AJUSTE DE CURVAS

• Los datos que son resultado de mediciones se dan

como valores discretos.
• Se puede necesitar la estimación de un punto
comprendido entre los valores obtenidos.
• Se podría requerir una curva que ajuste los datos
para obtener estimaciones intermedias.
• Podría ser necesario una versión simplificada de
una función simplificada.
• Estas necesidades se solucionan con el ajuste de
curvas

Compilado por: Jorge B.

 REGRESIÓN
Si los datos exhiben un grado significativo de
error o ruido, entonces la estrategia será
obtener una sola curva que represente la
tendencia general de los datos.
 INTERPOLACIÓN
Si se conoce de antemano que los datos son muy
precisos, entones la estrategia será colocar una
curva o una serie de curvas que pasen por cada
uno de los puntos.
 REGRESIÓN LINEAL

Se desea ajustar una serie de puntos (xi, yi) a una

línea recta dada por:
y = a 0 + a 1x + e
Donde a0 y a1 son coeficientes que representan la
intersección con el eje y la pendiente, y e es el error,
o diferencia, entre el modelo y las observaciones.
e = y – a 0 – a 1x
 CRITERIO DEL MEJOR AJUSTE

En el método de mínimos cuadrados se desea

minimizar la suma de los cuadrados de los residuos.

S r =  e =  ( yi ,medida − yi ,modelo ) =  ( yi − a0 − a1 xi )
n n n
2 2 2
i
i =1 i =1 i =1
 AJUSTE POR MÍNIMOS CUADRADOS
Derivando respecto a a0 y a1

S r =  e =  ( yi ,medida − yi ,modelo ) =  ( yi − a0 − a1 xi )
n n n
2 2 2
i
i =1 i =1 i =1

S r
Obtenemos = −2 ( yi − a0 − a1 xi )
a0
S r
= −2 ( yi − a0 − a1 xi )xi 
a1

Igualando a 0
0 =  yi −  a0 −  a1 xi
0 =  yi xi −  a0 xi −  a1 xi2

Resolviendo para a0 y a1
n xi yi −  xi  yi
a1 =
n xi2 − ( xi )
2

a0 = y − a1 x
 Error en la regresión lineal
n
S r =  ( yi − a0 − a1 xi )
2
y
i =1 Medición

La desviación estándar de la línea de

regresión es: yi – a0 – a1x

Sr
Sy/ x =
n−2 a0 + a1x

La magnitud del error residual antes

de la regresión es:
x

(
S t =  yi − y )2
En ajuste perfecto Sr = 0 y r = r2 = 1.
El coeficiente de determinación es: Si r = r2 = 0, Sr = St, el ajuste no
St − S r representa alguna mejora.
r =
2

n xi yi − ( xi )( yi )
St
El coeficiente de correlación es: r = r =
2

n xi2 − ( xi ) n yi2 − ( yi )
2 2
Ejemplo
Ajustar con mínimos cuadrados los siguientes datos

X Y
0 5
2 6
4 7
6 6
9 9
11 8
12 7
15 10
17 12
19 12
Linealización de relaciones no lineales

y y y

x
y = 1e 1 x
y = 2x 2
y = 3
3 + x

x x x

ln y log y 1/y

Pendiente = 2
Pendiente = 3/3
Pendiente = 1
Intersección = 1/3
x log x 1/x
Intersección = ln 1 Intersección = log 2
Ejemplo
2
Ajustar los siguientes datos a y = 2x

x y
1 0.5
2 1.7
3 3.4
4 5.7
5 8.4
Regresión Polinomial

Ajuste a un polinomio cuadrático

y = a0 + a1x + a2x2 + e
La suma de los cuadrados de los
 (y − a )
n
residuos es: S =
2
0 + a1 xi − a2 xi
2
r i
i =1

S r
De aquí obtenemos:
a0
(
= −2 yi − a0 + a1 xi − a2 xi2 )
S r
a1
(
= −2 xi yi − a0 + a1 xi − a2 xi2 )
S r
a2
(
= −2 xi2 yi − a0 + a1 xi − a2 xi2 )
Reordenando se obtiene

( x )a =  y
na0 + ( xi )a1 + 2
i 2 i
0 =  yi −  a0 −  a1 xi
( x )a + ( x )a + ( x )a =  y x
i 0
2
i 1
3
i 2 i i
0 =  yi xi −  a0 xi −  a1 xi2
( x )a + ( x )a + ( x )a =  x y
2
i 0
3
i 1
4
i 2
2
i i

El error estándar es:

Sr
Sy/x =
n−3
Ejemplo
Ajustar a un polinomio de segundo grado.

x 5 10 15 20 25 30 35 40 45 50

y 17 24 31 33 37 37 40 40 42 41
TALLER
Ejemplo

Usar regresión de mínimos cuadrados para ajustar a una

ecuación de taza de crecimiento de saturación.
x
y = 3
3 + x

x 5 10 15 20 25 30 35 40 45 50
y 17 24 31 33 37 37 40 40 42 41

1 1 3 + x 3 1 1
= = +
y 3 x 3 x 3