1.

Regresión
MATLAB tiene funciones internas de ajuste de curvas que le permiten modelar los datos
empíricamente. Es importante recordar que estos modelos son buenos sólo en la región
donde se recopilaron los datos. Si no se entiende por qué un parámetro como y cambia
como lo hace con x, no puede predecir si la ecuación de ajuste de datos todavía funcionará
afuera del rango donde se recopilaron los datos.
Considera los datos de calor especifico vs el peso de ácido nítrico que se encuentra en el
Perry R.H. & D. W. Green (1999) la cual es replicada a continuación
Calor especifico del ácido nítrico
No de Concentración en % en
Ya se Calor especifico (cal/g°C) sabe
dato peso
que 1 0 1
2 10 0.9
3 20 0.81
4 30 0.73
5 40 0.675
6 50 0.65
7 60 0.64
8 70 0.615
9 80 0.575
10 90 0.515
mediante interpolación podría encontrar cualquier valor de calor especifico que requiera a
una determinada concentración como el de 46% y ya se determino que por medio de
interpolación el calor especifico a 46% es de 0.66 cal/g°C

Ahora bien, se requiere realizar un modelado en donde se requiere el calculo de calor

especifico para lo cual es poco factible estar interpolando, dado que durante el modelado
la concentración puede estar cambiando como una función del tiempo, entonces se
requiere una ecuación o un modelo probabilístico para estimar el calor especifico del ácido
nítrico a diferentes concentraciones. Para lo cual se necesita determinar una regresión
numérica a dichos datos.
Si grafica los datos véase la figura 1, puede intentar dibujar una línea recta a través de los
puntos de datos para obtener un modelo burdo del comportamiento de los datos. Este
proceso a veces se denomina “a ojo de buen cubero”, lo que significa que no se realizaron
cálculos, pero que parece un buen ajuste.
 Figura 1: representación grafica del calor
especifico como función de temperatur. El comando para editar los ejes se omitieron dado que solo se
requiere mostrar el ajuste representado por la línea naranja.

Al observar la gráfica, puede ver que muchos de los puntos parecen caer fuera de la línea,
dado que se busca ajustar al mínimo error total, es decir que la distancia de unos puntos
que quedan afuera de un lado sea aproximadamente igual a la distancia de los puntos del
otro lado con la pendiente de esta línea podríamos estimar una ecuación y Para comparar
la calidad del ajuste de esta línea con otros posibles estimados se debe encontrar la
diferencia entre el valor y real y el valor calculado del estimado, de tal forma que amano
tendríamos que trazar líneas a ojo de buen cubero y estimar el error de cada línea trazada.
Para implementarlo a traves de Matlab se puede emplear la función polyfit

Los resultados son los coeficientes correspondientes a la ecuación polinomial de primer

orden de mejor ajuste:
De tal forma que la ecuación sugerida sería
Y= -0.0048X+0.9267
De tal forma que si queremos predecir el valor de el calor especifico, denominado en la
ecuación como Y en dicha ecuación, para una concentración de 46% denominada como X
debemos sustituir
Y = -0.0048(46)+0.9267 = 0.70176
Si comparamos el valor estimado con el modelo y el estimado con la interpolación se
observa gran diferencia, dado que el modelo engloba a todos los puntos mientras la
interpolación solo engloba los dos puntos más cercanos es decir el de 40 y el de 50.
Para mostrar la línea de ajuste en Matlab podremos ejecutar el siguiente código

Regresión polinomial
Desde luego, las líneas rectas no son las únicas ecuaciones que se podrían analizar con la
técnica de regresión. Por ejemplo, un enfoque común es ajustar los datos con un
polinomio de orden superior de la forma

n n−1 n−2
y=a0 x +a 1 x + a2 x +… a n−1 x +an

La regresión polinomial se usa para obtener el mejor ajuste al minimizar la suma de los
cuadrados en las desviaciones de los valores calculados de los datos. La función polyfit le
permite hacer esto fácilmente en MATLAB. Se puede ajustar los datos de muestra a
ecuaciones de segundo y tercer orden con los comandos tomando como ejemplo el calor
especifico del ácido nítrico determinar el mejor ajuste.
Aquí observamos que el mejor ajuste lo proporciona el polinomio de 1er orden, si
continuamos probando con orden superiores

Observamos que el polinomio de primer orden sigue dando el mejor ajuste así que la
ecuación que se recomienda usar para el modelo de simulación es el que esta
representado para el primer orden, por lo tanto
 calor especifico=−0.0048 ( Concentración )+ 0.9267

Si se requiere un mayor profesionalismo para realizar tus proyectos y requieres de la

obtención del gráfico de ajuste se puede mostrar de forma grafica los resultados aplicando
los comandos para las gráficas.

Figu
ra 2 ajuste de polinomios en forma gráfica.

En la figura 2 podemos observar que el mejor ajuste lo proporciona el ajuste para el

primer orden. Al usar la forma gráfica no es necesario hacer la suma de cuadrados.
Nota: Cuando se tienen menos de 6 datos se deben suavizar las graficas agregando más
puntos al evaluar las funciones o los modelos de regresión. Mientras que a los datos
originales se les puede agregar puntos interpolando.

Ejemplo para agregar datos al interpolar y al evaluar las funciones o modelos

Figura 3. Ejemplo para adicionales datos a los datos que originalmente se tienen con la
finalidad de suavizar la línea al momento de graficar
La función polyval
La función polyval puede realizar la misma labor que polyfit sin tener que reingresar los
coeficientes.
Observe el siguiente ejemplo para que compruebes que es lo mismo usar estas dos
funciones. Solo tiene que decidir porque método te acomodarías más para hacer tus
ajustes cuando estés en tu campo profesional

Ahora vamos a ver un ejemplo para ajustar a los diferentes polinomios y como se pueden
poner en una sola figura los tres resultados para ser comparados
Continuamos con el código
La figura resultante es

Anteriormente usando polyfit se concluyó que el mejor ajuste lo representaba el

polinomio de 1er orden lo cual se contradice en esta grafica dado que se demuestra que la
curva que cruza el mayor numero de puntos es el polinomio de 4 orden, la diferencia se
debe a que cuando se usaba polyfit el valor mostrado para los primeras constantes eran
muy bajos y dado que el resultado no lo muestra en cuatro decimales se concluyo que
eran cero y por ello al determinar la ecuación con polyfit se tiene un error. El
inconveniente con polyval es que como hace todo el calculo integrado no muestra los
coeficientes del modelo. Entonces ¿Qué usarías tu polyfit o polyval? Da respuesta a esta
interrogante al concluir el ejercicio de esta sección dentro de la ventana de comandos de
Matlab y mostrar las evidencias.

Uso de la herramienta de ajuste iterativo

En la barra de menú elije la opción de aplicaciones
En el menú de aplicaciones seleccionar el ajuste de línea Menú de
aplicaciones

Ajuste de
curvas

Aparece la siguiente ventana donde se pueden hacer ajustes de modelo desde 2 variables
a multivariables
Nombre del ajuste

Variable Tipo de modelo a

independiente representar
Variable
dependiente

Tipo de método a
utilizar

Para hacer los ajustes debes haber introducido los vectores de los datos en la ventana de
trabajo.
Nota: para encontrar el mejor ajuste vasta con jugar con los distintos modelos y métodos
hasta encontrar la ecuación que de el mejor ajuste, la cual se puede verificar en tres
puntos. La línea que cruce la mayoría de los puntos, el modelo que proporcione una
menor desviación estándar (SSe) o en el que la r de un ajuste perfecto a 1.
Ejercicios
1. Din (1962) reporta el calor latente de vaporización del propano líquido.
Presión de vapor
T (K) Δh (cal/mol)
(atm)
341.71 2443 25
351.23 2069 30
359.61 1615 35
367.18 912 40
370 0 42.1
Encuentra un modelo que prediga el calor latente de vaporización en
función de la presión de vapor y la temperatura utilizando las herramientas
de ajuste iterativo y en Excel para modelos de polinomios (consulta
procedimiento en el manual del profesor Soto). Mostrando la comparación
entre tes modelos que podrían emplearse. Concluye cual de los tres
modelos que se muestran es el que más recomendarías y haz hincapié a
que condiciones se limita el modelo.
Con base en estudios sobre la cinética de evasión de compuestos de cobre a
partir de resinas con intercambio iónico, se obtuvieron los siguientes datos. La
normalidad del líquido disolvente fue el factor más importante en la determinación
de la difusión. Estos datos se obtuvieron en valores convenientes de normalidad.
N 0.052 0.102 0.203 0.496 0.986 1.973 2.44 5.0
1 8 6 9 3 9 3 6
D x106 1.65 2.10 2.27 2.76 3.12 3.06 2.92 2.0
2
(cm /s) 7

Crea un modelo matemático utilizando la función polyfit empleando la

solución que tu propongas para evitar malas interpretaciones como el
ejemplo al momento de obtener los vectores de los coeficientes. Asegura el
mejor ajuste considerando la suma de los cuadrados como en el ejemplo. Y
también compara las distintas graficas ajustadas para dar tu conclusión. Al
concluir colocar la ecuación matemática del modelo que representan estos
datos colocando sus restricciones y nomenclatura. Considera que los datos
fueron tomados a 25°C y 1 atm.
Genera una tabla con datos que contengan valores de normalidad de 0 1 2
3 4 5 6 7, utilizando una variable de estructura para colocar los valores
originales más los que se proponen adicional junto con los valores
originales y los predichos por el modelo. Mostrar la evidencia de la ventada
de espacio de trabajo donde resalte la variable estructura.
La solución de la ecuación de transporte de calor para solidos infinitos véase la
figura, donde la función de error de referencia (erf) en una función como seno y
coseno. Cengel muestra la solución numérica de dicha función en la tabla 4.4 con
la finalidad de que para resolver el transporte de calor en solidos infinitos se utilice
dicha tabla y en ocasiones se requiere del uso de interpolación para encontrar ya
se el coeficiente o la función del error de referencia. Con la finalidad de obtener
una solución numérica a través de un programa de cálculo elabora dos modelos
matemáticos en uno para emplear cuando se conozca el valor de η y se desea
conocer erfc(η) y otro para la situación contraria. Realizar dicha labor empleando
polyfit, polyval y la herramienta de ajuste iterativo mostrando la evidencia de todo ,
propón las ecuaciones final que mejor ajustarían a los datos.