1

Clculo
Numrico











Ramn Medina
2
Contenido
Captulo 1: Ajuste de Curvas .......................................................................................................................................... 3
Introduccin ...................................................................................................................................................... 3
Regresin Lineal .................................................................................................................................................. 3
Ajuste de una Recta utilizando Mnimos Cuadrados ................................................................................ 4
Ejemplo 1.1 ................................................................................................................................... 4
Cuantificacin del Error en la Regresin Lineal ........................................................................................ 5
Ejemplo 1.2 ................................................................................................................................... 6
Ajuste de Curvas con Polinomios de Orden Superior .......................................................................................... 6
Ejemplo 1.3 ................................................................................................................................... 7
Ajuste de Curvas mediante una Combinacin Lineal de Funciones .................................................................... 8
Ejemplo 1.4 ................................................................................................................................... 9

Referencias Bibliogrficas............................................................................................................................................. 10
3
1
Ajuste de Curvas
Introduccin
Los datos que se obtienen mediante mediciones fluctan debido a errores aleatorios del
sistema de medicin aplicado al comportamiento intrnsecamente estocstico del
sistema en observacin (ver figura 1). Si a partir de la informacin obtenida se desea
caracterizar el comportamiento del fenmeno observado, la estrategia ms apropiada
es la de obtener una funcin aproximada que se ajuste adecuadamente al
comportamiento o tendencia general de los datos, sin coincidir necesariamente con
cada punto en particular.

0
0,5
1
1,5
2
2,5
0 0,2 0,4 0,6 0,8 1

0
0,5
1
1,5
2
2,5
0 0,2 0,4 0,6 0,8 1

Figura 1 Muestra de datos con error significativo y ajuste polinomial

En el caso que se muestra en la figura 1, el ajuste es realizado mediante una recta que
tienen como propiedad, minimizar la suma de los cuadrados de los residuos.
Regresin Lineal
El ejemplo ms simple de una aproximacin por mnimos cuadrados es el ajuste de una
lnea recta a un conjunto de parejas de datos observados (x
1
,y
1
), (x
2
,y
2
),, (x
n
,y
n
). La
expresin matemtica de la recta es:
y=a
0
+a
1
x+E [1.1]
4
donde a
0
y a
1
son coeficientes que representan la interseccin con el eje de las
abscisas y la pendiente respectivamente, y E es el error o residuo entre el modelo y las
observaciones, que se puede representar reorientando la ecuacin (1.1) como:
E= y - a
0
- a
1
x [1.2]
Por lo tanto, el error es la diferencia entre el valor real y el aproximado predicho por la
ecuacin lineal.
Ajuste de una Recta utilizando Mnimos Cuadrados
Esta estrategia de regresin lineal consiste en minimizar la suma de los cuadrados de
los errores:
( )

= =
= =
L
i
L
i
i i
i
r
x a a y S
E
1 1
2
1 0
2
[1.3]
Derivando la ecuacin (1.3) con respecto a cada uno de los coeficientes se obtiene:
( )

=
=
c
c
n
i
i
r
x a a y
a
S
1
1 0
0
2 [1.4]
( ) | |

=
=
c
c
n
i
i i i
r
x x a a y
a
S
1
1 0
1
2
[1.5]
Igualando las derivadas a cero (para minimizar) y resolviendo el sistema de ecuaciones
resultante se obtiene que:

( )

=
2
2
1
i i
i i i i
x x n
y x y x n
a [1.6]
x a y a
1 0
= [1.7]
Ejemplo 1.1: Ajustar la lnea recta a los valores x y y dados
x
i
1 2 3 4 5 6 7
y
i
0,5 2,5 2,0 4,0 3,5 6,0 5,5

A partir de los datos de la tabla se obtienen las siguientes cantidades:
7 = n 5 , 119 =
i i
y x 140
2
=
i
x
28 =
i
x 4
7
28
= = x
24 =
i
y 428285714 , 3
7
24
= = y
5
Utilizando las ecuaciones (1.6) y (1.7)

( )
839285714 , 0
28 140 7
24 28 5 , 119 7
2 1
=


= a
07142857 , 0 4 839285714 , 0 428571429 , 3
0
= = a
Por lo tanto la ecuacin de la resta para el ajuste con mnimos cuadrados es:
x y 839285714 , 0 07142857 , 0 + =
Cuantificacin del Error en la Regresin Lineal
Cualquier lnea recta diferente a la que se obtiene con los coeficientes en (1.6) y (1.7)
genera una mayor suma de cuadrados de los residuos; por lo tanto, la lnea es nica y
en trminos del criterio escogido, la mejor lnea a travs de los puntos. A partir de este
hecho es posible derivar algunas propiedades.
Para analizar una de estas propiedades, conviene revisar la ecuacin (1.3). En esta los
residuos representan el cuadrado de la distancia vertical entre los datos y otra medida
de la tendencia central: la lnea recta. Por otra parte, la ecuacin (1.8) representa la
diferencia entre los datos y una aproximacin simple de la medida de la tendencia
central: la media.
( )

=
2
y y S
i i
[1.8]
Y la desviacin estndar se calcula como:

( )
( ) 1
2

=

n
y y
i

Estas dos ecuaciones son anlogas pudiendo extenderse para ms casos en donde la
dispersin de los puntos alrededor de la recta sean de magnitud similar a lo largo del
rango entero de los datos y la distribucin de estos puntos alrededor de la lnea sea
normal. Es posible demostrar que si este criterio se cumple, la regresin con mnimos
cuadrados proporciona la mejor (ms probable) aproximacin
2
para a
0
y a
1
. A esto se le
conoce como principio de probabilidad mxima dentro de la estadstica. Adems, si este
criterio se cumple, una desviacin estndar de la lnea de regresin se puede
determinar mediante la ecuacin:

2
/

=
L
S
S
r
x y

Donde:
( )

=
=
n
i
i i r
x a a y S
1
2
1 0
[1.9]
S
y/x
se llama error estndar de la aproximacin. La notacin con subndice y/x indica
que el error es para un valor predicho de y correspondiente a un valor particular de x.
6
S
y/x
cuantifica la dispersin alrededor de la lnea de regresin a diferencia de la
desviacin estndar convencional, que cuantifica la dispersin alrededor de la media.
Los conceptos anteriores se pueden emplear para cuantificar la eficiencia del ajuste;
esto es particularmente til cuando se compara el resultado de varias regresiones. Para
hacerlo, se regresa a los datos originales y se determina la suma de los cuadrados
alrededor de la media de la variable dependiente; a esto se le llama suma total de los
cuadrados, S
t
. Esta es la cantidad de dispersin en la variable dependiente que existe
antes de la regresin. Despus de llevar a cabo la regresin lineal, se puede calcular S
r
,
que es la suma de los cuadrados alrededor de la lnea de regresin. La diferencia entre
las dos cantidades (S
t
S
r
), cuantifica la mejora en la reduccin del error debido al
modelo de la lnea recta. Esta diferencia se puede normalizar al error total y obtener:

t
r t
S
S S
r

=
2
[1.10]
En donde r es el coeficiente de correlacin y r
2
es el coeficiente de determinacin. Para
un ajuste perfecto, S
r
debera ser igual a cero y r
2
igual a 1, indicando que la lnea recta
explica el cien por ciento de la variabilidad. Si r
2
es igual a cero, entonces el ajuste no
representa mejora. S
t
se obtiene mediante la siguiente frmula:

) 1 (
2
= L S S
y t

Ejemplo 1.2: Calclese la desviacin estndar total, el error estndar de la aproximacin
y el coeficiente de correlacin de los datos del ejemplo 1.1
La desviacin estndar total viene dada por:
9457 , 1
1 7
7143 , 22
=

=
y
S
Y el error estndar de la aproximacin es:
7735 , 0
2 7
9911 , 2
/
=

=
x y
S
Por ser S
y/x
menor que S
y
, el modelo de regresin lineal es aceptable. El alcance de la
mejora se cuantifica mediante:
868 , 0
7143 . 22
9911 , 2 7143 , 22
2
=

= r

932 , 0 868 , 0 = = r
El valor de r corrobora que existe una relacin lineal en los datos de la muestra y r
2

permite indicar que el 86,8% de la incertidumbre original se explica mediante el modelo
lineal.
7
Ajuste de Curvas con Polinomios de Orden Superior
La regresin lineal explicada en la seccin anterior funciona bien si los datos de la
medicin son intrnsecamente lineales o si el rango de las abscisas es pequeo. Sin
embargo, para otros casos, es posible obtener mejores resultados ajustando un
polinomio de orden superior al conjunto de datos.
El principio de los mnimos cuadrados se puede extender para ajustar un polinomio de
cualquier orden a los datos de una medicin. Primero se escribe un polinomio de orden
N como:

N
N
x a x a x a a x g + + + =
2
2 1 0
) ( [1.11]
La desviacin de la curva de los puntos dados viene dada por:
L i x g y r
i i i
, , 2 , 1 ), ( = = [1.12]
Donde L es el nmero de puntos dados. El total de los cuadrados de la desviacin es:
( )

=
=
L
i
i
r R
1
2
[1.13]
Se igualan a cero las derivadas parciales de R con respecto a los coeficientes del
polinomio para minimizar a R:
N n
a
R
n
, , 2 , 1 , 0 , 0 = =
c
c
[1.14]
O, en forma equivalente:
N k y x a x
L
i
i
k
i n
N
n
L
i
k n
i
, , 2 , 1 , 0
1 0 1
= =
(

= = =
+
[1.15]
Que se puede escribir en forma ms explcita como:

(
(
(
(
(

=
(
(
(
(

(
(
(
(
(

+ +
+
i
N
i
i i
i
N
N
i
N
i
N
i
N
i
N
i i i i
N
i i i
y x
y x
y
a
a
a
x x x x
x x x x
x x x L
1
0
2 2 1
1 3 2
2

[1.16]
Los coeficientes a
n
, para n= 0,1,2,,N se determinan resolviendo la ecuacin (1.15)
Ejemplo 1.3: Ajustar un polinomio cuadrtico a los valores x y y dados
i 1 2 3 4 5 6
x
i
0,1 0,4 0,5 0,7 0,7 0,9
y
i
0,61 0,92 0,99 1,52 1,47 2,03

La ecuacin para los coeficientes, en notacin matricial, viene dada por:
8

(
(
(

=
(
(
(

(
(
(

5102 , 3
8440 , 4
5400 , 7
2245 , 1 6050 , 1 2100 , 2
6050 , 1 2100 , 2 3000 , 3
2100 , 2 3000 , 3 0000 , 6
3
2
1
a
a
a

Los coeficientes de las potencias son:
a
1
= 0,587114 a
2
= 0,059102 a
3
= 1,729537
El polinomio cuadrtico es determinado por:

2
729537 , 1 059102 , 0 587114 , 0 x x y + + =
La desviacin estndar de los datos originales es:
S
y
= 0,51293924
La suma de los cuadrados de los errores con respecto a la curva de ajuste es:
S
r
= 0,0066457
Por lo tanto, el error estndar de la aproximacin viene dada por:
S
x/y
= 0,0407606 (menor que la desviacin estndar)
El ndice de determinacin result en:
r
2
= 0,65444381
Ajuste de Curvas mediante una Combinacin Lineal de Funciones
Al ajustar una funcin a puntos dados, se puede utilizar una combinacin lineal de
cualesquiera funciones conocidas, en lugar de emplear polinomios. La curva ajustada a
los puntos dados se puede escribir en ese caso como:

=
= + + + =
N
n
n n N N
x f a x f a x f a x f a x f a x g
1
3 3 2 2 1 1
) ( ) ( ) ( ) ( ) ( ) ( [1.17]
Donde f
1
, f
2
, son funciones prescritas, a
1
, a
2
, son coeficientes indeterminados y N
es el nmero total de funciones prescritas. La desviacin de la curva con respecto a
cada punto dado se define como:
L i x f a y r
N
n
i n n i i
, , 2 , 1 ), (
1
= =

=
[1.18]
Donde L es el nmero de puntos dados. El total de los cuadrados de la desviacin es:
( )

= = =
(

= =
L
i
N
n
i n n i
L
i
i
x f a y r R
1
2
1 1
2
) ( [1.19]
Al igualar a cero las derivadas parciales de R con respecto a los coeficientes
indeterminados se obtiene:
9


= = =
= =
(

N
m
L
i
i n i m
L
I
i n i m
N n x f y a x f x f
1 1 1
, , 2 , 1 ), ( ) ( ) ( [1.20]
La ecuacin (1.20) tiene N ecuaciones con N incgnitas.
Ejemplo 1.4: Determinar los coeficientes de la funcin especificada, ajustada a los
valores x y y dados

x
e a x sen a x a a x g
4 3 2 1
) ( ) ( + + + =
i 1 2 3 4 5 6
x
i
0,1 0,4 0,5 0,7 0,7 0,9
y
i
0,61 0,92 0,99 1,52 1,47 2,03

La ecuacin para los coeficientes, en notacin matricial, viene dada por:

(
(
(
(

=
(
(
(
(

(
(
(
(

6930 , 14
4102 , 4
8440 , 4
5400 , 7
3253 , 20 0030 , 6 5645 , 6 7328 , 10
0030 , 6 8351 , 1 0124 , 2 0404 , 3
5645 , 6 0124 , 2 2100 , 2 3000 , 3
7328 , 10 0404 , 3 3000 , 3 0000 , 6
4
3
2
1
a
a
a
a

Los coeficientes de las potencias son:
a
1
= -5,58805398 a
2
= -21,2451675
a
3
= 14,6463867 a
4
= 6,2095413
La funcin ajustada queda determinada por:

x
e x sen x y 2095413 , 6 ) ( 6463867 , 14 2451675 , 21 58805398 , 5 + + =
La desviacin estndar de los datos originales es:
S
y
= 0,51293924
La suma de los cuadrados de los errores con respecto a la curva de ajuste es:
S
r
= 0,006745063
Por lo tanto, el error estndar de la aproximacin viene dada por:
S
x/y
= 0,04106417 (menor que la desviacin estndar)
El ndice de determinacin result en:
r
2
= 0,65439414
10
2
Soluciones Numricas de los Sistemas
de Ecuaciones No Lineales
1

Introduccin
La presin que se requiere para sumir un objeto grande y pesado en un suelo blando y
homogneo situado arriba de un terreno de base dura, puede predecirse mediante la
presin que se requiere para introducir objetos ms pequeos en el mismo terreno.
Especficamente, la presin p para sumir una placa circular de radio r a un distancia d
en un terreno blando, donde el terreno de base slida se halla a una distancia D > d
debajo de la superficie, puede aproximarse con una ecuacin de la forma:
r k e k p
r k
3 1
2
+ = [2.1]

donde k
1
, k
2
y k
3
son constantes que dependen de d y de la consistencia del sueo, pero
no del radio de la placa.
Si se quiere determinar el tamao mnimo de la placa necesario para sostener una gran
carga, se colocan tres placas pequeas con radios distintos a la misma distancia. Esto
general tres ecuaciones no lineales:

1 3 1 1
1 2
r k e k m
r k
+ =

2 3 1 2
2 2
r k e k m
r k
+ = [2.2]

3 3 1 3
3 2
r k e k m
r k
+ =
con las incgnitas k
1
, k
2
y k
3
. para resolver los sistemas de ecuaciones cuando stas
son no lineales, por lo general se necesitan mtodos de aproximacin numrica.
Puntos Fijos para Funciones de Varias Variables
Un sistema de ecuaciones no lineales tiene la forma:

1
Tomado de Burden-Faires (1998) Sexta Edicin
11

( )
( )
( ) 0 ,..., ,
0 ,..., ,
0 ,..., ,
2 1
2 1 2
2 1 1
=
=
=
n n
n
n
x x x f
x x x f
x x x f

[2.3]
Donde se puede considerar a roda funcin f
i
como una mapeo de un vector x=(x
1
, x
2
,
, x
n
)
t
del espacio n-dimensional R
n
en la recta real R. Este sistema de ecuaciones no
lineales con n incgnitas puede representarse tambin mediante la definicin de una
funcin F, mapeando R
n
en R
n
por medio de:
( ) ( ) ( ) ( ) ( )
t
n n n n n
x x x f x x x f x x x f x x x F ,..., , ,..., ,..., , , ,..., , ,..., ,
2 1 2 1 2 2 1 1 2 1
= [2.4]
Si se emplea una notacin vectorial para representar las variables x
1
, x
2
,,x
n
, el
sistema adopta la forma:
( ) 0 = x F [2.5]
Las funciones (f
1
, f
2
,, f
n
) son, entonces, las funciones coordenadas de F.
Ejemplo 2.1: Representacin de un Sistema no Lineal de 3 x 3
El sistema no lineal de 3 x 3
( )
0
2
3 10
20
, 0 06 , 1 ) ( sen 1 , 0 81
, 0
2
1
) cos( 3
3
3
2
2
2
1
3 2 1
2 1
=

+ +
= + + +
=

t
x e
x x x
x x x
x x
[2.6]
puede ser expresado en la forma (2.5) definiendo las tres funciones f
1
, f
2
y f
3
de R
3
en R
como

( )
( ) ( )
( )
2
3 10
20 , ,
, 06 , 1 ) ( sen 1 , 0 81 , ,
,
2
1
) cos( 3 , ,
3 3 2 1 3
3
2
2
2
1 3 2 1 2
3 2 1 3 2 1 1
2 1

+ + =
+ + + =
=

t
x e x x x f
x x x x x x f
x x x x x x f
x x
[2.7]
y F de R
3
R
3
por
( ) ( )
( ) ( ) ( ) ( )
( )
|
.
|

\
|
+ + + + + =
=
=

2
3 10
20 , 06 , 1 ) ( sen 1 , 0 81 ,
2
1
) cos( 3
, , , , , , , ,
, ,
3 3
2
2
2
1 3 2 1
3 2 1 3 3 2 1 2 3 2 1 1
3 2 1
2 1
t
x e x x x x x x
x x x f x x x f x x x f
x x x F x F
x x
t
[2.8]
12
Ejemplo 2.2: Solucin de un Sistema no Lineal de 3x3
Considrese el sistema no lineal del ejemplo 2.1:
( )
0
2
3 10
20
, 0 06 , 1 ) ( sen 1 , 0 81
, 0
2
1
) cos( 3
3
3
2
2
2
1
3 2 1
2 1
=

+ +
= + + +
=

t
x e
x x x
x x x
x x

Si se resuelve la i-sima ecuacin para x
i
, el sistema se transforma en un problema de
punto fijo

60
3 10
20
1
, 1 , 0 06 , 1 ) ( sen
9
1
,
6
1
) cos(
3
1
2 1
3
3
2
1 2
3 2 1

+ =
+ + =
+ =

t
x x
e x
x x x
x x x
[2.9]
Suponiendo que G: R
3
R
3
est definida por G(x)=(g
1
(x),g
2
(x),g
3
(x))
t
, donde

( )
( )
( )
60
3 10
20
1
, ,
, 1 , 0 06 , 1 ) ( sen
9
1
, ,
,
6
1
) cos(
3
1
, ,
2 1
3 2 1 3
3
2
1 3 2 1 2
3 2 3 2 1 1

+ =
+ + =
+ =

t
x x
e x x x g
x x x x x g
x x x x x g
[2.10]



13
Referencias Bibliogrficas
1. Shoiciro Nakamura (1992). Mtodos Numricos Aplicados con Software. Prentice Hall
Hispanoamrica.
2. Steven Chapra y Raymond Canale (1988). Mtodos Numricos para Ingenieros. McGraw-Hill
3. Burden Richard y Faires Douglas (1998). Anlisis Numrico. International Thomson Editores, S.A. de
C.V.
4. Curtis Gerald (1991). Anlisis Numrico. Addison Wesley Publishing Company, Inc.
5. McCracken Daniel y Dorn William (1980). Mtodos Numricos y Programacin Fortran. Editorial
Limusa