UNIVERSIDAD DE LAS FUERZAS ARMADAS ESPE

DEPARTAMENTO DE ELECTRICA Y ELECTRONICA

INSTRUMENTACIÓN Y SENSORES

NRC: 9895

ELABORADO POR:
RUANO ALEXANDER

DOCENTE:
ANDRES RICARDO ARCENTALES VITERI
Tarea: Regresión por mínimo cuadrados
Fecha de entrega: jueves 17 de noviembre de 2022
Forma de entrega: Los documentos deben ser entregados en físico al inicio de la clase.

1. Explicar el método de regresión por mínimos cuadrados para un ajuste lineal y

cuadrático.
El método de los mínimos cuadrados se utiliza para calcular la recta de regresión lineal
que minimiza los residuos, esto es, las diferencias entre los valores reales y los
estimados por la recta. Se revisa su fundamento y la forma de calcular los coeficientes
de regresión con este método.
En su forma más simple, intenta minimizar la suma de cuadrados de las diferencias en
las ordenadas (llamadas residuos) entre los puntos generados por la función elegida y
los correspondientes valores en los datos. Específicamente, se llama mínimos
cuadrados promedio (LMS) cuando el número de datos medidos es 1 y se usa el método
de descenso por gradiente para minimizar el residuo cuadrado. Se puede demostrar que
LMS minimiza el residuo cuadrado esperado, con el mínimo de operaciones (por
iteración), pero requiere un gran número de iteraciones para converger. Como se
muestra a continuación:

e i= y i− ^
yi
Donde:
e𝑖 = error del punto hacia la curva
𝑦𝑖 = valor observado de la variable dependiente para la i-ésima observación.
𝑦̂𝑖 = valor estimado de la variable dependiente para la i-ésima observación.

Al trabajar con el error e ise debe tener en cuenta que existen valores sobre y
debajo de la recta, es posible que el error sea cero, debido a la existencia de
valores positivos y negativos. Es por ello, que se trabaja con el error cuadrático:
2 2
( e i ) =( y i−^y i )
 Y de esta forma nos aseguramos de solo tener valores positivos.
n n
E=∑ e i=∑ ( y i− ^
2
y i)
i=1 i=1

1.1. Explicar la teoría y ecuaciones para el ajuste lineal, cuadrático y exponencial.

Ajuste Lineal

Técnica estadística utilizada para predecir o estimar una variable cuantitativa (Y) en
función de otra cualitativa (X), donde nuestra variable (Y) es la que deseamos predecir
mediante la variable explicativa (X).
Consiste en construir una ecuación de una recta, la cual tiene la forma de:
Y =mX +b
Donde:
m= es un coeficiente constante que no varía, es la que indica la inclinación de la lineal
con respecto al eje horizontal y se la conoce como pendientes
b= es un coeficiente constante que no varía, se la conoce como intercepto, ya que indica
en que valor respecto interceptara al eje Y
Y= la variable dependiente
X= la variable independiente

Fórmula a usar:
b=Y −m X
n ∑ XY −∑ X ∑ Y
m=
n ∑ X −( ∑ X )
2 2
 X=valores conocidos de la variable independiente
Y=valores conocidos de la variable dependiente
X =promedio del valor de las x
Y =promedio del valor de las y
n=número de datos
La ecuación para la regresión lineal se obtiene calculando los coeficientes de m y b, con
el método de mínimos cuadrados, resultado de este proceso se tendrá la mejor ecuación
que se ajuste a dicha nube de puntos, es decir, la recta que tenga menor distancia entre
la recta y cada uno de los puntos.
Para saber si hay relación entre una variable y otra, después de haber obtenido la
ecuación de la recta, se aplica encontrar en valor del coeficiente de correlación (r)

n ∑ xy −∑ x ∑ y
r=
√¿ ¿ ¿

Para interpretar en valor de r, se necesita tomar en cuenta si en valor de r es negativo o

positivo, ya que si el valor de r se acerca mucho al 1 o -1 se dice que hay una estrecha
relación entre la variable de entrada y la variable de salida.

Ajuste cuadrático
Proceso mediante el cual, dado un conjunto de n pares de puntos (xi, yi), se calcula los
coeficientes de una función cuadrática.
Consiste en construir una ecuación de una recta, la cual tiene la forma de:
2
Y =a X +bX +c
Para encontrar los valores de los coeficiente a, b y c, planteamos las siguientes
ecuaciones que se resolverán posteriormente como una matriz de 3x3:

a ∑ x i +b ∑ x i+ c n=∑ y i
2

a ∑ x i +b ∑ x i +c ∑ x i=∑ xi y i
3 2

a ∑ x i + b ∑ xi + c ∑ x i =∑ x i y i
4 3 2 2

Ajuste exponencial

Partimos de la siguiente ecuación:

 Y = A ebx
bx
lnY =lnA e
lnY =ln A+ ln ebx .

lnY =lnA +bx y ' = A' +bx

donde lnY = y ' .

b=n ¿ ¿

a= y '−b x .

1.2. Presentar un ejemplo de ajuste lineal.

Ajustar los siguientes datos a una línea recta:
X Y XY X^2
1 2 2 1
2 3 6 4
2 4 8 4
3 4 12 9
4 4 16 16
4 6 24 16
5 5 25 25
6 7 42 36
∑ ¿27 35 135 111

n ∑ XY −∑ X ∑ Y
m=
n ∑ X 2− ( ∑ X )
2

8∗135−27∗35 45
m= = =0.849
8∗111−27 2 53

b=Y −m X

b= −
8 53 8( )
35 45 27 80
= =1.509
53
1.3. Presentar un ejemplo de ajusto cuadrático.

Realizar los cálculos para generar un ajuste parabólico de los siguientes datos:
x y
0 1
1 3
2 2
3 0
6 6

Realizamos las columnas de las sumas:

Planteamos las ecuaciones:

a ∑ x 2i +b ∑ x i+ c n=∑ y i

a ∑ x i +b ∑ x i +c ∑ x i=∑ xi y i
3 2

a ∑ x 4i + b ∑ x3i + c ∑ x 2i =∑ x 2i y i

a14 +b6+c4=6
a36+b 14+c6=7
a98+ b36 + c14 =11

resolución de las ecuaciones:

a=-1
b=2.6
c=1.1
Reemplazamos en la ecuación cuadrática:
Y=-1x^2 +2.6x+1.1

1.4. Presentar un ejemplo de ajusto exponencial.

El volumen de ventas mensuales (y) en miles de dólares y los años de experiencia en
ventas(x) registradas de una muestra aleatoria de 6 vendedores de la Empresa “Lozano”
procesadora de alimentos, se dan en la tabla que sigue:

X 1 2 3 4 5 6
y 10 40 120 300 800 500

Estime la ecuación de regresión exponencial:

bx
Y=A e
lnY =lnA e bx
bx
lnY =ln A+ ln e .

lnY =lnA +bx y ' = A' +bx

Solución:
X=años de experiencia en ventas
Y=ventas mensuales
x y Y’=lny Xy’ X^2
1 10 2.303 2.303 1
2 40 3.689 7.378 4
3 120 4.747 14.362 9
4 300 5.704 22.815 16
5 800 6.685 33.423 25
6 500 6.215 37.288 36
∑ n=21 29.382 117.569 91

Reemplazamos los datos:

b=n ¿ ¿

6∗117.569−21∗29.38
b= 2
=0.84 .
6∗91−21
 Calculamos A

a= y '−b x .

29.382 0.84∗21
A' = −
6 6
'
A =1. 95 , aplicamos condiciones de ln :
' 1.95
A =lnA −→ A=e −→ A=7.03 .

Reemplazamos:

0.84 x
Y =7.03 e

2. Realizar un resumen de la siguiente bibliografía y realizar los ejemplos propuestos en

Matlab:
2.1. https://www.mathworks.com/help/stats/what-is-linear-regression.html
Ejercicio: No hay Ejercicio
La regresión Lineal: Es un modelo que describe la relación entre una variable
dependiente “Y” o también llamada variable de respuesta, y las variables
independientes “x” o también llamada variable explicativa.

SU modelo es:

y i=β 0 + β 1 x i 1 + β 2 x i 2+ … β p x ip + ε 1 con i=1 … .. n

Una regresión lineal puede ser modelada por la forma:

k
y i=β 0 + ∑ β k xf k ( xi 1 , xi 2 … . x ip +ε 1 ) con i=1 … ..n
k=1

Donde f es una función escalar evaluada en función de las variables

independientes.

2.2. https://www.mathworks.com/help/matlab/data_analysis/linear-regression.html
Ejercicio: Simple Linear Regression
El tipo más común de regresión es por el método de mínimos cuadrados, que funciona
con líneas y curvas.
Previamente es necesario realizar un análisis de correlación para saber si existe una
relación lineal entre esas cantidades.
La regresión lineal simple solo considera una variable independiente mediante la
relación:

y=β 0 + β 1 x + ε

β 0 es la intersección con el eje y

β 1 es la pendiente (coeficiente de regresión)
ε error.

Implementación:

A partir del conjunto de datos accidentes, cargue los datos de accidentes en y y los
datos de población de estado en x. Encuentre la relación de regresión lineal y=β1x entre
los accidentes ocurridos en un estado y la población de un estado mediante el
operador \. El operador \ realiza una regresión de mínimos cuadrados.

b1 = la pendiente o el coeficiente de regresión.

Mejore el ajuste mediante la inclusión de una intersección en y β0 en su modelo
como y=β0+β1x. Calcule β0 rellenando x con una columna de unos y utilizando el
operador \.
2.3. https://www.mathworks.com/help/matlab/ref/mldivide.html
Ejercicio: System of Equations
mldivide, \: Permite resolver sistemas de ecuaciones lineales Ax = B para x. Las

matrices A y B deben tener el mismo número de filas.  

2.4. https://www.mathworks.com/help/matlab/ref/polyfit.html
Ejercicio: Fit Polynomial to Set of Points
p = polyfit(x,y,n) devuelve los coeficientes de un polinomio p(x) de grado n que mejor
encajen (o que tengan los mínimos cuadrados) con los datos de y. Los coeficientes
de p están en potencias descendentes y la longitud de p es n+1

Ejecición:

Genere 10 puntos equidistantes en una curva sinusoidal del intervalo [0,4*pi].

Ajustar un polinomio a un grupo de puntos

Cree un vector de 5 puntos equidistantes en el intervalo [0,1] y evalúe y(x)=(1+x)−1 en

esos puntos.
Bibliografía:
carlos velazco (Director). (2013, mayo 7). Ecuación de regresion exponencial.

https://www.youtube.com/watch?v=jqub1i15B0Q

MathJeasy (Director). (2021, marzo 15). Regresión Cuadrática y=ax2+bx+c.

https://www.youtube.com/watch?v=sIzdZDnsS8k

Mínimos cuadrados. (2022). En Wikipedia, la enciclopedia libre. https://es.wikipedia.org/w/index.php?

title=M%C3%ADnimos_cuadrados&oldid=147049961

Rocio Salas Laines (Director). (2018, junio 9). Regresión Lineal Simple (Parte 1).

https://www.youtube.com/watch?v=gfs5bp2j_bA