Métodos Numéricos Para Ingenieros

AJUSTE DE CURVAS

GUSTAVO VALLE TAMAYO

M.Sc (C) en Ingeniería de Hidrocarburos
Motivación

2,5 𝑦 = 𝑥2
2

1,5

0,5

0
-1,5 -1 -0,5 0 0,5 1 1,5
Motivación

Regresión por
mínimos Interpolación
cuadrados
Antecedentes Matemáticos

1. La posición del centro de la distribución de los 2. El grado de dispersión de los datos.

datos
Antecedentes Matemáticos

1. La posición del centro de la distribución de los datos

2. El grado de dispersión de los datos.

Regresión por mínimos cuadrados
Regresión Lineal
El ejemplo más simple de una aproximación por mínimos cuadrados es ajustar una línea recta a un
conjunto de observaciones definidas por puntos: (x1, y1), (x2, y2),…, (xn, yn). La expresión
matemática para la línea recta es
Regresión por mínimos cuadrados
Regresión Lineal
Una estrategia para ajustar una “mejor” línea a través de los datos será minimizar la suma de los
cuadrados de los residuos entre la y medida y la y calculada con el modelo lineal
Regresión por mínimos cuadrados
Regresión Lineal
Regresión por mínimos cuadrados
Regresión Lineal
Una estrategia para ajustar una “mejor” línea a través de los datos será minimizar la suma de los
cuadrados de los residuos entre la y medida y la y calculada con el modelo lineal
Regresión por mínimos cuadrados
Ajuste de una línea recta por mínimos cuadrados
Para determinar los valores de a0 y a1, la ecuación anterior se deriva con respecto a cada
uno de los coeficientes:
Regresión por mínimos cuadrados
Ajuste de una línea recta por mínimos cuadrados
Al igualar estas derivadas a cero, se dará como resultado un Sr mínimo. Si se hace esto, las
ecuaciones se expresan como:
Regresión por mínimos cuadrados
Ajuste de una línea recta por mínimos cuadrados
Ahora, si observamos que Σa0 = na0, expresamos las ecuaciones como un conjunto de dos
ecuaciones lineales simultáneas, con dos incógnitas (a0 y a1):
Regresión por mínimos cuadrados
Ajuste de una línea recta por mínimos cuadrados
Éstas se llaman ecuaciones normales, y se resuelven en forma simultánea
Regresión por mínimos cuadrados
Ajuste de una línea recta por mínimos cuadrados

Ajuste a una línea recta los valores x y y en las dos primeras columnas de la siguiente tabla
Regresión por mínimos cuadrados
Cuantificación del error en la regresión lineal
Error estándar del estimado

El subíndice “y/x” designa que el error es para un valor predicho de y correspondiente a un valor
particular de x. También, observe que ahora dividimos entre n – 2 debido a que se usaron dos datos
estimados (a0 y a1), para calcular Sr; así, se han perdido dos grados de libertad
Regresión por mínimos cuadrados
Cuantificación del error en la regresión lineal

R^2 se conoce como el coeficiente de determinación, y r es el coeficiente de correlación.

Regresión Polinomial
Regresión Polinomial

En este caso, la suma de los cuadrados de los residuos es

Regresión Polinomial

Al seguir el procedimiento de la sección anterior, obtenemos la derivada de la ecuación con

respecto a cada uno de los coeficientes desconocidos del polinomio,
Regresión Polinomial

Estas ecuaciones se igualan a cero y se reordenan para desarrollar el siguiente conjunto

de ecuaciones normales:
Regresión Polinomial

El caso bidimensional se extiende con facilidad a un polinomio de m-ésimo grado como sigue

En este caso, el error estándar se formula como sigue:

Regresión Polinomial
Ajustar a un polinomio de segundo grado los datos dados en las dos primeras columnas de la
siguiente tabla
Regresión Polinomial
Regresión Polinomial
Regresión Lineal Múltiple
Una extensión útil de la regresión lineal es el caso en el que y es una función lineal de dos o más
variables independientes. Por ejemplo, y podría ser una función lineal de x1 y x2, como en
Regresión Lineal Múltiple
Como en los casos anteriores, los “mejores” valores para los coeficientes se determinan al
realizar la suma de los cuadrados de los residuos
Regresión Lineal Múltiple
y derivando con respecto a cada uno de los coeficientes desconocidos,
Regresión Lineal Múltiple
Los coeficientes que dan la suma mínima de los cuadrados de los residuos se obtienen
al igualar a cero las derivadas parciales y expresando el resultado en forma matricial:
Regresión Lineal Múltiple
El caso bidimensional anterior fácilmente se extiende a m dimensiones así

donde el error estándar se formula como

Regresión Lineal Múltiple
Ajustar a una ecuación lineal múltiple los datos dados en las dos primeras columnas de la
siguiente tabla
Regresión Lineal Múltiple