clase nº 2 - ayudasingenieria · 2021. 2. 3. · regresión por mínimos cuadrados • regresión...
TRANSCRIPT
![Page 1: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/1.jpg)
Unidad 5
Ajuste de curvas
![Page 2: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/2.jpg)
Aplicaciones:• Análisis de la tendencia: Predecir valores
de la variable dependiente –interpolar o extrapolar-.
• Prueba de hipótesis: Validar un modelo matemático existente con los resultados experimentales o adecuar el modelo a los datos.
• Integración, solución aproximada de ecuaciones diferenciales, etc.
![Page 3: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/3.jpg)
Métodos:
• Cuando hay errores en los valores datos, no es posible acompañarlos y es relevante predecir: – Tendencia Regresión por mínimos
cuadrados y otros
• Si los datos son muy precisos, es importante acompañarlos (Interpolación):– Interpolación lineal
– Interpolación de Newton
– Interpolación de Lagrange
![Page 4: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/4.jpg)
![Page 5: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/5.jpg)
Regresión por mínimos cuadrados
• Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores de y son variables aleatorias independientes y todas tienen la misma varianza, lo valores de y para una x dada deben estar distribuidos normalmente
• Regresión polinomial: Limitar a polinomios de grados inferiores para evitar el error de redondeo de las ecuaciones normales mal condicionadas en sus coeficientes de grado superior
• Regresión no lineal: Método de Gauss Newton
![Page 6: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/6.jpg)
Encontrando el ajuste más adecuado
Datos
Interpolación
Regresión
![Page 7: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/7.jpg)
Ajustar minimizando la discrepancia entre los puntos y la curva: Regresión Lineal
e: error o residuo -discrepancia-
Minimizar la suma de
los errores:
Criterio inadecuado: cualquier línea recta (excepto una vertical) que pase por el punto hace que el error sea cero.
![Page 8: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/8.jpg)
Ajustar minimizando la discrepancia entre los puntos y la curva: Regresión Lineal
Minimizar la suma de los valores absolutos de los errores:
Criterio inadecuado: cualquier línea recta que esté comprendida entre las líneas punteadasminimizará el valor absoluto de la suma.
![Page 9: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/9.jpg)
Ajustar minimizando la discrepancia entre los puntos y la curva: Regresión Lineal
Minimizar la máxima distancia a que un punto se encuentra de la línea
Criterio inadecuado: da excesiva influencia a puntos fuera del conjunto.
![Page 10: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/10.jpg)
Ajustar minimizando la discrepancia entre los puntos y la curva: Regresión Lineal
Minimizar la suma de los cuadrados de los errores:
Criterio Correcto: se obtiene una línea única para un conjunto de datos.
![Page 11: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/11.jpg)
Ajuste de una línea recta por mínimos cuadrados
![Page 12: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/12.jpg)
![Page 13: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/13.jpg)
Error en la regresión lineal
![Page 14: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/14.jpg)
Error estándar del estimado: Sy/x
siendo:
![Page 15: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/15.jpg)
![Page 16: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/16.jpg)
Error en la regresión lineal: coeficiente de correlación
Coeficiente de determinación
donde:
Coeficiente de correlación:
![Page 17: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/17.jpg)
Ejemplo 17.3, pág. 475
• Analizar el desempeño de dos modelos para la velocidad del paracaidista:
v t =g mc
1−e−cmt
Modelo 1 - analítico
v t =g mc t3,75t Modelo 2 - empírico
• Planilla de cálculo: 17_3.ods
![Page 18: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/18.jpg)
Linealización de relaciones no lineales
![Page 19: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/19.jpg)
modeloexponencial
modelo depotencias
modelo de razón delcrecimiento
![Page 20: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/20.jpg)
Ejemplo 17.4, pág. 480
Ajustar un modelo de potencias a los datos de la tabla:
• Planilla de cálculo: 17_4.ods
![Page 21: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/21.jpg)
Regresión polinomial (cuadrática)
Polinomio de regresión cuadrática:
Ecuaciones normales
![Page 22: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/22.jpg)
Regresión polinomial de grado m
Polinomio de regresión de grado m:
Realizando el mismo procedimiento utilizado en la regresión cuadrática, se obtiene un sistema de m ecuaciones normales, cuyas incógnitas son: a0, a1, …..am.
Error estándar:
![Page 23: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/23.jpg)
Ejemplo 17.5, pág. 484
![Page 24: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/24.jpg)
• Planilla de cálculo: 17_5.ods
![Page 25: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/25.jpg)
Algoritmo para la regresión polinomial
![Page 26: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/26.jpg)
Regresión lineal múltiple
![Page 27: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/27.jpg)
Problemas 17.1 a 17.29 pag. 499
![Page 28: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/28.jpg)
Interpolación
• Interpolación polinomial de Newton en diferencias divididas: lineal, cuadrática, polinomial
• Polinomios de interpolación de Lagrange
• Interpolación mediante trazadores: lineales, cuadráticos (splines), cúbicos
![Page 29: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/29.jpg)
Interpolación lineal
![Page 30: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/30.jpg)
Ejemplo 18.1
![Page 31: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/31.jpg)
![Page 32: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/32.jpg)
Interpolación cuadrática
• Se necesitan 3 puntos
f 2(x)=b0+b1( x−x0)+b2(x−x0)(x−x1)
• Si x = x0, b0 = f(x0)
• Se reemplaza en la anterior y se evalúa en x = x1
• Se reemplaza en la anterior y se evalúa en x = x2
![Page 33: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/33.jpg)
Interpolación cuadrática
f 2 x=b0b1 x−x0b2 x−x0 x−x1
b0= f x0
b1=f x1− f x0
x1−x0
b2=
f x2− f x1
x2−x1−f x1− f x0
x1−x0x2−x0
![Page 34: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/34.jpg)
Ejemplo 18.2
• Ajuste un polinomio de 2do grado a los datos del ejemplo 18.1
– x0 = 1 , f(x0) = 0
– x1 = 4 , f(x1) = 1.386294
– x2 = 6 , f(x2) = 1.791759
![Page 35: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/35.jpg)
![Page 36: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/36.jpg)
Forma general de los polinomios de interpolación de Newton
![Page 37: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/37.jpg)
![Page 38: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/38.jpg)
Ejemplo 18.3 Polinomios de interpolación de Newton en diferencias divididas
![Page 39: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/39.jpg)
![Page 40: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/40.jpg)
• Planilla de Cálculo: 18_3.ods
![Page 41: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/41.jpg)
Errores en la interpolación polinomial de Newton
![Page 42: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/42.jpg)
Polinomios de interpolación de Lagrange
![Page 43: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/43.jpg)
![Page 44: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/44.jpg)
Algoritmo del método de Lagrange
• Código en Octave: Lagrange.m (función) pruebaLagr.m (principal)
• Código en Python: Lagrange.py (función) pruebaLagr.py (principal)
• Planilla de Cálculo: lagrange.ods
![Page 45: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/45.jpg)
Ejemplo 18.7: Interpolación de Lagrange empleando la computadora
![Page 46: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/46.jpg)
• Código en Python: Lagrange_pol.py (función) 18_7.py (principal)
• Planilla de Cálculo: 18_7.ods
![Page 47: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/47.jpg)
Interpolación mediante trazadores (splines)
![Page 48: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/48.jpg)
![Page 49: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/49.jpg)
![Page 50: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/50.jpg)
![Page 51: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/51.jpg)
![Page 52: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/52.jpg)
![Page 53: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/53.jpg)
![Page 54: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/54.jpg)
![Page 55: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/55.jpg)
![Page 56: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/56.jpg)
![Page 57: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/57.jpg)
![Page 58: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/58.jpg)
![Page 59: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/59.jpg)
Estudio de casos
![Page 60: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/60.jpg)
![Page 61: Clase nº 2 - ayudasingenieria · 2021. 2. 3. · Regresión por mínimos cuadrados • Regresión lineal: Cada x tiene un valor fijo, no es aleatorio y se conoce sin error, lo valores](https://reader036.vdocuments.net/reader036/viewer/2022071518/613c40304c23507cb635430b/html5/thumbnails/61.jpg)