AJUSTE

PLANTEAMIENTO DEL PROBLEMA

DIFERENCIA ENTRE INTERPOLACIN Y AJUSTE
METODOLOGA DEL AJUSTE
MTODO DE MNIMOS CUADRADOS
MODELO LINEAL
MODELO EXPONENCIAL
EJEMPLO

PLANTEAMIENTO DEL PROBLEMA

Cuando los datos tienen errores

sustanciales, la interpolacin polinomial es
inapropiada y puede dar resultados poco
satisfactorios cuando se utiliza para
predecir valores intermedios. Con
frecuencia los datos experimentales son
de este tipo.

DIFERENCIA ENTRE
INTERPOLACIN Y AJUSTE

INTERPOLACIN : se caracteriza por

suponer que los datos que intervienen en

el problema son exactos; por lo cual en la
construccin de la FUNCIN DE
INTERPOLACIN se exige que la
misma satisfaga todos y cada uno de los
valores que constituyen los datos .

DIFERENCIA ENTRE
INTERPOLACIN Y AJUSTE

AJUSTE : supone que los datos ingresados

estn afectados en cierto grado de errores

debido al modelado, por lo que, no resulta
indispensable que la CURVA DE AJUSTE
correspondiente, pase exactamente por los
puntos que representan los datos, sino que,
en promedio la aproximacin sea ptima de
acuerdo a un cierto y determinado criterio,
denominado CRITERIO DE AJUSTE.

GRFICO DE DISPERSIN
Disposicin:
Eje de abscisas: variable independiente (X)
Eje de ordenadas: variable dependiente (Y)
Frecuentemente X es una variable controlada (no
aleatoria)
Un punto por cada observacin (par de valores X-Y)
Aproximacin al tipo de relacin existente entre las
variables

Problema general

Se debe encontrar un criterio para

establecer una base para el ajuste. Una
forma de hacerlo es obtener una curva
que minimice la discrepancia entre los
puntos y la curva. Una tcnica para
lograr tal objetivo, es llamada
regresin por mnimos cuadrados.

Problema general

En el ejemplo, los datos sugieren una recta, ms o

menos, y entonces una relacin lineal entre y y x. Aqu
son varias rectas que se acercan a los puntos

REGRESIN LINEAL

Una aproximacin por mnimos

cuadrados es ajustar una lnea recta a
un conjunto de observaciones
definidas por puntos: (x1;y1), (x2;y2),,
(xn,yn). La expresin matemtica para la
lnea recta es:

y a0 a1 x e

(1.1)

Regresin lineal

Donde a y a son coeficientes que

representan la interseccin con el eje
y y la pendiente, respectivamente, e es
el error, o diferencia, entre el modelo
y las observaciones, el cual se
representa al reordenar la ecuacin
1.1 como:
0

e y a 0 a1 x

Regresin lineal
As, el error o residuo es la
discrepancia entre el valor verdadero
de y y el valor aproximado, a 0 a 1 x
que predijo la ecuacin lineal.

Regresin lineal

La recta de mejor ajuste ser:

Regresin lineal

Esta recta se llama la recta de mejor

ajuste, recta de regresin, o recta
de mnimos cuadrados asociada a
los datos.

CRITERIO PARA UN MEJOR AJUSTE

Una estrategia para ajustar una

mejor lnea a travs de los datos
ser minimizar la suma de los errores
residuales de todos los datos
disponibles; como sigue:

CRITERIO PARA UN MEJOR AJUSTE

La estrategia consiste en minimizar la

suma de los cuadrados de los residuos
entre la y medida y la y calculada con el
modelo lineal:

CRITERIO PARA UN MEJOR AJUSTE

Este criterio tiene varias ventajas, entre

ellas el hecho de que se obtiene una
lnea nica para cierto conjunto de
datos. Antes de analizar tales
propiedades, presentaremos una tcnica
para determinar los valores de a y a
que minimizan la ecuacin
0

Ajuste de una lnea recta por

mnimos cuadrados

Para determinar los valores de a0 y a1,

la ecuacin se deriva con respecto a
cada uno de los coeficientes:

Ajuste de una lnea recta por mnimos

cuadrados

Observe que hemos simplificado los

smbolos de sumatoria; a menos que
se indique otra cosa, todas las
sumatorias van desde i=1 hasta n. Al
igualar estas derivadas a cero, se dar
como resultado un Sr mnimo. Si se
hace esto, las ecuaciones se expresan
como:

Ajuste de una lnea recta por mnimos

cuadrados
0 y i a 0 a1 xi
0

yi xi

a0 xi

a 1 x i2

Ahora, si observamos que a0 na0

expresamos las ecuaciones como un conjunto de
dos ecuaciones lineales simultneas, con dos
incgnitas (a0 y a1).

Ajuste de una lnea recta por mnimos

cuadrados
na0 ( xi )a1 yi

2
i

( x i ) a 0 ( x ) a1

(1.2)

xy
i

(1.3)

stas se llaman ecuaciones normales y se

resuelven en forma simultnea

Ajuste de una lnea recta por mnimos

cuadrados
Este resultado se utiliza conjuntamente
con la ecuacin para obtener

a1

n xi yi xi yi
n xi2 ( xi ) 2

Este resultado se utiliza conjuntamente con la

ecuacin (1.2)para obtener
a 0 y a1 x

Donde y y x son las medias de y y x

respectivamente.

Ajuste de una lnea recta por mnimos

cuadrados

EJEMPLO

Obtenga la ecuacin de demanda que se ajusta mejor a los

siguientes datos, y sela para pronosticar ventas anuales de
casas preciadas a $140,000.

Precio

160

180

200

220

240

260

280

126

103

82

75

82

40

20

(Miles de
dlares)
Venta de nuevas
casas este ao

LINEALIZACIN DE RELACIONES NO
LINEALES
La regresin lineal ofrece una poderosa
tcnica para ajustar una mejor lnea a los
datos.
Se considera el hecho de que la relacin
entre las variables independientes y
dependientes es lineal.
En cualquier anlisis de regresin el primer
paso ser graficar e inspeccionarlos datos en
forma visual para asegurarnos que sea
posible usar un modelo lineal.

LINEALIZACIN DE RELACIONES NO
LINEALES

Se pueden utilizar transformaciones para

expresar los datos en una forma que sea
compatible con la regresin lineal.

Un ejemplo es el MODELO EXPONENCIAL:

y e

Donde alfa y beta son constantes.

LINEALIZACIN DE RELACIONES NO
LINEALES

Se emplea mucho en ingeniera para

caracterizar cantidades que aumentan o
disminuyen
a
una
velocidad
directamente proporcional a sus
propias magnitudes.

Ej: el crecimiento poblacional o el

decaimiento radioactivo.

LINEALIZACIN DE RELACIONES NO
LINEALES

Otro modelo no lineal es el MODELO

POTENCIAL:

y x

Donde alfa y beta son coeficientes

constantes.

LINEALIZACIN DE RELACIONES NO
LINEALES
Se usarn manipulaciones matemticas para
transformar las ecuaciones en una forma
lineal.
Luego, se utiliza la regresin lineal simple
para ajustar las ecuaciones a los datos.
En sus formas transformadas, estos modelos
pueden usar la regresin lineal para poder
evaluar los coeficientes constantes.
Despus, se regresa a su estado original y se
usa para fines predictivos.

COEFICIENTE DE CORRELACIN

Hay un nmero que mide la "bondad de

ajuste" de la recta de regresin llamado
coeficiente de correlacin. Este
nmero, que se representa por r, est
entre 1 y 1. Cuanto ms se acerca r
a1 o 1, el ajuste es mejor. Si el ajuste es
malo, se acerca r a 0. Si el ajuste es
exacto, r=1 para una recta con
pendiente negativa, o r=1 para una recta
de pendiente positiva.

COEFICIENTE DE CORRELACIN
Las figuras ms abajo muestran varios
conjuntos de puntos con sus rectas de
regresin, y los valores correspondientes
de r.

COEFICIENTE DE CORRELACIN
El coeficiente de correlacin se puede
calcular con la siguiente formula:
Coeficiente de correlacin r:

n( xy) ( x)( y)
n( x2 ) ( x)2 * n( y 2 ) ( y)2

COEFICIENTE DE DETERMINACIN

Una pregunta importante que se plantea en el

anlisis de regresin es la siguiente: Qu
parte de la variacin total en Y se debe a la
variacin en X? Cunto de la variacin de Y
no explica X?

El estadstico que mide esta proporcin o

porcentaje se denomina coeficiente de
determinacin (r2). Si por ejemplo, al hacer
los clculos respectivos se obtiene un valor
de 0.846. Esto significa que el modelo explica
el 84.6 % de la variacin de la variable
dependiente.

COEFICIENTE DE DETERMINACIN
El significado del Coeficiente de
Determinacin que nos proporciona
el porcentaje de causas comunes que
tienen las dos variables relacionadas
para explicar su variabilidad o evolucin
si se expresa en tantos por 100.
El campo de variacin del coeficiente de
determinacin es 0R1.

Bibliografa
Pace G.Mtodos Numricos Edictorial
de la UNNE, 1997
Chapra, S.C. y Canale, R. Mtodos
Numricos para Ingenieros 5ta Ed.,
Mxico, McGraw-Hill, 2007