AJUSTE DE CURVAS

Introducción

Muy a menudo existen problemas en los cuales se proporcionan como datos

un conjunto de puntos discretos (𝑥𝑖 , 𝑦𝑖 ) y se requieren puntos entre esos
valores discretos. En otras ocasiones se requiere una versión simplificada de
una función muy complicada.
El ajuste de curvas consiste en encontrar una curva que contenga un conjunto
de puntos y que posiblemente cumpla una serie de restricciones adicionales.
Hay dos esquemas generales en el ajuste de curvas que se distinguen entre sí
en base a la cantidad de error asociada con los datos.
Primero, los datos muestran un grado significativo de error, la estrategia es
ajustar una curva que represente el comportamiento general de los datos, esto
es una curva de aproximación. A este procedimiento se le conoce como
Análisis de Regresión.
Segundo, se conoce que los datos son muy exactos o se desea simplificar una
función muy complicada, en este caso se ajusta una curva que pase por cada
uno de los puntos. A este procedimiento se le conoce como Interpolación.
Estadística simple

La media o valor medio 𝑦̅ es la medida más común de una muestra y se

define como el cociente entre la suma de los valores individuales y el número
de valores.
∑ 𝑦𝑖
𝑦̅ = 𝑛

La medida de la dispersión de una muestra es la desviación estándar, 𝑠𝑦 :

𝑆
𝑡
𝑠𝑦 = √𝑛−1 donde 𝑆𝑡 = ∑( 𝑦𝑖 − 𝑦̅ )2

Otra medida que se puede tomar para representar la dispersión es la varianza,

que es el cuadrado de la desviación estándar.
Una medida final que tiene utilidad es el coeficiente de variación, c.v.
𝑠𝑦
𝑐. 𝑣. = 100
𝑦̅
REGRESIÓN CON MÍNIMOS CUADRADOS
Cuando se asocia un error sustancial con los datos de una muestra
determinada, una estrategia apropiada es la de obtener una función
aproximada que ajuste adecuadamente el comportamiento o la tendencia
general de los datos, sin coincidir necesariamente con cada punto en particular.
A esta estrategia o procedimiento le llamamos Análisis de Regresión.
Regresión Lineal
El ejemplo más simpe de una aproximación por mínimos cuadrados es el ajuste
de una línea recta a un conjunto de parejas de datos observados.
 REGRESIÓN POLINOMIAL

Introducción
No siempre los datos en ingeniería están ubicados alrededor de una línea
recta, la ubicación de los mismos puede ser muy variada, tal como se ver en la
gráfica siguiente:

Como vemos en el modelo cuadrático y cúbico, deberíamos extender el

procedimiento de mínimos cuadrados para obtener un polinomio de 2do. orden
o un polinomio de 3er. orden. En general el procedimiento de mínimos
cuadrados se puede extender fácilmente y ajustar datos a un polinomio de
m-ésimo orden.
La expresión de un polinomio de m-ésimo orden es:
𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑚 𝑥 𝑚
La suma de los cuadrados de los residuos es:
𝑛

𝑆𝑟 = ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − ⋯ − 𝑎𝑚 𝑥𝑖 𝑚 )2
𝑖=1

Siguiendo el mismo procedimiento que para la regresión lineal, se realizan las

derivadas respecto de cada uno de los coeficientes del polinomio, obteniendo:
𝛿𝑆𝑟
= −2 ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − ⋯ − 𝑎𝑚 𝑥𝑖 𝑚 )
𝛿𝑎0

𝛿𝑆𝑟
= −2 ∑ 𝑥𝑖 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − ⋯ − 𝑎𝑚 𝑥𝑖 𝑚 )
𝛿𝑎1

𝛿𝑆𝑟
= −2 ∑ 𝑥𝑖 2 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − ⋯ − 𝑎𝑚 𝑥𝑖 𝑚 )
𝛿𝑎2
…………………………………………………………………………
𝛿𝑆𝑟
= −2 ∑ 𝑥𝑖 𝑚 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − ⋯ − 𝑎𝑚 𝑥𝑖 𝑚 )
𝛿𝑎𝑚

Estas ecuaciones se igualan a cero y reordenando se obtiene el siguiente

conjunto de ecuaciones normales:

𝑎0 𝑛 + 𝑎1 ∑ 𝑥𝑖 + 𝑎2 ∑ 𝑥𝑖 2 + ⋯ + 𝑎𝑚 ∑ 𝑥𝑖 𝑚 = ∑ 𝑦𝑖

𝑎0 ∑ 𝑥𝑖 + 𝑎1 ∑ 𝑥𝑖 2 + 𝑎2 ∑ 𝑥𝑖 3 + ⋯ + 𝑎𝑚 ∑ 𝑥𝑖 𝑚+1 = ∑ 𝑥𝑖 𝑦𝑖

𝑎0 ∑ 𝑥𝑖 2 + 𝑎1 ∑ 𝑥𝑖 3 + 𝑎2 ∑ 𝑥𝑖 4 + ⋯ + 𝑎𝑚 ∑ 𝑥𝑖 𝑚+2 = ∑ 𝑥𝑖 2 𝑦𝑖

……………………………………………………………………………………………

𝑎0 ∑ 𝑥𝑖 𝑚 + 𝑎1 ∑ 𝑥𝑖 𝑚+1 + 𝑎2 ∑ 𝑥𝑖 𝑚+2 + ⋯ + 𝑎𝑚 ∑ 𝑥𝑖 2𝑚 = ∑ 𝑥𝑖 𝑚 𝑦𝑖

en donde todas las sumas van desde i = 1 hasta n.

Nótese que las m+1 ecuaciones anteriores forman un sistema de ecuaciones
lineales con m+1 incógnitas, por lo tanto el problema de determinar un
polinomio de grado m con mínimos cuadrados es equivalente a resolver dicho
sistema.
El error en la regresión polinomial se puede cuantificar mediante el error
estándar de la aproximación:
𝑠𝑦 𝑆𝑟
⁄𝑥= √
𝑛−(𝑚+1)

donde m es el orden del polinomio. Téngase en cuenta que para un polinomio

de orden m necesitamos como mínimo m+2 datos.
Además del error estándar, se puede calcular el coeficiente de correlación de la
misma manera que en la regresión lineal:
𝑆𝑡 − 𝑆𝑟
𝑟2 = donde 𝑆𝑡 = ∑( 𝑦𝑖 − 𝑦̅ )2
𝑆𝑡
Ejemplo

Ajústese un polinomio de segundo orden a los datos de las dos primeras

columnas de la siguiente tabla:
𝑥𝑖 𝑦𝑖 ( 𝑦𝑖 − 𝑦̅)2 (𝑦𝑖 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 )2
0 2.1 544.44 0.14332
1 7.7 314.47 1.00286
2 13.6 140.03 1.08158
3 27.2 3.12 0.80491
4 40.9 239.22 0.61951
5 61.1 1272.11 0.09439
∑ 152.6 2513.39 3.74657

Solución
Un polinomio de segundo orden es de la forma: 𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2
Por lo tanto los coeficientes a calcular son: 𝑎0 , 𝑎1 , 𝑎2

m= 2 ∑ 𝑥𝑖 = 15 ∑ 𝑥𝑖 4 = 979
n =6 ∑ 𝑦𝑖 = 152.6 ∑ 𝑥𝑖 𝑦𝑖 = 585.6
𝑥̅ = 2.5 ∑ 𝑥𝑖 2 = 55 ∑ 𝑥𝑖 2 𝑦𝑖 = 2488.8
𝑦̅ = 25.433 ∑ 𝑥𝑖 3 = 225

Con estos datos armamos el sistema de ecuaciones:

6𝑎0 + 15 𝑎1 + 55 𝑎2 = 152.6
15 𝑎0 + 55 𝑎1 + 225 𝑎2 = 585.6
55 𝑎0 + 225 𝑎1 + 979 𝑎2 = 2488.8

Resolviendo este sistema con algunas de las técnicas ya estudiadas, Gauss-

Jordan o eliminación gaussiana por ejemplo, obtenenmos:
𝑎0 = 2.47857 𝑎1 = 2.35929 𝑎2 = 1.86071
La ecuación del polinomio de segundo orden en este caso es:
𝑦 = 2.47857 + 2.35929 𝑥 + 1.86071 𝑥 2
 3.74657
El error estándar de la aproximación: 𝑆𝑦⁄ = √ = 1.12
𝑥 6−3

2513.39−3.74657
El coeficiente de determinación es: 𝑟 2 = = 0.99851 lo cual
2513.39
implica que el 99 % del modelo es un ajuste correcto.

INTERPOLACIÓN

Con frecuencia es necesario estimar valores intermedios entre valores

conocidos. Dichos valores pueden ser obtenidos por tablas cuyos errores no
son significativos o bien de una función complicada a la cual se quiere
simplificar para su estudio.
El método más común empleado para este propósito es la interpolación
polinomial.
La fórmula general de un polinomio de n-ésimo orden es:
𝑓(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + … + 𝑎𝑛 𝑥 𝑛
Para n + 1 puntos, existe sólo un polinomio de n-ésimo orden que pasa por
dichos puntos, esto es, sólo hay una línea recta, polinomio de 1er. orden, que
pasa por dos puntos, así también sólo hay una parábola, polinomio de 2do.
orden, que conecta tres puntos y así sucesivamente.

POLINOMIOS DE INTERPOLACIÓN CON DIFERENCIAS DIVIDIDAS DE

NEWTON

Los polinomios de interpolación con diferencias divididas de Newton, entre

otros, es la forma más popular además de la más útil de obtener un polinomio
de interpolación.
INTERPOLACIÓN LINEAL
La forma más simple de interpolación es la de conectar dos puntos con una
línea recta.