An Alisis Num Erico (ICM840-01) : Ajuste de Curvas

Análisis Numérico (ICM840-01)
Ajuste de curvas
1er Semestre del 2022
Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 1 / 46

Ajuste de curvas
Definiciones básicas
En distintas aplicaciones ingenieriles, es común encontrarse con datos

expresados de manera discreta a lo largo de un continuo.
Muchas veces se requiere estimar el valor de un punto ubicado entre los
valores discretos.
• Ajuste de Curvas: El objetivo es encontrar una función que se ajuste
a los valores discretos en general.
• Interpolación: El objetivo es estimar el valor de una variable entre un
intervalo de valores discretos conocidos.

Ajuste de curvas
Tabla de contenidos
1 Regresión por mı́nimos cuadrados

• Regresión lineal
• Regresión polinomial
• Regresión lineal múltiple
2 Interpolación
• Polinomio de interpolación de Newton
• Polinomio de interpolación de Lagrange

Estadı́stica
• Media aritmética: Se define como la suma de los datos yi dividida

entre el número de datos n.
Σyi
y=
n
• Desviación Estándar: Forma de medir la dispersión con respecto a la
media. r r
St Σ(yi − y)2
Sy = =
n−1 n−1
• Si los datos se encuentran agrupados cerca de la media, entonces el

valor de St será pequeño.
• Si por el contrario, se encuentran dispersos, el valor de St será grande.

Estadı́stica
• Varianza: Se calcula como el cuadrado de la desviación estándar.

St
Sy 2 =
n−1
• Una definición alternativa para la desviación estándar viene dada por:
Σyi 2 − (Σyi )2 /n
Sy 2 =
n−1
• Coeficiente de variación: Es una forma normalizada para medir la
dispersión, y se calcula como el cociente de la desviación estándar y la
media.
Sy
c.v. =
y

Regresión por mı́nimos cuadrados
Introducción
Si se tienen 7 datos experimentales, existe un polinomio de sexto grado

que pasa exactamente por esos puntos.
Pero, ¿es esta la mejor aproximación a la tendencia que exhiben los datos
experimentales?

Regresión lineal
Se quiere ajustar un conjunto de datos experimentales definidos por los

puntos (x1 , y1 ), (x2 , y2 ), ..., (xn , yn ), mediante una linea recta.
y = a0 + a1 x + e
donde a0 corresponde al valor de intersección con el eje y, a1 es la

pendiente de la recta, y e es el error (o diferencia entre el modelo y los
datos experimentales.
e = y − a0 − a1 x
¿Cómo se puede minimizar este error?

Regresión lineal
Opción 1: Minimizar la suma de los errores residuales de todos los datos

disponibles:
Xn Xn
ei = yi − a 0 − a 1 x i
i=1 i=1
Problema: Cualquier recta que pase por el punto medio minimiza el error
a cero (los errores se cancelan).

Regresión lineal
Opción 2: Minimizar la suma de valores absolutos de los errores residuales

de todos los datos disponibles:
n
X n
X
| ei |= | yi − a0 − a1 xi |
i=1 i=1
Problema: Cualquier recta que esté dentro de las lineas segmentadas

minimizará el valor absoluto de la suma y por ende no dará un único mejor
ajuste.

Regresión lineal
Opción 3: Se elige una lı́nea de manera que minimice la máxima distancia

a la que un punto se encuentra de una recta (criterio minimax).
Problema: Le da excesiva influencia a puntos que están fuera del
conjunto.

Regresión lineal
La estrategia que supera las deficiencias de los 3 métodos anteriores

consiste en minimizar la suma de los cuadrados de los residuos entre la y
medida y la y calculada con el modelo lineal:
n
X n
X n
X
Sr = e2i = (yi,medida − yi,modelo ) = 2
(yi − a0 − a1 xi )2
i=1 i=1 i=1
Este criterio entrega una única linea recta para un cierto conjunto de
datos.
Pero, ¿Cómo se calculan los coeficientes a0 y a1 ?

Regresión lineal
Primero, se deriva la ecuación con respecto a cada uno de los coeficientes:

∂Sr X
= −2 (yi − a0 − a1 xi )
∂a0
∂Sr X
= −2 [(yi − a0 − a1 xi )xi ]
∂a1
Para obtener el Sr mı́nimo se igualan las derivadas a cero:
X X X
0 = yi − a0 − a1 xi
X X X
0 = yi x i − a0 xi − a1 x2i

Regresión lineal
Se observa que Σa0 = na0 , el sistema presentado anteriormente se puede

escribir como un conjunto de dos ecuaciones lineales simultaneas, cuyas
incógnitas son a0 y a1 :
na0 + (Σxi )a1 = Σyi

(Σxi )a0 + (Σxi 2 )a1 = Σxi yi
Al resolver este sistema se obtienen los coeficientes a1 :

nΣxi yi − Σxi Σyi
a1 =
nΣxi 2 − (Σxi )2
y a0 :
a0 = y − a1 x

Cálculo del error en regresión lineal
Recuérdese que la suma de los cuadrados se define como:

n
X n
X
Sr = e2i = (yi − a0 − a1 xi )2
i=1 i=1
Por lo que ya se tienen los datos y las constantes para calcularlo.
El cuadrado del residuo representa el cuadrado de la distancia vertical
entre el dato y la recta.

Para estimar un error de la correlación, usando los valores originales, se

determina la suma total de los cuadrados (St ) alrededor de la media para
la variable dependiente y. Ésta es la magnitud del error residual asociado
con la variable dependiente antes de la regresión. Después de realizar la
regresión, calculamos Sr , es decir, la suma de los cuadrados de los residuos
alrededor de la lı́nea de regresión. Esto caracteriza el error residual que
queda después de la regresión.
El coeficiente de correlación r cuantifica la reducción del error
normalizado, y está dado por:
r
St − Sr 1 X xi − x̄ yi − ȳ
r= =
St n−1 Sx Sy

Ejemplo: determinar la recta que mejor se ajusta Paxilos puntos: P yi

(x, y) = (1, 1); (2, 2); (2, 3); (3, 6) Medias: x̄ = n = 2; ȳ = n =3
Desviación estandar: s
(x1 − x̄)2
P
Sx =
n−1
r
(1 − 2)2 + (2 − 2)2 + (2 − 2)2 + (3 − 2)2
Sx = = 0,816
4−1
s
(y1 − ȳ)2
P
Sy =
n−1
r
(1 − 3)2 + (2 − 3)2 + (3 − 3)2 + (6 − 3)2
Sx = = 2,16
4−1

Cosntruir la recta: y = m · x + b

1 P xi −x̄ yi −ȳ
Calculando r: r = n−1 Sx Sy = 0,946
La pendiente de la recta y el término independiente se puede determinar
con r y conociendo que a esta pertenece el punto (x̄, ȳ)
Sy 2,16
m=r· = 0,946 · = 2,5
Sx 0,816
Evaluando el punto: 3 = 2,5 · 2 + b → b = −2
Por lo que la recta ajustada es: y = 2,5 · x − 2

Regresión polinomial
En la ingenierı́a, aunque algunos datos exhiben un patrón marcado, son

pobremente representados por una lı́nea recta. Entonces una curva podrı́a
ser más adecuada para ajustarse a los datos.
Para estos casos, se propone realizar una regresión polinomial.

Comenzar ajustando un polinomio de grado dos:
y = a0 + a1 x + a2 x2 + e
Para este caso, la suma de los cuadrados de los residuos es:

n
X
Sr = (yi − a0 − a1 xi − a2 x2i )2
i=1
Siguiendo la metodologı́a anterior, se deriva parcialmente la ecuación con

respecto a cada uno de los coeficientes desconocidos a0 , a1 y a2 , y se
iguala a cero cada una de estas ecuaciones.
∂Sr ∂Sr ∂Sr
=0 =0 =0
∂a0 ∂a1 ∂a2

Con esto, se obtiene el siguiente sistema lineal de ecuaciones:
na0 + (Σxi )a1 + (Σxi 2 )a2 = Σyi

(Σxi )a0 + (Σxi 2 )a1 + (Σxi 3 )a2 = Σxi yi
(Σxi 2 )a0 + (Σxi 3 )a1 + (Σxi 4 )a2 = Σ(xi )2 yi
Se observa que el problema de determinar un polinomio de segundo grado

por mı́nimos cuadrados es equivalente a resolver un sistema de tres
ecuaciones lineales simultáneas.
El caso bidimensional se extiende con facilidad a un polinomio de m-ésimo
grado como sigue:
y = a0 + a1 x + a2 x2 + ... + am xm + e

Ejemplo:
Para los pares de datos mostrados, encuentre el polinomio de 2do grado
que mejor se ajusta.
Datos:
(x,y)=(0,2.1);(1,7.7);(2,13.6);(3,27.2);(4,40.9);(5,61.1)
na0 + (Σxi )a1 + (Σxi 2 )a2 = Σyi

(Σxi )a0 + (Σxi 2 )a1 + (Σxi 3 )a2 = Σxi yi
(Σxi 2 )a0 + (Σxi 3 )a1 + (Σxi 4 )a2 = Σ(xi )2 yi

x y x2 x3 xy x4 x2 y
0 2.1 0 0 0 0 0
1 7.7 1 1 7.7 1 7.7
2 13.6 4 8 27.2 16 54.4
3 27.2 9 27 81.6 81 244.8
4 40.9 16 64 163.6 256 654.4
5 61.1 25 125 305.5 625 1527.5
15 152.6 55 225 585.6 979 2488.8
6a0 + 15a1 + 55a2 = 152,6

15a0 + 55a1 + 225a2 = 585,6
55a0 + 225a1 + 979a2 = 2488,8

Resolviendo por cualquiera de los métodos vistos anteriormente:

a0 = 2,4786; a1 = 2,3593; a2 = 1,8607
Por lo que el polinomio de 2doi grado ajustado a los datos serı́a:
y = 2,4789 + 2,3593 · x + 1,8607 · x2

Regresión lineal múltiple
Una extensión útil de la regresión lineal es el caso en el que y es una

función lineal de dos o más variables independientes:
y = a0 + a1 x1 + a2 x2 + e
En este caso bidimensional, la linea de regresión se convierte en un plano.

Regresión lineal múltiple
Para este caso, la suma de los cuadrados de los residuos es:

n
X
Sr = (yi − a0 − a1 x1i − a2 x2i )2
i=1
Siguiendo la metodologı́a anterior, se deriva parcialmente la ecuación con

respecto a cada uno de los coeficientes desconocidos a0 , a1 y a2 , y se
iguala a cero cada una de estas ecuaciones, quedando el siguiente sistema
de ecuaciones:
    
n Σx1i Σx2i a0 Σyi
Σx1i Σx21i Σx1i x2i  a1  = Σx1i yi 
Σx2i Σx1i x2i Σx22i a2 Σx2i yi

Ejercicios - Regresión lineal
Realizar una regresión lineal para ajustar los puntos de la siguiente tabla:
Exprese la ecuación de la recta que aproxima los datos.

Grafique los puntos y la recta que los aproxima.
Solución: a0 = −0,36 y a1 = 1,538

Ejercicios - Regresión polinomial
Realizar una regresión polinomial de grado 2 para ajustar los puntos de la

siguiente tabla:
Arme y resuelva el sistema de ecuaciones que permite obtener los

coeficientes del polinomio cuadrático.
Exprese la ecuación del polinomio cuadrático que aproxima los datos.
Grafique los puntos y la curva que los aproxima.
Solución: a0 = 1,0051 ; a1 = 0,86468 y a2 = 0,84316

Interpolación
Introducción
Existen varios problemas en ingenierı́a en donde se requiere estimar valores

intermedios entre datos definidos por puntos. La técnica que permite
estimar estos valores se conoce como interpolación.
La interpolación polinomial busca determinar el polinomio único de
enésimo grado que se ajuste a n + 1 puntos (datos). Conociendo este
polinomio, se pueden calcular valores intermedios.
f (x) = a0 + a1 x + a2 x2 + ... + an xn
Este polinomio único puede expresarse de varias formas. En particular se

revisarán dos de ellas: los polinomios de Newton y de Lagrange.

Interpolación polinomial de Newton
Interpolación lineal
La forma más sencilla de interpolar dos puntos es aquella que los une
mediante una recta (interpolación lineal).
Utilizando triángulos semejantes, se tiene:
f1 (x) − f (x0 ) f (x1 ) − f (x0 )

=
x − x0 x1 − x0
Si reordenamos, nos queda:
f (x1 ) − f (x0 )
f1 (x) = f (x0 ) + (x − x0 )
x1 − x0
Notar que cuanto menor sea el intervalo,
mejor será la aproximación.

Interpolación cuadrática
Aproximar una curva mediante una recta no es la mejor opción. Para

mejorar la estimación, se prefiere el uso de un polinomio de segundo
grado. (interpolación cuadrática).
f2 (x) = b0 + b1 (x − x0 ) + b2 (x − x0 )(x − x1 )
Desarrollo del polinomio:
f2 (x) = b0 + b1 x − b1 x0 + b2 x2 − b2 x1 x − b2 x0 x + b2 x0 x1
Agrupando:
f2 (x) = (b0 − b1 x0 + b2 x0 x1 ) + (b1 − b2 x0 − b2 x1 )x + (b2 )x2
f2 (x) = a0 + a1 x + a2 x2

La tarea es obtener los coeficientes b0 , b1 y b2 .

Para obtener b0 , se evalúa x = x0 :
b0 = f (x0 )
Luego se evalúa x = x1 :
f (x1 ) = b0 + b1 (x1 − x0 )
de donde se obtiene b1 :
f (x1 ) − f (x0 )
b1 =
x1 − x0

Finalmente se evalúa x = x2 , y reemplazando se obtiene:
f (x2 ) − f (x1 ) f (x1 ) − f (x0 )

−
x2 − x1 x1 − x0
b2 =
x2 − x0
De la ecuación f2 (x) se puede notar que:
• El término b1 sigue representando la pendiente de la lı́nea que une los
puntos x0 y x1 .
• El último término (b2 (x − x0 )(x − x1 )) es el que determina la
curvatura de segundo grado.

Forma general de los polinomios de interpolación de Newton
El análisis puede generalizarse para ajustar un polinomio de enésimo grado

a n + 1 datos.
fn (x) = b0 +b1 (x−x0 )+b2 (x−x0 )(x−x1 )+...+bn (x−x0 )(x−x1 )...(x−xn−1 )
Para ajustar este polinomio se requieren n + 1 puntos:
[x0 , f (x0 )], [x1 , f (x1 )], [x2 , f (x2 )], ..., [xn , f (xn )]
Estos datos se usan para evaluar los coeficientes:
b0 = f (x0 )
b1 = f [x1 , x0 ]
b2 = f [x2 , x1 , x0 ]
..
.
bn = f [xn , xn−1 , ..., x1 , x0 ]
Las evaluaciones de la función en parentesis [ ] son diferencias divididas

finitas.
La primera diferencia dividida finita se representa como:
f (xi ) − f (xj )
f [xi , xj ] =
xi − xj
La segunda diferencia dividida finita, que representa la diferencia de las

dos primeras diferencias divididas, se expresa como:
f [xi , xj ] − f [xj , xk ]
f [xi , xj , xk ] =
xi − xk

En forma similar, la enésima diferencia dividida finita está dada por:
f [xn , xn−1 , ..., x1 ] − f [xn−1 , xn−2 , ..., x0 ]

f [xn , xn−1 , ..., x1 , x0 ] =
xn − x0
Una vez evaluados los coeficientes son sustituidos en el polinomio,
quedando:
fn (x) = f (x0 ) + (x − x0 )f [x1 , x0 ] + (x − x0 )(x − x1 )f [x2 , x1 , x0 ]+
... + (x − x0 )(x − x1 )...(x − xn−1 )f [xn , xn−1 , ..., x0 ]

Este polinomio se conoce como polonomio de interpolación de Newton en
diferencias divididas.

Del análisis anterior se puede observar que las ecuaciones son recursivas,
tal como se esquematiza en la siguiente figura:

Ejemplo: Calcule el polinomio de Newton que pasa por los puntos:

(x; y) = (1; 4); (2; 3,5); (3; 4); (5; 5,6)

Interpolación polinomial de Lagrange
Polinomio de Lagrange
El polinomio de interpolación de Lagrange es simplemente una

reformulación del polinomio de Newton que evita el cálculo de las
diferencias divididas, y se expresa como:
n
X
fn (x) = Li (x)f (xi )
i=0
donde:
n
Y x − xj
Li (x) =
xi − xj
j=0
j̸=i
donde Π corresponde a la pitatoria (o productorio).

La versión lineal del polinomio de Lagrange (n = 1) es:

x − x1 x − x0
f1 (x) = f (x0 ) + f (x1 )
x0 − x1 x1 − x0
Y la versión de segundo grado es:
(x − x1 )(x − x2 ) (x − x0 )(x − x2 )
f2 (x) = f (x0 ) + f (x1 )
(x0 − x1 )(x0 − x2 ) (x1 − x0 )(x1 − x2 )
(x − x0 )(x − x1 )
+ f (x2 )
(x2 − x0 )(x2 − x1 )

Ejemplo: Usando la Interpolación de Lagrange, encuentre el polinomio que

interpole los datos: (x; y) = (0; 1); (1; 3); (2; 0)
n n
X Y x − xj
fn (x) = Li (x)f (xi ) Li (x) =
xi − xj
i=0 j=0
j̸=i



Interpolación
Ejercicios - Newton
Encontrar el polinomio de interpolación de Newton.

Aproximar el valor de f (1,5).
Valor exacto: 0.5118277

Interpolación
Ejercicios - Lagrange
Comparar las aproximaciones de f (1,5) obtenidos con los siguientes

polinomios de Lagrange:
• Polinomio lineal entre 1,3 y 1,6.
• Polinomio de grado 2, considerando los 3 primeros puntos.
• Polinomio de grado 2, considerando el 2do, 3er y 4to término.
• Polinomio de grado 3, considerando los 4 primeros puntos.
• Polinomio de grado 3, considerando los 4 últimos puntos.
Valor exacto: 0.5118277

Interpolación
Ejercicios - Newton y Lagrange
• Calcule f (4) con el uso de polinomios de interpolación de Newton de

orden 1, 2, 3 y 4.
• Calcule f (4) con el uso de polinomios de interpolación de Lagrange
de orden 1, 2 y 3.

Análisis Numérico (ICM840-01)
Ajuste de curvas
1er Semestre del 2022

An Alisis Num Erico (ICM840-01) : Ajuste de Curvas

Cargado por

Información del documento

Título original

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

An Alisis Num Erico (ICM840-01) : Ajuste de Curvas

Cargado por

Copyright:

Formatos disponibles

Análisis Numérico (ICM840-01)

1er Semestre del 2022

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 1 / 46

En distintas aplicaciones ingenieriles, es común encontrarse con datos

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 2 / 46

1 Regresión por mı́nimos cuadrados

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 3 / 46

• Media aritmética: Se define como la suma de los datos yi dividida

• Si los datos se encuentran agrupados cerca de la media, entonces el

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 4 / 46

• Varianza: Se calcula como el cuadrado de la desviación estándar.

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 5 / 46

Si se tienen 7 datos experimentales, existe un polinomio de sexto grado

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 6 / 46

Se quiere ajustar un conjunto de datos experimentales definidos por los

donde a0 corresponde al valor de intersección con el eje y, a1 es la

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 7 / 46

Opción 1: Minimizar la suma de los errores residuales de todos los datos

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 8 / 46

Opción 2: Minimizar la suma de valores absolutos de los errores residuales

Problema: Cualquier recta que esté dentro de las lineas segmentadas

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 9 / 46

Opción 3: Se elige una lı́nea de manera que minimice la máxima distancia

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 10 / 46

La estrategia que supera las deficiencias de los 3 métodos anteriores

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 11 / 46

Primero, se deriva la ecuación con respecto a cada uno de los coeficientes:

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 12 / 46

Se observa que Σa0 = na0 , el sistema presentado anteriormente se puede

na0 + (Σxi )a1 = Σyi

Al resolver este sistema se obtienen los coeficientes a1 :

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 13 / 46

Recuérdese que la suma de los cuadrados se define como:

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 14 / 46

Para estimar un error de la correlación, usando los valores originales, se

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 15 / 46

Ejemplo: determinar la recta que mejor se ajusta Paxilos puntos: P yi

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 16 / 46

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 17 / 46

En la ingenierı́a, aunque algunos datos exhiben un patrón marcado, son

Para estos casos, se propone realizar una regresión polinomial.

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 18 / 46

Comenzar ajustando un polinomio de grado dos:

Para este caso, la suma de los cuadrados de los residuos es:

Siguiendo la metodologı́a anterior, se deriva parcialmente la ecuación con

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 19 / 46

Con esto, se obtiene el siguiente sistema lineal de ecuaciones:

na0 + (Σxi )a1 + (Σxi 2 )a2 = Σyi

Se observa que el problema de determinar un polinomio de segundo grado

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 20 / 46

na0 + (Σxi )a1 + (Σxi 2 )a2 = Σyi

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 21 / 46

6a0 + 15a1 + 55a2 = 152,6

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 22 / 46

Resolviendo por cualquiera de los métodos vistos anteriormente:

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 23 / 46

Una extensión útil de la regresión lineal es el caso en el que y es una

En este caso bidimensional, la linea de regresión se convierte en un plano.

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 24 / 46

Para este caso, la suma de los cuadrados de los residuos es:

Siguiendo la metodologı́a anterior, se deriva parcialmente la ecuación con

Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 25 / 46

Exprese la ecuación de la recta que aproxima los datos.