Beruflich Dokumente
Kultur Dokumente
Paulina Chvez Oliver Pablo Rocabado Soria Edwin Zamudio Hernndez A01184037 A01360066 A01183774
= 0 1 = 0 + 1 =
=
<1 <1
0 1
Para esta ecuacin, cualquier recta que pase por el punto medio entre dos puntos (excepto una vertical) minimiza la ecuacin dado que los errores se cancelan.
=
<1 <1
0 1
Esta estrategia es tambin inadecuada dado que cualquier valor dentro de la lnea que une a dos puntos minimiza el valor absoluto de la suma.
=
<1
2 =
<1
( 0 1 )2
Esta es la tcnica que mejor supera las deficiencias de los procedimientos anteriores ya que mediante ella se obtiene una lnea nica para cierto conjunto de datos. A esta estrategia se la conoce como mnimos cuadrados.
0 +
2 1 =
1 =
0 = 1
Ejemplo 17.1
1 2 3 4 5 6 7
24 7
magnitud similar en todo el rango de los datos O la distribucin de estos puntos cerca de la lnea es normal. O Desviacin estndar o error estndar del estimado:
;2
2 =
Ejemplo 17.2
1
2 3 4 5 6
0.5
2.5 2.0 4.0 3.5 6.0
8.5765
0.8622 2.0408 0.3265 0.0051 6.6122
0.1687
0.5625 0.3473 0.3265 0.5896 0.7972
5.5
24.0
4.2908
22.7143
0.1993
2.9911
O = O =
22.7143 7;1
= 1.9457 = 0.7735
2.9911 7;2
es adecuado.
O 2 = O =
22.7143;2.9911 22.7143
= 0.868
se conoce sin error. O Los valores de son variables aleatorias independientes y todas tienen la misma varianza. O Los valores de para una dada deben estar distribuidos normalmente.
ecuacin de regresin es por medio de regresin polinomial. O Ahora para ajustar los datos se representa en la grfica con una curva. O Ejemplo de la ecuacin de un polinomio de segundo grado: O = 0 + 1 + 2 2 +
residuos es: 0 1 2 2 )2 O Ecuacin general para un polinomio de msimo grado: O = 0 + 1 + 2 2 + + + O Donde el error estndar es:
O = O /:1 =
;(:1) <1(
para el modelo. O Ecuacin de regresin lineal mltiple: O = 0 + 1 1 + 2 2 + O En este caso la lnea de regresin se convierte en un plano.
Donde z0,z1,,zm son m+1 funciones diferentes. En el modelo de regresin lineal simple y mltiple z0=1, z1=x1, z2=x2,,zm=xm. Y en la regresin polinomial son: z0=x0=1, z1=x, z2=x2,,zm=xm.
Matricialmente:
{Y}=[Z] {A} + {E}
O Dnde:
1 2 =
1 1 [Z]= 1
11 21 1
12 1 22 2 2
1 = 2
1 = 2
nmero de datos. O El vector columna {Y} contiene los valores observados de la variable dependiente. O El vector columna {A} contiene los coeficientes desconocidos. O El vector columna {E} contiene los residuos.
= =
<1
<0
derivadas parciales con respecto a cada uno de los coeficientes es igualando a cero la ecuacin resultante. El resultado de este proceso son las ecuaciones normales: [[Z]T[Z]]{A} = {[Z]T{Y}}
interesado solo en aplicar un ajuste por mnimos cuadrados en un caso donde el modelo adecuado se conoce de antemano. O 2. Mtodo de Cholesky: -Est expresamente diseado para resolver matrices simtricas como las Ecuaciones Normales. -Es ideal en casos donde el grado del modelo (es decir, el valor de m en la ecuacin) no se conocen de antemano.
2. Mtodo de Cholesky:
O -Desarrolla modelos sucesivos de grado superior de
manera muy eficiente. En cada paso es factible examinar la suma residual de los cuadrados del error (y una grfica!), para examinar si la inclusin de trminos de grado superior mejora el ajuste de manera significativa.
O -En la regresin lineal mltiple la situacin anloga
se presenta cuando se agregan, una por una, variables independientes al modelo (calcular el error residual por cada variable y ver si el aumento de variables adicionales resulta en una mejora del ajuste).
Intervalo de confianza
Es un par de nmeros entre los cuales se estima que estar cierto valor desconocido con una determinada probabilidad de acierto. O El cual puede ser calculado para la interseccin con el eje y: L=a0-t /2,n-2 S(a0) U=a0+t /2,n-2 S(a0) Donde:
=
2
;2
0 = 1
Intervalo de confianza
Donde S(aj)= el error estndar del coeficiente, sea que se obtiene : ( ) = ( ) Intervalo de confianza para la pendiente: L=a1-t /2,n-2 S(a1) U=a1+t /2,n-2 S(a1) 2 1 =