đHgeocities.com/josearturobarreto/capitulo9.htmgeocities.com/josearturobarreto/capitulo9.htm.delayedxőnÔJ˙˙˙˙˙˙˙˙˙˙˙˙˙˙˙˙˙˙˙˙ČĐ­–V OKtext/html€ő0kV ˙˙˙˙b‰.HTue, 18 Mar 2003 20:59:26 GMTůMozilla/4.5 (compatible; HTTrack 3.0x; Windows 98)en, *énÔJV ALGEBRA LINEAL PARA TODOS

ALGEBRA LINEAL PARA TODOS

 

José Arturo Barreto G.,M.A

The University of Texas at Austin

 

 

 

Capítulo 9

 

Regresión Lineal

 

Preliminares

 

En el capítulo de vectores en Rn, vimos que cuando el sistema de ecuaciones lineales

 

Ax = b no tiene solución, podemos siempre resolver Ax= b,

 

El cual siempre tiene solución ya que b es la "proyección" de b sobre el subespacio generado por las columnas de A.

 

En ese capítulo solucionamos el problema Ax = b, en donde A era una matriz de orden 2, con vectores columna ( columnas), linealmente independientes, proyectando a b sobre el subespacio generado por las columnas de A, Gen(A).

 

 

 

 

 

 

 

 

Para resolver el problema procedimos así:

 

i)                  Calculamos una base V1 , V2 , de Gen (A).

ii)                 Calculamos la proyección b , de b en Gen(A).

iii)                Procedimos a resolver Ax = b.

 

La solución x así obtenida se denominó una solución por mínimos cuadrados de Ax = b.

 

En tal capítulo, a título de ilustración, resolvimos, por mínimos cuadrados, el sistema de ecuaciones lineales simultáneas:

 

                                                           2 x + y = 1

                                                           2 x  - y = 2

                                                              x + y = 1

 

La matriz de los coeficientes del sistema de ecuaciones planteado es .

 

 

 

 

 

 

 


Sus vectores columna son:

                       

                                                          

 

 

                                              

Como   v1 y v2 , son linealmente independientes, anteriormente construimos a partir de ellos, un conjunto ortogonal de Gen(A), formado por:

 

 

 

 

 


El proceso de ortogonalización aplicado, exigía que los dos vectores no fueran colineales, esto es que fuesen linealmente independientes.

 

La condición de independencia lineal de n vectores v1 , v2 , … , vn, es que la ecuación

 

l1 v1 + l2 v2 + … + ln vn = 0,

 

tenga como única solución:

 

l1 = l2 = … = ln = 0

 

o sea que la única solución sea la trivial  l = 0.

 

Esta condición la satisfacen plenamente los vectores v1 y v2.

 

Por esta razón se pudo aplicar el proceso de ortogonalización de Gram-Schmidt. Si no, no se podría aplicar. Aún más v1 y v2 son una base de Gen(A), ya que además de ser linealmente independientes, por la propia definición de Gen(A), lo generan.

           

La situación se complica cuando las columnas de A no son linealmente independientes como veremos en el ejemplo siguiente.

 

Problema

 

Hallar el conjunto solución del sistema de ecuaciones lineales:

  x  +   y   +  z   =  1

2x  +   y            =  2

- x  + 2y   + 5z = -3

 
 

 

 

 


Utilizando el método de Gauss, procedemos así:

 


                                                                                                                     

                                          ş                        ş                                                  ş                             

 

  x   +    y   +    z  = 1

           - y   -   2z  = 1

                     0z  = 1                                                  

 

                                  

 
 


El sistema de ecuaciones equivalente :  (*)

 

                                                                                                         

No tiene solución (es inconsistente).

 

Procederemos a hallar su solución por mínimos cuadrados:

 


Tomemos los vectores

 

 

 

 

Veamos si estos vectores son linealmente independientes.

 

A partir de la ecuación:              l 1 A1 + l 2 A2 + l 3 A3 = 0,

           1                  1                   1

l 1      2     +  l 2   1      +  l3    0    = 0

          -1                 2                  5

 

 
 


O equivalentemente:

 

 

 l 1        +   l 2    +    l 3 =  0        

2l 1        +   l 2                =  0

- l 1        +  2l 2   + 5 l 3 = 0

 

 
 


La cual equivale a:       

 

 

 

 

Equivalente a resolver el sistema homogéneo  Al = 0,

 

asociado al sistema no homogéneo planteado arriba en (*).

 

El sistema homogéneo siempre tiene al menos una solución, la trivial:  l = 0. (l 1  = l 2  =  l 3 =  0).

 l 1        +   l 2    +    l 3 =  0        

2l 1        +   l 2                =  0

- l 1        +  2l 2   + 5 l 3 = 0

 

 
Si la única solución es la trivial, los vectores son linealmente independientes. Si hay al menos una solución, l ą 0, los vectores son linealmente dependientes.

 

Resolvamos por Gauss, el sistema homogéneo:

 

Este es exactamente el sistema homogéneo asociado planteado al iniciar el problema. Su solución por Gauss, siguiendo los mismos pasos con los cuales se intentó resolver tal problema por Gauss, pero cambiando el parámetro por el vector 0, llegamos a:

 

 

 

 

 


El nuevo sistema a resolver es por lo tanto:

l 1        +   l 2    +    l 3      =  0

                  -l 2    -   2l 3    =  0

    0 l 3    =  0

 

 
 

 

 

 

 


Vemos que l 3 puede tomar cualquier valor, no necesariamente 0. Si l 3 = 1, concluimos que l 2 = -2 y

l 1 = 1 otros, infinitos, valores de l son válidos.

 

En consecuencia, los vectores columna de A son linealmente dependientes y por ello no podemos calcular a partir de ellos, una base ortogonal de Gen(A).

 

Sin embargo los valores calculados  l 3 = 1, l 2 = -2, l 3 = 1, nos permiten afirmar que:

 

                                                A1 - 2 A2 +  A3 = 0,

 

Luego:                                        A1 = 2 A2 -  A3 , ( o A2 = ˝ A1 + ˝ A3 , etc.),

 

Como A1 se puede expresar como combinación lineal de A2 y A3 , entonces A1 se puede extraer del conjunto { A1 , A2 , A3 } de generadores de Gen(A) y el conjunto restante { A2 , A3 } todavía genera a Gen(A). Ya que

si  x e Gen(A), entonces x  = l1 A1 + l2 A2 + l3 A3  , para alguna tripla l1, l2, l3 ,

por definición de Gen(A).

 

Sustituyendo a  A1  por     2 A2 -  A3 , tenemos que:

 

x = l1 (2  A2 -  A3) + l2 A2 + l3 A3 = (2l1 + l2) A2 + (l3 -l1) A3

 

es una combinación lineal de los vectores columna, restantes  A2 , A3

 

Luego A2 y A3 , generan Gen (A).

 

Será el conjunto { A2 , A3 } una base de Gen(A)., para así construir por el proceso de ortogonalización de Gram-Schmidt una base ortogonal de Gen(A) ?.

 

La respuesta es sí, ya que estos dos últimos vectores son linealmente independientes.

 

Planteemos la ecuación que nos permite verificar la independencia lineal:

 

Sea  l2 A2 + l3 A3 =  0,

Entonces:

                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                     

Lo cual es equivalente a:

 

 

 

 

 

Por consiguiente,  

 

En consecuencia A2  y  A3 , son linealmente independientes. Lo son también   A1  y   A3 , por lo tanto la escogencia de una base de Gen(A), tiene muchas alternativas.

 

A partir de

 

 

 

Construiremos la base ortogonal de Gen(A), que nos permitirá proyectar el vector b en b e Gen(A).

                           

Sea      u1 = v1=                      

 

 

 

Luego,

 

u2 = v2  - ( < v2,  u1 > / < u1, u1 > ) u1 =

 

 

 

 

 

 

 

Ya que < v2,  u1 > =  v2T  u1  = (1   0   5)                        = 11

 

 

< u1,  u1 > =  u1T  u1  = (1   1   2)                       =          = 6

 

 

 

Luego, una base ortogonal de Gen(A) (compruebe que es ortogonal), es:

 

 

 

 

 

  La proyección b de b en Gen(A), está dada por:

 

b = ( < b,  u1 > / < u1, u1 > ) u1 + ( < b,  u2 > / < u2, u2 > ) u2 =

 

 

    

=

 

 

Ya que

 

 

 

 

 

 

 

 

 

 

                                                                                                                                                         

Procedemos a resolver                         Ax = b

 

En lugar de                                          Ax = b

 

Hallemos, por lo tanto las soluciones de:

 

 

 

 

 

 

Al observar la variación, diferencia o aproximación de                    , la cual podría medirse con la "norma"

 

 

   |b - b|

                                              

                                                O distancia de    b   a   b (o de  b   a   b ),

 

y si aceptamos una aproximación a la décima

 

1,1 » 1,                        2,9 » 3,           - 3,03 » -3,

 

Podremos pensar que la solución por mínimos cuadrados va a modelar satisfactoriamente a los datos. Esto parece así, pero no podemos estar seguros hasta que no hagamos los cálculos y consideremos por diferentes criterios, así sean artesanales, que los datos "aproximan satisfactoriamente" a los resultados.

 

Lea en los apéndices temas relacionados con estabilidad de algoritmos y condición de problemas.

 

Resolveremos por Gauss, el sistema de ecuaciones lineales que aproxima al sistema de ecuaciones planteado, por mínimos cuadrados, así:

 

 

 

 

 


Como puede observarse, las tres primeras columnas de las matrices aumentadas, o sea la matriz de los coeficientes es precisamente la matriz de los coeficientes del sistema incompatible planteado en este problema y sólo se ha cambiado el vector b  por                .

 

Concluimos que el conjunto de las soluciones por mínimos cuadrados, debe satisfacer

x        +      y     +      z      =     8/7

                 y     +    2z    =  -22/35

    

 

 
 

 


  

 

 

Todas las soluciones son soluciones por mínimos cuadrados. Cuál escoger?. Habrán criterios adicionales en el problema real?.

 

Una solución podría corresponder a z= 0, de donde y = -22/35,  x= 62/35.

 

Otra podría ser (escogiendo valores por simple comodidad para los cálculos) y = 0, de donde z= -11/35, x= 51/35. Las posibilidades de solución son infinitas.

 


Todas cumplen por supuesto con la condición Ax = b. Por lo tanto, todas minimizan la distancia a Gen(A).

 

Es de esperar que al tener mas ecuaciones que incógnitas, la matriz de los coeficientes de Ax =  b, el sistema original, sea de rango completo y no defectuoso, es decir, que sus columnas sean linealmente independientes. En este caso la solución es única puesto que la expresión lineal Ax = b será del tipo,

 

x1 A1 + x2 A2 + … + xn An = b

 

la cual es única ya que { A1 , A2 , … , An } sería una base de Gen(A).

 

 

Solución por mínimos cuadrados utilizando la ecuación normal

 


Como  b - b es ortogonal a Gen(A) = Gen { A1 , A2 , … , An } , donde las Ai  son las columnas de A, entonces:

                        < A1 , b - b > = < A2 , b - b > == < An , b - b >  = 0

 

En consecuencia, los productos matriciales siguientes son válidos:

 

 

 

Pero estos productos son precisamente las filas de   A  T  ( b -  b ) , de donde concluimos que:

 


A T ( b - b ) = 0

 

Y en consecuencia

 

A T b - A T b  = 0,

 

Lo cual es equivalente a:

 


         (*) A T b  =  A T b  

 

Sabemos que

 

Ax = b no tiene solución

 


Mas sin embargo, si pre-multiplicamos al sistema consistente Ax = b por AT, obtenemos el sistema consistente (con solución. Por qué?):

 


           AT Ax = AT  b,

 

El cual es equivalente por (*) a:

 

AT Ax = AT b,

 

 Que por la misma razón anterior (Cuál?), siempre tiene solución. Además toda solución de

 

                                                           (**)       AT Ax   =   AT b,

 


Es una solución de                    (***)      Ax =  b,

 

Aceptando que estos dos sistemas ( (**) y (***) son equivalentes (Lo son?), en lugar de resolver la ecuación

 

Ax =  b,

 

Resolvemos la ecuación normal

           

AT Ax = AT b,

 

Simplificando así nuestro método de solución por mínimos cuadrados.

 

Si además  AT A es una matriz no-singular (inversible), la ecuación normal tendrá solución única. Este caso corresponde a matrices A de rango completo ( no defectuosas en rango), con columnas linealmente independientes. Para una mayor comprensión del tema revise los apéndices correspondientes del proyecto "Algebra Lineal para Todos" en www.oocities.org/laboticaxx1       

 

Una breve mirada a las aplicaciones

 

Utilizando la ecuación normal, resolveremos por mínimos cuadrados un sistema de ecuaciones que resolvimos en el capítulo de vectores en Rn utilizando el proceso de ortogonalización de Gram-Schmidt.

 

Los resultados se podrán comparar ya que la matriz AT A es, en este ejemplo, de rango completo y por lo tanto, obtendremos una solución única que debe coincidir con la hallada en tal capítulo. No tendremos que pasar por lo tanto por el complicado proceso de ortogalización.

 

Resolveremos por mínimos cuadrados el sistema inconsistente:

2 x + y = 1

2 x  - y = 2

   x + y = 1

 

 
 


                                  

 

 

Solución:

 

A =

                                        

 

 


AT A =                                           =                           AT b =                                          =                 

 

 

 

 

 

La ecuación normal                              

,

Es por lo tanto:                                     AT Ax = ATb,

 

 


O sea,

                                                                    =                       

 

 

cuya solución única es                          x = 21/26, y = -7/26

 

Esta solución es exactamente la obtenida por el proceso de ortogonalización de Gram-Schmidt.

 

Al reemplazar los valores así hallados en el sistema original

 

                                                           2 x + y = 1

2 x  - y = 2

                                                           x + y    = 1,

 


no obtendremos, por supuesto, el vector b =

 

 

 


sino a su proyección  b, en el subespacio generado por las columnas de A.

 


Sustituyendo, encontramos que

                                                          b   = 

                                                          

 

Coincidiendo con los resultados hallados anteriormente.

 

Ejemplo:

 

Los puntos P(1, ˝), Q(2,1), R( 3, 3/2), están situados sobre la recta cuya ecuación es

 

y = ˝ x

 

Por dicha razón, no es posible hallar una recta que pase por P(1, ˝), Q(2,1) y R(3,2), ya que la recta que pasa por P y Q es la citada anteriormente y el único punto de dicha recta de abscisa 3 es R(3,3/2            ) y nó R(3,2).

 

Por supuesto, que al colocar valores a las variables x  e  y, en una ecuación de la forma y = mx + b, a partir de la tabla:

 

 

 

 

 

 

 

Llegaremos al sistema inconsistente

Cuadro de texto: m   + b = ˝
2m + b = 1
3m + b = 2

                                              

 

 

La ecuación normal para tal sistema                  AT Ax = ATb,    es:

 

 


                                                           x =                   |          

 

 

 

o de forma equivalente:

 

                                                                           =                 

 

 

 

tal sistema tiene solución única  m = ľ    ,   b= -1/3      

 

La ecuación de la recta sería:    (*)    y = ľ  x  -  1/3

 

Sustituyamos valores para ver que tan lejos pasa de los puntos o que tan bien los ajusta

 

Sustituyendo los valores de x, primera columna de la tabla, a partir de (*), obtenemos la tercera columnaa valores aproximados de b ( o y) por simple sustitución.

 


           

           

 

 

 

 

 

 

Dibujemos la recta obtenida y observemos qué indican las desviaciones  o componentes del vector

 

 

     2                                                          0,08

     

 

     1                                                      - 0,17

           

0.08

                             

      0                 1             2               3

                          

 

b –   b.

 
                                                            

 

 

 

 

 

 

 

 

 

 

 

 


Hemos representado las desviaciones r1 = 0,08, r2 = - 0,17, r3 = 0,08

Una medida global de la desviación es la norma | b b | = Ö (r12 + r22 + r32 ) ≈ Ö 0,0417 » 0.204.

 

El método de los mínimos cuadrados minimiza la suma de los cuadrados de dichas desviaciones.

 

La recta calculada es la que mejor aproxima los datos siguiendo el método de los mínimos cuadrados. Haremos una comparación gráfica con la recta en tono gris, que pasa por los primeros dos puntos P(1, ˝) y Q(2,1).

 

Las dos primeras desviaciones para la recta gris son  r1 = r2 = 0, ya que la recta gris pasa por los dos primeros puntos. La única desviación diferente de 0 es , en este caso, r3 = 2 – 1.5 = 0,5. (recuerde que la ecuación de la recta gris es:   y = ˝ x. En este caso Ö (r12 + r22 + r32 ) = Ö 0,25 = 0,5.

 

En cualquier caso, pese a que la recta  y = ˝ X, PASA EXACTAMENTE POR DOS DE LOS TRES PUNTOS, su desviación en el tercer punto es tal que por supuesto no minimiza la suma total de los cuadrados de las desviaciones. Esto se puede verificar estudiando otras rectas como la que pasa exactamente por P(1, 1/2)  y R(3,2), o la que pasa por P(2,1) y R(3,2).

 

En consecuencia reafirmamos que la solución que optimiza la aproximación por mínimos cuadrados se halla resolviendo la ecuación normal.

 

El método de los mínimos cuadrados se puede aplicar tambien en el caso en que se desee ajustar una serie de datos por una función dada que es combinación lineal de otras funciones, siempre y cuando el problema pueda reducirse a una solución por mínimos cuadrados de un sistema de ecuaciones lineales simultáneas.

 

Ejemplo:

 

Halle el polinomio de segundo grado   p(x) = c + dx + ex2 , que mejor ajusta, en el sentido de lkos mínimos cuadrados, los datos:

 


                                                                                                                                                         

                                                                                                                     

 

 

 

 

 

 

Sustituyendo  x  e   y  en p(x) = c + dx + ex2 , obtenemos:

 

La solución por mínimos cuadrados del sistema de ecuaciones anterior, es una solución de la ecuación

c - d + e  =  2

c            =  1

c + d + e =  6,01

c +2d+4e =16,99

 
 


O sea de   AT Ax = AT b,

 

 

 


Donde                                                    A  =

La solución es :

 

 

 

 

En consecuencia, el polinomio de segundo grado buscado es

 

p(x) = 1,006 + 2,003x + 2,995x2 ,

 

La proyección b, de b, sobre el subespacio de las columnas de A es: b  =                  Como b=

 

r1 = 2      -1,998     = 0,002

r2 = 1      - 1,006    = -0,006

r3 = 6,01  - 6,004   = 0,006

r4 = 16,99 -16,992 = -0,002

 
 

 


Las desviaciones ri son:                                   

 

 

 

La solución en este caso parece bastante aceptable.

 

Una medida de cuanto ajusta la solución por mínimos cuadrados a los m  datos, podría ser

 

S = (r12 + r22 + … + rm2) / m

 

En este caso sería s = 0,00008 / 4 = 2 x 10-5.

 

Otra medida podría ser    | r | / m , donde r es el vector cuyas componentes son las desviaciones ri.

 

 Los mismos datos ajustados por una recta deben proporcionar resukltados menos halagadores.

 

Por supuesto que la medida de la "bondad" de los ajustes depende también del tamańo de los datos ya que una desviación "pequeńa" para datos "pequeńos" puede no ser suficientemente halagadora, como lo sería una desviación razonable para datos de "gran tamańo". Existen por lo tanto diferentes propuestas de fórmulas que "miden" la bondad del ajuste.

 

Planteamos a continuación el siguiente "curioso" ejemplo:

 

Asuma que se quiere medir la temperatura en un lugar tomando "n" pruebas, así:

                                                                      

 

                                                                    Prueba i   Temperatura Ti

 

 

 

 

 

 

 

 


No es de esperar que todas las temperaturas sean iguales auncuando hayan sido tomadas a la mosma hora por diferentes razones: inexactituid del instrumento de medida, errores "menores" del operario, factores climáticos u otras razones.

 

Nuestra temperatura resultante t , debe satisfacer el sistema de ecuaciones simultáneas:

 

                                                                  t =  T1

                                                                  t =  T2

                                                                     ...

                                                                  t =  Tm

 

Si las temperaturas  Ti  no son todas iguales, este sistema será inconsistente.

 

Como su forma matricial es                         A t = T,

 

 


                                                                      1                                            T1

                                                                      1                                           T2

En donde                                                 A =      ...               ,t = (t)  y     T =     ...

                                                                      1                                            Tm

 


                                                                                                               1                                                                   T1

                                                                                                               1                                                                   T2

                                                AT A t =  ( 1    1    1 … 1 )       ( t ) = (m t )   y   ATT = (1    1    1 … 1)   

                                                             m 1's                       1                                         m  1's                Tm

 

                                                                                                                                               

                                                                                        =  T1 + T2 +T3 + …+ Tm                                                                      

            Tenemos que :     

                   

m t  = T1 + T2 +T3 + …+ Tm

 
 


Concluimos que la solución por mínimos cuadrados es: 

 

t  = (T1 + T2 +T3 + …+ Tm ) / m

 

Conclusión: La respuesta que optimiza estas mediciones en el sentido de los mínimos cuadrados es el promedio o media aritmética.

 

Ejemplos tomados de otras fuentes

 

Dos ejemplos aplicados a aerolíneas

 

Los datos de los siguientes dos ejemplos son tomados del libro "Estaděstica Aplicada a los  negocios y a la Economía". Autor: Webster. Ed. McGraw Hill.

 

La compańía HOP SCOCHT AIRLANES desea hallar una relaciňn lineal entre sus gastos de publicidad en cada uno de 15 meses y el número de pasajeros que movilizó mensualmente. A partir de la siguiente tabla se efectuaron los cŕlculos de regresión.

 


 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Asumiendo que la relación funcional entre las variables

 

P : Número de pasajeros movilizados

                G : gastos en publicidad,

 

es del tipo lineal.                                                                                                    P = mG + b

 

y reemplazando en la ecuaciňn anterior los datos recibidos, trataremos de calcular por regresión lineal, los coeficientes  m  y   b, obteniendo el siguiente sistema de ecuaciones simultáneas en las incognitas m  y  b.

10m + b = 15

12m + b = 17

  8m + b = 13

17m + b = 23

10m + b = 16

15m + b = 21

10m + b = 14

14m + b = 20

19m + b = 24

10m + b = 17

11m + b = 16

13m + b = 18

16m + b = 23

10m + b = 15

12m + b = 16

(*)              (**)

 

 

 
 


Obtenemos el sistema de 15 ecuaciones simultáneas con dos incógnitas:

 

 

 

 

 

 

 

 

 

 

 

                                                        (*) Gastos Publicidad                (**)   Pasajeros movilizados

 

El sistema anterior es a todas luces inconsistente.

 

Planteemos el sistema matricial                                                                                      Ax = b

 

En donde

 

 

 

 

 

 

                                                                                                                                                              A  =                                                                                                                                                                                            b  =

 

 

 

 

 

Pasajeros

En 1.000s

 
 

 

 

 


Revisando cuidadosamente las filas y las columnas que intervienen en los productos, concluimos que:

            AT A =                       =            =                                          AT b =                    =                                                                                                                                                          ,                                                                                                                                             

           

 

Debemos resolver el sistema de ecuaciones simultáneas:

2469 m   +  187 b = 3490

   187m   +    15 b =   268

 

 

 

 

 

 

 
 


Cuya soluciňn aproximada estŕ dada por  m = 1,08  y    b= 4,39.

 

Por lo tanto:                                                                                                                                                                                      P = 1.08 G + 4,39

 

es la ecuaciňn que relaciona por regresiňn lineal, al número de pasajeros transportados mensualmente, con los gastos mensuales en publicidad.

 

Esto nos permitirěa predecir "aproximadamente", el número de pasajeros que se podrían transportar a partir de los gastos mensuales en publicidad.

 

Este método fue utilizado por el astrónomo Matemático Carl Gauss para predecir la posición del desaparecido asteroide "Ceres" en 1801.

 

 

Si a los datos anteriores les anexamos la columna de ingreso nacional mensual (en billones de dólares) así:

 


                                                                                                                                                                                                                                                                                                                                                                                                                                         

 

 

                                                                                                                                                                                                                                                                                                       

                                                                                                                                                         

 

                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                      

 

 

 

Al plantear la relación lineal entre las variables 

 

P: Pasajeros,  G: Gastos publicidad/mes,   I: Ingreso Nacional/mes

 

Y al plantear tambien, la relación funcional lineal:

 

P = m1 G + m2 I + b

 

Y al sustituir los datos, llegamos al sistema de 15 ecuaciones lineales con tres incognitas

 

                                                                                                                                                                                                                    

 

 

 

 

 

 

 

 

 

 

 

Planteando la ecuación normal tenemos que:

 

 

 


                                                                                                                                                                                                                                                                                                                                                                                                                                         

 

         =  

 

 

 

                                                                                                                                                                                                                                                                                                                                                                           

 

          =

:

 

Los cálculos se efectuaron a partir de valores tomados de las tablas siguientes
                                                                                                                                                                                                                                                                                                       

 

 

 

 

 

 

 

 

 

 

 

 

 

Y                                                                     AT P donde P es la matriz de los pasajeros transportados/mes, es:

 

                                                                                                   =        =                             =              =                                                                                                                                                                 

 

 

 

 

 

 

La solución a este problema según Webster es:

 

P = 0,84 P + 1.44 I + 3,53

 

Note como un problema con tantos, que involucraba matrices de 15 filas, se ha reducido por la ecuación normal a un problema con matriz de coeficientes, cuadrada de orden 3, el número de columnas de la matriz original.

 

Ejercicios

 

1)Halle la ecuación de la recta que mejor ajusta en el sentido de los mínimos cuadrados a los puntos  P(1,1), Q(4,2), R(2,3).                                                                                                                                                                                                                                                                                                      R/ y = 3/14 x + 3/2.

 

a)      Halle  la suma de las desviaciones al cuadrado.

 


b)      Calcular    |  b - b  |                                    

 

c)      c) Calcule |  b - b  | / | b | (medida de error relativo

 

d) Compare las medidas  S r i 2 y  (Ö ( r i 2 )) / | b |, de las desviaciones de los datos respecto a los diferentes problemas y elabore una conclusión sobre la mejor respuesta, por mínimos cuadrados, comparándolas en cada caso con estas medidas, respecto a la respuesta dada por la solución de la ecuación normal .

 

i ) La recta que pasa por P(1,1), Q(4,2).

 

    (R. / Ecuación de dicha recta, la cual debe ser calculada:  y = 2x - 1).

 

ii) La recta que pasa por P(1,1), R(2,3).

 

iii)La recta solución por mínimos cuadrados hallada anteriormente.

 

e) Compare los resultados de d) y comente respecto a que la solución por mínimos cuadrados es    la que     mejor ajusta los datos en este sentido.

 

2)   Halle la ecuación de la recta y = cx + d que mejor ajusta los puntos P(1,2), Q(3,5), R(4,8) en el sentido de los mínimos cuadrados. Calcule medidas de desviación similares a las del problema 1d).                                                                                                                                                                                  R) y = 27/14 x - 1/7.

3)   Demuestre que en el cálculo de la ecuación normal, para calcular la recta,

 

que mejor ajusta los datos
Cuadro de texto: y = cx + d

 

 

 

 

 

 

 

 


por la técnica de los mínimos cuadrados, participan las matrices:

 

 

 

 

 

 


4)   Determinar una ecuación de la forma  P = c + d E, que relacione por la técnica de los mínimos cuadrados, la edad promedio E de un grupo de personas con su presión sanguínea P, teniendo en cuenta los siguientes datos

 

 

 

 

 

 

 

 

 

 

 


                                                                               Desviaciones » r i

 

 

R/  P = 65,1 + 1,38 E                                                                                                         .                                                                 

 

5)   En cada uno de los problemas a),  b),  c),  d), halle las rectas que mejor ajustan los datos en cada una de las tablas, en el sentido de los mínimos cuadrados. Calcule las desviaciones r i .

a)                        b)                                  c)                                                d)

 

 

 

 

 

 

 

 

 

 


6)   Las siguientes son mediciones de alturas de plantas de frijol de soya de un campo, efectuando una selección al azar cada semana.


 


Calcule la ecuación de la recta A = dE + c que mejor ajusta las variables, utilizando la técnica de los

mínimos cuadrados. Calcule las desviaciones r i .  R/ 6,143 E - 0,572

 

7)   La  siguiente tabla relaciona los diámetros (x) con los pesos (y) de bulbos de cebollas.

 

 

 

 

 


Halle utilizando la técnica de los mínimos cuadrados, los valores de   c   y  d, en la relación

 

y = c x d

 

utilizando la ecuación equivalente:  log y = log c + d log x.

 

Calcule las desviaciones.

 

8)   La siguiente tabla relaciona los censos de población ( y ) de una ciudad, con el tiempo transcurrido en décadas, a partir de 1860


 

 


Halle por el método de los mínimos cuadrados los valores de  c  y   d, que relacionan a las variables en la ecuación                                                  y = c d x ,  utilizando la ecuación equivalente            Log y = log c + (log d) x

 

Calcule las desviaciones r i a partir de y = c d x .

 

9)   La siguiente tabla relaciona el peso en gramos (y) de fríjoles verdes recogidos en un campo a medida que el tiempo (x) en días, transcurre a partir de 0.

 

 

 

 

 

 

 

 

 

 


a) Halle utilizando la técnica de los mínimos cuadrados los valores de  c  y   d   que relacionan a las variables en la ecuación         y = cx + d.  R/ y = -0,0609 x + 38,81

 

Calcule las desviaciones r i .

 

d)      Calcule utilizando la técnica de los mínimos cuadrados los valores de  e  ,  f  ,  g  que relacionan a las variables en la ecuación:

 

y = e + f x + g x 2.  Calcule las desviaciones r i .                                                                  

 

Cual de las dos relaciones encontradas, ajusta con mejor exactitud  los datos de la tabla, según su criterio ?

 

                                          R/ y = 26,3327 + 4,7828 x - 0,2690 x 2.