Académique Documents
Professionnel Documents
Culture Documents
Para ajustarse a los datos. Como se analizó en la sección anterior, un método para
lograr este objetivo es utilizar transformaciones. Otra alternativa es ajustar
polinomios a los datos mediante regresión polinomial. El procedimiento de mínimos
cuadrados se puede extender fácilmente al ajuste de datos con un polinomio de
grado superior. Por ejemplo, suponga que ajustamos un polinomio de segundo
grado o cuadrático:
𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑒
En este caso, la suma de los cuadrados de los residuos es:
𝑛
𝑆𝑟 = ∑( 𝑦1 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 )2
𝑖=1
Al seguir el procedimiento de la sección anterior, obtenemos la derivada de la
ecuación, con respecto a cada uno de los coeficientes desconocidos del polinomio.
Derivamos Sr con respecto a a0:
𝑑𝑆𝑟
= −2 ∑ (𝑦1 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 )
𝑑𝑎0
𝑑𝑆𝑟
= −2 ∑ (𝑦1 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 )
𝑑𝑎1
𝑑𝑆𝑟
= −2 ∑ (𝑦1 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 )
𝑑𝑎2
(𝑛)𝑎0 + (∑ 𝑥𝑖 ) 𝑎1 + (∑ 𝑥𝑖 2 ) 𝑎2 = ∑𝑦𝑖
Donde todas las sumatorias van desde i= 1 hasta n. Observe que las tres ecuaciones
anteriores son lineales y tienen tres incógnitas: a0, a1y a2. Los coeficientes de las
incógnitas se evalúan de manera directa, a partir de los datos observados.
En este caso, observamos que el problema de determinar un polinomio de segundo
grado por mínimos cuadrados es equivalente a resolver un sistema de tres
ecuaciones lineales simultáneas. En la parte tres se estudiaron las técnicas para
resolver tales ecuaciones.
El caso bidimensional se extiende con facilidad a un polinomio de m-ésimo grado
como sigue:
𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑚 𝑥 𝑚 + 𝑒
El análisis anterior se puede extender fácilmente a este caso más general. Así, se
reconoce que la determinación de los coeficientes de un polinomio de m-ésimo grado
es equivalente a resolver un sistema de m+ 1 ecuaciones lineales simultáneas. En
este caso, el error estándar se formula como sigue:
𝑠𝑟
𝑠𝑦⁄ = √
𝑥 𝑛 − (𝑚 + 1)
Esta cantidad se dividide entre n – (m+ 1), ya que (m+ 1) coeficientes obtenidos de
los
Datos, a0, a1,…, am, se utilizaron para calcular Sr; hemos perdido m+ 1 grados de
libertad. Además del error estándar, también se calcula un coeficiente de
determinación para la regresión polinomial con la ecuación.
Ejemplo
A partir de los datos de la tabla que se presenta a continuación, ajuste un polinomio
de segundo grado, utilizando regresión polinomial.
Xi Yi
0 2.1
1 7.7
2 13.6
3 27.2
4 40.9
5 61.1
Para el caso que nos ocupa, m = 2 (el grado del polinomio que necesitamos) n = 6
(la cantidad de datos) Y el conjunto general de ecuaciones queda instanciado de la
siguiente manera:
(𝑛)𝑎0 + (∑ 𝑥𝑖 ) 𝑎1 + (∑ 𝑥𝑖 2 ) 𝑎2 = ∑𝑦𝑖
Xtrazo 2.5000
a0=2.47857
a1=2.35929
Ytrazo 25.4333
a2= 1.86071
𝑥𝑖 𝑦𝑖 𝑥𝑖 2 𝑥𝑖 3 𝑥𝑖 4 𝑥𝑖 𝑦𝑖 𝑥𝑖 2 𝑦𝑖 (Yi-Ytrazo)2 (Yi-a0-a1xi-a2xi2)2
0 2.1 0 0 0 0 0 544,4444 0.14332
1 7.7 1 1 1 7.7 7.7 314,4711 1.00286
2 13.6 4 8 16 27.2 54.4 140.0278 1.088158
3 27.2 9 27 81 81.6 244.8 3.1211 0.80491
4 40.9 16 64 256 163.6 654.4 239.2178 0.61951
5 61.1 25 125 625 305.5 1527.5 1272.1111 0.09439
St Sr
2 3 4 2
∑ 𝑥𝑖 ∑ 𝑦𝑖 ∑ 𝑥𝑖 ∑ 𝑥𝑖 ∑ 𝑥𝑖 ∑ 𝑥𝑖 𝑦𝑖 ∑ 𝑥𝑖 𝑦𝑖
𝑆𝑟 3.74657
𝑆𝑦⁄ = √ = 𝑆𝑦⁄ = √ = 1.1175
𝑥 𝑛 − (𝑚 + 1) 𝑥 6−3
𝑆𝑡 2513.3933
𝑆𝑦 = √ =√ = 22.4205
𝑛−1 5
𝑠𝑡 + 𝑆𝑟 2513.3933 − 3.74657
𝑟2 = = = 0.99851
𝑆𝑡 2513.3933
El resultado indica que el 99.851% de la incertidumbre original
se ha explicado mediante el modelo.