Unidad 4. Regresión, Interpolacion y Derivación Numerica

Programación y Métodos Numéricos / BQH - 1020
Unidad
4
Regresión, interpolación y derivación
numérica
Competencia específica: Aproxima funciones por regresión lineal o no lineal para

disponer de un modelo adecuado para los datos. Interpola numéricamente datos a partir de
datos lineales o de cualquier superior. Deriva e integra numéricamente funciones que le
permitan resolver problemas matemáticos o de ingeniería.
Contenido
4.1. Análisis de Regresión
4.1.1. Fundamentos estadísticos.
4.1.2. Método de mínimos cuadrados.
4.1.2.1. Regresión lineal simple. Linealización de funciones no lineales
4.1.2.2. Regresión polinomial.
4.1.2.3. Regresión lineal múltiple.
4.1.2.4. Regresión no lineal
4.2. Interpolación.
4.2.1. Polinomios de interpolación con diferencias divididas de Newton.
4.2.2. Polinomios de interpolación de Lagrange.
4.3. Derivación numérica. Diferencias finitas
MTI. Ulises Girón Jiménez Página | 144

4.1 Análisis de regresión

4.1.1. Fundamentos estadísticos.
Distribución de frecuencias.
Polígonos de frecuencia, histogramas y ojivas.
Para poder organizar un conjunto de datos y observar su comportamiento, la estadística descriptiva te
ofrece una técnica muy simple: construir una Tabla de distribución de frecuencias, que consiste en
agrupar los datos en intervalos o clases.
La Tabla de distribución de frecuencias es un resumen tabular de datos en clases mutuamente

excluyentes, que muestra el número de observaciones que hay en cada clase. Se sugiere que el número
de intervalos o clases sea un número ENTERO entre 5 y 20. Es conveniente incluir las frecuencias
relativas o porcentuales, las frecuencias acumuladas y los puntos medios o marcas de clase.
Pasos para construir una distribución de frecuencias para datos cuantitativos:
1. Determinar el número de clases. (Min 5, Max 20).

2. Definir el ancho de clase.
3. Determinar los límites de clase.
4. Conteo de datos para llenar la columna de frecuencia real.
5. Calcular frecuencia relativa, frecuencias acumuladas y puntos medios.
Paso 1. Definir el número de clases.

Para definir el número de clases usaremos la propuesta de Robert Johnson y Patricia Kuby en su libro
“Estadística elemental. Lo Esencial” 2a edición, donde el número de intervalos se establece calculando
la raíz cuadrada al número de datos, es decir:
Número de intervalos = n
Algunos autores proponen las siguientes alternativas:
k
1. Regla de 2 a la k, de tal manera que 2 sea mayor que el número de observaciones (n). Donde
k es el número de clases.
2. Elección arbitraria entre 5 y 20 clases y
3. Regla de Sturges K  3.3(log n)  1 donde n es el número de observaciones y log n en base
10.
Paso 2. Establecer el ancho de las clases.
El ancho de clase, o intervalo de clase, o amplitud de clase se calcula dividiendo el Rango de los datos
entre el número de intervalos.
Dato mayor - Dato menor

Ancho de clase =
Número de intervalos
Paso 3: Calcular los limites inferiores y superiores de cada clase.
 El límite inferior de la primera clase Li1 será el dato más pequeño.

 El límite superior de la primera clase Ls 1 se calcula sumando Li1 + la Amplitud de clase.

 El límite inferior de la segunda clase Li 2 será el Ls 1
 El límite superior de la segunda clase Ls 2 se calcula sumando Li 2 + la Amplitud de clase.
 El límite inferior de la tercera clase Li 3 será el Ls 2
 El límite superior de la tercera clase Ls 3 se calcula sumando Li 3 + la Amplitud de clase.
Y así sucesivamente.
Ejemplo: Construya una tabla de frecuencias completa usando los datos recabados del gasto en
transporte que hacen 25 alumnos de cierta universidad para llegar a la escuela.
Dinero gastado:
39.70 46.65 82.71 25.94 60.20

28.30 31.47 43.63 50.32 48.14
28.31 33.45 41.17 35.25 22.78
17.95 29.17 47.32 35.70 38.22
44.97 48.39 52.16 17.89 23.25
Número de intervalos = n  25  5
Dato mayor - Dato menor 82.71  17.89 64.82

Amplitud de clase     12.964
# de intervalos 5 5
Se establece los límites:
Clase
1 17.89  x  30.854
2 30.854  x  43.818
3 43.818  x  56.782
4 56.782  x  69.746
5 69.746  x  82.71
Se determina:
 La frecuencia real o frecuencia (F),

Fi
 Frecuencia relativa = FR 
n
Fi
 Frecuencia relativa porcentual = FRP  x100%
n
 Frecuencia acumulada (FA),

Li  Ls
 Punto medio o marca de clases, x
2
Frec. Relativa, Frec. Relativa Frec. Marca de
Clase Frecuencia, F FR porcentual, FRP (%) Acum., FA clases, x
1 17.89 30.854 8 0.32 32 8 24.372
2 30.854 43.818 8 0.32 32 16 37.336
3 43.818 56.782 7 0.28 28 23 50.3
4 56.782 69.746 1 0.04 4 24 63.264
5 69.746 82.71 1 0.04 4 25 76.228
Total 25 1 100
Ejercicio: Suponga que usted trabaja en la empresa Caromarketing. Su jefe, el Director del
departamento de Servicio a Clientes, le ha pedido que registre el número de clientes atendidos por cada
operador en un lapso de 10 minutos, hacer una tabla de frecuencia.
9 2 1 7 2 6
3 8 1 1 6 0
9 2 7 0 7 6
9 4 1 8 5 3
4 4 3 4 4 3
2 3 6 5 4 3
2 8 2 9 7 2
Determine la frecuencia acumulada. Y marca de clases:
Solución:
Intervalo Frecuencia, F Frec. Acum., FA Marca de Clases, X

1 0 1.5 6 6 0.75
2 1.5 3.0 7 13 2.25
3 3 4.5 12 25 3.75
4 4.5 6.0 2 27 5.25
5 6 7.5 8 35 6.75
6 7.5 9.0 7 42 8.25
Total 42
Representaciones graficas de una distribución de frecuencias.
Tres herramientas que serán de utilidad para representar gráficamente una distribución de frecuencias
son los histogramas, los polígonos y ojivas o también conocidas como polígonos de frecuencia
acumulada.
Histograma. Es una representación gráfica en donde las clases se señalan en un eje horizontal y las
frecuencias de clases en el eje vertical. Las barras que se forman están completamente unidas unas a

otras a diferencia de las gráficas de barras, cuyas barras pueden presentarse de manera separada. Los
histogramas pueden ser:
 Histograma de frecuencia
 Histograma de frecuencia relativa
 Histograma de frecuencia relativa porcentual.
Ejercicio. Construya un histograma de frecuencia y un histograma de frecuencia relativa porcentual

con la siguiente tabla.

1 17.89 30.854 8 0.32 32 8 24.372
2 30.854 43.818 8 0.32 32 16 37.336
3 43.818 56.782 7 0.28 28 23 50.3
4 56.782 69.746 1 0.04 4 24 63.264
5 69.746 82.71 1 0.04 4 25 76.228
Total 25 1 100
Solución:

Polígono. Consiste en segmento de recta que conecta los puntos localizados por la intersección de los
puntos medios de clase y las frecuencias de clase. Los puntos medios de cada clase se marcan en la
escala del eje X y las frecuencias de clase en el eje Y. Iniciaremos el trazo de esta grafica medio punto
atrás del límite inferior de la primera clase y concluiremos medio punto adelante del límite superior de
la última clase.
Un polígono crea la impresión de que las frecuencias cambian más suavemente, mientras que un
histograma sugiere que las frecuencias cambian abruptamente.
Ejercicio: Construya un polígono de frecuencia y un polígono de frecuencia relativa porcentual, con la

siguiente tabla.

1 17.89 30.854 8 0.32 32 8 24.372
2 30.854 43.818 8 0.32 32 16 37.336
3 43.818 56.782 7 0.28 28 23 50.3
4 56.782 69.746 1 0.04 4 24 63.264
5 69.746 82.71 1 0.04 4 25 76.228
Total 25 1 100
Ojiva o polígono de frecuencias acumuladas.
Es una gráfica lineal construida a partir de las frecuencias acumuladas o relativas acumuladas. Las
ojivas ofrecen un medio gráfico para interpolar o aproximar el número o porcentaje de observaciones
menores o iguales que un valor específico.

Para trazar una distribución de frecuencias acumulativas, se ubica el límite superior de cada clase en
una escala a lo largo del eje X, y las correspondientes frecuencias acumulativas a lo largo del eje Y. Para
comenzar, la primera marca ubíquela medio punto atrás del límite inferior de la primera clase con una
frecuencia de cero.
Ejercicio: A partir de la tabla de distribución de frecuencias obtenidas en la tabla siguiente, grafique

una ojiva de frecuencia acumulada y una ojiva de frecuencia relativa porcentual acumulada.
Frec. Relativa, Frec. Relativa Frec. Relativa porcentual Frec. Acum.,

Clase Frecuencia, F FR porcentual, FRP (%) acumulada, FRPA (%) FA
1 17.89 30.854 8 0.32 32 32 8
2 30.854 43.818 8 0.32 32 64 16
3 43.818 56.782 7 0.28 28 92 23
4 56.782 69.746 1 0.04 4 96 24
5 69.746 82.71 1 0.04 4 100 25
Total 25 1 100
Observe que las ojivas inician media amplitud de clase antes del límite inferior de la clase y terminan en
el límite superior de la última clase.

Conteste las siguientes preguntas:
1. Para construir los polígonos, ¿necesitamos los puntos medios, los límites de clase o la
frecuencia acumulada?
a) Puntos medios
b) Frecuencia acumulada
c) Límites de clase
d) Rango
2. Para construir los histogramas, ¿requerimos los puntos medios, los límites de clase o el rango?
a) Puntos medios
b) Frecuencia acumulada
c) Límites de clase
d) Rango
Medidas de tendencia central para un conjunto de datos y datos agrupados.

El propósito de una medida de tendencia central consiste en señalar el centro de un conjunto de valores
aparentemente desorganizados. Algunos ejemplos son: la media o promedio aritmético, la mediana y la
moda. Su propósito es resumir un conjunto de datos de forma que podamos tener un panorama
general; una medida que sirva como representante del resto de la información.
Datos agrupados
El concepto es el mismo que la media para datos en bruto o sin agrupar, sin embargo ahora usaremos la
frecuencia de la clase y su punto medio correspondiente como lo vemos en la siguiente fórmula:
Formula: Media poblacional para datos agrupados

k
x  f i i
 i 1
n
Formula: Media poblacional para datos agrupados
k
x  f i i
x i 1
n
Ejercicio: Calcule la media para la siguiente tabla de distribución de frecuencias
Marca de clases,
f *x
Clase Frecuencia, F x
1 17.89 30.854 8 24.372 194.976
2 30.854 43.818 8 37.336 298.688
3 43.818 56.782 7 50.3 352.1
4 56.782 69.746 1 63.264 63.264
5 69.746 82.71 1 76.228 76.228
Total 25 985.256

Solución:
k
x  f i i
985.256
x i 1
  39.41
n 25
La mediana. La mediana es el valor del elemento intermedio cuando todos los elementos se ordenan,
y puede representarse por x o Me.
Datos agrupados
Para conocer la mediana para los datos agrupados de la tabla siguiente:
Marca de clases,
1 17.89 30.854 8 24.372
2 30.854 43.818 8 37.336
3 43.818 56.782 7 50.3
4 56.782 69.746 1 63.264
5 69.746 82.71 1 76.228
Total 25
Solución: como los datos ya están ordenados por lo cual procedemos a calcular la posición del valor
central:
n 25
i   12.5
2 2
La mediana se ubica en la 13ª posición, es decir, x13
Apoyándose con las frecuencias acumuladas, vemos que el 13° dato se encuentra en el intervalo 2, cuya
marca de clases es 37.336. Por lo tanto,
Me = 37.336
La moda. La moda para datos agrupados corresponde a la marca de clase o punto medio de la clase
que contenga la frecuencia mayor.
Ejercicio: Encuentre la moda para los datos agrupados de la tabla siguiente.
Marca de clases,
1 17.89 30.854 8 24.372
2 30.854 43.818 8 37.336
3 43.818 56.782 7 50.3
4 56.782 69.746 1 63.264
5 69.746 82.71 1 76.228
Total 25
Solución:

Como el numero 8 aparece dos veces. Se llamará bimodal con Mo = 24.372 y Mo = 37.336
Relación entre media, mediana y moda.

Ejercicio: Los siguientes datos representan el número de clientes en el Restaurante “Sirlon Stokade” en
los dos primeros meses de 2017
140 125 95 110 70 130

130 90 64 115 95 60
125 130 80 130 50 30
90 75 92 90 115 140
60 62 115 70 120 40
140 70 80 125 60 80
160 80 30 95 180 110
125 45 84 64 130 115
180 62 40 72 70 120
140 72 75 130 60 130
Determine:
a) Media Aritmética, Mediana, Moda

b) Solución:
Intervalos = 7.746 se aproxima a 8 clases
Anchura = 18.75
No. de Clase Intervalo F FA X F*X
1 30.00 48.75 5 5 39.38 196.88
2 48.75 67.50 9 14 58.13 523.13
3 67.50 86.25 13 27 76.88 999.38
4 86.25 105.00 7 34 95.63 669.38
5 105.00 123.75 8 42 114.38 915.00
6 123.75 142.50 15 57 133.13 1996.88
7 142.50 161.25 1 58 151.88 151.88
8 161.25 180.00 2 60 170.63 341.25
Total 60 5793.75
Media aritmetica = 96.563

Moda = 133.13
Posición = 30 Mediana = 95.63
Ejercicio: Los siguientes datos indican el número de trabajadores que faltan a una fábrica en 50 días de
trabajo:
13 8 3 11 29
5 21 11 3 12
13 12 19 6 9
37 11 6 10 19
10 7 15 4 8
16 7 10 6 20
2 9 14 32 15
11 16 10 9 5
6 49 7 12 17
12 18 24 7 10
Determine:
Media Aritmética, Mediana, Moda

Solución:
Intervalos = 7.07106781 se aproxima a 7 clases

Anchura = 6.71
No. de clases Intervalo F FA X F*X

1 2 8.71 16 16 5.36 85.71
2 8.71 15.43 21 37 12.07 253.50
3 15.43 22.14 8 45 18.79 150.29
4 22.14 28.86 1 46 25.50 25.50
5 28.86 35.57 2 48 32.21 64.43
6 35.57 42.29 1 49 38.93 38.93
7 42.29 49.00 1 50 45.64 45.64
Total 50 664.00
Media Aritmetica = 13.28

Moda = 12.07
Posición = 25 Mediana = 12.07
Medidas de dispersión para un conjunto de datos y datos agrupados.

Las medidas de dispersión o variabilidad en general, sirven para conocer la cercanía de los datos hacia
la media.
Las medidas de tendencia central solas no describen apropiadamente una característica en estudio por
lo que se necesitan mediciones que sean sensibles a la variabilidad de los datos.
Algunos ejemplos de medidas de dispersión son: Rango, Varianza y Desviación estándar entre otras.
Rango.
El rango es la diferencia que se observa entre el dato más grande y el más pequeño de un conjunto de
datos. Puede representarse con la letra R.
Formula: Rango
R = Valor Mayor – Valor Menor
Ejercicio: Las edades en años de un grupo familiar son: 30, 1, 7, 4, 32, 8 y 2 calcule el Rango.
Solución:
R = Valor Mayor – Valor Menor = 32 – 1 = 31
Desviación media.
La desviación respecto a la media es la diferencia en valor absoluto entre cada valor de la variable
estadística y la media aritmética.
Di  x  x

Si los datos vienen agrupados en una tabla de frecuencias, la expresión de la desviación media es:
x1  x f1  x2  x f 2  ...  xn  x f n
Dx 
N
n
 x x i fi
Dx  i 1
N
Ejercicio: Con la tabla de distribución de frecuencias, determínela desviación media.
Marca de
|x - prom|*f
Clase Frecuencia, F clases, x
1 17.89 30.854 8 24.372 120.304
2 30.854 43.818 8 37.336 16.592
3 43.818 56.782 7 50.3 76.23
4 56.782 69.746 1 63.264 23.854
5 69.746 82.71 1 76.228 36.818
25 273.798
 x x i fi
273.798
Dx  i 1
  10.95
N 25
Varianza.
La varianza es una medida de dispersión que se basa en la diferencia entre el valor de cada observación
y la media. A esta diferencia se le conoce como desviación respecto de la media. Elevamos al cuadrado
cada diferencia y calculamos su promedio. Observe en los siguientes recuadros que existen pequeñas
diferencias en el cálculo de la varianza poblacional y la varianza muestral.
El procedimiento es muy similar a como lo hicimos en conjunto de datos, solo que ahora usamos el
punto medio o marca de clases como valor representativo del intervalo y multiplicamos por su
frecuencia respectiva.
Fórmula: Varianza muestral
s 2

 f (x  x ) i
2
n 1

Ejercicio: Calcular la varianza muestral usando la tabla siguiente:
Marca de clases,
f *x f ( x - prom)^2
1 17.89 30.854 8 24.372 194.976 1809.189
2 30.854 43.818 8 37.336 298.688 34.420
3 43.818 56.782 7 50.3 352.1 830.108
4 56.782 69.746 1 63.264 63.264 569.002
5 69.746 82.71 1 76.228 76.228 1355.547
Total 25 985.256 4598.266
Solución:
4598.266
s2   191.59
24
Desviación estándar.
La desviación estándar es la medida de variabilidad que se utiliza más a menudo, calculada por la raíz
cuadrada positiva de la varianza.
Fórmula: Desviación estándar poblacional
  2
Fórmula: Desviación estándar muestral
s  s2
Nota: cuando más pequeña sea la desviación, mayor será la concentración de datos alrededor de la
media.
Ejercicio: Los siguientes datos representan el número total de pasajeros que utiliza la ruta Caléxico - El
Centro de la empresa “Número Uno Shuttle”. El total de corridas en un día de servicio son un total de 38
viajes.
52 50 36 35 50 23 23 27
23 48 28 38 43 25 39 22
29 40 22 40 36 28 33 29
32 34 26 46 30 24 22
54 32 27 44 26 31 24
Determine la desviación estándar, la Varianza

Intervalo = 6.164414 Se aproxima a 6 clases

Anchura = 5.33
No. Clases Intervalo F X F*X F(x - prom)^2
1 22 27.33 13 24.67 320.67 1081.93
2 27.33 32.67 8 30.00 240.00 114.88
3 32.67 38.00 5 35.33 176.67 11.92
4 38.00 43.33 5 40.67 203.33 236.48
5 43.33 48.67 3 46.00 138.00 447.29
6 48.67 54.00 4 51.33 205.33 1231.15
38 1284.00 3123.65
Media Aritmetica = 33.79 Desviación Estandar = 9.19

Varianza = 84.42
Ejercicio resuelto.
1. El siguiente conjunto de datos representa el dinero que los estudiantes gastaron el lunes en la
cafetería del Tecnológico.
39.70, 46.65, 82.71, 25.94, 60.2, 28.3, 31.47, 43.63, 50.32, 48.14, 28.31, 33.45, 41.17, 35.25,
22.78, 17.95, 29.17, 47.32, 35.70, 38.22, 44.97, 48.39, 52.16, 17.89, 23.25, 48.22, 16.75, 20.25,
33.18, 37.08, 60.00, 68.05, 35.89, 23.12
a) Construya una distribución de frecuencia
b) Calcular la media aritmética, la moda y mediana
c) Calcular el rango, desviación estándar y varianza
1) Intervalo = 5.83 El intervalo es de 6 clases

2) Amplitud = 10.993
a)
No. Intervalo de clase Frecuencia FA x f (x - prom)^2 f*x
1 16.750 27.743 8 8 22.247 2090.889 177.973
2 27.743 38.737 11 19 33.240 294.397 365.640
3 38.737 49.730 9 28 44.233 304.852 398.100
4 49.730 60.723 4 32 55.227 1130.753 220.907
5 60.723 71.717 1 33 66.220 773.211 66.220
6 71.717 82.710 1 34 77.213 1505.440 77.213
Total 34 298.380 6099.541 1306.053
a) Media = 38.413
Mediana = 33.240 posición i = 17
Moda = 33.240
b) Rango = 65.960
S= 13.59538811
S^2 = 184.8345778
2. En la tabla que sigue se recogen los pesos de 40 estudiantes varones de una universidad, con
precisión de 1 libra. Construir una distribución de frecuencias.

138 164 150 132 144 125 149 157
146 158 140 147 136 148 152 144
168 126 138 176 163 119 154 165
146 173 142 147 135 153 140 135
161 145 135 142 150 156 145 128
Calcular:
a) La media aritmética, la moda y mediana
b) El rango, desviación estándar y varianza

2) Amplitud = 9.500
a)
No. 1) Intervalo
Intervalo
= de clase
6.32 Frecuencia FA6 clases
El intervalo es de x f (x - prom)^2 f*x
1 119.0 128.5 4 4 123.8 2079.4 495
2) Amplitud = 9.500
2 128.5 138.0 5 9 133.3 884.5 666.25
a)
3 138.0 147.5 14 23 142.8 202.2 1998.5
No. Intervalo de clase Frecuencia FA x f (x - prom)^2 f*x
4 147.5 157.0 8 31 152.3 259.9 1218
1 119.0 128.5 4 4 123.8 2079.4 495
5 157.0 166.5 6 37 161.8 1386.2 970.5
2 128.5 138.0 5 9 133.3 884.5 666.25
6 166.5 176.0 3 40 171.3 1830.3 513.75
3 138.0 147.5 14 23 142.8 202.2 1998.5
Total 40 885.0 6642.4 5862
4 147.5 157.0 8 31 152.3 259.9 1218
5 157.0 166.5 6 37 161.8 1386.2 970.5
a) 6 166.5
Media = 176.0
146.550 3 40 171.3 1830.3 513.75
Mediana = Total 142.750 40 posición i = 20885.0 6642.4 5862
Moda = 142.750
a)
b) Media==
Rango 146.550
57.000
SMediana
= = 142.750
13.1 posición i = 20
Moda
S^2 = = 142.750
170.3179487179
b) Rango = 57.000
S= 13.1
S^2 = 170.3179487179
3. De los archivos del Servicio médico se tomaron todas las fichas de pacientes que ingresaron
con diagnóstico de presunto de Infarto de Miocardio. Estas fichas se separaron en dos grupos:
en uno se ubicaron los que no tuvieron infarto como se verificó después, y en el otro aquellos
con diagnóstico confirmado. Se desecharon los casos dudosos.
De cada grupo se escogieron al azar 90 casos y se tomó el valor de CPK expresado en unidades
enzimático. Los valores obtenidos fueron:
Sin infarto:

10 15 39 21 8 67 23 32 9
33 18 6 77 22 70 28 12 10
20 37 11 1 2 34 8 79 13
2 23 17 14 18 19 12 25 17
76 22 20 4 13 98 13 63 18
38 7 23 6 12 38 24 5 91
8 3 19 33 23 11 13 19 11
63 2 18 30 33 5 14 16 10
76 30 26 39 16 9 19 3 88
80 35 28 40 18 30 22 7 15
Con infarto:
23 57 56 57 97 93 80 70 66
44 21 41 150 66 99 62 71 180
55 35 60 29 65 77 64 73 179
81 122 49 61 150 76 73 63 69
100 56 43 128 144 155 75 72 121
88 37 56 80 61 74 132 71 140
93 154 51 85 69 79 66 74 123
99 45 52 87 81 68 77 76 122
40 39 141 90 100 77 68 61 130
34 59 56 91 88 61 132 167 134
Determine para cada caso:

a) La distribución de frecuencia.
b) La media aritmética
c) La mediana
d) La moda
Solución:


2) Amplitud = 10.778
a) Sin infarto
No. Intervalo de clase Frecuencia Frec. Acum. Marca de Clases (x) f*x
1 1.000 11.778 24 24 6.389 153.333
2 11.778 22.556 30 54 17.167 515.000
3 22.556 33.333 16 70 27.944 447.111
4 33.333 44.111 8 78 38.722 309.778
5 44.111 54.889 0 78 49.500 0.000
6 54.889 65.667 2 80 60.278 120.556
7 65.667 76.444 4 84 71.056 284.222
8 76.444 87.222 3 87 81.833 245.500
9 87.222 98.000 3 90 92.611 277.833
Total 90 2353.333
b) Media Aritmetica = 26.148
c) Mediana = 17.167 Posición i = 45 Cae en la clase 2
d) Moda = 17.167
4.1.2. Método de mínimos cuadrados.

Cuando se asocia un error sustancial con los datos, la interpolación polinomial es inapropiada
y puede llevar a resultados no satisfactorios cuando se usa para predecir valores intermedios.
El significado de mínimos cuadrados consiste en obtener la recta que ajuste a una serie de
datos numéricos, con la condición que la suma de los cuadrados de los residuos sea mínima
posible.
Figura: a) Muestra de datos con un error significativo. b) Ajuste polinomial con oscilaciones
que violan el rango de los datos, c) Se obtienen resultados más satisfactorios usando el ajuste
de mínimos cuadrados.
El método más simple de ajustar una curva a un conjunto de datos es el de trazar los puntos y
unirlos con una línea recta. Aunque es una alternativa validad y se utiliza cuando se requiere

hacer estimaciones rápidas, los resultados son independientes, desde un punto de vista
subjetivo, de la persona que traza la recta. Para quitar esta dependencia se usa la regresión
lineal o mínimos cuadrados.
4.1.2.1. Regresión lineal simple.
La ecuación de una recta puede expresarse como:


Problema:

Ejercicios: En la tabla siguiente se presentan los alargamientos de un resorte

correspondientes a fuerzas de diferente magnitud que lo deforman.
Puntos 1 2 3 4 5
Fuerza (kg): x 0 2 3 6 7
Longitud del resorte (m): y 0.120 0.153 0.170 0.225 0.260
Aproxime esta información por el método de mínimos cuadrados.

Normal Probability Plot of the Residuals

(response is y)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-0.015 -0.010 -0.005 0.000 0.005 0.010 0.015
Residual
Ejemplo: El calor específico Cp(cal / kgmol) del Mn3O4 varía con la temperatura de acuerdo
a la siguiente tabla:
Punto 1 2 3 4 5 6
T (K) 280 650 1000 1200 1500 1700
Cp 32.7 45.4 52.15 53.7 52.9 50.3
Aproxime esta información por el método de mínimos cuadrados.
60.000 y = 0.0122x + 34.943

R2 = 0.6575
50.000
40.000
30.000
20.000
10.000
0.000
0 500 1000 1500 2000





4.2 Interpolación
4.2.1. Polinomios de interpolación con diferencias divididas de Newton.
El polinomio de interpolación con diferencias divididas de Newton, entre otros es la forma
más popular además de las más útil. Antes de presentar la ecuación general, se examinan las
versiones de primero y segundo orden debido a su fácil interpretación visual.
Interpolación lineal
La forma más simple de interpolar es la de conectar dos puntos con una línea recta. Este
método, llamado interpolación lineal, se muestra en la figura
Usando triángulos semejantes, se tiene:

f 1( x)  f ( x0 ) f ( x1 )  f ( x0 )

x  x0 x1  x0
Que se puede reordenar como:
f ( x1 )  f ( x0 )
f 1( x)  f ( x0 )  ( x  x0 )
x1  x0
f 1( x)  f ( x0 )  f x0 , x1 ( x  x0 )

La cual es una fórmula de interpolación lineal. La notación f 1(x) indica que se trata de un
polinomio de interpolación de primer orden. Nótese que además de representar la pendiente
de la linera que conecta los dos puntos, el termino
f ( x1 )  f ( x0 )
x1  x0
Es una aproximación de diferencias divididas finitas a la primera derivada. En general, entre
más pequeño sea el intervalo entre dos puntos, más exacta será la aproximación.
Ejemplo:
Enunciado del problema: calcúlese el logaritmo natural de 2 (ln 2) usando interpolación lineal.
Primero, llévense a cabo los cálculos interpolando entre 1 y 6. Después repítase el
procedimiento, pero usando un intervalo más pequeño desde 1 a 4. Nótese que el valor real
de ln 2 = 0.69314718.
F (x) = ln x
X 0 = 1, f (X 0 ) = 0
X 1= 6 , f ( x 1 ) = 1.7917595
Solución: usando la ecuación
f 1( x)  f ( x0 )  f x0 , x1 ( x  x0 )
una interpolación lineal de x = 1 a x = 6 da:
La cual representa un error relativo porcentual de 48.3 %.

Usando el intervalo más pequeño desde x = 1 a x = 4 da:
X 0 = 1 , f (X 0 ) = 0
X 1= 4 , f ( x 1 ) = 1.3862944

Por lo tanto, usando el intervalo más pequeño reduce el error relativo porcentual a  v = 33.3
%. Ambas interpretaciones se muestran en la figura junto con la función verdadera.
Ejercicios: Calcúlese el logaritmo de 4 en base 10 (log 4) usando interpolación lineal.
Interpolar entre log 3 y log 5
Interpolar entre log 3 y log 4.5.
Para cada una de las interpolaciones calcúlese el error relativo porcentual basado en el error
verdadero de log 4 = 0.602059991
Entre 3 y 5
b) entre 3 y 4.5
Ejemplo:
Calcular ln 9.2 a partir de:
a) ln 9.0 =2.197224577,
b) ln 9.5 = 2.251291799
Por interpolación lineal y determinar el error a partir de ln 9.2

Solución:
i xi f(xi) primero
0 9 2.197225
0.10813
1 9.5 2.251292
para x = 9.2 f1(9.2) = 2.218851
valor verdadero = 2.219203 ERP = 0.02
Ejercicios:
Por interpolación lineal calcular f(1.75) a partir de:
f (1.0) = 3.00000, f(1.2) = 2.98007,
f(1.4) = 2.92106; f(1.6) = 2.82534
f(1.8) = 2.69671; f(2.0) = 2.54030.
Solución:
f 1( x)  f ( x0 )  f x0 , x1 ( x  x0 )
i xi f(xi) primero
0 1 3
-0.0997
1 1.2 2.98007
2.925263
para x = 1.75 f1(1.75) =
b)
i xi f(xi) primero
0 1.4 2.92106
-0.4786
1 1.6 2.82534
para x = 1.75 f1(1.75) = 2.753550

Por interpolación lineal calcular f(1.75) a partir de:

a) f (1.2) = 3.00000, f(1.4) = 2.98007,
b) f(1.6) = 2.92107; f(1.8) = 2.82534
c) f(2.0) = 2.69671; f(2.2) = 2.54030.
Solución:
f 1( x)  f ( x0 )  f x0 , x1 ( x  x0 )
a)
i xi f(xi) primero
0 1.2 3
-0.09965
1 1.4 2.98007
para x = 1.75 f1(1.75) = 2.9451925
b)
i xi f(xi) primero
0 1.6 2.92107
-0.47865
1 1.8 2.82534
para x = 1.75 f1(1.75) = 2.8492725

c)
i xi f(xi) primero
0 2.0 2.69671
-0.78205
1 2.2 2.54030
para x = 1.75 f1(1.75) = 2.8922225

Interpolación cuadrática
Una estrategia que mejora la aproximación es la introducir cierta curvatura en la línea que
conecta a los puntos. Si se dispone de tres datos, lo anterior se puede llevar a cabo con un
polinomio de segundo orden (llamado también polinomio cuadrático o parábola). Una manera
conveniente para este caso es:
f 2( x)  f ( x0 )  f x0 , x1 ( x  x0 )  f x0 , x1 , x2 ( x  x0 )( x  x1 )
Ejemplo:
Interpolación cuadrática
Enunciado del problema: ajústese el polinomio de segundo orden a los tres puntos usados en el
ejemplo anterior: ln 1, ln 6, ln 4, ln 2 = 0.69314718
X 0 = 1 f(x0 ) = 0
X 1 = 4 f(x1 ) = 1.3862944
X 2 = 6 f(x2) = 1.7917595
que se evalúa en x = 2 y se obtiene
i xi f(xi) primero segundo

0 1 0
0.46210
1 4 1.386294 -0.05187
0.20273
2 6 1.791759
para x = 2 f2(2) = 0.56584

valor exacto = 0.69315 ERP = 18.36592
Por lo tanto, la curvatura introducida por la forma cuadrática. Mejora la interpolación comparada
con los resultados obtenidos al usar una línea recta.
Ejemplo: mediante interpolación cuadrática calcular f ( x)  senh( x) ;
x = 0.3 a partir :
x 0 = -0.5
x1=0

x2 =1
Solución:
i xi f(xi) primero segundo
0 -0.5 -0.5211
1.04219
1 0 0 0.08867
1.17520
2 1 1.175201
para x = 0.3 f2(0.3) = 0.85503

valor exacto = 0.3045203 ERP = 180.78069
Interpolación polinomial
Ejemplo: En las tablas siguientes se presentan la temperatura de ebullición de la acetona
C3 H 6O a diferentes presiones, elabore una aproximación polinomial de newton para la
información tabular de las presiones de vapor de la acetona e interpole la temperatura para una
presión de 2 atm
Puntos 0 1 2 3
T ( C) 56.5 113.0 181.0 214.5
P (atm) 1 5 20 40
Solución:
puntos P T Primero Segundo Tercero

0 1 56.5
14.12500
1 5 113 -0.50482
4.53333 0.01085
2 20 181 -0.08167
1.67500
3 40 214.5
para x = 2 p1(2) = 72.13947

El polinomio de interpolación con diferencias divididas de Newton puede tomar la forma de :
fn( x)  f ( x0 )  f  x0 , x1  ( x  x0 )  f  x0 , x1 , x2  ( x  x0 )( x  x1 ) 
f  x0 , x1 , x2 , x3  ( x  x0 )( x  x1 )( x  x2 )  ...
 f  x0 , x1 , x2 , x3 ,..., xn  ( x  x0 )( x  x1 )( x  x2 )( x  x2 )...( x  xn )
Ejemplo:
Polinomio de interpolación de Newton con diferencias divididas.
Enunciado del problema: en el problema anterior se usaron los puntos x0 = 1, x1 = 4 y x2 = 6 para
calcular ln 2 con una parábola. Ahora agregando un cuarto punto (x3 = 5; f(x3) = 1.6094379),
calcúlese ln 2 con un polinomio de interpolación de newton con diferencias divididas de tercer
orden. f (x) = ln x
x0 = 1 ; f ( x 0 ) = 0
x1 = 4 ; f ( x1 ) = 1.386294361
x2 = 6 ; f ( x2 ) = 1.791759469
x3 = 5 ; f ( x3 ) = 1.609437912
Solución. el polinomio de tercer orden, ecuación con n = 3, es:
Ejemplo:
Calcular f (9.2) a partir de los valores dados.
x0 = 8.0 ; f ( x0 ) = 2.079442
x1 = 9.0 ; f ( x1 ) = 2.197225
x2 = 9.5 ; f ( x2 ) = 2.251292
x3 = 11.0 ; f ( x3 ) = 2.397895

Problema: A continuación se presentan las presiones de vapor del cloruro de magnesio.

Puntos 0 1 2 3 4 5 6 7
P 10 20 40 60 100 200 400 760
(mmHg)
T (C) 930 988 1050 1088 1142 1316 1223 1418
Calcule la presión de vapor correspondiente a T = 1000 C
Problema: Dada la tabla
Puntos 0 1 2 3 4
xi 1.00 1.35 1.70 1.90 3.00
f(xi ) 0.00000 0.30010 0.53063 0.64185 1.09861

Construya una tabla de diferencias divididas para aproximar f(x) en x = 1.50; utilice un polinomio
de Newton
Solución:
i xi f(xi) primero segundo tercero cuarto
0 1 0
0.85743
1 1.35 0.3001 -0.28396
0.65866 0.10832
2 1.7 0.53063 -0.18647 -0.030492062
0.55610 0.04734
3 1.9 0.64185 -0.10836
0.41524
4 3 1.09861
para x = 1.5 f4(1.5) = 0.40561

Ejemplo: En las tablas siguientes se presentan la temperatura de ebullición de la acetona
C3 H 6O a diferentes presiones, elabore una aproximación polinomial de newton para la
información tabular de las presiones de vapor de la acetona e interpole la temperatura para una
presión de 2 atm.
Puntos 0 1 2 3
T ( C) 56.5 113.0 181.0 214.5
P (atm) 1 5 20 40
puntos P T primero segundo tercero

0 1 56.5
14.12500
1 5 113 -0.50482
4.53333 0.01085
2 20 181 -0.08167
1.67500
3 40 214.5
para x = 2 p1(2) = 72.72538

4.2.2. Polinomios de interpolación de Lagrange.

El polinomio de interpolación de Lagrange, simplemente es una reformulación del método de
interpolación de diferencias divididas de Newton que evita los cálculos de las diferencias divididas.
Este se puede representar como :
Polinomio lineal
x  x1 x  x0
f1 ( x)  f  x0   f  x1 
x0  x1 x1  x0
Polinomio de segundo orden es :
f 2 x  
x  x1 x  x2  f x   x  x0 x  x2  f x   x  x0 x  x1  f x 
x0  x1 x0  x2  0 x1  x0 x1  x2  1 x2  x0 x2  x1  2
Problema: Polinomios de interpolación de Lagrange

Enunciado del problema: úsese un polinomio de interpolación de Lagrange de primero y segundo
orden para evaluar ln 2 en base a los siguientes datos
x0 = 1 ; f ( x 0 ) = 0
x1 = 4 ; f ( x1 ) = 1.386294361
x2 = 6 ; f ( x2 ) = 1.791759469
solución de primer orden :

x  x1 x  x0
f1 ( x)  f  x0   f  x1 
x0  x1 x1  x0
y , por lo tanto, la aproximación en x = 2 es
24 2 1
f1 ( x)  (0)  (1.386294361)  0.4620981203
1 4 4 1
De manera similar, el polinomio de Segundo orden se desarrolla como
f 2 x  
x0  x1 x0  x2  0 x1  x0 x1  x2  1 x2  x0 x2  x1  2
(2  4)(2  6) (2  1)(2  6) (2  1)(2  4)
f 2 (2)  (0)  (1.386294361 )  (1.791759469 )
(1  4)(1  6) (4  1)(4  6) (6  1)(6  4)
f 2 (2)  0.565844346

Como se esperaba, ambos resultados coinciden muy cerca con los que se obtuvieron previamente
usando la interpolación polinomial de newton.
En resumen, para los casos en donde el orden del polinomio se desconozca, el método de Newton
tiene ventajas debido a que profundiza en el comportamiento de las diferentes fórmulas de orden
superior.
Cuando se va a llevar a cabo solo una interpolación, ambos métodos, el de Newton y el Lagrange
requieren de un esfuerzo de cálculo similar. Sin embargo, la versión de Lagrange es un poco más
fácil de programar. También existen casos en donde la forma de Newton es más susceptible a los
errores de redondeo. Debido a esto y a que no requiere calcular y almacenar diferencias divididas,
a la forma de Lagrange se usa, a menudo, cuando el orden del polinomio se conoce a priori.
Problema: Calcular ln 9.2 a partir de ln 9.0, ln 9.5 por interpolación lineal de Lagrange y determinar
el error a partir de ln 9.2 = 2.2192 (4D)
Solución
x0 = 9.0 ; f ( x0 ) = 2.1972
x1 = 9.5 ; f ( x1 ) = 2.2513
Solución de primer orden :
x  x1 x  x0
f1 ( x)  f  x0   f  x1 
x0  x1 x1  x0
(9.2  9.5) (9.2  9.0)
f 1 (x )  (2.1972)  (2.2513)  2.2188
(9.0  9.5) (9.5  9.0)
Problema: Calcular ln 9.2 a partir de ln 9.0, ln 9.5, ln 11.0 por interpolación cuadrática de Lagrange
y determinar el error a partir de ln 9.2 = 2.2192 (4D)
Solución
x0 = 9.0 ; f ( x0 ) = 2.1972
x1 = 9.5 ; f ( x1 ) = 2.2513
x2 = 11 ; f ( x1 ) = 2.3979
Solución

f 2 x  
x0  x1 x0  x2  0 x1  x0 x1  x2  1 x2  x0 x2  x1  2
f2  x  
 9.2 – 9.5 (9.2 – 11) 2.1972  9.2 – 99.2 – 11 2.2513  9.2  9  (9.2  9.5) 2.3979
     
9 – 9.59 – 11 9.5 – 99.5 – 11 11– 9 (11– 9.5)
f 2 (x) = 1.1865 + 1.0806 – 0.0480 = 2.2191
Ejercicio: Para la tabla que se presenta a continuación

Obtenga la aproximación polinomial de Lagrange con todos los puntos Interpole el valor de la
función f(x) para x = 1.8
i 0 1 2 3
f(Xi) -3 0 5 7
xi 0 1 3 6
a)
3
P3 ( x)  x  1x  3( x  6)  x  0x  3( x  6)
0

(0  1)(0  3)(0  6) (1  0)(1  3)(1  6)
x  0x  1( x  6) 5
 x  0x  1( x  3)
7
(3  0)(3  1)(3  6) (6  0)(6  1)(6  3)
y finalmente resulta
3 3 3 2 276
P3 ( x)   x  x  x3
90 90 90
b)
x = 1.8 por lo tanto f(1.8) = 2
Problema: Las densidades de las soluciones acuosas del ácido sulfúrico varían con la temperatura y
la concentración de acuerdo con la tabla :
T (º C)
C (%) 10 30 60 100

5 1.0344 1.0281 1.0140 0.9888
20 1.1453 1.1335 1.1153 1.0885
40 1.3103 1.2953 1.2732 1.2446
70 1.6923 1.6014 1.5753 1.5417
a) Calcule la densidad a una concentración de 40% y una temperatura de 15 ºC.

b) Calcule la densidad a 30 ºC y concentración de 50%
c) Calcule la densidad a 50 ºC y 60% de concentración
Solución:
La temperatura se toma como el argumento x y las densidades ( a 40%) como el valor de la
función f(x). Con una interpolación lineal entre las densidades a 10 ºC y 30 ºC se tiene :
T (º C )
C (%) 10 30 60 100
5 1.0344 1.0281 1.0140 0.9888
20 1.1453 1.1335 1.1153 1.0885
40 1.3103 1.2953 1.2732 1.2446
70 1.6923 1.6014 1.5753 1.5417
x  x1 x  x0 15  30 15  10
f1 ( x)  f  x0   f  x1  d 15  1.3103  1.2953  1.3066
x0  x1 x1  x0 10  30 30  10
Se toma ahora las concentraciones como argumentos x y las densidades ( a 30 ºC) como los
valores funcionales; luego, mediante una interpolación lineal entre las concentraciones a 40% y 70
% queda :
T (º C )
C (%) 10 30 60 100
5 1.0344 1.0281 1.0140 0.9888

20 1.1453 1.1335 1.1153 1.0885
40 1.3103 1.2953 1.2732 1.2446
70 1.6923 1.6014 1.5753 1.5417
x  x1 x  x0 50  70 50  40
f1 ( x)  f  x0   f  x1  d 50   1.2953  1.6014  1.3973
x0  x1 x1  x0 40  70 70  40
La densidad se aproxima a 50 ºC, utilizando primero la fila de 40% de concentración y

después la fila de 70% de concentración. Con estas densidades obtenidas a 50 ºC se aproxima
la densidad a 60% de concentración
T (º C )
C (%) 10 30 60 100
5 1.0344 1.0281 1.0140 0.9888
20 1.1453 1.1335 1.1153 1.0885
40 1.3103 1.2953 1.2732 1.2446
70 1.6923 1.6014 1.5753 1.5417
Aproximación de la densidad a 40% y 50ºC

50  60 50  30
d 50   1.2953  1.2732  1.2806
30  60 60  30
Aproximación de la densidad a 70% y 50ºC

50  60 50  30
d 50   1.6014  1.5753  1.5840
30  60 60  30
Aproximación de la densidad a 60% y 50ºC . Usando los valores obtenidos en los pasos anteriores.
60  70 60  40
d 60   1.2806  1.5840  1.4829
40  70 70  40

4.3 Derivación numérica. Diferencias finitas

Cuando se va a practicar una operación en una función tabulada, el camino es aproximar la
tabla por alguna función y efectuar la operación aproximadamente. Así se procedió en la
integración numérica y así se procederá en la diferenciación numérica; esto es, se aproximara
la función tabulada f(x) y se diferenciara la aproximación pn (x).
Si la aproximación es polinomial y con el criterio de ajuste exacto, la diferenciación numérica

consiste simplemente en diferenciar la fórmula del polinomio interpolante que se utilizó. Sea
en general.
f ( x)  pn ( x)  Rn ( x)
y la aproximación de la primera derivada queda entonces
df ( x) dpn ( x)

dx dx
O en general
d n f ( x) d n p n ( x )

dx n dx n
Al diferenciar la formula fundamental de Newton dada arriba se tiene
d n f ( x) d n pn ( x) d n Rn ( x)
 
dx n dx n dx n
d n Rn ( x) d n f ( x) d n pn ( x)
Donde es el error que se comete al aproximar por .
dxn dx n dxn
Si las abscisas dadas x0 , x1 ,..., xn están espaciadas regularmente por intervalos de longitud h,
entonces pn (x) puede escribirse en términos de diferencias finitas.
Y la primera derivada de f(x) queda aproximada por

df ( x) f ( x1 )  f ( x0 )

dx h
Se desarrollan las diferencias hacia delante y se tiene
df ( x)  2 x  x0  x1  2h   2 x  4 x  2 x1  2h   2 x  x0  x1 
  f ( x0 )   0  f ( x1 )    f ( x2 )
     
2 2
dx 2h 2h 2h 2

La segunda derivada puede calcularse derivando una vez más con respecto a x, o sea
d 2 f ( x) 1 2 1
2
 2 f ( x0 )  2 f ( x1 )  2 f ( x2 )
dx h h h
Problema: La ecuación de Van der Walls para un gmol de CO2 es
 a
 P  2 v  b   RT
 v 
Donde:
a  3.6x10 6 atm * cm6 / gmol 2 ; b  42.8cm3 / gmol; R  82.1atm * cm3 / gmol * K
Si T = 350 K, se obtiene la siguiente tabla de valores.
Puntos 0 1 2 3
P (atm) 13.782 12.577 11.565 10.704
V (cm3) 2000 2200 2400 2600
P
Calcule v cuando v = 2300 cm3
Solución:
P  2v  v0  v1  2h   2v  4v  2v1  2h   2v  v0  v1 
  P0   0  P1    P2 ;
v  2h 2
  2h 2
  2h 2 
con h = 200
2(2300 )  2000  2200  2(200) 2(2000 )  4(2300 )  2(2200 )  2(200)

 2
(13.782)  (12.577 )
2(200) 2(200) 2
2(2300 )  2000  2200
 (11.565)  0.00506
2(200) 2
Por lo tanto la presión = 12.577 + (- 0.00506) = 12.57194 atm

Cuando el volumen es de 2300 cm3 la presión es de 12.57194 atm .
Problema: En una reacción química A + B ----> Productos, la concentración del reactante A es

una función de la presión P y la temperatura T. La siguiente tabla presenta la concentración de
A en gmol/L como una función de estas dos variables.

P (Kg/cm2) Temperatura T (K)
273 300 325 360

1 0.99 0.97 0.96 0.98
2 0.88 0.82 0.79 0.77
8 0.62 0.51 0.48 0.45
15 0.56 0.49 0.46 0.42
20 0.52 0.44 0.41 0.37
Calcule la variación de la concentración de A con la temperatura a P = 8 Kg/cm2 y T = 300 K, usando

un polinomio de segundo grado.
Solución
C A
Lo que se busca es en si T 300, P 8 que se puede evaluar con la ecuación
T
dp2 ( x)  2 x  x1  x2   2 x  x0  x 2   2 x  x0  x1 
   f ( x0 )    f ( x1 )    f ( x2 )
dx  x 
 0 1 0 x  x  x 
2    
 1 0 1 2 
x x x  x  
 2 x  x 0  x 2  x 
1 
Donde f(x) representa a CA y x a T; de tal modo que sustituyendo los tres puntos enmarcados de la
tabla queda
p2 ( x) CA (2(300)  300  325)(0.62)

 T 300, P 8 
x T (273  300)(273  325)
(2(300)  273  325)(0.51) (2(300)  273  300)(0.48) gmol
   0.0026
(300  273)(300  325) (325  273)(325  300) LK


Unidad 4. Regresión, Interpolacion y Derivación Numerica

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

Unidad 4. Regresión, Interpolacion y Derivación Numerica

Cargado por

Copyright:

Formatos disponibles

Programación y Métodos Numéricos / BQH - 1020

Competencia específica: Aproxima funciones por regresión lineal o no lineal para

MTI. Ulises Girón Jiménez Página | 144

4.1 Análisis de regresión

La Tabla de distribución de frecuencias es un resumen tabular de datos en clases mutuamente

Pasos para construir una distribución de frecuencias para datos cuantitativos:

1. Determinar el número de clases. (Min 5, Max 20).

Paso 1. Deﬁnir el número de clases.

Paso 2. Establecer el ancho de las clases.

Dato mayor - Dato menor

 El límite inferior de la primera clase Li1 será el dato más pequeño.

MTI. Ulises Girón Jiménez Página | 145

 El límite superior de la primera clase Ls 1 se calcula sumando Li1 + la Amplitud de clase.

39.70 46.65 82.71 25.94 60.20

Dato mayor - Dato menor 82.71  17.89 64.82

 La frecuencia real o frecuencia (F),

MTI. Ulises Girón Jiménez Página | 146

Determine la frecuencia acumulada. Y marca de clases:

Intervalo Frecuencia, F Frec. Acum., FA Marca de Clases, X

Representaciones graficas de una distribución de frecuencias.

MTI. Ulises Girón Jiménez Página | 147

Ejercicio. Construya un histograma de frecuencia y un histograma de frecuencia relativa porcentual

Frec. Relativa, Frec. Relativa Frec. Marca de

MTI. Ulises Girón Jiménez Página | 148

Ejercicio: Construya un polígono de frecuencia y un polígono de frecuencia relativa porcentual, con la

Frec. Relativa, Frec. Relativa Frec. Marca de

Ojiva o polígono de frecuencias acumuladas.

MTI. Ulises Girón Jiménez Página | 149

Ejercicio: A partir de la tabla de distribución de frecuencias obtenidas en la tabla siguiente, grafique

Frec. Relativa, Frec. Relativa Frec. Relativa porcentual Frec. Acum.,

MTI. Ulises Girón Jiménez Página | 150

Conteste las siguientes preguntas:

Medidas de tendencia central para un conjunto de datos y datos agrupados.

Formula: Media poblacional para datos agrupados

MTI. Ulises Girón Jiménez Página | 151

Para conocer la mediana para los datos agrupados de la tabla siguiente:

La mediana se ubica en la 13ª posición, es decir, x13

Ejercicio: Encuentre la moda para los datos agrupados de la tabla siguiente.

MTI. Ulises Girón Jiménez Página | 152

Relación entre media, mediana y moda.

140 125 95 110 70 130

a) Media Aritmética, Mediana, Moda

Media aritmetica = 96.563

Media Aritmética, Mediana, Moda

MTI. Ulises Girón Jiménez Página | 153

Intervalos = 7.07106781 se aproxima a 7 clases

No. de clases Intervalo F FA X F*X

Media Aritmetica = 13.28

Medidas de dispersión para un conjunto de datos y datos agrupados.

R = Valor Mayor – Valor Menor

R = Valor Mayor – Valor Menor = 32 – 1 = 31

MTI. Ulises Girón Jiménez Página | 154

Ejercicio: Con la tabla de distribución de frecuencias, determínela desviación media.

Fórmula: Varianza muestral

MTI. Ulises Girón Jiménez Página | 155

Ejercicio: Calcular la varianza muestral usando la tabla siguiente:

Fórmula: Desviación estándar poblacional

Determine la desviación estándar, la Varianza

MTI. Ulises Girón Jiménez Página | 156

Intervalo = 6.164414 Se aproxima a 6 clases

Media Aritmetica = 33.79 Desviación Estandar = 9.19

1) Intervalo = 5.83 El intervalo es de 6 clases

MTI. Ulises Girón Jiménez Página | 157

138 164 150 132 144 125 149 157