El estimador de mínimos cuadrados minimiza ( | \mathbfF - \mathbfA k |^2 ). La solución normal: [ k = (\mathbfA^T \mathbfA)^-1 \mathbfA^T \mathbfF ] [ \mathbfA^T \mathbfA = 1^2+2^2+3^2+4^2 = 30 ] [ \mathbfA^T \mathbfF = 1\cdot2.1 + 2\cdot4.0 + 3\cdot6.2 + 4\cdot7.9 = 2.1+8.0+18.6+31.6 = 60.3 ] [ k = \frac60.330 = 2.01 \ \textN/m ]
El modelo directo: ( F_i = k x_i ). En forma matricial: ( \mathbfF = \mathbfA k ), con ( \mathbfA = [1, 2, 3, 4]^T ). analisis inverso ejercicios resueltos
1. Introducción al Problema Inverso En ciencias e ingeniería, normalmente estamos acostumbrados al problema directo : conocemos las causas (parámetros, condiciones iniciales, propiedades de un material) y queremos predecir los efectos (respuesta, desplazamientos, temperaturas). Sin embargo, existe una familia de problemas más complejos y fascinantes: los problemas inversos . El estimador de mínimos cuadrados minimiza ( |
Minimizar ( | \mathbfA\mathbfx - \mathbfb |^2 + \lambda | \mathbfx |^2 ). La solución: [ \mathbfx_\lambda = (\mathbfA^T \mathbfA + \lambda \mathbfI)^-1 \mathbfA^T \mathbfb ] [ \mathbfA^T \mathbfA = \beginpmatrix 2 & 2.01 \ 2.01 & 2.0201 \endpmatrix ] [ \mathbfA^T \mathbfA + 0.1\mathbfI = \beginpmatrix 2.1 & 2.01 \ 2.01 & 2.1201 \endpmatrix ] Invertimos (numéricamente) y multiplicamos por ( \mathbfA^T \mathbfb = \beginpmatrix 4.02 \ 4.0602 \endpmatrix ). Resultado aproximado: ( \mathbfx \approx (0.95, 1.05) ). Minimizar ( | \mathbfA\mathbfx - \mathbfb |^2 +