GRUPO: 4AM1
TAREA 4
MNIMOS CUADRADOS
PROFESOR:
RAMREZ BARRIOS MIGUEL LUIS
INTRODUCCIN
La enorme ventaja de aproximar informacin discreta o funciones "complejas", con funciones
analticas sencillas, radica en su mayor facilidad de evaluacin y manipulacin, situacin
necesaria en el campo de la ingeniera.
Las funciones de aproximacin se obtienen por combinaciones lineales de elementos de familias
de funciones denominadas elementales.
En general tendrn la forma
Donde a0, 0< i < n, son constantes por determinar y g(x), 0 i n funciones de una
familia particular. Los monomios en x(x0, x, x2,...) constituyen la familia o grupo ms
empleado; sus combinaciones generan aproximaciones del tipo polinomial
(Tipo 1)
Para aproximar a f(x) por medio de un polinomio del tipo 1, se aplica alguno de los criterios
siguientes: el de ajuste exacto o el de mnimos cuadrados.
La tcnica del ajuste exacto consiste en encontrar una funcin polinomial que pase por los
puntos dados en la tabla. El mtodo de mnimos cuadrados consiste en hallar un polinomio que
pase entre los puntos y que satisfaga la condicin de minimizar la suma de las desviaciones (d)
elevadas al cuadrado; es decir, que se cumpla
n
(di)2=mnimo
i=0
Figura 1. Aproximacin
Polinomial con criterio de ajuste
exacto (curva discontinua) y
con mnimos cuadrados (curva
llena).
EJERCICIO 1
Dada la siguiente tabla:
Xi
1
2
3
4
5
6
7
8
9
10
11
12
Yi
10
16.3
23.0
27.5
31.00
35.60
39
41.5
42.9
45.00
46.00
45.5
clc
clear all
close all
x=[1 2 3 4 5 6 7 8 9 10 11 12]';
y=[10 16.3 23.0 27.5 31.00 35.60 39 41.5 42.9 45.00 46.00 45.5]';
plot(x,y)
xlabel('Eje X')
ylabel('Eje Y')
b) Proponer un modelo
CODIFICACIN EN MATLAB
clc
clear all
close all
x=[1 2 3 4 5 6 7 8 9 10 11 12]';
y=[10 16.3 23.0 27.5 31.00 35.60 39 41.5 42.9 45.00 46.00 45.5]';
plot(x,y)
n=length(x)
z=[ones(n,1) x];
A=((z'*z)^-1)*z'*y
x1=[1:0.005:12]
f=A(1)+A(2)*x1;
plot(x,y,'*r')
hold on
plot(x1,f)
legend('Datos','Mnimos Cuadrados')
xlabel('Eje X')
ylabel('Eje Y')
Valores de A =
a0 =
a1=
12.6152
3.2297
EJERCICIO 2
Dada la siguiente tabla:
Xi
-2.1
-0.9
Yi
4.7
4.57
-0.5
-0.5
1
1.55
2.5
3.4
4.5
5.5
7
5.04
7.4
9.8
10
8
5.26
4.44
4.73
8.32
Figura 4. Grfico obtenido a partir de los datos dados.
clc
clear all
close all
x=[-2.1 -0.9 -0.5 -0.5 1 1.55 2.5 3.4 4.5 5.5 7]';
y=[4.7 4.57 5.04 7.4 9.8 10 8 5.26 4.44 4.73 8.32]';
plot(x,y)
xlabel('Eje X')
ylabel('Eje Y')
b) Proponer un modelo
f ( x )=a 0+ a1 sin x
CODIFICACIN EN MATLAB
clc
clear all
close all
x=[-2.1 -0.9 -0.5 -0.5 1 1.55 2.5 3.4 4.5 5.5 7]';
y=[4.7 4.57 5.04 7.4 9.8 10 8 5.26 4.44 4.73 8.32]';
plot(x,y)
n=length(x)
g1=sin(x);
z=[ones(n,1) g1];
A=((z'*z)^-1)*z'*y
x1=[-2.1:0.005:7]
f=A(1)+A(2)*sin(x1);
plot(x,y,'*r')
c) on
Mtodo de Eliminacin de Gauss-Jordan
hold
plot(x1,f)
legend('Datos','Mnimos
Cuadrados')
a) Matriz Inversa
xlabel('Eje X')
ylabel('Eje Y')
Valores de A =
a0 =
6.9277
a1=
2.7255
a0 y a1
f ( x )=6.9277+ 2.7255sin x
c) Comparar Grficas
f ( x )=a 0+ a1 esin x
CODIFICACIN EN MATLAB
clc
clear all
close all
x=[-2.1 -0.9 -0.5 -0.5 1 1.55 2.5 3.4 4.5 5.5 7]';
y=[4.7 4.57 5.04 7.4 9.8 10 8 5.26 4.44 4.73 8.32]';
plot(x,y)
a0 y a1
EJERCICIO 3
Dada la siguiente tabla:
Xi
0
0.3
0.5
0.9
1
1.5
1.8
2
2.3
2.6
3
3.5
3.6
4.2
4.5
4.8
5.7
6
Yi
4.8
a) Graficar los Datos
3.1
1.8
CODIFICACIN
EN MATLAB
0.7
clc
clear -0.32
all
close -1.8
all
x=[0 0.3
-1.50.5 0.9 1 1.5 1.8 2 2.3 2.6 3 3.5 3.6 4.2 4.5 4.8 5.7 6]';
y=[4.8 3.1 1.8 0.7 -0.32 -1.8 -1.5 -2.3 -2.1 -2.6 -1.5 -0.74 -0.248 3.4 4 6.5 13.03
-2.3
14.01]';
-2.1
plot(x,y)
xlabel('Eje
-2.6 X')
ylabel('Eje
-1.5 Y')
-0.74
-0.248
b) Proponer modelo.
3.4
4
Dado la tendencia que se observa en la Figura 6, el modelo que
6.5
ms se adaptara sera un modelo cuadrtico de la forma
13.03
2
Grfico
obtenido a partir de los datos dados.
f ( xFigura
)=a 0+ a7.
1 x + a2 x
14.01
CODIFICACIN EN MATLAB
clc
clear all
close all
x=[0 0.3 0.5 0.9 1 1.5 1.8 2 2.3 2.6 3 3.5 3.6 4.2 4.5 4.8 5.7 6]';
y=[4.8 3.1 1.8 0.7 -0.32 -1.8 -1.5 -2.3 -2.1 -2.6 -1.5 -0.74 -0.248 3.4 4 6.5 13.03 14.01]';
plot(x,y)
n=length(x)
g2=x.^2;
z=[ones(n,1) x g2];
A=((z'*z)^-1)*z'*y
x1=[0:0.005:6]
f=A(1)+A(2)*x1+A(3)*x1.^2;
plot(x,y,'*r')
hold on
plot(x1,f)
legend('Datos','Mnimos Cuadrados')
c) Calcular
los coeficientes
xlabel('Eje
X')
ylabel('Eje
Valores deY')
A=
a0 =
4.5346
a1=
-5.8080
a2=
del modelo
1.2628
f ( x )=4.53465.8080 x +1.2628 x 2
d) Compare el Ajuste Modelo/Datos