los datos experimentales se dan a continuación y se buscan los mejores parámetros 𝑎 y 𝑏 de
la ecuación que represente estos datos.
𝑣 = 𝑎(∆𝑃)b
Donde: 𝑣 = velocidad promedio (pies/s)
∆𝑃 = caída de presión (mmHg)
MÉTODOS NUMÉRICOS
CLASE: Nro. 15
𝑙𝑛(𝑣) = 𝑙𝑛(𝑎) + 𝑏 ∙ 𝑙𝑛(∆𝑃)

𝑦 = 𝑎1 + 𝑎2 ∙ 𝑥
Entonces
𝑦 = 𝑙𝑛(𝑣); 𝑎1 = 𝑙𝑛(𝑎); 𝑎2 = 𝑏; 𝑥 = 𝑙𝑛(∆𝑃)

En OCTAVE/MATLAB:
clear, clc
V=[3.83 4.17 4.97 6.06 6.71 7.17 7.51 7.98 8.67 9.39 9.89]
DeltaP=[30 35.5 50.5 75 92 105 115 130 153.5 180 199.5]
y=V;
x=DeltaP;
x=log(x);
y=log(y);
n=length(x);
plot(x,y,'*r')
%Sistema de ec: n*a1+a2*sumat(xi)=sumat(yi)
% a1*sumat(xi)+a2*sumat(xi^2)=sumat(xi*yi)
A=[n sum(x);sum(x) sum(x.^2)]
b=[sum(y);sum(x.*y)]
a=A\b
pkg load symbolic
syms t
p1=a(1)+a(2)*t
hold on
a =
-0.3590
0.5005
Ecuación resultante
𝑦 = −0.35904 + 0.50046𝑥
De donde:
𝑙𝑛(𝑎) = −0.35904 𝑦 𝑎 = 0.69835
𝑏 = 0.50046
Así, el modelo original que representa a los datos es:
𝑣 = 0.69835(∆𝑃)0.50046
∎
MÉTODOS NUMÉRICOS
CLASE: Nro. 15
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:
𝑒 es el error, o diferencia, entre el modelo y las observaciones. Siguiendo entonces lo expuesto en la

regresión lineal se tiene que
Derivamos parcialmente para obtener los valores mínimos
Y obtenemos el sistema de ecuaciones correspondiente
luego, al resolver el sistema, conseguimos los valores de 𝑎0 , 𝑎1 , 𝑎2 .
Ejemplo:
El calor específico Cp (cal/kgmol) del 𝑀𝑛3 𝑂4 varía con la temperatura de acuerdo con la siguiente
tabla:
Aproxime esta información con un polinomio por el método de mínimos cuadrados.
MÉTODOS NUMÉRICOS
CLASE: Nro. 15
En OCTAVE/MATLAB:
clear, clc
T=[280 650 1000 1200 1500 1700]
Cp=[32.7 45.4 52.15 53.7 52.9 50.3]
y=Cp;
x=T;
n=length(x);
plot(x,y,'*r')
%Sistema de ec:
%n*a0+a1*sumat(xi)+a2*sumat(xi^2)=sumat(yi)
%a0*sumat(xi)+a1*sumat(xi^2)+a2*sumat(xi^3)=sumat(xi*yi)
%a0*sumat(xi^2)+a1*sumat(xi^3)+a2*sumat(xi^4)=sumat(xi^2*yi)
A=[n sum(x) sum(x.^2);sum(x) sum(x.^2) sum(x.^3);sum(x.^2)

sum(x.^3) sum(x.^4)];
b=[sum(y);sum(x.*y);sum((x.^2).*y)];
a=A\b
a_polyfit=polyfit(x,y,2)
pkg load symbolic
syms t
p1=a(1)+a(2)*t+a(3)*t^2
hold on
a =
1.9295e+01
5.3728e-02
-2.0879e-05
a_polyfit =
-2.0879e-05 5.3728e-02 1.9295e+01
Entonces el resultado es:
𝐶𝑝(𝑇) = −2.0879 ∙ 10−5 𝑇 2 + 5.3728 ∙ 𝑇 + 19.295
MÉTODOS NUMÉRICOS

Clase N°15 (1) - 3-9

Cargado por

Copyright:

Formatos disponibles

Clase N°15 (1) - 3-9

Cargado por

Información del documento

Título 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

Clase N°15 (1) - 3-9

Cargado por

Copyright:

Formatos disponibles

CLASE: Nro.

Aproximación polinomial con mínimos cuadrados

∑|𝑝(𝑥𝑖 ) − 𝑓(𝑥𝑖 )| = ∑ 𝑑𝑖 = 𝑚í𝑛𝑖𝑚𝑜

Como no interesa si la distancia es positiva o negativa, es recomendable minimizar el cuadrado de la

𝑆 = ∑[𝑝(𝑥𝑖 ) − 𝑓(𝑥𝑖 )]2 = ∑ 𝑑𝑖 2 = 𝑚í𝑛𝑖𝑚𝑜

de esta manera se obtiene el sistema de ecuaciones lineales

Primero dibujemos los puntos y observemos la tendencia de los datos

• Para calibrar un medidor de orificio se miden la velocidad 𝑣 de un fluido, y la caída de presión

∆𝑃 = caída de presión (mmHg)

𝑙𝑛(𝑣) = 𝑙𝑛(𝑎) + 𝑏 ∙ 𝑙𝑛(∆𝑃)

𝑦 = 𝑙𝑛(𝑣); 𝑎1 = 𝑙𝑛(𝑎); 𝑎2 = 𝑏; 𝑥 = 𝑙𝑛(∆𝑃)

𝑙𝑛(𝑎) = −0.35904 𝑦 𝑎 = 0.69835

Así, el modelo original que representa a los datos es:

El procedimiento de mínimos cuadrados se puede extender fácilmente al ajuste de datos con un

𝑒 es el error, o diferencia, entre el modelo y las observaciones. Siguiendo entonces lo expuesto en la

Derivamos parcialmente para obtener los valores mínimos

Y obtenemos el sistema de ecuaciones correspondiente

luego, al resolver el sistema, conseguimos los valores de 𝑎0 , 𝑎1 , 𝑎2 .

Aproxime esta información con un polinomio por el método de mínimos cuadrados.

A=[n sum(x) sum(x.^2);sum(x) sum(x.^2) sum(x.^3);sum(x.^2)

-2.0879e-05 5.3728e-02 1.9295e+01

Entonces el resultado es:

𝐶𝑝(𝑇) = −2.0879 ∙ 10−5 𝑇 2 + 5.3728 ∙ 𝑇 + 19.295

También podría gustarte