Professional Documents
Culture Documents
F. VADILLO
Índice
1. Introducción 1
2. Ajustes de curvas por mínimos cuadrados 2
2.1. Rectas de regresión por mínimos cuadrados 2
2.2. Ajustes de otras curvas por mínimos cuadrados 4
2.3. Combinaciones lineales por mínimos cuadrados 6
3. Solución mínimo cuadrática de sistemas sobre-determinados 8
3.1. Reectores de Householder 8
3.2. La factorización QR de una matriz 9
3.3. Pseudoinversa de una matriz 10
3.4. Descomposición valores singulares de una matriz 10
4. Ejercicios 12
Referencias 13
1. Introducción
2.1. Rectas de regresión por mínimos cuadrados. Una de las fuentes habi-
tuales de problemas de mínimos cuadrados son los problemas de ajustes de curvas.
Em la ciencia y la ingeniería los experimentos producen un conjunto de datos
(x1 , y1 ), ..., (xn , yn ), com las abscisas {xk } diferentes, y el problema que se plantea
es determinar una función y = f (x) que relacione los datos, lo mejor posible em
algún sentido. Evidentemente, el resultado dependerá del tipo de función que se
elija, por ejemplo, em la regresión f (x) = ax + b es una recta, y para ajustar los
parámetros libres se pueden minimizar uno de los siguientes tres valores:
El error máximo:
E∞ (f ) = máx{|f (xk ) − yk | : 1 ≤ k ≤ n}.
El error medio:
M
1X
E1 (f ) = |f (xk ) − yk |.
n
k=1
PROBLEMAS DE MÍNIMOS CUADRADOS 3
que son la solución del sistema lineal conocido como ecuaciones normales de
Gauss
à n
! Ã n
! n
X X X
x2k a+ xk b = xk yk ,
k=1 k=1 k=1
à n
! n
X X
xk a + nb = yk ,
k=1 k=1
400
350
300
250
200
150
100
50
0
1900 1920 1940 1960 1980 2000 2020
2.2. Ajustes de otras curvas por mínimos cuadrados. Suponga que ahora
se quieren ajustar los datos (x1 , y1 ), ..., (xn , yn ) por el método de mínimos cuadrados
usando una curva exponencial
(2.4) y = c · eax ,
donde a y c son ahora los parámetros a elegir. El valor que se debe minimizar es
n
X
(2.5) E(a, c) = (c · eaxk − yk )2 .
k=1
Igualando a cero las dos derivadas parciales de E(a, c) se llega al sistema de las dos
ecuaciones normales
Xn n
X
c xk e2axk − xk yk eaxk = 0,
k=1 k=1
n
X n
X
axk
c e − yk eaxk = 0,
k=1 k=1
ecuaciones que mo son lineales para las incógnitas a y c com la dicultad que esto
supone.
PROBLEMAS DE MÍNIMOS CUADRADOS 5
u = x, v = ln y, b = ln c,
com los datos transformados (uk , vk ) = (xk , ln(yk )) para k = 1, ..., m. Problema
lineal que ya se sabe resolver.
400
350
300
250
200
150
100
50
0
1900 1920 1940 1960 1980 2000 2020
a
y= x +b u = x1 , v = y
d
y= x+c u = xy, v = y
1 1
y= ax+b u = x, v = y
x
y= ax+b u = x1 , v = 1
y
y = a ln x + b u = ln x, v = y
y = c · eax u = x, v = ln y
1 √1
y= (ax+b)2 u = x, v = y
y = c · x · edx u = x, v = ln( xy )
³ ´
l l
y= 1+c·eax u = x, v = ln y −1
∂E
Para que la función E sea mínima, es necesarios que ∂c i
= 0 para i = 1, ..., m,
lo que equivale a que los coecientes cj seam la solución del sistema de ecuaciones
normales de Gauss
Xn Xm
(2.9) cj fj (xk ) − yk fi (xk ) = 0, i = 1, ..., m.
k=1 j=1
400
350
300
250
200
150
100
50
0
1900 1920 1940 1960 1980 2000 2020
año 2010.
El programa censusgui.m de [1] dibuja ajustes polinomiales de diferentes grados
y calcula la estimación de población para el año 2010.
4. Ejercicios
Referencias
1. C.B.Moler, Numerical computing with matlab, SIAM, 2004.
2. D.S.Walkins, Fundaments of matrix computions, John Wiley, 1991.
3. G.H.Golub and C.F.Van Loan, Matrix computations, The Johns Hopkins University Press,
1989.
4. K.E.Atkinson, An introduction to numerical analysis, Wiley, 1978.
5. L.N.Trefethen and D.Bau, Numerical linear algebra, SIAM, 1997.
6. N.J.Higham, Accuracy and stability of numerical algoritms, SIAM, 1996.
7. R.Bulirsch and J.Stoer, Introduction to numerical analysis, Springer, 1980.
8. J.F.Mathews y K.D.Fink, Métodos numéricos con matlab. tercera edición, Prentice Hall, 1999.