Está en la página 1de 17

INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

UNIDAD 4.- Ajuste de curvas e interpolación

En numerosos fenómenos de la naturaleza observamos una cierta regularidad en


la forma de producirse, esto nos permite sacar conclusiones de la marcha de un
fenómeno en situaciones que no hemos medido directamente. La
Interpolación consiste en hallar un dato dentro de un intervalo en el que
conocemos los valores en los extremos. La Extrapolación consiste en hallar un
dato fuera del intervalo conocido, pero debe tenerse en cuenta que esté próximo a
uno de sus extremos, pues en otro caso no es muy fiable el resultado obtenido.

El ajuste de curvas consiste en encontrar una curva que contenga una serie de
puntos y que posiblemente cumpla una serie de restricciones adicionales. Esta
sección es una introducción tanto a la interpolación (cuando se espera un ajuste
exacto a determinadas restricciones) y al ajuste de curvas/análisis de regresión
(cuando se permite una aproximación).

4.1 Interpolación: Lineal y cuadrática

El problema de interpolación consiste en encontrar el valor de la función F(x), de la


cual sólo se conocen algunos puntos, para un valor de x que se encuentre entre
dos valores consecutivos conocidos. En pocas palabras podríamos decir que:
"La interpolación consiste en hallar un dato dentro de un intervalo en el que
conocemos los valores en los extremos".

El problema general de la interpolación se nos presenta cuando nos dan una


función de la cual solo conocemos una serie de puntos de la misma:
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

(xo, yo), (x1, y1),........., (xn, yn)

Y se pide hallar el valor de un punto x (intermedio de x0 y xn) de esta función.

La interpolación se dirá lineal cuando sólo se tomen dos puntos


y cuadrática cuando se tomen tres.

INTERPOLACIÓN LINEAL

Cuando las variaciones de la función son proporcionales (o casi proporcionales) a


los de la variable independiente se puede admitir que dicha función es lineal y usar
para estimar los valores la interpolación lineal…

Sean dos puntos (xo, yo), (x1, y1), la interpolación lineal consiste en hallar una
estimación del valor y, para un valor x tal que x0<x<x1.

Obtenemos la fórmula de la interpolación lineal.

Un polinomio de interpolación es una función polinomial que además de interpolar


los datos, es el de menor grado posible.
Caso 1: En este caso tenemos que f (x) = y0 (polinomio constante) es el polinomio
de menor grado tal que f (x0) = y0, por lo tanto, es el polinomio de interpolación:
(x0, y0)
Caso 2: Tenemos los datos: (x0, y0), (x1, y1) en este caso el polinomio de
interpolación es la función lineal que une a los dos puntos dados. Por lo tanto
tenemos que:
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

Es el polinomio de interpolación.

Interpolación lineal de una variable independiente.

Es igual que hacer integrales cerradas.

En una tabla se representan algunos valores de la función, pero no todos, en


ocasiones nos interesa el valor de la función para un valor de la variable
independiente distinto de los que figuran en la tabla, en este caso podemos tomar
el más próximo al buscado, o aproximarnos un poco más por interpolación, la
interpolación casi siempre nos dará un pequeño error respecto al valor de la
función verdadero, pero siempre será menor que tomar el valor más próximo de
los que figuran en la tabla, veamos cómo se calcula al valor de la función para un
valor de la variable independiente que se encuentre entre dos valores de la tabla
por interpolación lineal.

Por la tabla sabemos que:

Queremos, pues, saber:

Siendo:
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

Cuando el polinomio que conviene es de 2º grado la interpolación recibe el


nombre de cuadrática. El polinomio interpolador es único, luego como se
encuentre da igual., sin embargo, a veces los cálculos son muy laboriosos y es
preferible utilizar un método que otro. A la vista de los datos se decide.

Lagrange (1736-1813) dio una manera simplificada de calcular los polinomios


interpoladores de grado n Para el caso de un polinomio de 2º grado que pasa por
los puntos (x0, y0 ), (x1, y1), (x2, y2):

Que es la fórmula de Lagrange para n=2.


Con frecuencia se tienen que estimar valores intermedios entre valores conocidos.
El método más común empleado para este propósito es la interpolación
polinomial. Recuérdese que la fórmula general de un polinomio de n-ésimo orden
es:

El error en la interpolación lineal resulta de aproximar una curva con una línea
recta.
Estrategias:
– Disminuir el tamaño del intervalo.
– Introducir alguna curvatura en la línea que conecta los puntos.
Si tres puntos de los datos están disponibles, esto puede realizarse con un
polinomio de segundo grado (parábola).

Puede utilizarse un procedimiento simple para determinar los valores de los


coeficientes.

Sustituyendo las ecuaciones anteriores, y evaluando en x = x1:

Sustituyendo nuevamente, y ahora evaluando en x = x2:


INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

4.2 Polinomios de interpolación diferencias divididas de newton y de


lagrange

En análisis numérico, la interpolación polinómica es una técnica


de interpolación de un conjunto de datos o de una función por un polinomio. Es
decir, dado cierto número de puntos obtenidos por muestreo o a partir de
un experimento se pretende encontrar un polinomio que pase por todos los
puntos.

Dada una función de la cual se conocen sus valores en un número finito de


abscisas , se llama interpolación polinómica al proceso de
hallar un polinomio de grado menor o igual a m, cumpliendo
.

A este polinomio se le llama Polinomio interpolador de grado m de la función f.

La interpolación polinómica es un método usado para conocer, de un modo


aproximado, los valores que toma cierta función de la cual sólo se conoce su
imagen en un número finito de abscisas.A menudo, ni siquiera se conocerá la
expresión de la función y sólo se dispondrá de los valores que toma para dichas
abscisas.

El objetivo será hallar un polinomio que cumpla lo antes mencionado y que permita
hallar aproximaciones de otros valores desconocidos para la función con una
precisión deseable fijada. Por ello, para cada polinomio interpolador se dispondrá
de una fórmula del error de interpolación que permitirá ajustar la precisión del
polinomio.

El problema de la interpolación tiene propiamente tres cuestiones:

 Saber si tiene solución o no.


 En caso de tenerla, ¿dicha solución es ´única o existen varias?
 Y finalmente métodos de cálculo lo más eficientes posibles.

A este respecto en interpolación polinómica tenemos el siguiente resultado:

Teorema 1. Supongamos conocido el valor de una función f(x) en un conjunto de


puntos distintos dos a dos x0, x1, . . . , xn. Entonces, existe un único
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

polinomio P(x) 2 <n[x] (esto es, polinomios de grado menor o igual que n) que
interpola a la función en esos puntos, es decir,P(xi) = f(xi) con i = 0, . . . , n.

La prueba más directa (con el coste de unos leves conocimientos de ´algebra)


consiste en plantear el sistema lineal de ecuaciones (ahora las incógnitas son los
coeficientes del polinomio P buscado) y darse cuenta de que es un sistema
compatible determinado al tener matriz de coeficientes de tipo Van der Monde
(con los xi distintos dos a dos) y por tanto invertible.

Otra forma inmediata de ver la unicidad de solución al problema consiste en


imaginar la existencia de dos polinomios P y Q de grado n satisfaciendo la tesis
del teorema.

Entonces:

P − Q es otro polinomio de grado n con n + 1 ceros, y eso conduce


inevitablemente a que
P − Q _ 0.

Completamos este razonamiento con dos respuestas (en las siguientes secciones)
de existencia de solución, ambas constructivas.

Método de las diferencias divididas de Newton

Sea una variable discreta de elementos y sea otra variable


discreta de elementos los cuales corresponden, por parejas, a la imagen u
ordenada y abcisa de los datos que se quieran interpolar, respectivamente, tales
que:

Este método es muy algorítmico y resulta sumamente cómodo en determinados


casos, sobre todo cuando se quiere calcular un polinomio interpolador de grado
elevado.

El polinomio de grado resultante tendrá la forma


INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

Definiendo como

y definiendo como

Los coeficientes son las llamadas diferencias divididas.

Una vez se hayan realizado todos los cálculos, nótese que hay (muchas) más
diferencias divididas que coeficientes . El cálculo de todos los términos
intermedios debe realizarse simplemente porque son necesarios para poder
formar todos los términos finales. Sin embargo, los términos usados en la
construcción del polinomio interpolador son todos aquellos que involucren a .

Estos coeficientes se calculan mediante los datos que se conocen de la función .

Queda definido, como:

Cualquier polinomio de <n[x] se puede expresar en forma única como una


combinación lineal de los monomios {1, x, x2, . . . , xn}, pues son evidentemente
sistema generador y además linealmente independientes (luego forman una base
del espacio vectorial), la más simple de hecho, la base canoníca.

Esta base, que es adecuada para algunas manipulaciones inmediatas de


polinomios como nombrábamos en la sección anterior (derivación e integración
por ejemplo), no es, sin embargo, la más adecuada para construir en principio el
polinomio interpolador.
Vimos que resultaba útil incluir los propios nodos del problema en los polinomios
a construir, de modo que en este parágrafo adoptamos una solución intermedia:
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

Expresaremos el polinomio P(x) que interpola a las abscisas x0, x1, . . . , xn, como
una combinación lineal del siguiente conjunto de
polinomios { 0(x), 1(x), . . . , n(x)} siendo:

0(x) = 1,
1(x) = (x − x0),
2(x) = (x − x0)(x − x1),
3(x) = (x − x0)(x − x1)(x − x2),
n(x) = (x − x0)(x − x1)(x − x2) · · · (x − xn−1)

Este conjunto es otra base del espacio de <n[x] por tener n + 1 elementos
linealmente independientes (obsérvese que con este método cada problema
requiere una base distinta, en función de los nodos xi que nos dan, y que el
cálculo de cada sirve para el siguiente.)

Método de interpolación de Lagrange

Este método es el más explícito para probar existencia de solución ya que la


construye.

Sin embargo su utilidad se reduce a eso: a dar una respuesta formal y razonada,
pues no es eficiente en términos de cálculo (requiere muchas operaciones y tiene
limitaciones técnicas que después nombraremos).

Para calcular el polinomio interpolador P(x) asociado a una tabla de datos (xi, fi)
con i = 0, . . . , n podemos plantearnos una simplificación previa: ¿qué ocurre si
construimos polinomios li(x) de grado n que valgan 1 en el nodo xi y 0 en el resto?

li(xk) = _ik = _ 1 si i = k, 0 si i 6= k.

Es inmediato que con esto se resuelve el problema original, tomando la suma de


esa n + 1 polinomios de grado n (con coeficientes adecuados):

P(x) = Pn k=0 fk · lk(x).

¿Es posible encontrar tales li(x)? Si damos el polinomio facto izado para que tenga
en cada nodo xj (con j 6= i) una raíz, el candidato es:

(x − x0)(x − x1) ·. . . · (x − xi−1)(x − xi+1) · . . . · (x − xn) = n Yj=0 j6=I (x − xj).


INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

En análisis numérico, el polinomio de Lagrange, llamado así en honor a Joseph-


Louis de Lagrange, es el polinomio que interpola un conjunto de puntos dado en la
forma de Lagrange. Dado que existe un único polinomio interpolador para un
determinado conjunto de puntos, resulta algo confuso llamar a este polinomio el
polinomio interpolador de Lagrange. Un nombre más conciso es interpolación
polinómica en la forma de Lagrange.

Dado un conjunto de k + 1 puntos:

Donde todos los xj se asumen distintos, el polinomio interpolador en la forma de


Lagrange es la combinación lineal:

De bases polinómicas de Lagrange:

La resolución de un problema de interpolación lleva a un problema de álgebra


lineal en el cual se debe resolver un sistema de ecuaciones. Usando una base
monómica estándar para nuestro polinomio interpolador, llegamos a la matriz de
Vandermonde. Eligiendo una base distinta, la base de Lagrange, llegamos a la
forma más simple de matriz identidad = δi, j, que puede resolverse
inmediatamente.

Entre las desventajas de su uso tenemos que si se aumenta en número de puntos


a interpolar (o nodos) con la intención de mejorar la aproximación a una función,
también lo hace el grado del polinomio interpolador así obtenido, por norma
general. De este modo, aumenta la dificultad en el cálculo, haciéndolo poco
operativo manualmente a partir del grado 4, dado que no existen métodos directos
de resolución de ecuaciones de grado 4, salvo que se puedan tratar como
ecuaciones bicuadradas, situación extremadamente rara.
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

La tecnología actual permite manejar polinomios de grados superiores sin grandes


problemas, a costa de un elevado consumo de tiempo de computación. Pero, a
medida que crece el grado, mayores son las oscilaciones entre puntos
consecutivos o nodos. Se podría decir que a partir del grado 6 las oscilaciones son
tal que el método deja de ser válido, aunque no para todos los casos.

Sin embargo, pocos estudios requieren la interpolación de tan sólo 6 puntos. Se


suelen contar por decenas e incluso centenas. En estos casos, el grado de este
polinomio sería tan alto que sería inoperable. Por lo tanto, en estos casos, se
recurre a otra técnica de interpolación, como por ejemplo a la Interpolación
polinómica de Hermite o a los splines cúbicos

Otra gran desventaja, respecto a otros métodos de interpolación, es la necesidad


de recalcular todo el polinomio si se varía el número de nodos.

4.3 Regresión por mínimos cuadrados: Lineal y cuadrática

En el marco del análisis estadístico multidimensional interesa, en gran medida,


descubrir la interdependencia o la relación existente entre dos o más de las
características analizadas.

La dependencia entre dos (o más) variables puede ser tal que se base en una
relación funcional (matemática) exacta, como la existente entre la velocidad y la
distancia recorrida por un móvil; o puede ser estadística. La dependencia
estadística es un tipo de relación entre variables tal que conocidos los valores de
la (las) variable (variables) independiente(s) no puede determinarse con exactitud
el valor de la variable dependiente, aunque si se puede llegar a determinar un
cierto comportamiento (global) de la misma. (Ej. La relación existente entre el peso
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

y la estatura de los individuos de una población es una relación estadística). Pues


bien, el análisis de la dependencia estadística admite dos planteamientos (aunque
íntimamente relacionados):
·
 El estudio del grado de dependencia existente entre las variables que
queda recogido en la teoría de la correlación.

 La determinación de la estructura de dependencia que mejor exprese la


relación, lo que es analizado a través de la regresión.

Mínimos cuadrados es una técnica de análisis numérico encuadrada dentro de la


optimización matemática, en la que, dados un conjunto de pares ordenados:
(variable independiente, variable dependiente) y una familia de funciones, se
intenta encontrar la función, dentro de dicha familia, que mejor se aproxime a los
datos (un "mejor ajuste"), de acuerdo con el criterio de mínimo error cuadrático.

En su forma más simple, intenta minimizar la suma de cuadrados de las


diferencias ordenadas (llamadas residuos) entre los puntos generados por la
función y los correspondientes en los datos. Específicamente, se llama mínimos
cuadrados promedio cuando el número de datos medidos es 1 y se usa el método
de descenso por gradiente para minimizar el residuo cuadrado. Se puede
demostrar que LMS minimiza el residuo cuadrado esperado, con el mínimo de
operaciones (por iteración), pero requiere un gran número de iteraciones para
converger.

La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas.


Muchos otros problemas de optimización pueden expresarse también en forma de
mínimos cuadrados, minimizando la energía o maximizando la entropía.
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

La aproximación mínimo cuadrática consiste en minimizar el error cuadrático


mencionado más arriba, y tiene solución general cuando se trata de un problema
de aproximación lineal (lineal en sus coeficientes) cualesquiera que sean las
funciones base: antes mencionadas. Por lineal se entiende que la aproximación
buscada se expresa como una combinación lineal de dichas funciones base. Para
hallar esta expresión se puede seguir un camino analítico, expuesto abajo,
mediante el cálculo multivariable, consistente en optimizar los coeficientes; o bien,
alternativamente, seguir un camino geométrico con el uso del álgebra lineal, como
se explica más abajo, en la llamada deducción geométrica. Para los Modelos
estáticos uniecuacionales, el método de mínimos cuadrados no ha sido superado,
a pesar de diversos intentos para ello, desde principios del Siglo XIX. Se puede
demostrar que, en su género, es el que proporciona la mejor aproximación.

Método De Cuadrados Mínimos – Regresión Lineal.

Hemos enfatizado sobre la importancia de las representaciones gráficas y hemos


visto la utilidad de las versiones linealidades de los gráficos (X, Y) junto a las
distintas maneras de llevar a cabo la liberalización. A menudo nos confrontamos
con situaciones en las que existe o suponemos que existe una relación lineal entre
las variables Xe Y.
Surge de modo natural la pregunta: ¿cuál es la relación analítica que mejor se
ajusta a nuestros datos? El método de cuadrados mínimos es un procedimiento
general que nos permite responder esta pregunta. Cuando la relación entre las
variables X e Yes lineal, el método de ajuste por cuadrados mínimos se denomina
también método de regresión lineal.
Observamos o suponemos una tendencia lineal entre las variables y nos
preguntamos sobre cuál es la mejor recta:

y(x) = a x + b

Que representa este caso de interés. Es útil definir la función:

Que es una medida de la desviación total de los valores observados yi respecto de


los predichos por el modelo lineal a x + b. Los mejores valores de la pendiente a y
la ordenada al origen b son aquellos que minimizan esta desviación total, o sea,
son los valores que remplazados en la Ec.(1) minimizan la función 2. Ec.(2). Los
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

parámetros a y b pueden obtenerse usando técnicas matemáticas que hacen uso


del cálculo diferencial. Aplicando estas técnicas, el problema de minimización se
reduce al de resolver el par de ecuaciones:

Actualmente, la mayoría de los programas de análisis de datos y planillas de


cálculo, realizan el proceso de minimización en forma automática y dan los
resultados de los mejores valores de a y b, o sea los valores indicados por las
ecuaciones.

Gráfico de datos asociados a un modelo lineal. La cantidad yi - y(xi) representa la


desviación de cada observación de yi respecto del valor predicho por el modelo
y(x).

El criterio de mínimos cuadrados remplaza el juicio personal de quien mire los


gráficos y defina cuál es la mejor recta. En los programas como Excel, se realiza
usando la herramienta “regresión lineal” o “ajuste lineal”. Los resultados se aplican
en el caso lineal cuando todos los datos de la variable dependiente tienen la
misma incertidumbre absoluta y la incertidumbre de la variable independiente se
considera despreciable.

REGRESIÓN MÍNIMO-CUADRÁTICA

Consiste en explicar una de las variables en función de la otra a través de un


determinado tipo de función (lineal, parabólica, exponencial, etc.), de forma que la
función de regresión se obtiene ajustando las observaciones a la función elegida,
mediante el método de Mínimos-Cuadrados (M.C.O.).
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

Elegido el tipo de función de regresión concreta se obtendrá minimizando la


expresión:

(yj - (xi ) ) 2. nij en el caso de la regresión de Y/X


(xi - (yj ) ) 2. nij en el caso de la regresión de X/Y

Puede probarse que es equivalente ajustar por mínimos cuadrados la totalidad de


las observaciones (toda la nube de puntos) que realizar el ajuste de los puntos
obtenidos por la regresión de la media; de forma que la regresión mínimo-
cuadrática viene ser, en cierto modo, la consecución de una expresión analítica
operativa para la regresión en sentido estricto.

Coeficientes de regresión.

Se llama coeficiente de regresión a la pendiente de la recta de regresión:


en la regresión Y/X : b = Sxy / Sx2
en la regresión X/Y b' = Sxy / Sy2
El signo de ambos coincidirá con el de la covarianza, indicándonos la tendencia
(directa o inversa a la covariación).Es interesante hacer notar que b.b'= r2
Bondad Del Ajuste (Varianza Residual, Varianza De La Regresión Y
Coeficiente De Determinación)

Por bondad del ajuste hay que entender el grado de acoplamiento que existe entre
los datos originales y los valores teóricos que se obtienen de la regresión.
Obviamente cuanto mejor sea el ajuste, más útil será la regresión a la pretensión
de obtener los valores de la variable regresando a partir de la información sobre la
variable regresora .
Obtener indicadores de esta bondad de ajuste es fundamental a la hora de optar
por una regresión de un determinado tipo u otro.
Puesto que la media de los residuos se anula, el primer indicador de la bondad del
ajuste (no puede ser el error medio) será el error cuadrático medio, o varianza del
residuo, o varianza residual:
Considerando la regresión Y/X:
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

Que será una cantidad mayor o igual que cero. De forma que cuanto más baja sea
mejor será el grado de ajuste. Si la varianza residual vale cero el ajuste
será perfecto (ya que no existirá ningún error).
Del hecho de que yi=y*i+ei ,y de que las variables y* ý e están correlacionadas se
tiene que:

Donde S2y* es la llamada varianza de la regresión y supone la varianza de la


variable regresión:

Igualdad fundamental anterior de la que se deduce que la varianza total de la


variable y puede descomponerse en dos partes una parte explicada por la
regresión ( la varianza de la regresión) y otra parte no explicada (la varianza
residual).
Considerando que la varianza nos mide la dispersión de los datos este hecho hay
que entenderlo como que la dispersión total inicial queda, en parte explicada por la
regresión y en parte no. Cuanto mayor sea la proporción de varianza explicada (y
menor la no explicada) tanto mejor será el ajuste y tanto más útil la regresión.
A la proporción de varianza explicada por la regresión se le llama coeficiente de
determinación (en nuestro caso lineal):

Que evidentemente estará siempre comprendido entre 0 y 1 y, en consecuencia,


da cuenta del tanto por uno explicado por la regresión.
Una consecuencia importante en la práctica es que la varianza residual será
obviamente:
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

Es sencillo probar que en el caso lineal que nos ocupa el coeficiente de


determinación coincide con el cuadrado del coeficiente de correlación:
R2 = r2
Con lo cual la varianza residual y la varianza debida a la regresión pueden
calcularse a partir del coeficiente de correlación:

Regresión Mínimo Cuadrática No-Lineal


La regresión mínimo-cuadrática puede plantearse de forma que la función de
ajuste se busca no sea una función lineal. El planteamiento general sería similar,
aunque obviamente habría que minimizar el cuadrado de los residuos entre los
datos originales y los valores teóricos obtenibles a través de la función no-lineal
considerada.
Regresión parabólica.
Desarrollaremos someramente la regresión Y/X y debe quedar claro que la
regresión X/Y resultaría análoga.
Supongamos para simplificar que los datos no están agrupados por frecuencias.
En tal caso, obtener la función parabólica y* = a 0+a1x+a2 x2 se llevará a cabo
determinado los valores de los tres parámetros a0,a1,a2 que minimicen :
(a0,a1,a2)=(yi- (a0+a1x+a2 x2)) 2
Igualando a cero las tres derivadas parciales se obtendrá las ecuaciones
normales, que convenientemente manipuladas acaban siendo:
INSTITUTO TECNOLÓGICO SUPERIOR DE COATZACOALCOS

Departamento: Ingeniería Mecánica


Materia: Métodos Numéricos
Docente:
Nombre
Alumno:
Grado y
Unidad: 4 4B Actividad: Fecha:
Grupo:
Tema:

Sistema de ecuaciones del que se pueden despejar los valores de los coeficientes
de regresión.
4.4 Aplicaciones

Se puede utilizar en el cálculo de estructuras, instalaciones eléctricas, hidráulicas


y sanitarias, en cálculos de carreteras, topografía y hasta en diseño de las
estructuras, no en todos los casos pero principalmente cuando hay mala toma de
datos o haya datos faltantes.

En el subcampo matemático del análisis numérico, un spline es una curva


diferenciable definida en porciones mediante polinomios.

En los problemas de interpolación, se utiliza a menudo la interpolación mediante


splines porque da lugar a resultados similares requiriendo solamente el uso de
polinomios de bajo grado, evitando así las oscilaciones, indeseables en la mayoría
de las aplicaciones, encontradas al interpolar mediante polinomios de grado
elevado.

Para el ajuste de curvas, los splines se utilizan para aproximar formas


complicadas. La simplicidad de la representación y la facilidad de cómputo de los
splines los hacen populares para la representación de curvas en informática,
particularmente en el terreno de los gráficos por ordenado. Tenemos los siguientes
3:

 Interpolación Segmentaria Lineal


 Interpolación Segmentaria Cuadrática
 Interpolación Segmentaria Cúbica

https://sites.google.com/site/mecanalisis/home/unidad-iv-ajuste-de-curvas-e-
interpolacion
https://sites.google.com/site/ittgmetodosnumericos/home/unidad-4-ajuste-de-
curvas-e-interpolacion
https://sites.google.com/site/metalnumericos/home/unidad-4/4-1-interpolacion-
lineal-y-cuadratica
https://sites.google.com/site/metodosnumericosmecanica/home/unidad-iv/42-
polinomios-de-interpolacin-diferencias-divididas-de-newton-y-de-lagrange