AJUSTES DE CURVAS

DEFINICIONES:
El ajuste de curvas es un proceso con un conjunto de N pares

Punto ( X 1 , Y 1 ) , … ,( X N , Y N ), (x es variable independiente, y es variable dependiente),

tome la función matemática f(x), determine
suma de cuadrados de diferencias entre imágenes
Las imágenes reales y correspondientes se obtienen en cada punto mediante la función
de coincidencia
Mínimo:
Ajuste de curva encuentra una curva que contiene una serie de puntos y satisface
algunas restricciones adicionales. Esta sección cubre la interpolación (cuando se desea
una coincidencia exacta con restricciones específicas) y el análisis de regresión/ajuste
de curvas (cuando se permiten aproximaciones).
El ajuste de curvas se utiliza para encontrar una función que cumpla con los requisitos
de las muestras de datos obtenidas de la medición, el muestreo, etc. El uso más básico
es dibujar una curva desde algún punto (datos) en la computadora de manera que sea
espectacular.
En algunos casos, también se pueden utilizar otros tipos de curvas, como conos (arcos,
elipses, parábolas e hipérboles) o funciones trigonométricas (como seno y coseno). Por
ejemplo, si ignoramos la resistencia del aire, la trayectoria del objeto bajo la influencia
de la gravedad seguirá una trayectoria parabólica. Por lo tanto, tiene sentido encajar los
puntos de la trayectoria en una curva parabólica.
Las mareas siguen una onda sinusoidal, por lo que los datos de mareas se pueden
comparar con una onda sinusoidal o la suma de dos ondas sinusoidales de diferentes
períodos de tiempo si se considera la influencia general de la Luna y el Sol.
Aunque hasta ahora hemos discutido las curvas 2D, la mayor parte del razonamiento
también se extiende a las superficies 3D, incluido un "parche" definido por una
cuadrícula de curvas con dos parámetros de proyección, comúnmente denominados u y
v.
Una superficie puede constar de una o más superficies "parcheadas" en todas las
direcciones. En ciencia e ingeniería, típicamente un experimento produce un conjunto
de datos ( X 1 , Y 1 ) , … ,( X N , Y N ), abscisas de
{ X k } diferencias.
Uno de los objetivos del cálculo numérico es encontrar la fórmula y = f(x) para la
variable compuesta (ajustando la curva a los datos experimentales).
Por lo general, hay varias recetas preparadas, solo tienes que buscarlos valores de mejor
ajuste para algunos de los coeficientes o parámetros se proporcionan para estas
fórmulas.
El error o diferencia o saldo se determina de la siguiente manera:

e k =f ( X K ) −Y K ; 1 ≤ k ≤ N

Las siguientes reglas están definidas y se pueden usar con otras reglas para medir
distancias entre curvas y = f(x) y los datos:
Error máximo:

E∞ (f )=max {|f (X K )−Y K|:1≤ k ≤ N }

Error promedio:
N
1
E1 ( f ) = ∑ |f ( X K )−Y K|,
N k=1

Error cuadrático medio base:

N 1
1
|
E2 ( f )=( ∑ |f ( X K )−Y K| ) 2
N k=1
2
|
METODOS DE AJUSTES DE CURVAS

Rectas de Regresión en Mínimos Cuadrados

Definición
N
Sea {( X K ,Y K ) } un conjunto de N puntos cuyas abscisas { X K }
k =1
Todos ellos son diferentes. La línea de regresión, o la línea óptima en los cuadrados más
pequeños, es la línea con la ecuación y = f(x) = Ax + B
Línea de regresión de mínimos cuadrados:

N¿

es geometría distancia vertical a un punto{( X K ,Y K ) }hasta la recta

y = Ax + B.

Teorema: Línea de regresión de mínimos cuadrados

 N
Dado {( X K ,Y K ) } es diferente. Entonces, los coeficientes de la recta de regresión
k =1

y = Ax B

Son las soluciones del siguiente sistema lineal, llamado Ecuación Gaussiana normal

Potencial Ajustado y= Ax M

Algunos casos se modelan mediante la función f ( x )= Ax M , donde M es una constante

conocida. En tales casos, solo necesita especificar un parámetro.

Teorema: Potencial Ajustado

N
Supongamos que tenemos N puntos {( X K ,Y K ) } hay diferentes cortes. Entonces el
k =1
coeficiente A de la curva óptima de energía potencial por mínimos cuadrados
N

∑ X Mk Y k
A= k =1N
∑ X 2k M
k =1

Ajuste exponencial y=Ce Ax

Queremos ajustar una curva exponencial de la forma

Ax
y=Ce

N
a un conjunto de puntos {( X K ,Y K ) } dados de antemano.
k =1

Método de linealización de datos

Tome el logaritmo en (2):

ln(y) = Ax ln(C).
Variando las variables (y constantes):

Y = ln(y), X = x, B = ln(C),

Obtenemos la relación lineal entre las nuevas variables X e Y

Y = AX +B

Ahora se calcula la línea de regresión para los puntos {( X K ,Y K ) }, para lo cual

proponemos
Ecuaciones gaussianas estándar

∑ X 2k ¿ A+ ¿
k =1

Describe un sistema de ecuaciones lineales para las incógnitas A y C. Después de

calcular A y B, vemos que
parámetros C=e B

Hallar el punto mínimo de la función

N
E ( A , C )=∑ ( Ce Ax −Y k )
2
k

k=1

Para ello hallamos las derivadas parciales

N
∂E
=2 ∑ ( ce Ax −Y k ) Cxk e Ax A
k k

∂A k=1
 N
∂E
=2 ∑ ( ce Ax −Y k ) e Ax A k k

∂C k=1

l establecerlo en 0, obtenemos la ecuación normal:

N N
C ∑ X k e2 Ax − ∑ X k Y k e Ax =0
K k

k=1 K =1

N N
C∑ e − ∑ Y k e =0
2 Ax K Ax k

k=1 K =1

que es un sistema de ecuaciones no lineales para las incógnitas A y C.

Este sistema se puede resolver usando el método iterativo
Newton Raphson
.
El método de minimización de función multivariable
se puede utilizar para encontrar directamente el punto mínimo de la función E (A, C )

Combinaciones Lineales en Mínimos Cuadrados

Este problema se formula así: Dados N puntos {( X K ,Y K ) } y un

conjunto de M funciones linealmente independientes { f j (x ) } Encuentre los coeficientes
M tales que la función f(x) determina como una combinación lineal
N
f ( x )=∑ c j f j ( x)
j=1

Forma matricial

[ ]
f 1 (x 1) f 2 (x 1) f M ( x1 ) f 1 (x 1) f 1 ( x 2) f 1 (x3 )
F=f 1 ( x2 ) f 2 (x 2) f M (x2 ) , F ´ = f 2 (x 1) f 1 ( x 2) f 2 (x3 )
f 1 (x 3) f 2 (x3 ) f M ( x3 ) f M (x 1 ) f M (x 2) f M (x 3)

[] []
c1 y1
C= …. ,Y = y 2
cM yN
 F ´ FC=F ´ Y

Ajuste polinomial
Cuando el método recién descrito se aplica al caso donde tenemos M+ 1 función dada
por { f j ( x )=x j−1 }, la función f(x) será un polinomio de grado <= M:
2 M
f ( x )=c1 +c 2 x+ c3 x + …+c M +1 X

Teorema: Parábola óptima en el cuadrado más pequeño

N
Suponga que hay N puntos {( X K ,Y K ) } todos los recortes son diferentes. El
k =1
coeficiente parabólico de la ecuación.
2
y=f ( x )=Ax +Bx +C Los puntos de mejor ajuste en la dirección de los mínimos
cuadrados son las soluciones A, B y C de un sistema de ecuaciones lineales