INSTITUTO POLITCNICO NACIONAL

UNIDAD PROFESIONAL INTERDISCIPLINARIA DE BIOTECNOLOGA

MTODOS NUMRICOS (TALLER)

GRUPO: 4AM1

TAREA 4

MNIMOS CUADRADOS

REYES RODRGUEZ ALEJANDRO

RUIZ HERNNDEZ BRENDA ANGLICA

PROFESOR:
RAMREZ BARRIOS MIGUEL LUIS

MXICO D.F. A 28 DE MAYO DE 2015

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

a0g0(x) +a1g1(x) ++angn(x)

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

a0 + a1x +a2x2+ +anxn

(Tipo 1)

Las aproximaciones polinomiales son las ms comunes por su facilidad de manejo en

evaluaciones, integraciones, derivaciones, etc.
Ejemplo:
Sea una funcin f (x) dada en forma tabular

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

Si la informacin tiene errores considerables, como en el caso de datos experimentales, no tiene

sentido encontrar un polinomio que pase por esos puntos sino ms bien que pase entre ellos;
entonces, el mtodo de mnimos cuadrados es aplicable.

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

a) Graficar los Datos

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)
xlabel('Eje X')
ylabel('Eje Y')

b) Proponer un modelo

f ( x )=a 0+ a1 x y encontrar los valores de a0 y a1

Figura 2. Grfico obtenido a partir de los datos dados.

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

Por tanto, el modelo preciso que se ajusta a los datos es:

f ( x )=a 0+ a1 x
f ( x )=12.6152+3.2297 x
c) Compare el Ajuste Modelo/Datos

Figura 3. Grfico comparativo entre los datos dados y Mnimos

f ( x )=a 0+ a1 x
Cuadrados con el modelo
.

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.

a) Graficar los Datos

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)
xlabel('Eje X')
ylabel('Eje Y')

b) Proponer un modelo

f ( x )=a 0+ a1 sin x

y encontrar los valores de

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

Por tanto, el modelo preciso que se ajusta a los datos es:

f ( x )=a 0+ a1 sin x

a0 y a1

f ( x )=6.9277+ 2.7255sin x

c) Comparar Grficas

Figura 5. Grfico comparativo entre los datos dados y

Mnimos Cuadrados con el modelo f ( x )=a 0+ a1 sin x .
d) Proponer un modelo

f ( x )=a 0+ a1 esin x

CODIFICACIN EN MATLAB

y encontrar los valores de

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

Por tanto, el modelo preciso que se ajusta a los datos es:

f ( x )=a 0+ a1 x + a2 x

f ( x )=4.53465.8080 x +1.2628 x 2
d) Compare el Ajuste Modelo/Datos

Figura 8. Grfico comparativo entre los datos dados y Mnimos

2
Cuadrados con el modelo f ( x )=a 0+ a1 x + a2 x