Tema VI - Ajuste de Curvas

Análisis Numérico
Carrera:
Ingeniería Civil
Tema VI:
Ajuste de Curvas
Catedrático:
Julio A. Baide Larios
INTRODUCCION
Es común que los datos se dan como valores discretos a lo largo de un

medio continuo. Sin embargo, en algunos casos se requiera la estimación de
un punto entre valores discretos. En este tema se describen las técnicas
para ajustar curvas a estos datos para obtener estimaciones intermedias.
Además, puede ser que se necesite la versión simplificada de una función

complicada. Una manera de hacerlo es calcular valores de la función en un
número discreto de valores en el intervalo de interés. Después, se obtiene
una función más simple para ajustar dichos valores. Estas dos aplicaciones se
conocen como ajuste de curvas.
INTRODUCCION
Los métodos de ajuste de curvas que se estudiarán son los siguientes:
•Regresión Lineal
•Regresión Polinomial
•Interpolación de Newton
•Polinomios de Interpolación de Lagrange

REGRESIÓN LINEAL
El Método de Regresión Lineal, también se conoce como Aproximación por

Mínimos Cuadrados.
El método consiste en hallar una línea recta que pase entre el conjunto de
datos dados.
La expresión de una línea recta es: y = a1x + a0
Pero la recta a trazar va a generar un error E: y = a1x + a0 + E
Quedando definido el error como: E = y – a1x – a0
El error (o Residuo) es la diferencia entre el valor real de y, y el valor

aproximado.
REGRESIÓN LINEAL
Figura 6.2:
Regresión Lineal
El método utiliza las siguientes ecuaciones para determinar la ecuación de la recta:
Ec. 6-2
Ec. 6-1
Donde:
Ec. 6-3 Ec. 6-4 x: Media de valores de x.

y: Media de valores de y.
REGRESIÓN LINEAL
La desviación estándar total se calcula con la siguiente formula:
Ec. 6-5 Ec. 6-6
Se cuantifica la dispersión alrededor de la desviación estándar del estimado:
Ec. 6-7 Ec. 6-8
La eficiencia del ajuste se cuantifica con el Coeficiente de Determinación:
Ec. 6-9
Y el Coeficiente de Correlación:
Ec. 6-10
REGRESIÓN LINEAL
Ejemplo 6-1: Regresión Lineal
Determinar el ajuste de una recta de los valores de la tabla por Regresión

Lineal o Método de los Mínimos Cuadrados. Calcule el error estándar total,
error estándar del estimado y el coeficiente de correlación.
Solución:
Se amplía la tabla para calcular los resultados parciales:

Se utiliza la ecuación 6-1 para calcular a1:
Se utiliza la ecuación 6-3 para calcular y:
Se utiliza la ecuación 6-4 para calcular x:
Se utiliza la ecuación 6-2 para calcular a0:

Respuesta:
Pare determinar el error estándar total, error estándar del estimado y el

coeficiente de correlación, se desarrolla la siguiente tabla:
Error estándar total (Ec 6-5 y 6-6):
Error estándar del estimado (Ec 6-7 y 6-8)
Como sy/x < sy, el modelo de regresión lineal es adecuado.
La mejora se puede cuantificar mediante Ec 6-9:
Coeficiente de correlación (Ec 6-10):
Los resultados indican que el modelo lineal explicó el 86.8% de la

incertidumbre original.
REGRESIÓN POLINOMIAL
En algunos casos, las tendencias de las ecuaciones se representan

mejor ajustando una curva a los datos presentados, y siendo una línea
recta una representación pobre del patrón.
Figura 6.2 – Regresión Polinomial

El procedimiento de Regresión Lineal se ajusta a un polinomio de un m-ésimo

grado.
La suma de los cuadrados de los residuos es:
Se deriva con respecto a cada coeficiente:

El sistema de ecuaciones resultante se puede resolver aplicando

cualquiera de los métodos estudiados anteriormente, con m+1
ecuaciones y m+1 incógnitas.
Ejemplo 6-2: Regresión Polinomial
Ajústese un polinomio de 2do orden a los siguientes datos:
n: Cantidad de datos
M: Grado del polinomio
Solución:
Aplicar las fórmulas expuestas anteriormente:

Se arma el sistema de ecuaciones:
Resolviendo se obtiene: La ecuación queda:

INTERPOLACIÓN DE NEWTON
El Polinomio de Interpolación de Newton consiste en determinar el

único polinomio de n-ésimo orden que se ajusta a los n+1 puntos
dados.
Este polinomio proporciona una fórmula para calcular los valores

intermedios.
Interpolación Lineal
La forma más simple de interpolación es la de conectar dos puntos

con una línea recta.
Usando triángulos semejantes:
Reordenando se obtiene:
Ec. 6-11
Figura 6.3 – Interpolación Lineal
La ecuación 6-11 es una ecuación de interpolación lineal. La notación f1(x)

designa que éste es un polinomio de interpolación de primer grado.
Además de representar la pendiente de la línea que une los puntos, el término
[f(x1) – f(x0)] / (x1 – x0) es una aproximación en diferencia dividida finita a la
primer derivada.
Ejemplo 6-3: Interpolación Lineal
Estime el logaritmo natural de 2 mediante interpolación lineal. Primero,

realice el cálculo por interpolación entre ln 1 = 0 y ln 6 = 1.791759.
Después, repita el procedimiento, pero use un intervalo menor de ln 1 a ln 4

(1.386294). Observe que el valor verdadero de ln 2 es 0.6931472.
Solución:
Utilizar la ecuación 6-11 y una interpolación lineal para ln(2) desde x0 = 1
hasta x1 = 6 para obtener:
que representa un error: t = 48.3%.

Ejemplo 6-3: Interpolación Lineal
Con el intervalo menor desde x0 = 1 hasta x1 = 4 se obtiene:
Así, usando el intervalo más corto el error relativo porcentual se reduce a

t = 33.3%.
Figura 6.4 – Interpolaciones lineales para estimar ln 2.

Interpolación Cuadrática
El error tan grande en el ejemplo anterior se debe al uso de una línea

recta para aproximar una curva.
Con 3 datos, se puede emplear un polinomio cuadrático:
f2(x) = b0 + b1(x-x0) + b2(x-x0)(x-x1)
Figura 6.3 – Interpolación Polinomial

Por sistema de ecuaciones, se obtienen:
Ec. 6-12 Ec. 6-13
Ec. 6-14
Ejemplo 6-4: Interpolación Polinomial
Ajústese el polinomio de 2do grado a los tres puntos dados, para hallar
ln 2.
Solución:
INTERPOLACIÓN DE LAGRANGE
El Polinomio de Interpolación de Lagrange es una reformulación del Polinomio

de Newton, que evita los cálculos de las diferencias divididas. Existe una versión
lineal y una cuadrática.
Versión Lineal:
Ec. 6-15
Figura 6.3 – Interpolación de Lagrange.

Versión Lineal
Versión Cuadrática:
Ec. 6-16
Figura 6.4 – Interpolación de Lagrange.

Versión Cuadrática
Ejemplo 6-4: Interpolación Lagrange – Versión Cuadrática
Úsese el Polinomio de Interpolación de Lagrange de 1er y 2do Orden para

evaluar ln 2, en base a los datos:
Ejemplo 6-4: Interpolación Lagrange – Versión Cuadrática

Tema VI - Ajuste de Curvas

Cargado por

Copyright:

Formatos disponibles

Tema VI - Ajuste de Curvas

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema VI - Ajuste de Curvas

Cargado por

Copyright:

Formatos disponibles

Análisis Numérico

Es común que los datos se dan como valores discretos a lo largo de un

Además, puede ser que se necesite la versión simplificada de una función

Los métodos de ajuste de curvas que se estudiarán son los siguientes:

•Polinomios de Interpolación de Lagrange

El Método de Regresión Lineal, también se conoce como Aproximación por

La expresión de una línea recta es: y = a1x + a0

Pero la recta a trazar va a generar un error E: y = a1x + a0 + E

Quedando definido el error como: E = y – a1x – a0

El error (o Residuo) es la diferencia entre el valor real de y, y el valor

El método utiliza las siguientes ecuaciones para determinar la ecuación de la recta:

Ec. 6-3 Ec. 6-4 x: Media de valores de x.

La desviación estándar total se calcula con la siguiente formula:

Ec. 6-5 Ec. 6-6

Se cuantifica la dispersión alrededor de la desviación estándar del estimado:

Ec. 6-7 Ec. 6-8

La eficiencia del ajuste se cuantifica con el Coeficiente de Determinación:

Ejemplo 6-1: Regresión Lineal

Determinar el ajuste de una recta de los valores de la tabla por Regresión

Se amplía la tabla para calcular los resultados parciales:

Se utiliza la ecuación 6-3 para calcular y:

Se utiliza la ecuación 6-4 para calcular x:

Se utiliza la ecuación 6-2 para calcular a0:

Pare determinar el error estándar total, error estándar del estimado y el

Error estándar total (Ec 6-5 y 6-6):

Error estándar del estimado (Ec 6-7 y 6-8)

Como sy/x < sy, el modelo de regresión lineal es adecuado.

La mejora se puede cuantificar mediante Ec 6-9:

Coeficiente de correlación (Ec 6-10):

Los resultados indican que el modelo lineal explicó el 86.8% de la

En algunos casos, las tendencias de las ecuaciones se representan

Figura 6.2 – Regresión Polinomial

El procedimiento de Regresión Lineal se ajusta a un polinomio de un m-ésimo

La suma de los cuadrados de los residuos es:

Se deriva con respecto a cada coeficiente:

El sistema de ecuaciones resultante se puede resolver aplicando

Ejemplo 6-2: Regresión Polinomial

Ajústese un polinomio de 2do orden a los siguientes datos:

Aplicar las fórmulas expuestas anteriormente:

Se arma el sistema de ecuaciones:

Resolviendo se obtiene: La ecuación queda:

El Polinomio de Interpolación de Newton consiste en determinar el

Este polinomio proporciona una fórmula para calcular los valores

La forma más simple de interpolación es la de conectar dos puntos

Usando triángulos semejantes:

Figura 6.3 – Interpolación Lineal

La ecuación 6-11 es una ecuación de interpolación lineal. La notación f1(x)

Ejemplo 6-3: Interpolación Lineal

Estime el logaritmo natural de 2 mediante interpolación lineal. Primero,

Después, repita el procedimiento, pero use un intervalo menor de ln 1 a ln 4

Utilizar la ecuación 6-11 y una interpolación lineal para ln(2) desde x0 = 1

hasta x1 = 6 para obtener:

que representa un error: t = 48.3%.

Con el intervalo menor desde x0 = 1 hasta x1 = 4 se obtiene:

Así, usando el intervalo más corto el error relativo porcentual se reduce a

Figura 6.4 – Interpolaciones lineales para estimar ln 2.

El error tan grande en el ejemplo anterior se debe al uso de una línea

Con 3 datos, se puede emplear un polinomio cuadrático:

f2(x) = b0 + b1(x-x0) + b2(x-x0)(x-x1)

Figura 6.3 – Interpolación Polinomial