La regresin cuadrtica es el proceso por el cul encontramos los

parmetros de una parbola que mejor se ajusten a una serie de datos que
poseemos, ya sean mediciones hechas o de otro tipo. Bueno, pero por que habramos
de querer ajustar nuestros datos precisamente a una parbola y no a otra funcin? (ver
escogiendo la funcin de ajuste).

Una funcin cuadrtica o de segundo grado se puede representar de manera

genrica como :

Entonces lo que nos interesa es encontrar los valores de a, b y c que hacen que el
valor de y calculado sea lo mas cercano posible al medido.

Deduccin de las Ecuaciones:

De nuevo hacemos una definicin de la funcin de error, y encontramos los valores

de los parmetros que la minimizan, tomando derivadas parciales de la funcin por
cada parmetro que haya:

Una vez se haya reemplazado el valor de n, y de las sumatorias, slo habr que
solucionar el sistema de ecuaciones por su mtodo preferido, Eliminacin Gaussiana,
Krammer, etc. Despus de que ha solucionado el sistema de ecuaciones entonces
tendr el valor de los parmetros: a,b,c.

Ejemplo:
En determinado proceso se realizaron una serie de 24 mediciones, que luego al
graficarse se determin que es de naturaleza cuadrtica. Se desea encontrar los
parmetros del polinomio de segundo grado, que mejor se ajusta a esa serie de datos,
y cul es el valor de la variable dependiente, cuando el valor de la variable
independiente es de 20.
La tabla con los datos medidos es la siguiente:
X

Y
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
5
5,5
6
6,5
7
7,5

10,08
12,03
11,38
18,81
20,53
28,50
31,38
38,40
48,39
60,60
66,66
82,61
91,37
105,44
122,53
137,77

8
8,5
9
9,5
10
10,5
11
11,5

152,74
172,65
188,84
207,77
230,94
251,35
274,07
295,95

Ahora, teniendo en cuenta la matriz que dedujimos anteriormente, sabemos que

tenemos que encontrar los valores de la suma de x, la suma de x2, de x3, x4, de Yi,
xYi, x2*Yi y n=24.
X
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
5
5,5
6
6,5
7
7,5
8
8,5
9
9,5
10
10,5
11
11,5
Total

Y
X^2
10,08
0,00
12,03
0,25
11,38
1,00
18,81
2,25
20,53
4,00
28,50
6,25
31,38
9,00
38,40
12,25
48,39
16,00
60,60
20,25
66,66
25,00
82,61
30,25
91,37
36,00
105,44
42,25
122,53
49,00
137,77
56,25
152,74
64,00
172,65
72,25
188,84
81,00
207,77
90,25
230,94
100,00
251,35
110,25
274,07
121,00
295,95
132,25
266,078,16
138
1081
6

X^3
0,00
0,13
1,00
3,38
8,00
15,63
27,00
42,88
64,00
91,13
125,00
166,38
216,00
274,63
343,00
421,88
512,00
614,13
729,00
857,38
1000,00
1157,63
1331,00
1520,88

X^4
0,00
0,06
1,00
5,06
16,00
39,06
81,00
150,06
256,00
410,06
625,00
915,06
1296,00
1785,06
2401,00
3164,06
4096,00
5220,06
6561,00
8145,06
10000,00
12155,06
14641,00
17490,06

Xyi
0,00
6,01
11,38
28,21
41,06
71,24
94,14
134,39
193,56
272,68
333,31
454,37
548,23
685,39
857,74
1033,24
1221,90
1467,54
1699,55
1973,80
2309,40
2639,18
3014,81
3403,37

X^2Yi
0,00
3,01
11,38
42,31
82,13
178,11
282,41
470,36
774,26
1227,08
1666,55
2499,02
3289,38
4455,05
6004,20
7749,32
9775,23
12474,08
15295,92
18751,13
23093,97
27711,38
33162,86
39138,76

9522

89452,75

22494,51

208137,88

Reemplacemos los valores en la matriz...

Aqu tenemos la matriz, resolviendo, por Gauss Jordan

24
138
1081

138
1081
9522

1081
9522
89453

1
0
0

5,75
287,5
3306,25

1
0
0

0
1
0

-21,08
11,5
2741,08

1
0
0

0
1
0

0
0
1

2660,8
22495
208138

45,04
110,86
3306,25
7195,4
40762,95 88291,13

-33,04
25,02
5544,03

9,60
1,76
2,02

Por lo tanto: a=9.6 b=1.76 c=2.02

la parbola de mejor ajuste es entonces:

- See more at: http://www.ingenieria-industrial.net/index.php?

accion=1&id=83#sthash.rAwbhSSv.dpuf