Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Interpolacin Lineal[editar]
La lnea azul representa la interpolacin lineal entre los puntos rojos.
Artculo principal: Interpolacin lineal
INTERPOLACIN CUADRTICA
El error en el ejemplo 3.1 se debe a que se aproxima a una curva mediante
una lnea recta. Por consiguiente, una estrategia que mejora la aproximacin
es la de introducir cierta curvatura en a lnea que conecta a los puntos. Si se
dispone de tres puntos lo anterior se puede llevar a cabo con un polinomio de
segundo orden (llamado tambin polinomio cuadrtico o parbola). Una
manera conveniente para este caso es:
(4)
Ntese que aunque la ecuacin (4) parezca diferente de la ecuacin general
de un polinomio (1), las dos ecuaciones son equivalentes.
Esto se puede demostrar si se multiplican los trminos de la ecuacin (4) y
obtener:
(5
)
o, agrupar trminos:
(6)
en donde:
Definicin[editar]
Dada una funcin
abscisas
un polinomio
cumpliendo
Sea
elementos y sea
elementos
los cuales corresponden, por parejas, a la imagen u ordenada y abcisa de los datos que se
quieran interpolar, respectivamente, tales que:
Este mtodo es muy algortmico y resulta sumamente cmodo en determinados casos, sobre
todo cuando se quiere calcular un polinomio interpolador de grado elevado.
El polinomio de grado
definiendo
y definiendo
como
como
Los coeficientes
Una vez se hayan realizado todos los clculos, ntese que hay (muchas) ms diferencias
divididas que coeficientes
simplemente porque son necesarios para poder formar todos los trminos finales. Sin
embargo, los trminos usados en la construccin del polinomio interpolador son todos
aquellos que involucren a
Se muestra ahora una tabla nemotcnica con las diferencias divididas de una cierta funcin
dada para construir un polinomio interpolador de grado 2:
Interpolacin de Lagrange[editar]
Sea
sean
interpolador de grado
donde
distintos de cero.
Se muestra en el ejemplo siguiente el clculo de un polinomio interpolador de Lagrange
usando interpolacin por Lagrange y diferencias divididas de Newton:
Ejemplo: Se quiere hallar el valor de la funcin
polinomio interpolador de Lagrange de grado 2.
Para ello se usan los siguientes datos:
para
usando un
Ahora se debe tomar de estos coeficientes los que se necesitasen para escribir el
polinomio interpolador. Hay que recordar, segn lo apuntado anteriormente, que slo se
usan aqullos coeficientes que involucren a
Y, como se puede apreciar, se llega al mismo polinomio pero con relativamente menos trabajo.
La dependencia entre dos (o ms) variables puede ser tal que se base en una relacin funcional (m
la existente entre la velocidad y la distancia recorrida por un mvil; o puede ser estadstica. La depe
tipo de relacin entre variables tal que conocidos los valores de la (las) variable (variables) ind
determinarse con exactitud el valor de la variable dependiente, aunque si se puede llegar
comportamiento (global) de la misma. (Ej. la relacin existente entre el peso y la estatura de los ind
es una relacin estadstica) .
Pues bien, el anlisis de la dependencia estadstica admite dos planteamientos (aunque ntimamente
El estudio del grado de dependencia existente entre las variables que queda recogido en la teora de
Una vez determinada la estructura de esta dependencia la finalidad ltima de la regresin es llega
que toma la variable Y en un individuo del que conocemos que toma un determinado valor par
variablesX1, X2,..., Xn ).
En el caso bidimensional, dadas dos variables X e Y con una distribucin conjunta de fre
llamaremos regresin de Y sobre X ( Y/X) a una funcin que explique la variable Y para
llamaremos regresin de X sobre Y (X/Y) a una funcin que nos explique la variable X para cada valo
atencin, como se ver ms adelante, que estas dos funciones, en general, no tienen por qu coincid
Hemos enfatizado sobre la importancia de las representaciones grficas y hemos visto la utilidad de
de los grficos (X, Y) junto a las distintas maneras de llevar a cabo la linealizacin. A menud
situaciones en las que existe o suponemos que existe una relacin lineal entre las variables X e Y.
Surge de modo natural la pregunta: cul es la relacin analtica que mejor se ajusta a nuest
cuadrados mnimos es un procedimiento general que nos permite responder esta pregunta. Cua
variables X e Y es lineal, el mtodo de ajuste por cuadrados mnimos se denomina tambin mtodo d
Observamos o suponemos una tendencia lineal entre las variables y nos preguntamos sobre cul es
y(x) = a x + b
Que es una medida de la desviacin total de los valores observados yi respecto de los predichos por
Los mejores valores de la pendiente a y la ordenada al origen b son aquellos que minimizan esta des
los valores que remplazados en la Ec.(1) minimizan la funcinc2. Ec.(2). Los parmetros a y b pueden
tcnicas matemticas que hacen uso del clculo diferencial. Aplicando estas tcnicas, el problema de
al de resolver el par de ecuaciones:
Actualmente, la mayora de los programas de anlisis de datos y planillas de clculo, realizan el pro
forma automtica y dan los resultados de los mejores valores de a y b, o sea los valores indicados po
Grfico
de
datos
asociados
un
modelo
lineal.
La
cantid
representa
la
desviacin
de
cada
observacin
de
yi
respecto
del
el modelo y(x).El criterio de mnimos cuadrados reemplaza el juicio personal de quien mire los gr
mejor recta. En los programas como Excel, se realiza usando la herramienta regresin lineal o aju
se aplican en el caso lineal cuando todos los datos de la variable dependiente tienen la misma inc
incertidumbre de la variable independiente se considera despreciable.
REGRESIN MNIMO-CUADRTICA
Consiste en explicar una de las variables en funcin de la otra a travs de un determinado tipo de f
exponencial, etc.), de forma que la funcin de regresin se obtiene ajustando las observacion
mediante el mtodo de Mnimos-Cuadrados (M.C.O.).
Puede probarse que es equivalente ajustar por mnimos cuadrados la totalidad de las observaciones
que realizar el ajuste de los puntos obtenidos por la regresin de la media; de forma que la reg
viene ser, en cierto modo, la consecucin de una expresin analtica operativa para la regresin en s
Coeficientes de regresin.
Se llama coeficiente de regresin a la pendiente de la recta de regresin:
en la regresin Y/X : b = Sxy / Sx2
en la regresin X/Y b' = Sxy / Sy2
Por bondad del ajuste hay que entender el grado de acoplamiento que existe entre los datos origina
que se obtienen de la regresin. Obviamente cuanto mejor sea el ajuste, ms til ser la regresin a
los valores de la variable.
Obtener indicadores de esta bondad de ajuste es fundamental a la hora de optar por una regresin
otro.
Puesto que la media de los residuos se anula, el primer indicador de la bondad del ajuste (no puede
error cuadrtico medio, o varianza del residuo, o varianza residual :
Considerando la regresin Y/X:
Que ser una cantidad mayor o igual que cero.De forma que cuanto ms baja sea mejor ser el grad
residual vale cero el ajuste ser perfecto (ya que no existir ningn error ).
Del hecho de que yi=y*i+ei ,y de que las variables y* e estn incorrelacionadas se tiene que:
Igualdad fundamental anterior de la que se deduce que la varianza total de la variable y puede desc
una parte explicada por la regresin( la varianza de la regresin) y otra parte no explicada (la varian
Considerando que la varianza nos mide la dispersin de los datos este hecho hay que entenderlo com
inicial queda, en parte explicada por la regresin y en parte no.Cuanto mayor sea la proporcin
menor la no explicada) tanto mejor ser el ajuste y tanto ms til la regresin.
A la proporcin de varianza explicada por la regresin se le llama coeficiente de determinacin (
que evidentemente estar siempre comprendido entre 0 y 1 y, en consecuencia, da cuenta del tanto
regresin.
Una consecuencia importante en la prctica es que la varianza residual ser obviamente:
Es sencillo probar que en el caso lineal que nos ocupa el coeficiente de determinacin coinc
coeficiente de correlacin:
R2 = r2
Con lo cual la varianza residual y la varianza debida a la regresin pueden calcularse a partir del coe
REG
El ejemplo mas simple de una aproximacin por mnimos cuadrados es el ajuste de una lnea
recta a un conjunto de parejas de datos observadas: (x1,y1), (x2,y2), ...,(xn,yn). La expresin
matemtica de una lnea recta es:
(1)
en donde a0 y a1 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 reordenando la ecuacin (1) como:
(2)
Por lo tanto, el error o residuo es la diferencia entre el valor real de y y el valor aproximado,
a0+a1x, predicho por la ecuacin lineal.