INSTITUTO POLITÉCNICO
NACIONAL
UNIDAD PROFESIONAL
INTERDISCIPLINARIA DE BIOTECNOLOGÍA
Métodos Numéricos
4BV1
Segundo Departamental
Tarea No 4: Reporte de la clase 4 y tarea de ajustes
-
Viernes 29 de marzo de 2019
Objetivo
Ajustar un método a una serie de datos de dos variables independientes (X1, X2) y
una dependiente (Y)
Introducción
En la regresión lineal múltiple se va a utilizar más de una variable explicativa; esto
nos va a ofrecer la ventaja de utilizar más información en la construcción del modelo
y, consecuentemente, realizar estimaciones más precisas.
Al tener más de una variable explicativa (no se debe de emplear el término
independiente) surgirán algunas diferencias con el modelo de regresión lineal
simple.
Una cuestión de gran interés será responder a la siguiente pregunta: de un vasto
conjunto de variables explicativas: x1, x2, …, xk, cuáles son las que más influyen en
la variable dependiente Y.
En definitiva, y al igual que en regresión lineal simple, vamos a considerar que los
valores de la variable dependiente Y han sido generados por una combinación lineal
de los valores de una o más variables explicativas y un término aleatorio:
Los coeficientes son elegidos de forma que la suma de cuadrados entre los valores
observados y los pronosticados sea mínima, es decir, que se va a minimizar la
varianza residual.
Esta ecuación recibe el nombre de hiperplano, pues cuando tenemos dos variables
explicativas, en vez de recta de regresión tenemos un plano:
Con tres variables explicativas tendríamos un espacio de tres dimensiones, y así
sucesivamente.
Contenido
- Ejercicios de clase
Ejercicio 1
Realizar un ajuste con los siguientes valores y obtener un modelo que ajuste
multinomialmente los datos.
x1 0 2 2.5 1 4 7
x2 0 1 2 3 6 2
y 5 10 9 0 3 27
Código
clc, clear all, close all
% Ajuste Multinomial
x1=[0 2 2.5 1 4 7];
x2=[0 1 2 3 6 2];
y=[5 10 9 0 3 27];
A=[sum(x2.^2) sum(x2.*x1) sum(x2);...
sum(x2.*x1) sum(x1.^2) sum(x1);...
sum(x2) sum(x1) length(y)];
b=[sum(x2.*y); sum(x1.*y); sum(y)];
%Solució n
s=inv(A)*b;
B2=s(1)
B1=s(2)
B0=s(3)
fprintf('el modelo es: %gx2+%gx1+%g',B2,B1,B0)
%graficando
plot3(x1,x2,y,'r*')
grid on
%graficar el modelo. construir malla en x y y
[xx1,xx2]=meshgrid(min(x1):0.1:max(x1),min(x2):0.1:max(x2));
y2=B2*xx2+B1*xx1+B0;
hold on
mesh(xx1,xx2,y2)
% evaluando x1=3.3,x2=4.5
e=B2*4.5+B1*3.3+B0
Ejecución
B2 = -3.0000
B1 = 4
B0 = 5.0000
el modelo es: -3x2+4x1+5
e = 4.7000
Figura 1. ajuste multinomial del ejercicio 1
Ejercicio 2
Realizar un ajuste con los siguientes valores y obtener un modelo que ajuste
multinomialmente los datos.
x1 2 3.5 4.5 2.5 8.5 10.5 13.5
x2 18 16.5 10.5 2.5 9 4.5 1.5
y 27.5 28 28.8 29.1 30 31 32
Programa
clc, clear all, close all
% Ajuste Multinomial
x1=[2 3.5 4.5 2.5 8.5 10.5 13.5];
x2=[18 16.5 10.5 2.5 9 4.5 1.5];
y=[27.5 28 28.8 29.1 30 31 32];
A=[sum(x2.^2) sum(x2.*x1) sum(x2);...
sum(x2.*x1) sum(x1.^2) sum(x1);...
sum(x2) sum(x1) length(y)];
b=[sum(x2.*y); sum(x1.*y); sum(y)];
% Solución
% Gauss-Jordan
% Determinante
det(A)
% Matriz ampliada
a=[A,b]
% ceros abajo diagonal
%Pivote a(1,1)
%Cero a(2,1)
a(2,:)=a(1,1)*a(2,:)-a(2,1)*a(1,:);
%Cero a(3,1)
a(3,:)=a(1,1)*a(3,:)-a(3,1)*a(1,:);
%Pivote a(2,2)
%Cero a(3,2)
a(3,:)=a(2,2)*a(3,:)-a(3,2)*a(2,:);
% ceros arriba diagonal
%Pivote a(3,3)
%Cero a(2,3)
a(2,:)=a(3,3)*a(2,:)-a(2,3)*a(3,:);
%Cero a(1,3)
a(1,:)=a(3,3)*a(1,:)-a(1,3)*a(3,:);
%Pivote a(2,2)
%Cero a(31,2)
a(1,:)=a(2,2)*a(1,:)-a(1,2)*a(2,:);
% uno en a(1,1)
a(1,:)=a(1,:)/a(1,1);
% uno en a(2,2)
a(2,:)=a(2,:)/a(2,2);
% uno en a(3,3)
a(3,:)=a(3,:)/a(3,3);
%Solucion
xyz=a(:,4)
%comprobacion
A*xyz
b
B2=xyz(1);
B1=xyz(2);
B0=xyz(3);
fprintf('el modelo es: %gx2+%gx1+%g',B2,B1,B0)
%graficando
plot3(x1,x2,y,'r*')
grid on
%graficar el modelo. construir malla en x y y
[xx1,xx2]=meshgrid(min(x1):0.1:max(x1),min(x2):0.1:max(x2));
y2=B2*xx2+B1*xx1+B0;
hold on
mesh(xx1,xx2,y2)
% evaluando x1=11.3,x2=3.2
e=B2*3.2+B1*11.3+B0
Ejecución
det(a)= 1.2815e+05
a = 1.0e+03 *
0.8163 0.2913 0.0625 1.7897
0.2913 0.4075 0.0450 1.3679
0.0625 0.0450 0.0070 0.2064
xyz =
-0.0961
0.2569
28.6917
ans = 1.0e+03 *
1.7897
1.3679
0.2064
b = 1.0e+03 *
1.7897
1.3679
0.2064
el modelo es: -0.0960682x2+0.256939x1+28.6917
e = 31.2877
Figura 2. Ajuste multinomial del ejercicio 2
Ejercicio 3
Realizar un ajuste con los siguientes valores y obtener un modelo que ajuste
multinomialmente los datos, modelo exponencial.
xi 0 0.4 0.8 1.2 1.6 2
yi 3.1437 4.416 6.0203 8.6512 11.9978 16.2161
Código
clc, clear all, close all
% modelo exponencial
xi=[0 0.4 0.8 1.2 1.6 2];
yi=[3.1437 4.4169 6.0203 8.6512 11.9978 16.2161];
% Cambios de variable
x=xi;
y=log(yi);
A=[sum(x.^2) sum(x);...
sum(x) length(x)];
b=[sum(x.*y);sum(y)];
%solucion
s=inv(A)*b;
a=s(1)
B=s(2)
C=exp(B)
%Graficando modelo linealizado
plot(x,y,'r*')
grid on
hold on
y2=a*xi+log(C);
plot(xi,y2)
% Graficando el modelo exponencial
figure
plot(xi,yi,'ro')
grid on
hold on
x2=min(xi):0.1:max(xi);
y3=C*exp(a*x2);
plot(x2,y3)
fprintf('el modelo exponencial es: %g*exp(%g*x)',C,a)
%Evaluando x=3
e=C*exp(a*3)
Ejecución
a = 0.8260
B = 1.1498
C = 3.1575
el modelo exponencial es: 3.15748*exp(0.82596*x)
e = 37.6244
figura 3. modelo lineal del ejercicio 3 figura 4. modelo exponencial del ejercicio 3
Ejercicio 4
Código
clc, clear all, close all
% modelo potencial
xi=[2.5 3.5 5 6 7.5 10 12.5 15 17.5 20];
yi=[13 11 8.5 8.2 7 6.2 5.2 4.8 4.6 4.3];
% Cambio de varibale
x=log(xi);
y=log(yi);
A=[sum(x.^2) sum(x);...
sum(x) length(x)];
b=[sum(x.*y);sum(y)];
%solucion
s=inv(A)*b;
a=s(1)
B=s(2)
C=exp(B)
%Graficando modelo linealizado
plot(x,y,'r*')
grid on
hold on
y2=a*x+log(C);
plot(x,y2)
% Graficando el modelo potencial
figure
plot(xi,yi,'ro')
grid on
hold on
x2=min(xi):0.1:max(xi);
y3=C*x2.^a;
plot(x2,y3)
fprintf('el modelo exponencial es: %g*x2^%g',C,a)
%Evaluando x=
e=C*(9)^a
Ejecución
a = -0.5403
B = 3.0514
C = 21.1458
el modelo exponencial es: 21.1458*x2^-0.54029
e = 6.4515
- Ejercicios de tarea
Ejercicio 1
La siguiente tabla presenta los datos de dos variables independientes u y v
que influyen sobre la variable dependiente y.
a) Determina los parámetros a0, a1 y a2, por el criterio de mínimos cuadrados.
los parámetros son a2 -0.1155 a1 79.8438 y a0 188.6490
b) Escribe el modelo multinomial
El modelo es y= -0.1155u +79.8438v +188.6490
c) Muestra la gráfica de datos y modelo.
d) Calcula el valor de y para u = 0.15 y v =1250.
el valor es 56.2505
Ejercicio 2.
En un estudio sobre la resistencia a bajas temperaturas del bacilo de la fiebre
tifoidea, se expusieron cultivos del bacilo durante diferentes periodos de
tiempo a -5 grados C.
Los siguientes datos representan:
X = tiempo de exposición (en semanas).
Y = porcentaje de bacilos supervivientes.
a).- Resuelve el sistema de ecuaciones por el método de la inversa.
b).- Obtén el modelo de regresión exponencial.
c).- Obtén las gráficas del modelo linealizado y exponencial.
d).- ¿Qué cantidad de bacilos se espera para la semana 13.
Código:
%AJUSTE POLINOMIAL EXPONENCIAL
clc;clear all;close all;
xi=[0,0.5,1,2,3,5,9,15];
yi=[100,42,14,7.5,0.4,0.11,0.05,0.002];
%cambio de variable
x=xi;
y=log(yi);
A=[sum(x.^2),sum(x);...
sum(x),length(x)];
b=[sum(x.*y);sum(y)];
%solución por la inversa
s=inv(A)*b;
a=s(1)
B=s(2)
C=exp(B)
%graficar el modelo linealizado
plot(x,y,'mo')
grid on
hold on
%graficando el modelo linealizado
y2=a*xi+log(C);
plot(xi,y2)
%graficando el modelo exponencial
figure
plot(xi,yi,'ro')
grid on
hold on
x2=min(xi):0.1:max(xi);
y3=C*exp(a*x2);
plot(x2,y3)
%evaluando x=13
y3=C*exp(a*13)
Ejecución:
a = -0.6838
B = 3.1174
C = 22.5878
Evaluando en x=13
y3 =0.0031
El modelo es:
Modelo lineal.
Modelo exponencial.
Ejercicio 3
clc
clear all
close all
%Ajuste Multinomial
u=[0.002,0.002,0.002,0.002,0.1,0.1,0.1,0.1,0.18,0.18,0.18,0.18];
v=[1000,1100,1200,1300,1000,1100,1200,1300,1000,1100,1200,1300];
y=[78.9,65.1,55.2,26.4,80.9,69.7,57.4,55.4,85.3,71.8,60.7,58.9];
A=[sum(v.^2), sum(v.*u),sum(v);...
sum(v.*u),sum(u.^2), sum(u);...
sum(v), sum(u),length(u)];
b=[sum(v.*y); sum(u.*y);sum(y)];
%Solución
s=inv(A)*b;
B2=s(1)
B1=s(2)
B0=s(3)
%Graficando datos
plot3(u,v,y,'b*')
grid on
%Graficando modelo
[xx1,xx2]=meshgrid(min(u):0.1:max(u), min(v):0.1:max(v));
y2=B2*xx2+B1*xx1+B0;
hold on
mesh(xx1,xx2,y2)
c)
%Evaluando u=0.15, v=1250
b) Modelo multinomial
e=B2*1250+B1*0.15+B0
a) Determinar los parámetros
B2 =
-0.1155
B1 =
72.6818
B0 =
189.8012
d) Valor de y para u=0.15 y v=1250
y = 56.3285
Conclusiones
- Al aplicar el ajuste multinomial a datos que contengan más de una variable
independiente se puede llegar a la solución del modelo.
- Dependiendo del número de variables del modelo serán las dimensiones del
gráfico.
- Se pueden realizar cambios de variable para poder linealizar datos de
acuerdo al tipo de función que se utilice.
Referencias
Rojo, J. Regresión lineal múltiple. Instituto de Economía y Geografía. Madrid, II-2007
Disponible en :
http://humanidades.cchs.csic.es/cchs/web_UAE/tutoriales/PDF/Regresion_lineal_mu
ltiple_3.pdf
