ESCUELA POLITCNICA NACIONAL

FACULTAD DE INGENIERA MECNICA

ANLISIS NUMRICO
1.-Datos Personales:
Nombres:

Tamayo Alex
Martnez David

Fecha de entrega: 02-08-2016

Grupo: GR2
Tema: Informe de la Prctica #3
Objetivos:

Afianzar los conocimientos para realizar regresiones por mnimos cuadrados.

Entender el funcionamiento de los algoritmos a travs de diagramas de flujo.

Resolver problemas ms complejos de regresiones e interpolaciones.

2.-Regresiones:
Se pide realizar lo siguiente:
a) Explicar el funcionamiento de los cdigos de los algoritmos identificando las lneas
de cdigo con las formulas del mtodo vistas en clase.
Cuando los datos tienen errores sustanciales, la interpolacin polinomial es inapropiada y
puede dar resultados poco satisfactorios cuando se utiliza para predecir valores intermedios.
La estrategia ms apropiada en tales casos consiste en obtener una funcin de aproximacin
que se ajuste a la forma o a la tendencia general de los datos, sin coincidir necesariamente
en todos los puntos. Una forma de hacerlo es obtener una curva que minimice la
discrepancia entre los puntos y la curva. Una tcnica para lograr tal objetivo, llamada
regresin por mnimos cuadrados.

Regresin lineal por mnimos cuadrados:

La expresin matemtica para la lnea recta es: y = a0 + a1x + e, donde a0 y a1 son
coeficientes que representan la interseccin con el eje y y la pendiente, respectivamente, e
es el error, o diferencia, entre el modelo y las observaciones, el cual se representa al
reordenar la ecuacin anterior como e = y a0 a1x.
As, el error o residuo es la discrepancia entre el valor verdadero de y y el valor
aproximado, a0 + a1x, que predijo la ecuacin lineal.
Los valores aproximados a0 y a1 se calculan con las siguientes formulas:

Algormitmo para realizar una regresion lineal por minimos cuadrados:

El cdigo se divide en dos partes: input y output.
En la parte de input es donde el usuario que ejecute el algoritmo en Matlab debe ingresar
los datos de la variable independiente y variable dependiente. Estos datos se ingresan como
vectores.
La parte de output es donde se encuentra el algoritmo que encuentra la ecuacin de la
regresin y grafica el mismo ajustado con los datos.
Lo primero que hace el algoritmo es comprobar que ambos vectores de entrada tengan la
misma cantidad de valores y los convierte en columnas para mayor facilidad. Luego se
encuentran todas las sumatorias necesarias para resolver la ecuacin de a1 y a0. Con esto se
plantea las ecuaciones a1 y a0 vistas en la parte de arriba y se obtienen estos valores
aproximados necesarios para completar la ecuacin de la regresin.
Posterior a al clculo de la regresin se calcula su error que sera el residuo entre el valor
calculado y el valor verdadero, el coeficiente de determinacin y el coeficiente de
correlacin, que indica cuanto porcentaje de la incertidumbre original explico el modelo.
Para esto se utilizan las formula:

Regresin cuadrtica por mnimos cuadrados:

El procedimiento de mnimos cuadrados se puede extender fcilmente al ajuste de datos
con un polinomio de grado superior. Por ejemplo, suponga que ajustamos un polinomio de
segundo grado o cuadrtico: y = a0 + a1x + a2x2 + e
En este caso, la suma de los cuadrados de los residuos es

Al aumentar el grado del polinomio tambin se aumenta el nmero de valores aproximados,

a0, a1 y a2 que se calculan con el siguiente sistema de ecuaciones:

donde todas las sumatorias van desde i = 1 hasta n. Observe que las tres ecuaciones
anteriores son lineales y tienen tres incgnitas: a0, a1 y a2. Los coeficientes de las
incgnitas se evalan de manera directa, a partir de los datos observados.
Se reconoce que la determinacin de los coeficientes de un polinomio de m-simo grado es
equivalente a resolver un sistema de m + 1 ecuaciones lineales simultneas. En este caso, el
error estndar se formula como sigue:

Algoritmo para una regresin cuadrtica por mnimos cuadrados:

Lo primero que hace el algoritmo es comprobar que ambos vectores de entrada tengan la
misma cantidad de valores y los convierte en columnas para mayor facilidad. A diferencia
del algoritmo de una regresin lineal aqu se debe indicar el grado del polinomio con la
letra m. Para la resolucin del sistema de ecuaciones se encuentran primero todas las
sumatorias necesarias en el sistema. Con esto se plantea el sistema de ecuaciones como una
matriz de coeficientes para obtener los valores de a0, a1 y a2 con mayor facilidad. Con
estos valores aproximados se completa la ecuacin de la regresin.
Por ltimo se calcula su error definido como el residuo entre el valor calculado y el valor
verdadero, el coeficiente de determinacin y el coeficiente de correlacin, que indica
cuanto porcentaje de la incertidumbre original explico el modelo.

b) Completar el cdigo para calcular el Error Sy/x, r2 y r.

La completacion del cdigo se lo realiz directamente en el algoritmo tanto para la
regresin lineal como la regresin cuadrtica como se muestra a continuacin:
Regresin lineal:

Regresin cuadrtica:

c) Resolver el siguiente problema de capacidad calorfica de un gas:

La cantidad de energa necesaria para calentar un gas 1 grado (llamada capacidad
calorfica del gas) depende no slo del gas, sino tambin de su temperatura. Esta
relacin se modela usualmente con polinomios. Por ejemplo, considere los datos para
dixido de carbono en la siguiente tabla:

Establezca el problema: Cree un modelo matemtico emprico que describa la

capacidad calorfica como funcin de la temperatura. Compare los resultados
de una regresin lineal y una cuadrtica.

El modelo matemtico se lo desarrollo como algoritmo en Matlab para ambas regresiones

como se indica a continuacin.

Regresin Lineal:

Regresin Cuadrtica:

Fijndonos primero en los resultados obtenidos en la regresin lineal observamos que el

error es mayor que la regresin cuadrtica. Adicionalmente tanto el coeficiente de
determinacin como el coeficiente de correlacin de la regresin cuadrtica indica que el
modelo explico en mayor porcentaje la incertidumbre original. Si observamos las grficas
obtenidas en el ajuste de curva de cada regresin se contempla claramente que la ecuacin
de la regresin cuadrtica se ajusta mejor a los datos tabulados.
Se puede concluir que mientras mayor es el grado de la regresin mejor se ajustara a los
datos.

Describa las entradas y salidas.

Entrada: Use la tabla proporcionada de datos de temperatura y capacidad calorfica

Salida: Encontrar los coeficientes de un polinomio que describa los datos.
Como entrada se utilizaron los datos de la tabla de arriba. La temperatura se consider
como variable independiente y se introdujeron los datos en el algoritmo en forma de vector.
Se ejecut con esto el algoritmo para la regresin lineal y la regresin cuadrtica
respectivamente, cuyos resultados se muestran a continuacin.
Regresin Lineal:

Regresin Cuadrtica:

Se observa que los datos tabulados de la temperatura y el calor especifico disminuyen a

partir de los 1000 K. Se puede deducir que si se tuviera un mayor numero de datos se
podria crear una regresion que se acople con mayor exactitud a la curva real.

Crear una regresin con la funcin polyval y polyfit de Matlab para crear una
regresin cbica.

Polyfit:

Polyval:

Grafique los resultados, analizar y comentar diferencias.

Se observa que ambas graficas son idnticas. Esto se debe a que la funcin Polyfit
encuentra una ecuacin de grado cualquiera, en este caso cbica, que se ajuste a los datos

estudiados. La funcin Polyval lo que hace es sacar los datos que se ajustan a la curva
original en funcin a la ecuacin obtenida al utilizar Polifit. Se puede decir entonces que
son funciones inversas ya que una obtiene una ecuacin de regresin y a otra obtiene los
datos en funcin a dicha ecuacin.
Como punto aparte, se observa que la regresin cbica es la que mejor se ajusta a los datos
tabulados. Tambin se puede agregar que si se tuvieran ms datos tabulados con las que
trabajen las funciones Polyfit y Polyval la regresin sera ms exacta.

3.- Conclusiones sobre la prctica:

Se puede concluir que mientras mayor es el grado de la regresin mejor se ajustara a

los datos debido a la naturaleza de la curva real.
Se puede deducir que si se tuviera un mayor numero de datos se podria modelar una
regresion que se acople con mayor exactitud a la curva real.
La aplicacin de las funciones Polyfit y Polyval resulta mucho ms rpido y sencillo
para modelar regresiones de ordenes superiores.
Es necesario evaluar varios modelos diferentes con distintos ordenes para
dictaminar cual regresion es la que mejor de ajusta a la curva real.

4.- Bibliografa:

Moore, H. M. (2007). MATLAB para ingenieros. Pearson.

Nakamura, S. (1997). Anlisis numrico y visualizacin grfica con MATLAB
(No. T385. N35 1997.). R. H. R. Gutirrez (Ed.). Prentice Hall.
Etter, D. M. (1998). Solucin de problemas de ingeniera con MATLAB.