Page 514 - Chapra y Canale. Metodos Numericos para Ingenieros 5edición_Neat
P. 514

490                     REGRESIÓN POR MÍNIMOS CUADRADOS

                                      17.4.1  Formulación general de una matriz para mínimos
                                              cuadrados lineales
                                      En las páginas anteriores presentamos tres tipos de regresión: lineal simple, polinomial
                                      y lineal múltiple. De hecho, las tres pertenecen al siguiente modelo lineal general de
                                      mínimos cuadrados:

                                         y = a z  + a z  + a z  + · · · + a z  + e                    (17.23)
                                                        2 2
                                                  1 1
                                             0 0
                                                                  m m
                                      donde z , z , … , z  son m + 1 funciones diferentes. Se observa con facilidad cómo la
                                              1
                                            0
                                                    m
                                      regresión lineal simple y múltiple se encuentran dentro de este modelo; es decir, z  = 1,
                                                                                                       0
                                      z  = x , z  = x , …, z  = x . Además, la regresión polinomial se incluye también si las z
                                          1
                                                2
                                                          m
                                                      m
                                             2
                                      1
                                                                                         m
                                                                                 2
                                                                  0
                                      son monomios simples como z  = x  = 1, z  = x, z  = x ,…, z  = x .
                                                                                     m
                                                              0
                                                                       1
                                                                             2
                                         Observe que la terminología “lineal” se refiere sólo a la dependencia del modelo
                                      sobre sus parámetros (es decir, las a). Como en el caso de la regresión polinomial, las
                                      mismas funciones llegan a ser altamente no lineales. Por ejemplo, las z pueden ser se-
                                      noidales, como en
                                         y = a  + a  cos (wt) + a  sen (wt)
                                                            2
                                                 1
                                             0
                                      Esta forma es la base del análisis de Fourier que se describe en el capítulo 19.
                                         Por otro lado, un modelo de apariencia simple como
                                         f(x) = a  (1 – e –a1x )
                                               0
                                      es no lineal porque no es posible llevarlo a la forma de la ecuación (17.23). Regresaremos
                                      a tales modelos al final de este capítulo.
                                         Mientras tanto, la ecuación (17.23) se expresa en notación matricial como
                                         {Y} = [Z]{A} + {E}                                           (17.24)
                                      donde [Z] es una matriz de los valores calculados de las funciones z en los valores me-
                                      didos de las variables independientes,
                                                   z      z ⎤
                                               z ⎡ 01  11   m1
                                              ⎢              ⎥
                                              ⎢ z 02  z 12  z  m2 ⎥
                                              ⎢  ⋅  ⋅   ⋅     ⎥
                                         []Z = ⎢              ⎥
                                              ⎢  ⋅  ⋅   ⋅     ⎥
                                              ⎢  ⋅  ⋅   ⋅     ⎥
                                              ⎢               ⎥
                                              ⎣ z ⎢ 0  n  z 1 n    z ⎥
                                                            mn ⎦
                                      donde m es el número de variables en el modelo y n es el número de datos. Como n > m
                                      + 1, usted reconocerá que, la mayoría de las veces, [Z] no es una matriz cuadrada.
                                         El vector columna {Y} contiene los valores observados de la variable dependiente
                                         {Y}  = ⎣ y   y   · · ·  y ⎦
                                            T
                                                     2
                                                 1
                                                             n


                                                                                                         6/12/06   13:57:18
          Chapra-17.indd   490                                                                           6/12/06   13:57:18
          Chapra-17.indd   490
   509   510   511   512   513   514   515   516   517   518   519