Ajuste de Curvas

Preliminares
Métodos de Ajuste de Curvas
AJUSTE DE CURVAS
AJUSTE DE CURVAS
Preliminares
Contenido
1 Preliminares
Definiciones
2 Métodos de Ajuste de Curvas

Rectas de Regresión en Mínimos Cuadrados
El Ajuste Potencial y = Ax M
El Ajuste Exponencial y = CeAx
Combinaciones Lineales en Mínimos Cuadrados
AJUSTE DE CURVAS
Preliminares
Definiciones
Contenido
1 Preliminares
Definiciones

AJUSTE DE CURVAS
Preliminares
Definiciones
Definiciones
En ciencias e ingeniería es frecuente que un experimento

produzca un conjunto de datos (x1 , y1 ) , ..., (xN , yN ), siendo
las abcisas {xk } distintas entre sí.
Uno de los objetivos del cálculo numérico es la

determinación de una fórmula y = f (x) que relacione las
variables (ajustar una curva a datos experimentales).
Normalmente se dispone de una serie de fórmulas

previamente establecidas, y lo que hay que hallar son los
valores más adecuados de unos coeficientes o unos
parámetros para estas fórmulas.
AJUSTE DE CURVAS
Preliminares
Definiciones
Definiciones



AJUSTE DE CURVAS
Preliminares
Definiciones
Definiciones



AJUSTE DE CURVAS
Preliminares
Definiciones
Definiciones
Definición
Se definen los errores o desviaciones o residuos así:
ek = f (xk ) − yk ; 1 ≤ k ≤ N.
Se definen las siguientes normas que se pueden usar con los

residuos para medir la distancia entre la curva y = f (x) y los
datos:
Error Máximo:
«x {|f (xk ) − yk | : 1 ≤ k ≤ N} ,
E∞ (f ) = ma
AJUSTE DE CURVAS
Preliminares
Definiciones
Definiciones
Error Medio:
N
1 X
E1 (f ) = |f (xk ) − yk | ,
N
k =1
Error Cuadrático Medio:

N
!1/2
1 X
E2 (f ) = |f (xk ) − yk |2 . (1)
N
k =1
AJUSTE DE CURVAS
Preliminares El Ajuste Potencial y = Ax M
Métodos de Ajuste de Curvas El Ajuste Exponencial y = CeAx
Contenido
1 Preliminares
Definiciones

AJUSTE DE CURVAS
Definición
Sea {(xk , yk )}N
k =1 un conjunto de N puntos cuyas abcisas {xk }
son todas distintas. La recta de regresión o recta óptima en (el
sentido de los) mínimos cuadrados es la recta de ecuación
y = f (x) = Ax + B que minimiza el error cuadrático medio
E2 (f ).
AJUSTE DE CURVAS
De (1), notar que E2 (f ) será mínima sii lo es

N
X
N (E2 (f ))2 = (Axk + B − yk )2 .
k =1
Geométricamente es la suma de los cuadrados de las

distancias verticales desde los puntos {(xk , yk )} hasta la recta
y = Ax + B.
AJUSTE DE CURVAS
Teorema: Recta de Regresión en Mínimos Cuadrados

Sean {(xk , yk )}N N
k =1 N puntos cuyas abcisas {xk }k =1 son
distintas. Entonces, los coeficientes de la recta de regresión
y = Ax + B
son la solución del siguiente sistema lineal, conocido como las

ecuaciones normales de Gauss:
N
! N
! N
X X X
xk2 A+ xk B = xk yk ,
k =1 k =1 k =1
N
! N
X X
xk A + NB = yk .
k =1 k =1
AJUSTE DE CURVAS
Contenido
1 Preliminares
Definiciones

AJUSTE DE CURVAS
Algunas situaciones se modelan mediante una función del tipo

f (x) = Ax M , donde M es una constante conocida. En estos
casos solo hay que determinar un parámetro.
AJUSTE DE CURVAS
Teorema: Ajuste Potencial

Supongamos que tenemos N puntos {(xk , yk )}N k =1 cuyas
abcisas son distintas. Entonces, el coeficiente A de la curva
potencial óptima en mínimos cuadrados y = Ax M viene dado
por P
N My
x
k =1 k k
A = P .
N 2M
x
k =1 k
AJUSTE DE CURVAS
Contenido
1 Preliminares
Definiciones

AJUSTE DE CURVAS
Se desea ajustar una curva exponencial de la forma
y = CeAx (2)
a un conjunto de puntos {(xk , yk )}N

k =1 dado de antemano.
AJUSTE DE CURVAS
Opción 1: El método de linealización de los datos
Tomando logaritmos en (2):
ln(y ) = Ax + ln(C).
Haciendo un cambio de variables (y de constante):
Y = ln(y ), X = x, B = ln(C),
se obtiene una relación lineal entre las nuevas variables X y Y:
Y = AX + B. (3)
AJUSTE DE CURVAS
Y = ln(y ), X = x, B = ln(C),
Y = AX + B. (3)
AJUSTE DE CURVAS
Y = ln(y ), X = x, B = ln(C),
Y = AX + B. (3)
AJUSTE DE CURVAS
Ahora se calcula la recta de regresión (3) para los puntos

{(Xk , Yk )}, para lo que planteamos las correspondientes
ecuaciones normales de Gauss
N N N
! !
X X X
Xk2 A+ Xk B = Xk Yk ,
k =1 k =1 k =1
N N
!
X X
Xk A + NB = Yk ,
k =1 k =1
que constituyen un sistema de ecuaciones lineales para las

incógnitas A y C. Una vez calculados A y B, hallamos el
parámetro C de (2): C = eB .
AJUSTE DE CURVAS
Opción 2: El método no lineal de los mínimos

cuadrados
Se debe hallar el mínimo de la función

N
X 2
E(A, C) = CeAxk − yk .
k =1
Para ello, hallamos las derivadas parciales
N “
∂E X ”
= 2 CeAxk − yk Cxk eAxk ,
∂A
k =1
N “
∂E X ”
= 2 CeAxk − yk eAxk .
∂C
k =1
AJUSTE DE CURVAS

cuadrados
Se debe hallar el mínimo de la función

N
X 2
E(A, C) = CeAxk − yk .
k =1
Para ello, hallamos las derivadas parciales
N “
∂E X ”
= 2 CeAxk − yk Cxk eAxk ,
∂A
k =1
N “
∂E X ”
= 2 CeAxk − yk eAxk .
∂C
k =1
AJUSTE DE CURVAS

cuadrados
Igualando a cero obtenemos las ecuaciones normales
N
X N
X
2Axk
C xk e − xk yk eAxk = 0,
k =1 k =1
N
X XN
C e2Axk − yk eAxk = 0,
k =1 k =1
que es un sistema de ecuaciones no lineales para las

incógnitas A y C.
AJUSTE DE CURVAS

cuadrados
Se puede resolver este sistema con el método iterativo de

Newton-Raphson.
Se pueden utilizar métodos para minimizar funciones de

varias variables, para hallar el mínimo de la función
E(A, C) directamente. Por ejemplo, el de Nelder-Mead. En
este caso, no se necesita calcular las derivadas parciales.
AJUSTE DE CURVAS

cuadrados
Se puede resolver este sistema con el método iterativo de

Newton-Raphson.
Se pueden utilizar métodos para minimizar funciones de

varias variables, para hallar el mínimo de la función
E(A, C) directamente. Por ejemplo, el de Nelder-Mead. En
este caso, no se necesita calcular las derivadas parciales.
AJUSTE DE CURVAS
Contenido
1 Preliminares
Definiciones

AJUSTE DE CURVAS
Este problema se formula así: Dados N puntos {(xk , yk )} y un

conjunto de M funciones linealmente
independientes fj (x) ,
encontrar M coeficientes cj tales que la función f (x) definida
como la combinación lineal
M
X
f (x) = cj fj (x)
j=1
minimice la suma de los cuadrados de los errores

00 1 12
N
X N
X XM
2
E(C1 , C2 , ..., CM ) = (f (xk ) − yk ) = @@ cj fj (xk ) − yk A .
A
k =1 k =1 j=1
AJUSTE DE CURVAS

Para que E alcance un mínimo en un punto, cj debe ser la
solución del sistema de ecuaciones lineales:
00 1 1
N M
∂E X X
= @@ cj fj (xk ) − yk A (fi (xk )) = 0; i = 1, 2, ..., M
A
∂Ci
k =1 j=1
M N N
!
X X X
⇒ fi (xk ) fj (xk ) cj = fi (xk ) yk ; i = 1, 2, ..., M, (4)
j=1 k =1 k =1
llamadas ecuaciones normales de Gauss. Es un sistema de

ecuaciones lineales
de orden M x M. Las incógnitas son los
coeficientes cj .
AJUSTE DE CURVAS
Formulación Matricial
Si se define
f1 (x1 ) f2 (x1 ) ... fM (x1 )
2 3 2 3
f1 (x1 ) f1 (x2 ) f1 (x3 ) ... f1 (xN )
6 f1 (x2 ) f2 (x2 ) ... fM (x2 ) 7 0 6 f2 (x1 ) f2 (x2 ) f2 (x3 ) ... f2 (xN ) 7
F = 6 f1 (x3 ) f2 (x3 ) ... fM (x3 ) 7 , F = 6 7,
6 7
4 ... ... ... ... ... 5
4 ... ... ... ... 5
fM (x1 ) fM (x2 ) fM (x3 ) ... fM (xN )
f1 (xN ) f2 (xN ) ... fM (xN )
2 3 2 3
c1 y1
6 c2 7 6 y2 7
4 ... 5 , Y = 4 ...
C=6 7 6 7,
5
cM yN
entonces (4) se puede escribir como

0 0
F FC = F Y,
cuya incógnita es C.
AJUSTE DE CURVAS
Ajuste Polinomial
Cuando el método que se acaba de describir se aplica al caso

en el que se tienen M+1 funciones dadas por fj (x) = x j−1 , la

función f (x) será un polinomio de grado <= M:
f (x) = c1 + c2 x + c3 x 2 + ... + cM+1 x M .
AJUSTE DE CURVAS
Ajuste Polinomial
Teorema: Parábola óptima en mínimos cuadrados

Suponer que se tienen N puntos {(xk , yk )}Nk =1 cuyas abcisas
son todas distintas. Los coeficientes de la parábola de
ecuación
y = f (x) = Ax 2 + Bx + C
que mejor se ajusta a dichos puntos en el sentido de los
mínimos cuadrados son las soluciones A, B y C del sistema de
ecuaciones lineales
AJUSTE DE CURVAS
Ajuste Polinomial
N
! N
! N
! N
X X X X
xk4 A+ xk3 B+ xk2 C = yk xk2 ,
k =1 k =1 k =1 k =1
N
! N
! N
! N
X X X X
xk3 A+ xk2 B+ xk C = yk xk ,
k =1 k =1 k =1 k =1
N
! N
! N
X X X
xk2 A+ xk B + NC = yk .
k =1 k =1 k =1
AJUSTE DE CURVAS
Apéndice
Bibliografía
MATHEWS, John; KURTIS, Fink.

Métodos Numéricos con MATLAB.
Prentice Hall, 2000.
AJUSTE DE CURVAS

Ajuste de Curvas

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ajuste de Curvas

Cargado por

Copyright:

Formatos disponibles

Preliminares

Métodos de Ajuste de Curvas

2 Métodos de Ajuste de Curvas

2 Métodos de Ajuste de Curvas

En ciencias e ingeniería es frecuente que un experimento

Uno de los objetivos del cálculo numérico es la

Normalmente se dispone de una serie de fórmulas

En ciencias e ingeniería es frecuente que un experimento

Uno de los objetivos del cálculo numérico es la

Normalmente se dispone de una serie de fórmulas

En ciencias e ingeniería es frecuente que un experimento

Uno de los objetivos del cálculo numérico es la

Normalmente se dispone de una serie de fórmulas

Se definen las siguientes normas que se pueden usar con los

Error Cuadrático Medio:

2 Métodos de Ajuste de Curvas

Rectas de Regresión en Mínimos Cuadrados

Rectas de Regresión en Mínimos Cuadrados

De (1), notar que E2 (f ) será mínima sii lo es

Geométricamente es la suma de los cuadrados de las

Rectas de Regresión en Mínimos Cuadrados

Teorema: Recta de Regresión en Mínimos Cuadrados

son la solución del siguiente sistema lineal, conocido como las

2 Métodos de Ajuste de Curvas

Algunas situaciones se modelan mediante una función del tipo

Teorema: Ajuste Potencial

2 Métodos de Ajuste de Curvas

El Ajuste Exponencial y = CeAx

Se desea ajustar una curva exponencial de la forma

a un conjunto de puntos {(xk , yk )}N

Opción 1: El método de linealización de los datos

Tomando logaritmos en (2):

Haciendo un cambio de variables (y de constante):

se obtiene una relación lineal entre las nuevas variables X y Y:

Opción 1: El método de linealización de los datos

Tomando logaritmos en (2):

Haciendo un cambio de variables (y de constante):

se obtiene una relación lineal entre las nuevas variables X y Y:

Opción 1: El método de linealización de los datos

Tomando logaritmos en (2):

Haciendo un cambio de variables (y de constante):

se obtiene una relación lineal entre las nuevas variables X y Y:

Opción 1: El método de linealización de los datos

Ahora se calcula la recta de regresión (3) para los puntos

que constituyen un sistema de ecuaciones lineales para las

Opción 2: El método no lineal de los mínimos

Se debe hallar el mínimo de la función

Para ello, hallamos las derivadas parciales

Opción 2: El método no lineal de los mínimos

Se debe hallar el mínimo de la función

Para ello, hallamos las derivadas parciales

Opción 2: El método no lineal de los mínimos

Igualando a cero obtenemos las ecuaciones normales

que es un sistema de ecuaciones no lineales para las

Opción 2: El método no lineal de los mínimos

Se puede resolver este sistema con el método iterativo de

Se pueden utilizar métodos para minimizar funciones de

Opción 2: El método no lineal de los mínimos

Se puede resolver este sistema con el método iterativo de

Se pueden utilizar métodos para minimizar funciones de

2 Métodos de Ajuste de Curvas

Combinaciones Lineales en Mínimos Cuadrados

Este problema se formula así: Dados N puntos {(xk , yk )} y un

minimice la suma de los cuadrados de los errores

Este problema se formula así: Dados N puntos {(xk , yk )} y un

Cuando el método que se acaba de describir se aplica al caso