Sea F (z) = f(x, y), la integral evaluada entre dos funciones g(x) y h(x) para x y el intervalo c y d para
y, dado de la siguiente manera.
( )
( )
Aplicando la cuadratura de gauss para n puntos, primero debemos transformar el intervalo [g(x),
h(x)] al intervalo de [-1, 1] para cada x en c y d, y luego aplicar la cuadratura de gauss.
Obtendramos lo siguiente
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
Donde
las races y Cn, j son los coeficientes de la tabla de la cuadratura de gauss. Ahora
transformando el intervalo [c, d] en [-1, 1] y usamos la cuadratura gaussiana para aproximar la
integral del lado derecho de la ecuacin.
(
( )
( )
)(
A estas integrales tambin se le puede aplicar los mtodos del trapecio o Simpson. Puede facilitar
un poco los clculos porque estos mtodos no se requieren realizar los cambios de los intervalos
de integracin. Pero a la vez faculta los clculos cuando el nmero de intervalos es bien elevado
para ajustar ms la integral.
IMPLEMENTACION EN MATLAB
%Codifico un metodo llamado vandermonde que sera utilizado para la
%Cuadratura de Gauss.
function u=vander(x)
[n,m]=size(x);
x=x';
v=ones(n);
for i=1:n-1
for j=1:n
v(j,i)=x(1,j)^i;
end
end
I=ones(n,1);
u=[I v(:,1:n-1)];
end
function[I]=intdoble(li,ls,gx,hx,n,m)
Fxy=input('\ingrese la funcion','s');
syms('z');
%calculo de las raices para 'n' puntos
p1=((1/(prod(1:n))*2^n)*diff((z^2-1)^n,'z',n));
T1=roots(sym2poly(p1));
%matriz de vandermon para derminar los coeficientes
v1=(vander(T1));
v1=inv(v1);
%calculo de las raices rj para 'm' puntos
p2=((1/(prod(1:m))*2^m)*diff((z^2-1)^m,'z',m));
T2=roots(sym2poly(p2));
%matriz de vandermon para derminar los coeficientes
v2=(vander(T2));
v2=inv(v2);
%calculo de los coeficientes cj para 'n' puntos
syms('w');
for i=1:n
for j=1:n
a1=v1(i,j);
c1(i,j)=a1*w^(i-1);
end
end
s1=sum(c1) ;
for j=1:n
o1=s1(j);
b1(j)=int(o1,-1,1); % coeficientes para n
end
%calculo de los coeficientes cj para 'm' puntos
for i=1:m
for j=1:m
a2=v2(i,j);
c2(i,j)=a2*w^(i-1);
end
end
s2=sum(c2)
for j=1:m
o2=s2(j);
con
donde
correspondiente a un
es el nmero de datos
esta dado
)
(
Entonces al hacer la derivada de
se tiene:
Donde (
) es el nmero de coeficientes obtenidos de los datos
utilizan para calcular y (
(
)) se conoce como grados de libertad.
que se
Como en el caso de ajuste por mnimos cuadrados los valores de los coeficientes se determinan al
realizar la suma de los cuadrados de los residuos (error de cada punto ):
)
Y derivando los residuos respecto de cada coeficiente e igualando a cero dicha derivadas vamos a
tener un sistema de ecuaciones el cual al resolverlo encontramos el valor de los coeficientes
Entonces con esto se puede calcular el error estndar de la misma manera que para un ajuste
unidimensional, es decir que:
Adems del error estndar, tambin se calcula un coeficiente de determinacin y con esto
tambin un coeficiente de correlacin mltiple
Para esto utilizamos lo que es la desviacin estndar que cuantifica la dispersin de los datos
alrededor de la media aritmtica. Para esto regresamos a los datos originales y determinamos la
suma total de los cuadrados alrededor de la media para la variable dependiente ; esto se designa
como y esta dado entonces por:
(
*
[
]
[ ] [ ]
+
[ ]
[ ]
Como vemos que nuestro sistema no es compatible entonces normalizamos para poder resolverlo
multiplicando por [ ] , entonces el sistema queda:
[ ] [ ] [ ]
[ ] [ ]
[[ ] [ ] ] [ ] [ ]
. A los
, entonces:
Y
(
Donde utilizaremos la varianza para desarrollar intervalos de confianza para la interseccin con el
eje y la pendiente.
Los lmites inferior y superior para la interseccin con el eje
Donde ( )
( )
De manera similar, los lmites inferior y superior para la interseccin con la pendiente estn dados
por:
( )
Donde el estadstico
necesario para un intervalo de confianza del 95% con
de libertad se obtiene con una tabla estadstica o mediante software
grados