INSTITUTO POLITÉCNICO NACIONAL
UNIDAD PROFESIONAL INTERDISCIPLINARIA
DE BIOTECNOLOGÍA
SEGUNDO PARCIAL
REPORTE 5 AJUSTE POR MÍNIMOS CUADRADOS
MATERIA : Métodos Numéricos
PROFESORES:
José Ignacio Flores Núñez
Alejandra Valdés Lozano
INTEGRANTES:
ESTRADA HERNANDEZ QUINATZIN
ROJAS GARCIA FRIDA
RIVAS GONZALEZ BRIDNY
PONCE ESPEJEL SAMUEL
TELLES FRANCO BRAYAN ISAAC
GRUPO: 4LM1
09/04/2024
OBJETIVOS:
● Encontrar la línea (o curva) que minimiza la suma de los cuadrados de las
diferencias entre los valores observados y los valores predichos por el
modelo.
● Determinar los valores óptimos de los parámetros del modelo que minimizan
la función de costo definida por el método de mínimos cuadrados.
INTRODUCCIÓN:
AJUSTE POR MÍNIMOS CUADRADOS
El procedimiento más objetivo para ajustar una curva a un conjunto de datos
presentados en un diagrama de dispersión se conoce como el método de los
mínimos cuadrados.
Las relaciones fundamentales son:
Para graficarlas se requiere conocer los valores de “m” y “b”.
El método de los mínimos cuadrados postula que la mejor recta que pasa por
los puntos (pares ordenados x,y) es aquella cuya suma de los cuadrados de
los residuos sea mínima o tienda a cero. Es decir:
Donde:
d = valor medido-valor promedio de las varias medidas.
n = número de observaciones o datos.
(Universidad de Guanajuato, 2023)
COEFICIENTE DE CORRELACIÓN
El coeficiente de correlación es la medida específica que cuantifica la intensidad de
la relación lineal entre dos variables en un análisis de correlación.
El coeficiente de correlación r es un valor sin unidades entre -1 y 1. La significancia
estadística se indica con un valor p. Por lo tanto, usualmente las correlaciones se
escriben con dos números clave: r = y p = .
● Cuanto más se aproxima r a cero, más débil es la relación lineal.
● Los valores de r positivos indican una correlación positiva, en la que los
valores de ambas variables tienden a incrementarse juntos.
● Los valores de r negativos indican una correlación negativa, en la que los
valores de una variable tienden a incrementarse mientras que los valores de
la otra variable descienden.
● Los valores 1 y -1 representan una correlación "perfecta" positiva y negativa,
respectivamente. Dos variables perfectamente correlacionadas cambian
conjuntamente a una tasa fija. Decimos que tienen una relación linear;
cuando representados en un gráfico de dispersión, todos los puntos
correspondientes a los datos pueden conectarse con una misma línea recta.
(Coeficiente de Correlación, s. f.)
¿Cómo calculamos efectivamente el coeficiente de correlación?
El coeficiente de correlación de la muestra puede representarse con una fórmula:
CONTENIDO:
Código Resultados
clc
clear
close all
%Ajuste de curvas
% y=ax+b
xi=[1,2,3,4,5,6,7]; %Variable Ind
yi=[0.5,2.5,2,4,3.5,6,5.5]; %Variable dep
n=length(xi);
%Sistema de ecuaciones 2x2
A=[sum(xi.^2),sum(xi);sum(xi),n]; %Matriz de
coeficientes
B=[sum(xi.*yi);sum(yi)];%Vector de terminos
independientes
M=[A,B];% Matriz ampliada
%Solucion al sistema
s=inv(A)*B;
a=s(1)
b=s(2)
%y=0.8393x+0.0714
%Evaluacion cuando xi=6.22
x=6.22
eva=a*x+b
%Grafica
plot(xi,yi,"r*")%Datos
grid on
hold on
x2=min(xi)-1:0.1:max(xi)+1;
y2= a*x2+b;
plot(x2,y2,"g")%Modelo
plot(x,eva,"ko")
title('Ejemplo 1')
xlabel('X')
ylabel('Y')
legend('Datos','Modelo','Evaluacion')
Código Resultados
clc
clear
close all
%Ajuste de curvas
% y=ax+b
xi=[1,2,3,4,5,6,7]; %Variable Ind
yi=[2.4,2.1,3.2,5.6,9.3,14.6,21.9]; %Variable
dep
n=length(xi);
%Sistema de ecuaciones 3x3
A=[sum(xi.^4),sum(xi.^3),sum(xi.^2)
sum(xi.^3),sum(xi.^2),sum(xi)
sum(xi.^2),sum(xi),n];% Matriz de
coeficientes
B=[sum(xi.^2.*yi);sum(xi.*yi);sum(yi)];%Vect
or Term. Independientes
M=[A,B]
%Solucion al sistema por Gauss-Jordan
%1 en M(1,1)
M(1,:)=M(1,:)/M(1,1)
%0 en M(2,1)
M(2,:)=M(2,:)-M(2,1)*M(1,:)
%0 en M(3,1)
M(3,:)=M(3,:)-M(3,1)*M(1,:)
%1 en M(2,2)
M(2,:)=M(2,:)/M(2,2)
%0 en M(1,2)
M(1,:)=M(1,:)-M(1,2)*M(2,:)
%0 en M(3,2)
M(3,:)=M(3,:)-M(3,2)*M(2,:)
%1 en M(3,3)
M(3,:)=M(3,:)/M(3,3)
%0 en M(1,3)
M(1,:)=M(1,:)-M(1,3)*M(3,:)
%0 en M(2,3)
M(2,:)=M(2,:)-M(2,3)*M(3,:)
%Coeficientes del sistema
a=M(1,4)
b=M(2,4)
c=M(3,4)
%Evaluacion cuando xi=8.8
x=8.8
eva=a*x.^2 + b.*x + c
%Grafica
plot(xi,yi,"r*")%Datos
grid on
hold on
x2=min(xi)-1:0.1:max(xi)+3;
y2= a*x2.^2+b*x2 +c;
plot(x2,y2,"g")%Modelo
plot(x,eva,"ko")
title('Ejemplo 2')
xlabel('X')
ylabel('Y')
legend('Datos','Modelo','Evaluacion')
%Coeficiente de correlacion
%Coeficiente de correlacion
yap=a*xi.^2+b*xi+c; %y aproximacion
sr=sum((yi-yap).^2);
ypr=mean(yi);
st=sum((yi-ypr).^2);
r=sqrt(1-sr/st)
TAREA:
1.- Sean los siguientes datos:
a).- Resuelve el sistema de ecuaciones por Gauss-Jordan para:
b).- Obtener el modelo lineal
𝑦 =− 1. 1064𝑥 + 14. 0811
c).- Gráfica de puntos dispersos y modelo.
d).- Evalúa cuando x=6.78
𝑦(6. 78) = 6. 5796
e).- Coeficiente de correlación
0.9344
CÓDIGO:
CÓDIGO RESULTADOS
clc
clear all
%Ajuste por minimos cuadrados
%PROBLEMA 1
%y=ax+b
x=[8 2 11 6 5 4 12 9 6 1]
y=[3 10 3 6 8 12 1 4 9 14]
A=[sum(x.^2),sum(x);sum(x),length(x)];%mat
riz de coeficientes
b=[sum(x.*y);sum(y)];%vector terminos
independientes
M=[A,b]
%SOLUCION al sistema por GAUSS
JORDAN
%1M(1,1)
M(1,:)=M(1,:)/M(1,1)
%0 M(2,1)
M(2,:)=M(2,:)-M(2,1)*M(1,:)
%1 M(2,2)
M(2,:)=M(2,:)/M(2,2)
%0 M(1,2)
M(1,:)=M(1,:)-M(1,2)*M(2,:)
%SOLUCION
aa=M(1,3)
bb=M(2,3)
%GRAFICAS
plot(x,y,'r*')
grid on
hold on
x2=0:0.1:14;
%Modelo
y2=aa*x2+bb;
plot(x2,y2,'b-')
xlabel('x')
ylabel('y')
legend('Datos','y=ax+b')
%EVALUANDO
xi=6.78;
evalua=aa*xi+bb
%COEFICIENTE DE CORRELACION
yaprox=aa*x+bb;
sr=sum((y-yaprox).^2);
st=sum((y-mean(y)).^2);
r=sqrt(1-sr/st)
2.- En la producción de herramientas, el método para deformar acero a temperatura
normal mantiene una relación inversa con la dureza de este ya que, a medida que la
deformación crece, se ve afectada la dureza del acero. Para investigar esta relación
se ha tomado la siguiente muestra:
- Resuelve el sistema de ecuaciones por Gauss para:
clc, clear, close all
%Ajuste de curvas
%y=ax^2+b+c
xi=[6 9 11 13 22 26 28 33 35]%Varible independiente
yi=[68 67 65 53 44 40 37 34 32]%Variable dependiente
n=length(xi)
A=[sum(xi.^4),sum(xi.^3),sum(xi.^2);
sum(xi.^3),sum(xi.^2),sum(xi);
sum(xi.^2),sum(xi),n];%Matriz de coeficientes
B=[sum(xi.^2.*yi);sum(xi.*yi);sum(yi)];% Vector de termino independiente
M=[A,B]% Matriz ampliada
%Determinante
D=abs(det(A))% S.C.D
M(1,:)=M(1,:)/M(1,1)
M(2,:)=M(2,:)-M(2,1)*M(1,:)
M(3,:)=M(3,:)-M(3,1)*M(1,:)
M(2,:)=M(2,:)/M(2,2)
M(1,:)=M(1,:)-M(1,2)*M(2,:)
M(3,:)=M(3,:)-M(3,2)*M(2,:)
M(3,:)=M(3,:)/M(3,3)
M(1,:)=M(1,:)-M(1,3)*M(3,:)
M(2,:)=M(2,:)-M(2,3)*M(3,:)
%Solución al sistema
s=inv(A)*B
a=s(1);
b=s(2);
c=s(3)
%y=0.0245x^2 - 2.3223x + 83.4001
%EVALUACIÓN CUANDO XI=23
x=23
eva=a*x^2+b*x+c
% Gráficas
plot(xi,yi,'r*')% Datos
grid on
hold on
x2=min(xi)-1:0.1:max(xi)+1;
y2=a*x2.^2+b*x2+c;
plot(x2,y2,'g')%modelo
plot(x,eva,'ko')%Evaluación
title('Ejercicio 1')
xlabel('x')
ylabel('y')
legend('Datos','Modelo','Eva')
%Coeficiente de correlación
yap=a*xi.^2+b*xi+c;% Y aproximada
sr=sum((yi-yap).^2);
ypr=mean(yi);
st=sum((yi-ypr).^2);
r=sqrt(1-(sr/st))
y=ax^3+bx^2+cx+d
%y=0.0245x^2 - 2.3223x + 83.4001
y(23)=42.95
Con un coeficiente de correlación de 0.9856
- Resuelve el sistema de ecuaciones por la Gauss-Jordan para:
clc, clear, close all
%Ajuste de curvas
%y=ax^3+bx^2+cx+d
xi=[6 9 11 13 22 26 28 33 35]%Varible independiente
yi=[68 67 65 53 44 40 37 34 32]%Variable dependiente
n=length(xi)
%Sistema de ecuaciones 4x4
A=[sum(xi.^6),sum(xi.^5),sum(xi.^4),sum(xi.^3);
sum(xi.^5),sum(xi.^4),sum(xi.^3),sum(xi.^2);
sum(xi.^4),sum(xi.^3),sum(xi.^2),sum(xi);
sum(xi.^3),sum(xi.^2),sum(xi),n];%Matriz de coeficientes
B=[sum(xi.^3.*yi);sum(xi.^2.*yi);sum(xi.*yi);sum(yi)];%Vector
terminos independientes
M=[A,B]
%solucion al sistema por Gauss-Jordan
%1 M(1,1)
M(1,:)=M(1,:)/M(1,1)
%0 M(2,1)
M(2,:)=M(2,:)-M(2,1)*M(1,:)
%0 M(3,1)
M(3,:)=M(3,:)-M(3,1)*M(1,:)
%0 M(4,1)
M(4,:)=M(4,:)-M(4,1)*M(1,:)
%1 M(2,2)
M(2,:)=M(2,:)/M(2,2)
%0 M(1,2)
M(1,:)=M(1,:)-M(1,2)*M(2,:)
%0 M(3,2)
M(3,:)=M(3,:)-M(3,2)*M(2,:)
%0 M(4,2)
M(4,:)=M(4,:)-M(4,2)*M(2,:)
%1 M(3,3)
M(3,:)=M(3,:)/M(3,3)
%0 M(1,3)
M(1,:)=M(1,:)-M(1,3)*M(3,:)
%0 M(2,3)
M(2,:)=M(2,:)-M(2,3)*M(3,:)
%0 M(4,3)
M(4,:)=M(4,:)-M(4,3)*M(3,:)
%1 M(4,4)
M(4,:)=M(4,:)/M(4,4)
%0 M(1,4)
M(1,:)=M(1,:)-M(1,4)*M(4,:)
%0 M(2,4)
M(2,:)=M(2,:)-M(2,4)*M(4,:)
%0 M(3,4)
M(3,:)=M(3,:)-M(3,4)*M(4,:)
%Coeficientes del sistema
a=M(1,end)
b=M(2,end)
c=M(3,end)
d=M(4,end)
%y=6.1071e-04x^3+-0.0140x^2+-1.6072x+79.7702
%Evaluacion cuando xi=23
x=23;
eva=a*x^3+b*x^2+c*x+d
%Grafica
plot(xi,yi,'r*')%Datos
grid on
hold on
x2=min(xi)-0.5:0.1:max(xi)+0.5;
y2=a*x2.^3+b*x2.^2+c.*x2+d;
plot(x2,y2,'b')%Modelo
plot(x,eva,'ko')%Evaluacion
title('Ejercicio 2')
xlabel('x')
ylabel('y')
legend('Datos','Modelo','Evaluacion')
%y(23)=42.8280
%Coeficiente de correlación
yap=a*xi.^3+b*xi.^2+c*xi+d;% Y aproximada
sr=sum((yi-yap).^2);
ypr=mean(yi);
st=sum((yi-ypr).^2);
r=sqrt(1-(sr/st))
y=ax^3+bx^2+cx+d
y=0.0006x^3-0.0140x^2-1.6072x+79.7702
y(23)=42.828
Con un coeficiente de correlación de 0.9860
i).- Coeficiente de correlación para los modelos obtenidos y determina cuál modelo
es el de mejor ajuste.
De acuerdo con los resultados obtenidos la diferencia es mínima siendo el método
de gauss-jordan más cercano al valor de 1 en la correlación (0.9860), por tanto el
valor obtenido en evaluar X=23 es más exacto.
CONCLUSIONES:
Rivas Gonzalez Bridny: En conclusión, el método de los mínimos cuadrados es
una herramienta poderosa y ampliamente utilizada en diversas disciplinas, desde la
estadística hasta la física y la ingeniería. Permite encontrar la mejor aproximación a
una relación lineal entre variables al minimizar la suma de los cuadrados de las
diferencias entre los valores observados y los predichos por el modelo. Sin
embargo, es importante recordar que el método de los mínimos cuadrados asume
ciertas condiciones, como la linealidad y la normalidad de los errores, que deben ser
evaluadas antes de aplicarlo adecuadamente.
Telles Franco Brayan Isaac: La metodología de mínimos cuadrados es un método
ampliamente utilizado en distintos campos que abarcan su campo de aplicación en
la ciencias exactas, para encontrar la mejor línea de ajuste y la mejor aproximación
en una serie de datos, sin embargo es importante tener en cuenta las limitaciones y
condiciones de aplicación de este método en cada caso específico.
Estrada Hernandez Quinatzin: El método es versátil y flexible complementandose
con los métodos de Gauss, Gauss-Jordan e Inversos para obtener resultados más
precisos al momento de querer realizar una linealización para para observar la
tendencia de los datos que se manejan. aunque también se debe de contemplar los
errores establecidos en cada ejecución del método.
Ponce Espejel Samuel: El método de mínimos cuadrados nos permite obtener con
un grado de error, complementando con alguno de los métodos de Gauss y
Gauss-Jordan, en este caso pudimos obtener un valor de 42.9576 kg/mm2 de
dureza en una deformación de 23 mm, teniendo un valor de r=0.9860 lo que nos da
a entender que ese valor tiene un mínimo de error.
BIBLIOGRAFÍA:
Universidad de Guanajuato. (2023, 25 enero). Clase digital 2. Ajuste de curvas por
mínimos cuadrados. Recursos Educativos Abiertos. Recuperado 9 de abril de
2024, de
[Link]
dos/
Coeficiente de correlación. (s. f.). Introducción A la Estadística | JMP.
[Link]
[Link]#404f1893-ae56-43ed-b84c-f6c99f313eca
