AJUSTE DE CURVAS

Ing. Gloria Poémape

Rojas
AJUSTE DE CURVAS: 2 casos
• Halla una
función que
aproxime un Ajuste de curvas
conjunto de
puntos. •Regresión por
• Simplificar una Mínimos Cuadrados
función
complicada. •Interpolación
 AJUSTE DE CURVAS
.. . Pn(x)
. . Pn(x)

. Pn(xi)
y1
..
x1
Aprox. Funcional

x y x y
- - - - Curva que siga la
- - Exactos 𝑥𝑖 - - 𝑦𝑖
- - - - tendencia de los
- - - - datos.

Curva que pase directamente Valores aproximados

por todos los puntos. (error)

Aprox. Funcional
𝑹𝒆𝒈. 𝑴í𝒏 𝑪𝒖𝒂𝒅𝒓𝒂𝒅𝒐𝒔
a) Datos que muestran un error significativo.
b) Ajuste Polinomial oscilando más allá del rango de datos.
c) Resultados más satisfactorios mediante el ajuste por Mínimos cuadrados
Criterio para un “mejor” ajuste
𝒆𝒊 = 𝒚𝒊 − 𝒂𝟎 − 𝒂𝟏 𝒙𝒊
𝑴Í𝒏 ෍ 𝒆𝒊
𝑀í𝑛 ෍ 𝑒𝑖 Mín Máx ei

Ejemplo de algunos criterios:

a) Minimiza la suma de residuos
b) Minimiza la suma de los valores absolutos de los residuos NO ADECUADO
c) Minimiza el error máximo de cualquier punto individual (Criterio Minimax)
Criterio para un “mejor” ajuste

𝑀í𝑛 ෍ 𝑒𝑖2
Minimizar suma de los errores de todos los
datos.
• F(x) es la curva con la que se aproximan los datos: F(x)=>
Pn(x)
• Y= La variable dependiente de los datos que se desea
aproximar
• X=La variable independiente
• ei : El error de cada uno de los datos
• n : El número de datos
 RMC: PRIMER GRADO
𝑃 𝑥 = 𝑎0 + 𝑎1 𝑥

𝒙𝒊 , 𝒚𝒊
𝒚𝒊
d
𝑷(𝒙𝒊 )

𝒅𝒊 = 𝒚𝒊 − 𝑷(𝒙𝒊 ) 𝑴í𝒏 ෍ 𝒅𝟐𝒊

𝒙𝒊 𝑀í𝑛 ෍ 𝑦𝑖 − 𝑷(𝒙𝒊 ) 2
A di también se le llama ei (error)
𝒇(𝒙𝒊 )
 𝑀í𝑛 ෍ 𝑑𝑖2 𝑀í𝑛 ෍ 𝑦𝑖 − 𝑃(𝑥𝑖 ) 2
𝑀í𝑛 ෍ 𝑷 𝒙𝒊 − 𝒚𝑰 𝟐

PRIMER GRADO: 𝑃 𝑥 = 𝑎0 + 𝑎1 𝑥 xi yi
x1 y1
x2 y2
𝑀í𝑛 ෍ 𝒂𝟎 + 𝒂𝟏 𝑥𝑖 − 𝑦𝑖 2
𝛻f=O ….. …..

𝟐 xn yn
Llamado suma de residuales o 𝐸 = 𝑆𝑟 = ෍ 𝑷 𝒙𝒊 − 𝒚𝑰
Error cuadrático medio
𝜕𝑓 𝜕 σ 𝑎0 + 𝑎1 𝑥𝑖 − 𝑦𝑖 2

𝜕𝑎0 𝜕𝑎0
𝛻𝑓 = =0 𝛻𝑓 = =0
𝜕𝑓 𝜕 σ 𝑎0 + 𝑎1 𝑥𝑖 − 𝑦𝑖 2
𝜕𝑎1 𝜕𝑎1
 𝜕 σ 𝑎0 + 𝑎1 𝑥𝑖 − 𝑦𝑖 2 σ 𝜕 𝑎0 + 𝑎1 𝑥𝑖 − 𝑦𝑖 2

𝜕𝑎0 𝜕𝑎0
𝛻𝑓 = 2 =0 𝛻𝑓 = 2 =0
𝜕 σ 𝑎0 + 𝑎1 𝑥𝑖 − 𝑦𝑖 σ 𝜕 𝑎0 + 𝑎1 𝑥𝑖 − 𝑦𝑖
𝜕𝑎1 𝜕𝑎1

𝜕
෍ 2 𝑎0 + 𝑎1 𝑥𝑖 − 𝑦𝑖 𝑎0 + 𝑎1 𝑥𝑖 − 𝑦𝑖
𝜕𝑎0
𝛻𝑓 = =0
𝜕
෍ 2 𝑎0 + 𝑎1 𝑥𝑖 − 𝑦𝑖 𝑎0 + 𝑎1 𝑥𝑖 − 𝑦𝑖
𝜕𝑎1
 ෍ 𝟐 𝒂𝟎 + 𝒂𝟏 𝒙𝒊 − 𝒚𝒊 (𝟏)
𝟐 ෍ 𝒂𝟎 + 𝒂𝟏 𝒙𝒊 − 𝒚𝒊 (𝟏)
𝜵𝒇 = =𝟎 𝟎
𝜵𝒇 = =
෍ 𝟐 𝒂𝟎 + 𝒂𝟏 𝒙𝒊 − 𝒚𝒊 (𝒙𝒊 ) 𝟎
𝟐 ෍ 𝒂𝟎 + 𝒂𝟏 𝒙𝒊 − 𝒚𝒊 (𝒙𝒊 )

෍ 𝑎0 + ෍ 𝑎1 𝑥𝑖 − ෍ 𝑦𝑖 = 0 𝑛𝑎0 + 𝑎1 ෍ 𝑥𝑖 = ෍ 𝑦𝑖

𝑎0 ෍ 𝑥𝑖 + 𝑎1 ෍ 𝑥𝑖2 = ෍ 𝑥𝑖 𝑦𝑖
෍ 𝑎0 𝑥𝑖 + ෍ 𝑎1 𝑥𝑖2 − ෍ 𝑥𝑖 𝑦𝑖 = 0
 Primer grado

𝑛 𝛴 𝒙𝒊 𝑎0 = 𝛴 𝒚𝒊
𝛴 𝒙𝒊 𝛴 𝒙𝟐 𝑎1 𝛴 𝒙𝒊yi

𝑃 𝑥 = 𝒂𝟎 + 𝒂𝟏 𝑥
Cuantificación del error en la regresión lineal
𝑛 𝒏
Suma de residuales o
Error cuadrático medio 𝑆𝑟 = ෍ 𝑒𝑖2 = ෍ 𝒚𝒊 − 𝒂𝟎 − 𝒂𝟏 𝒙𝒊 𝟐

𝑖=1 𝒊=𝟏

Error estándar del estimado: Cuantifica la dispersión

alrededor de la línea de
𝑆𝑟 regresión
𝑆𝑦/𝑥 =
𝑛−2
Coeficiente de determinación:

𝑆𝑡 − 𝑆𝑟 σ 𝑦𝑖
2
𝑟 = 𝑆𝑡 = ෍ 𝑦𝑖 − 𝑦ത 2 𝑦ത =
𝑆𝑡 𝑛
Coeficiente de variación
Coeficiente de Variación: Desviación estándar respecto a la
media:
𝑆𝑦 𝑆𝑡
𝑐. 𝑣. = . 100% 𝑆𝑦 =
𝑦ത 𝑛−1
El coeficiente de variación tiene un carácter similar al error relativo
porcentual.
Es decir es la razón de una medición del error (Sy) respecto a un estimado
del valor verdadero (𝑦)
ത
 EJEMPLO

F (Kg.f)= x Longitud(m)=y 𝒙𝟐 x*y

0 0.12 0 0
2 0.153 4 0.306
3 0.170 9 0.510
6 0.225 36 1.350
7 0.260 49 1.820

𝛴 𝒙𝒊 𝛴 𝒚𝒊 𝛴 𝒙𝟐 𝛴 𝒙𝒊*yi 𝒏

18 0.928 98 3.986 5
 5 18 𝑎0 0.928
=
18 98 𝑎1 3.986

f1(-18/5)+f2
5 18 0.928 5 18 0.928
18 98 3.986 0 33.2 0.6452

a0=0.1172
a1=0.019

P(x)= 0.1172 + 0.0019*x

 Ecuación de razón de
Ecuación exponencial
Ecuación de potencias crecimiento
Datos inadecuados para la regresión lineal
por mínimos cuadrados.
 Segundo grado

Pn(𝑥𝑖 )= 𝑎0 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖 2

Mín 𝛴 𝑎0 + 𝑎1 𝑥𝑖 + 𝑎2𝑥𝑖^2 − 𝑦𝑖 2

2
𝛴 2 𝑎0 + 𝑎1 ∗ 𝑥𝑖 + 𝑎2 ∗ 𝑥𝑖 − 𝑦 (1)
2
= 𝛴 2 𝑎0 + 𝑎1 ∗ 𝑥𝑖 + 𝑎2 ∗ 𝑥𝑖 − 𝑦 (𝑥𝑖) =0
f 2
𝛴 2 𝑎0 + 𝑎1 ∗ 𝑥𝑖 + 𝑎2 ∗ 𝑥𝑖 − 𝑦 (𝑥𝑖 2 )

𝒏 𝜮 𝒙𝒊 𝜮 𝒙𝒊𝟐 𝒂𝟎 𝜮 𝒚𝒊
𝜮 𝒙𝒊 𝜮𝒙𝒊𝟐 𝜮𝒙𝒊𝟑 𝒂𝟏 = 𝜮 𝒙𝒊𝒚𝒊
𝜮𝒙𝒊𝟐 𝜮𝒙𝒊𝟑 𝜮𝒙𝒊𝟒 𝒂𝟐 𝜮𝒙𝒊𝟐 𝒚𝒊
 METODOS NUMERICOS -REGRESION

Aproximación polinomial por mínimos cuadrados

● ●
● ●
●
● ●
●
● ●
● ●
● ● ●
● Distancia
(𝑥𝑛 , 𝑦𝑛 )
●
●
(𝑥0 , 𝑦0 )

Objetivo: Obtener un polinomio o función que relacione x e y 𝑀í𝑛 ෍ 𝑑𝑖2

 Aproximación polinomial por mínimos cuadrados

Forma de aproximar una función g(x) a diferentes

f(x).

Nos proporciona información acerca de las relacione

existentes entre x e y.

Causa una suavización de curva formada por un

conjunto de datos y elimina en algún grado los errores
observadores, de medición, de registro, de
transmisión y conversión.

Se tiene una secuencia de datos dados por n puntos

de la forma (xi,yi)
Error cuadrático medio(Suma de residuales)
Regresión Polinomial
Cuantificación del error en la regresión lineal
𝑛 𝑛

𝑆𝑟 = ෍ 𝑒𝑖2 = ෍ 𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − ⋯ − 𝑎𝑚 𝑥𝑖𝑚 2

𝑖=1 𝑖=1

Error estándar del estimado:

𝑆𝑟
𝑆𝑦/𝑥 =
𝑛 − (𝑚 + 1)
Coeficiente de determinación:

𝑆𝑡 − 𝑆𝑟 σ 𝑦𝑖
2
𝑟 = 𝑆𝑡 = ෍ 𝑦𝑖 − 𝑦ത 2 𝑦ത =
𝑆𝑡 𝑛