Académique Documents
Professionnel Documents
Culture Documents
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Conferencia 19
QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Denicin en el caso de una recta Dada una coleccin de datos {(xi , yi )}m i =1 encontrar los coecientes de la recta y = a0 + a1 x que mejor aproxima esos datos de acuerdo a la norma cuadrtica: m min E2 (a0 , a1 ) = [yi (a0 + a1 xi )]2
i =1
= =
E2 (a0 , a1 ) = 2 a0 E2 (a0 , a1 ) = 2 a1
m i =1 ( i m i =1 ( i
y (a0 + a1 xi )(1)
y (a0 + a1 xi )(xi )
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Ecuacin Normal
m i =1 ( i m i =1 ( i
y (a0 + a1 xi )(1) =
y (a0 + a1 xi )(xi ) =
m i =1 i
a0 a1
m i =1 i
m 2 i =1 i
m i =1 i
m i =1 i i
xy
m x2 m i =1 yi )( m i =1 xi yi )( m i =1 xi ) a0 = ( i =1 i )( m 2 m x 2 m x
( i =1 i ) ( i =1 i )
m m i =1 xi yi )( m i =1 xi )( m i =1 yi ) a1 = ( m 2 )( m x )2 x ( m i =1 i i =1 i
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Ejemplo
Clculos asociados
xi
1 2 3 4 5 6 7 8 9 10 55 1.3 3.5 4.2 5.0 7.0 8.8 10.1 12.5 13.0 15.6 81.0
yi
xi2
1 4 9 16 25 36 49 64 81 100 385
xi yi
1.3 7.0 12.6 20.0 35.0 52.8 70.7 100.0 117.0 156.0 572.4
E2 (a0 , a1 ) 2.34474
385(81)55(572.4) 10(385)(55)2
m x2 m i =1 yi )( m i =1 xi yi )( m i =1 xi ) = a0 = ( i =1 i )( m x2 m x 2 m
( i =1 i ) ( i =1 i )
= 0.36
m m i =1 xi yi )( m i =1 xi )( m i =1 yi ) = a1 = ( m m x2 m x 2
( i =1 i ) ( i =1 i )
10(572.4)55(81) 10(385)(55)2
= 1.538
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Denicin en el caso de una polinomios Dada una coleccin de datos {(xi , yi )}m i =1 encontrar los coecientes de una funcin polinomial
Pn (x ) = a0 + a1 x + + an x n
con grado n < m 1 que mejor aproxima los datos de acuerdo a la norma cuadrtica:
min
E2 =
m i =1
m i =1
yi 2
m i =1
Pn (xi )yi +
m i =1
j = 0, . . . , n
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Ecuaciones Normales
y x +2 x
n k =0 k
m j +k i =1 i
= 0,
j = 0, . . . , n
m 0 i =1 i i
m 1 i =1 i m 2 i =1 i
. . .
m n i =1 i
a0
yx
m 1 i =1 i
m n +1 i =1 i
a1
. . .
. . .
. . .
. . .
m n i =1 i
m n+1 i =1 i
m 2n i =1 i
an
m 1 i =1 i i
. . .
yx
m n i =1 i i
yx
Observacin Las ecuaciones normales en el caso de ajuste polinomial tienen solucin nica siempre que los xi sean distintos.
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Clculos asociados
0.00 0.25 0.50 0.75 1.00 2.50
xi
xi2
xi3
xi4
yi
xi yi
xi2 yi
q (x i )
a1 + a1 + 1.5625a1 +
2 5
1 875
= = =
. . 4.4015
8 7680 5 4514
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Aspectos generales
Motivacin En ciertos casos es apropiado asumir que los datos tienen una dependencia exponencial del tipo y = be ax o del tipo y = bx a . El problema de mnimos cuadrados asociado Se minimizan en cada caso las funciones
E=
m i =1 [ i
y be axi ]2 ;
E=
m i =1 [ i
y bxia ]2
0 0
Ecuaciones normales no lineales! m axi 2 )(e axi ) = i =1 (yi be m axi 2 )(bxi e axi ) = i =1 (yi be y en el otro caso:
2
m i =1 ( i
m i =1 ( i ia )(
bx
0 0
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Idea alternativa Si los datos son exponenciales, aplicar un ajuste de mnimos cuadrados lineal considerando el logaritmo de las ecuaciones aproximantes, o sea:
y = be ax y = bx a
Ecuaciones Normales (caso
ln
ln
y = ln b + ax
y = ln b + a ln x
= be ax )
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Idea alternativa Si los datos son exponenciales, aplicar un ajuste de mnimos cuadrados lineal considerando el logaritmo de las ecuaciones aproximantes, o sea:
y = be ax y = bx a
Ecuaciones Normales (caso
ln
ln
y = ln b + ax
y = ln b + a ln x
( m i =1 (ln xi )2 )( m i =1 ln yi )( m i =1 (ln xi )(ln yi ))( m i =1 ln xi ) ln b = 2 m 2 m( i =1 (ln xi ) )( m i =1 ln xi ) m (ln x )(ln y ) m ln x )( m m i =1 ln yi ) a = ( i =1m im (lni x) )2( i =1 m iln ( i =1 i ) ( i =1 xi )2
= bx a )
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
y = be ax )
r (xi ) = 3.071e 0.5056xi
5.092 5.778 6.556 7.439 8.442
Clculos asociados
1.00 1.25 1.50 1.75 2.00 7.50
xi
yi
xi2
ln
yi
xi ln yi
1.629 2.195 2.815 3.514 4.271 14.424
5(14.424)7.5(9.405) 5(11.875)(7.5)2
= 0.5056
ln
b=
11.875(9.405)14.424(7.5) 5(11.875)(7.5)2
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Caso no Lineal
En general el problema a resolver El problema consiste en encontrar el mnimo de la suma de los cuadrados de m funciones no lineales; es decir
Minimizar
g (x ) =
1 1 r 2 (x ) = r (x ) 2 i =1 i 2
2 2
ri (x ) = yi f (x , ti ),
i = 1, . . . , m
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Observaciones Un sistema de ecuaciones lineales Ax = b, con A Mmn , n < m, que tiene ms ecuaciones que incgnitas, se dice que es superdeterminado o sobredeterminado. Los sistemas superdeterminados aparecen en problemas que utilizan datos experimentales para aproximar una solucin, debido a que es habitual tomar ms datos empricos de los necesarios, para luego ajustarlos a una solucin que no verican de modo exacto. Denicin Sea el sistema de ecuaciones lineales Ax = b, superdeterminado. Entonces, se dice que Rn es una solucin en mnimos cuadrados del sistema Ax = b, si se verica
A b
Adems
2 2
Mn{ Ax b
2 2
x R}
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Continuacin Denicin 1 Si A b = 0, el sistema de ecuaciones Ax = b es compatible. 2 Si A b = 0, el sistema Ax = b es incompatible y la norma A b 2 es llamada a veces error de la solucin en mnimos cuadrados Observacin Si resolvemos el problema de mnimos cuadrados tenemos que buscar el mnimo de
At Ax = At b
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Descomposicin
QR
Teorema Sea V un espacio vectorial con producto interno y B = {v1 , . . . , vn } una base de V . Entonces existe B = {y1 , . . . , yn } tal que B es una base ortonormal de V y [v1 , . . . , vk ] = [y1 , . . . , yk ], k = 1, . . . , n. Observaciones Es claro que basta encontrar {u1 , . . . , un } base ortogonal de V tal que [v1 , . . . , vk ] = [y1 , . . . , yk ], k = 1, . . . , n ya que basta denir u luego yi = i . Para encontrar estos ui ortogonales se puede seguir el siguiente esquema: t v2 u1 u1 = v1 ; u2 = v2 u t u1 u1
ui
ui = vi
i 1
ci ,k uk , donde ci ,j =
k =1
vit uj ujt uj
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Observaciones El esquema anterior se conoce como el mtodo de Gram-Schmidt. Se puede construir la siguiente matriz:
B=
c u 0 u
21
1 2
0 . . . 0
c u c u 0 u
31 32
1 2 3
. . . 0
. .. . . . 0
cm u cm u cm u
1 2 3
1 2
um
3 . . .
donde B es una matriz triangular superior con diagonal positiva. Teorema Sea A Mnm (R) de rango m, entonces existe una matriz Q Mnm (R) que verica Q t Q = Inn y una matriz triangular superior R Mnm (R) tal que A = QR
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
QR
1 0 1 de la matriz A = 0 2 1 1 1 0
Desarrollo Sea B = {v1 , v2 , v3 } = {(1, 0, 1), (0, 2, 1), (1, 1, 0)} las columnas de A. Aplicaremos el mtodo de Gram-Schmidt a la base B. Entonces u1 = v1 = (1, 0, 1)
u u
normalizando se obtiene:
v t u1 1 1 = v2 u2 t u1 = 2 , 2, 2 1 u1 v t u2 v t u1 = v3 u3 t u2 u3 t u1 = 2 u2 1 u1
2 3
,1 , 2 3 3
u u
1 1
1 = (1, 0, 1) 2
y
=
u u
2 2
2 1 1 , 2, 3 2 2
u u
3 3
1 1
2 1 2 , , 3 3 3
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Vectores ortonormales
1 = (1, 0, 1) 2
1 1 2 , 2, 3 2 2
u u
3 3
1 1
2 1 2 , , 3 3 3
Finalmente
2 1/2 1/2 = 0 3/ 2 1/ 2 0 0 1
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
A = QR .
At Ax = At b R t Q t QRx = R t Rx = R t Q t b Rx = Q t b
La ultima equivalencia debido a que R t es invertible por serlo R . Resolver la ecuacin Rx = Q t b, lo cual tiene dos ventajas, una es que R es triangular y la otra es que, en general, el error que se comete al resolver de esta manera mediante una computadora digital es menor que el que se comete empleando la ecuacin normal At Ax = At b.
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
1 0 1 2
0 1 1 1
x y z
1 0 = 2 4
x y z
7 = 11 16
Motivacin
Ajuste lineal
Ajuste polinomial
Ajuste exponencial
Descomposicin
QR
Calculando su descomposicin
QR tenemos que R=
6, 40312
Q=
0, 8
0, 6 0
0 0
7, 65251 1, 56173
5, 15373 0, 28111 0, 6
Rx = Q t b
x y z
x = 1, y = 2, z = 1, y el residuo es r (x ) = Ax b = 0
Con lo cual el sistema tiene solucin.