Universidad Nacional de Ingeniera Facultad de Ciencias

Fsica Computacional CC0 !

Interpolacion y extrapolacion numerica y Ajuste de datos

Prof: J. Solano 2012-I
Fisica Computacional - CC063

La interpolacin y extrapolacin numrica es quizs una de las herramientas ms utilizadas en aplicaciones numricas a la Fsica. La situacin frecuente es de una funcin f de un conjunto de puntos x1,...,xn, donde falta una forma analtica. La funcin f puede representar algunos puntos de datos del experimento o el resultado de una computacin a gran escala de una magnitud fsica que no se puede con ertir en una forma analtica sencilla. ! continuacin, puede ser necesario e aluar la funcin f en alg"n punto x en el conjunto de datos x1,...,xn, pero donde x se diferencia de los alores ta#ulados. $n este caso se trata de una interpolacin. %i x est fuera nos quedamos con el pro#lema ms preocupante, de extrapolacin numrica. ! continuacin nos centraremos en dos mtodos de interpolacin y extrapolacin, es decir, la interpolacin polinmica y la extrapolacin y el enfoque de qu#ic spline interpolacin. Fisica Computacional - CC063 2

Introduccin

Introduccin
&omo ejemplo, considere una fuente radiacti a y un detector, el cual cuenta el n"mero de desintegraciones. &on el fin de determinar la ida media de esta fuente, se cuenta el n"mero de desintegraciones '(,'),'*,...,'+ en instantes t(,t),t*,...,t+. $n este caso t sera la aria#le independiente, que se espera elegir de tal manera que sea adecuado para su pro#lema. %in em#argo, lo que se mide es un conjunto discreto de pares de n"meros ,t+,'+- en el rango de ,t(,t+-. &on el fin de extraer informacin de un experimento, nos gustara ser capaces de encontrar una funcin analtica que nos dara ' para cualquier punto ar#itrario elegido t. ! eces encontrar una funcin analtica es imposi#le, o aun si la funcin fuese conocida, consume demasiado tiempo calcularla o slo nos interesa una peque.a regin local de la aria#le independiente.
Fisica Computacional - CC063

Introduccin
/ara ilustrar este punto, asumiremos que la fuente radiacti a es *0) !m, un emisor. %u ida media es de )1*203( a.os. $s e idente que no se puede determinar )1* mediante la medicin de la misma. &omo el decaimiento es muy lento pro#a#lemente mediremos la acti idad durante un perodo de tiempo largo, por ejemplo todos los lunes durante algunos meses. 4espus de cinco meses pararas y miraras los datos. 5na pregunta que queremos responder es6 7cul era la acti idad el 8ircoles de la tercera semana9 &omo este da est dentro del rango ,t(,t+- utilizaras tcnicas de interpolacin para determinar este alor. %i, por el contrario, desea conocer la acti idad de ocho meses desde la finalizacin de la medicin, extrapolarias a este punto desde la anterior serie de medidas.
Fisica Computacional - CC063

Interpolacin y Extrapolacin
La idea de la interpolacin es seleccionar una funcin g,x- tal que g,x i-2fi para c1pto i de datos y que esta funcin sea una #uena aproximacin para cualquier otro x que se encuentre entre los puntos de datos originales. /ero, 7qu podemos considerar como una #uena aproximacin a los datos originales, si no tenemos la funcin original9 4e#ido a que los puntos de datos puede ser interpolados por un n"mero infinito de funciones, se de#e tener alg"n criterio o gua para seleccionar una funcin razona#le. $n matemtica hay teoremas de anlisis de funciones, incluyendo interpolacin con anlisis de errores. &omo regla estos mtodos se #asan en :sua idad: de las funciones interpoladas. ;#s6 4e#ido a que se miden puntos discretos, hay que tener mucho cuidado con el espaciamiento de la aria#le independiente. %i estos puntos estn demasiado lejos, se perder la informacin en el medio y su prediccin a partir de la interpolacin sera inutil , er fig-.

Fisica Computacional - CC063

Fisica Computacional - CC063

Metodo de Interpolacin de Lagrange

&omo un primer paso en la interpolacin nos fijamos en la interpolacin de Lagrange. $sto nos ayudar a entender los principios de mtodos de interpolacin ms complicadas como el algoritmo de 'e ille. $l mtodo se #asa en el hecho de que en un inter alo finito <a,#= una funcin f,x- siempre puede ser representada por un polinomio /,x-. 'uestra tarea ser encontrar este polinomio /,x-, desde el conjunto de puntos (xi,f(xi)). %i tenemos slo dos de estos pares, la interpolacin es clara y estamos seguros de que lo han utilizado en algun experimento de la#oratorio antes, mirando hacia arri#a los alores ta#ulados y determinando un punto entre dos alores indicados. $chemos un istazo a la presin de apor de 0>e como una funcin de la temperatura , er fig-. $n la literatura se encuentran alores de ta#la como estos pero quieres sa#er la presion a 3o?

Fisica Computacional - CC063

Presin de vapor 4He vs emperatura

Fisica Computacional - CC063

Metodo de Interpolacin de Lagrange

La forma mas directa es hacer una interpolacion lineal y=a+bx entre los dos puntos ( x ), y ) ( x ) ) ) y ( x *, y * ( x * ) ) dando6 y* ( x*) y) ( x))
b= x * x ) y * ( x * ) y) ( x) ) x * x)

a=y 1 ( x ) ) x )

$sto nos da6

y ( x) =

x x* x) x *

y ) ( x)) +

x x) x * x)

y* ( x*)

5sando la interpolacion da *).@A) +/a, mientras que la parametrizacion da *).BCB +/a. /ara mejorar el resultado se puede usar un polinomio de * do grado y una interpolacion cuadratica ,$j6 erificar-.
y ( x) =

( x x *) ( x x 3) ( x ) x * ) ( x ) x 3 )

y )( x )) +

( x x )) ( x x 3) ( x * x )) ( x * x 3)

y* ( x* ) +

( x x) ) ( x x * ) ( x 3 x) ) ( x 3 x * )

y3 ( x3)

5sando los puntos *.@, *.C y 3.* +/a, la presion para 3 o? es ahora *).DA) +/a. $l siguiente paso seria usar cuatro puntos y construir un polinomio de 3 er grado.
Fisica Computacional - CC063

Metodo de Interpolacin de Lagrange

$n general podemos escri#ir para la interpolacion en terminos de un polinomio6
N

P(x) =

k ( x ) f ( xk )
k= )

donde6
k ( x ) =

N j= ) k N j= ) k

( x x j)

( xk x j)

que es la formula de la interpolacion de Lagrange. $ste es un polinomio que tiene los alores y+,x+- para + 2 ), *, E , '

Fisica Computacional - CC063

10

!lgoritmo de "eville
Fuena manera de encontrar el polinomio de interpolacin. $n este mtodo usamos interpolaciones lineales entre iteraciones sucesi as. $l grado del polinomio ser simplemente el n"mero de iteraciones que hemos hecho. %uponga que hay cinco mediciones de presin de apor / i,Gi- en cinco diferentes temperaturas Gi y te gustara encontrar la presin de apor para una temperatura G intermedio. La primera ersin es para determinar un polinomio lineal / ij lineal entre puntos ecinos para todos los alores que tenemos6

Fisica Computacional - CC063

11

!lgoritmo de "eville
La siguiente iteracion sera nue amente interpolacion lineal pero ahora entre esos puntos intermedios6

'uestra interpolacion es ahora de grado *. /odemos continuar hasta un polinomio de grado 0 que nos da el punto final /)*30B

Fisica Computacional - CC063

12

Lagrange#cc

Fisica Computacional - CC063

13

Interpolacin Lineal
La idea es aproximar el alor de f en x, por un alinea recta pasando por los puntos x n y xnH) mas proximos a x6
g ( x ) = a( + a) x

donde a( y a) son coeficientes de funciones lineales, q se hallan del sistema de ecuaciones

g ( x j) = f g ( x j+ ) ) = f
j

= a( + a) x j = a ( + a ) x j+ )

j+ )

Iesol iendo el sistema para a( y a) la funcion g,x- toma la forma

g (x) = f j + x x j x j+ ) x j

(f

j+ )

en el inter alo <xj,xjH)=.

/ara mejor precision hay que tomar los puntos x j y xjH) mas cercanos a x. La interpolacion lineal tam#ien puede escri#irse
g (x) = f x x j+ ) + f x j x j+ ) x x j x j+ ) x j

j+ )

Fisica Computacional - CC063

14

Interpolacin Lineal $Ej% &$x'(sin$x ''

)

JL6 #ien para funciones Ksua esL donde las deri adas * da y mayores son pequenhas. /ara c1inter alo diferentes coeficientes a( y a). 4iferencia con ajuste de datos ,fitting-, que usa los mismo coeficientes en todo el inter alo <x ),xn=
Fisica Computacional - CC063

15

Interpolacin Polinomial
8etodo popular por su simplicidad6
g ( x ) = a ( + a ) x + a * x + . .. + a n x
* n

La condicion que el polinomio g,x- pase por los puntos de la muestra f j,xjf
j

( x j)

= g ( x j) = a( + a) x j + a* x j + . . . + an x j

genera sistema de nH) ecs lineales para determinar coeficientes aj. $l numero de puntos de datos, menos uno, usados en la interpolacion define el orden de la interpolacion. Jnterpolacion lineal ,o de dos puntos- es la interpolacion de ) er orden. 4el cap. de matrices se puede resol er un sist de ecs lineales, pero tam#ien hay otra forma, por interpolacion polinomial. &onsideremos interpolacion de tres puntos ,* do orden- p13ptos ,xj, fj- con j, jH), jH*6
f f f
j+ ) j

( x j ) = a ( + a ) x j + a * x *j

( x j+ ) ) = a ( + a ) x j+ ) + a * x *j+ ) ( x j+ * ) = a ( + a ) x j+ * + a * x *j+ *

j+ *

Fisica Computacional - CC063

16

Interpolacin Polinomial $cont#'

%e resuel e el sistema para coeficientes a(, a), a*, dando6
g (x) = f

( x x j+ ) ) ( x x j+ * ) + f j ( x j x j+ ) ) ( x j x j+ * )

( x x j ) ( x x j+ * ) + f j+ ) ( x j+ ) x j ) ( x j+ ) x j+ * )

( x x j ) ( x x j+ ) ) j+ * ( x j+ * x j ) ( x j+ * x j+ ) )

&omparando con la interpolacion lineal, podemos escri#ir la interpolacion polinomial de grado n, a tra es de nH) puntos
g (x) = f
)

( x x * ) ( x x 3 ) . . . ( x x n+ ) ) ( x ) x * ) ( x ) x 3 ) . . . ( x ) x n+ ) )

( x x ) ) ( x x 3 ) . . . ( x x n+ ) ) * ( x * x ) ) ( x * x 3 ) . . . ( x * x n+ ) )
n+ )

+ .. . +

( x x) ) ( x x * ) . . . ( x x n ) ( x n+ ) x ) ) ( x n+ ) x * ) . . . ( x n+ ) x n )

que es la formula clasica de Lagrange para interpolacion polinomial. $n la figura se en aplicaciones de interpolacion polinomial de ) ro, 3er, Bto y Amo orden. $n el Amo orden se en oscilaciones. Iegla6 no usar interpolaciones de orden grande. Limite practico B to orden ,caso contrario usar otro metodoFisica Computacional - CC063

17

Interpolacin Polinomial ) $Ej% &$x'(cos$*x'+,-#4 . $x/)' 0'

Fisica Computacional - CC063

18

Interpolacin Polinomial ) $Ej% &$x'(cos$*x'+,-#4 . $x/)' 0'

Fisica Computacional - CC063

19

Interpolacin de 1pline
/ro#lema en interpolacion polinomial6 discontinuidad de las deri adas en los puntos x j. 8ejora6 interpolacion de spline 5sa informacion de todos los puntos de datos ,informacion no local- para garantizar total KsmoothnessL en la funcion interpolada a cierto orden de deri adas. $s como asegurar una tira de material elstico ,metal o regla de plstico- entre nudos ,o cla os-. La forma final es #astante sua e. 1plines cu2icos son el metodo mas popular. La funcion interpolada en inter alo <x j,xjH)= 6
g (x) = f
j

+ b j ( x x j ) + c j ( x x j ) + d

( x x j)

/ara c1inter alo se necesita un conjunto de 3 parametros6 # j, cj, dj. &omo hay nM) inter alos, se tiene 3nM3 ecs para deri ar los coeficientes para j 2 ),...,nM). $l hecho que g j,xj- 2 fj,xjimpone ,nM)- ecs. La idea central para interpolacin spline es la idea de que la funcin interpolada g,x- tiene )ra y *da deri adas continuas en c1u de los n M * puntos interiores x j6
g' g''
j 1

( x j) ( x j)

= g' j ( x j ) = g''
j

$stas condicines imponen *,nM*- ecs resultando en nM)H*,nM*- 2 3nMB ecs para los coeficientes. ;tras * condiciones6 exigir fNN 2 ( en los extremos.
Fisica Computacional - CC063

j 1

( x j)

20

1pline cu2ico $Ej% &$x'(sin$x''

Fisica Computacional - CC063

21

1pline cu2ico

Fisica Computacional - CC063

22

1pline cu2ico

Fisica Computacional - CC063

23

Interpolacin de 1pline
5sar6 gnuplotO plot N%pline.datN P l , NJnput.datN P p

Fisica Computacional - CC063

24

Pro2lema% ajuste $&it' de un espectro experimental

%eccin trans ersal para la dispersin de resonancia de un neutrn de un n"cleo en la Ga#la. )ra fila es la energa, *da fila la seccin experimental, y 3ra fila, la seccin trans ersal como se predijo tericamente. $l pro#lema consiste en determinar los alores de la seccin trans ersal en alores de energa entre los que se miden por el experimento. La prediccin terica es slo para fines pedaggicos.

%e puede resol er el pro#lema usando tecnicas de interpolacion, pero eso ignora la posi#ilidad de ruido ,#ac+ground- experimental en los datos. ;tra forma de er el pro#lema es comenzar con lo que creemos es la KcorrectaL descripcion teorica de los datos, y luego ajustar los parametros presentes en la teoria para o#tener el mejor KfitL de los datos. $s el mejor fit KestadisticoL pero no necesariamente pasara por todos los puntos de los datos. Fisica Computacional - CC063 25

Pro2lema% ajuste $&it' de un espectro experimental

%a#emos ,o intuimos- q la seccion trans ersal ,cross section- resonante, como funcion de energia de#e ser descrita por una funcion FreitMQigner

!juste de datos ,data fitting- puede ser glo#al o local. $n ajuste glo#al una sola f,x- es usada para representar el conjunto entero de datos. 5sar con cuidado porque la funcion puede oscilar sin sentido fisico en especial si c1dato contiene error ,incerteza- experimental o la funcion no es correcta para los datos. /ro#l. en fig6 polinomio grado @, series de polinomios grado 3, y cur a teorica de la seccion trans ersal. >allar $r, .

Fisica Computacional - CC063

26

Pro2lema% ajuste $&it' de decaimiento exponencial

Figura presenta datos de los numeros de decaimientos ' del meson como funcion del tiempo. 'ota6 el tiempo ha sido K#innedL en inter alos ,cajas, K#insL- de t 2 )(ns, y la cur a sua e da la ley teorica de decaimiento exponencial. $l pro#lema es deducir el tiempo de ida media )1* del meson p a partir de esos datos ,la medida experimental conocida es *.D x )(M@ seg-.

Fisica Computacional - CC063

27

Modelo% decaimiento exponencial

$mpezamos con un n"mero '( de partculas radiacti as en el tiempo t2( que puede decaer a otras partculas. %i se espera un tiempo t corto, entonces un n"mero peque.o ' de partculas se desintegran espontneamente, es decir, sin influencias externas. $sta descomposicin es un proceso estocstico, lo que significa que hay un elemento de azar in olucrado y las fluctuaciones son de esperar. La ley #sica de la naturaleza de decaimiento espontneo es que el n"mero ' que se desintegra en inter alo de tiempo t es proporcional al n"mero de partculas presentes ',t- en ese momento y al inter alo de tiempo.

donde es el tiempo de ida medio de la partcula. $sta ecuacin se puede organizar en una ecuacin para la tasa de decaimiento promedio

Fisica Computacional - CC063

28

Modelo% decaimiento exponencial

%i el n"mero de desintegraciones ' es muy peque.o en comparacin con el n"mero de partculas ', y si nos fijamos en los inter alos de tiempo infinitamente peque.o, entonces la ecuacin diferencial anterior se con ierte en la ecuacin diferencial $sta ecuacin diferencial tiene una solucin exponencial del n"mero, as como una solucin exponencial de la elocidad de desintegracin

$sta es la formula teorica que deseamos ajustar ,fitar- a los datos.el resultado de ese ajuste es el mejor alor para el .

Fisica Computacional - CC063

29

eoria de pro2a2ilidad $distri2ucin 2inomial'

$l campo de $stadstica es un intento de utilizar la 8atemtica para descri#ir e entos, tales como lanzamientos de moneda, en el que hay un elemento de casualidad o azar. 5n #loque de construccin #sico de las estadsticas es la funcin de distri2ucin 2inomial,

donde /F,x- es la pro#a#ilidad de que el e ento independiente ,KcarasL- se producir x eces en los ' ensayos. !qu p es la pro#a#ilidad de que ocurra un e ento indi idual, por ejemplo, la pro#a#ilidad de :caras: en cualquier lanzamiento es p 2 )1*. La aria#le ' es el n"mero de ensayos o experimentos en los que ese e ento puede ocurrir, por ejemplo, el n"mero de eces que oltear la moneda. /or moneda oltear, la pro#a#ilidad de xito p y la pro#a#ilidad de fallo ,)Mpson am#os )1*, pero en general p puede ser cualquier n"mero entre ( y ).

Fisica Computacional - CC063

30

eoria de pro2a2ilidad $distri2ucin de 3auss'

/ara mayor comodidad de clculo, los factoriales en la distri#ucin #inomial son usualmente eliminados al considerar el lmite en el que el n"mero de ensayos de 'RS. $n las estadsticas de 3auss o normal, la pro#a#ilidad p de una prue#a indi idual ,caras- sigue siendo finita cuando 'RS6

$sto produce la funcin de la fig, donde T UxO es la media y la arianza

Fisica Computacional - CC063

31

eoria de pro2a2ilidad $distri2ucin de 3auss'

$sas constantes estan relacionadas con las otras por La distri2ucin de 3auss es #uena aproximacin a distri#ucin #inomial incluso para ' tan peque.o como )(. Iepitiendo, se descri#e un experimento en que se realizan ' mediciones de la aria#le x. $l promedio de estas mediciones es , y el :error: o incertidum#re en es . &omo ejemplo, en '2)((( lanzamientos de moneda, la pro#a#ilidad de una cara es p 2 )1* y el promedio de caras de#e ser 'p 2 '1* 2 B((. &omo se muestra en la figura, la distri#ucin de Vauss tiene una anchura de modo que la distri#ucin se hace ms y ms amplia a medida que ms se hagan mas mediciones. %in em#argo, la anchura relati a, cuya in ersa da una indicacin de la pro#a#ilidad de o#tener el promedio , disminuye con '6

Fisica Computacional - CC063

32

eoria de pro2a2ilidad $distri2ucin de Poisson'

;tro lmite de la distri#ucin #inomial es la distri2ucin de Poisson. !qui, el n"mero de ensayos 'RS, sin em#argo, la pro#a#ilidad de un suceso indi idual pR( de tal manera que el producto 'p permanece finito6 La distri#ucin de /oisson descri#e experimentos de desintegracin radiacti a o intercam#ios telefonicos donde puede ha#er un gran n"mero de ensayos ,cada seg, cuando el contador est encendido-, pero una #aja pro#a#ilidad por e ento ,un decaimiento o llamada telefnica- que ocurren en este seg. La distri#ucin de /oisson es #astante asimtrica para peque.a, y de esta forma muy diferente de una distri#ucin de Vauss. /ara OO), la distri#ucin de /oisson se aproxima a una distri#ucin gaussiana.

Fisica Computacional - CC063

33

Metodo de Minimos Cuadrados

Warias definiciones de K#uen ajusteL ,good fit-6 M %i los datos contienen errores ,incertezas-, entonces el :mejor: ajuste en el sentido estadstico no necesariamente pasa por los puntos de datos. M %lo para el caso ms simple de un ajuste de mnimos cuadrados lineal, podemos escri#ir una solucin de forma cerrada para e aluar y o#tener el ajuste. /ro#lemas mas realisticos suelen resol erse por procedimientos de #"squeda de ensayo y error ,mediante su#rutinas de #i#liotecas como %L!G$&-. Jmagnese que se han medido '4 alores de la aria#le dependiente y ,X decs1t- en funcin de la aria#le independiente x6 ,xi,yi Y i-, i 2 ),..., '4. 'uestro o#jeti o es determinar qu tan #ien una funcin matemtica y 2 f ,x,tam#in llamada teora- puede descri#ir estos datos. !lternati amente, si la teora contiene algunos parmetros o constantes, nuestro o#jeti o puede ser isto como determinar las mejores alores para estos parmetros. %uponemos que la funcin modelo f ,x- contiene, adems de la dependencia funcional de x, una dependencia adicional a 8/ parmetros Za),a*,...,a8/[. /ara la funcin de decaimiento exponencial, el parmetro es el tiempo de ida .
Fisica Computacional - CC063

34

Metodo de Minimos Cuadrados

%e.alamos esto como f,x-2f,x\Za),a*,...,a8p[-2f,x\Zam['tese de que los parmetros Zam[ no son aria#les, en el sentido de los n"meros ledos desde un metro, sino ms #ien son partes del modelo terico tales como el tama.o de una caja, la masa de una partcula, o la profundidad del de un pozo de potencial. Gomamos el ,*- como indicador de qu tan #ien una funcin f terica reproduce los datos

donde la suma es so#re los '4 puntos experimentales ,xi,yi Y i-. La definicin es tal que los alores ms peque.os de * son mejores fits, con * 2 ( que ocurre si la cur a terica pas por el centro de cada punto de datos. 'tese tam#in que la ponderacin )1i* significa que las mediciones con errores mayores contri#uyen menos a *. !juste de mnimos cuadrados se refiere a ajustar a la teora hasta que se encuentra un mnimo en *, es decir, la #"squeda de una cur a que produce el alor mnimo para los cuadrados sumados de las des iaciones de los datos de la funcin f,x-. $n general, este es el mejor ajuste posi#le o la mejor manera de determinar los parmetros en una Fisica Computacional - CC063 35 teora.

Metodo de Minimos Cuadrados

Los parmetros 8/ Za),a*,...,a8p[ que hacen que un alor extremo * son hallados resol iendo las 8/ ecuaciones6

Veneralmente, la funcin f,x\Zam[- tiene una dependencia suficientemente complicada en los alores am para esta ecuacion producir 8/ ecuaciones no lineales simultneas en los am alores. $n estos casos, las soluciones se hallan por prue#a y error a tra s del espacio de parmetros 8/Mdimensional. /ara estar seguro, cuando esa #"squeda se ha completado es necesario compro#ar que el mnimo * has encontrado es glo#al y no local. 5na forma de hacerlo es repetir la #"squeda de una red completa de alores iniciales, y si se hallan diferentes mnimos, escoger el que tiene el menor *.

Fisica Computacional - CC063

36

4ondad del ajuste

&uando las des iaciones de la teora se de#en a errores aleatorios y cuando estos son descritas por una distri#ucin de Vauss, hay algunas reglas "tiles para recordar. 5n ajuste es #ueno si el alor de * calculado con la definicin dada antes es aproximadamente igual al n"mero de grados de li#ertad ,g.l.-6 ) 5 "6 7 MP, donde '4 es el numero de puntos de datos y 8/ el numero de parametros de la funcion teorica. %i * es mucho menor que esto no significa una gran teoria o una medidad precisa\ pro#a#lemente tienes muchos parametros o has asignado errores ,i- que son muy grandes. 4e hecho, * muy peque.o puede indicar que se est ajustando la dispersin aleatoria de los datos en lugar de KperderL ])13 de las #arras de error ,como se espera para las estadsticas de Vauss-. %i el * es mucho mayor que los g.l., la teora no puede ser #uena, puede que haya su#estimado considera#lemente sus errores, o puede tener errores que no son aleatorios. %i usted cree que o#tener un #uen ajuste a los datos, pero no puede determinar el * porque no tienen los alores de los errores experimentales ,tal ez asumido i 2 )-, puedes conseguir un * aproximada para usar en el clculo de *. /rimero ajusta los datos con un alor ar#itrario i para. Luego calcula la arianza de tus datos,

Finalmente usas exp como un aproximado de i y aplicas definicion de * para o#tener un alor con significado fisico.
Fisica Computacional - CC063

37

Implementacin% ajuste de mnimos cuadrados

Las 8/ ecuaciones simultneas simplifican considera#lemente si las funciones f,x\Zam[- dependen linealmente so#re los alores a. $sto sucede, por ejemplo, cuando la funcin teorica f,x- es lineal6 $n este caso ,tam#in conocido como regresin lineal- hay 8/ 2 * parmetros, el a* pendiente y la interseccin a). 'otar que mientras que hay slo dos parmetros para determinar, puede ha#er un n"mero ar#itrario '4 de puntos de datos a ajustar. Iecuerde, una solucin "nica no es posi#le a menos que el n"mero de puntos de datos es igual o mayor que el n"mero de parmetros. /ara el caso lineal, las ecuaciones de minimizacin de * son dos, y determina los parmetros en trminos de todos los puntos de datos

Fisica Computacional - CC063

38

Implementacin% ajuste de mnimos cuadrados

%i conoce los errores i en las mediciones experimentales de yi, o ha determinado un aproximado, de la arianza de la muestra de su funcin de ajuste, la teora le da una expresin para la arianza o incertidum#re en los parmetros que se deducen6

$s una medida de las incertidum#res en los alores de los parmetros ajustados, deri ados de la incertidum#res yi en los alores medidos yi. 5na medida de la dependencia de los parmetros en cada otro iene dada por el coeficiente de correlacin6

!qu co ,a),a*- es la co arianza de a) y a*, y desaparece si a) y a* son independientes. $l coeficiente de correlacin ,a),a*- se encuentra en el rango M)^^). 5n positi o indica que los errores en a) y a* es pro#a#le que tengan el mismo signo, negati o indica signos opuestos.
Fisica Computacional - CC063

39

Implementacin% ajuste de mnimos cuadrados

Las soluciones anteriores analticas para los parmetros son de la forma que se encuentra en los li#ros de estadsticas, pero no son ptimas para los clculos numricos porque cancelacin sustracti a puede hacer que las respuesta sea inesta#le. &omo se discuti en el &aptulo de errores e incertidum#res en los clculos, una reordenacin de las ecuaciones puede disminuir este tipo de error. /or ejemplo, mejores expresiones que miden los datos relati os a sus promedios6

Fisica Computacional - CC063

40

Metodo de Minimos Cuadrados

Fisica Computacional - CC063

41