Universidad Autónoma de Baja California Apuntes

Facultad de Ciencias Químicas e Ingeniería Unidad 3

Unidad III. Ajuste de curvas.

Competencia: Realizar una aproximación polinomial y funcional, aplicando y programando
métodos de ajuste de curvas a puntos discretos, para resolver problemáticas de ciencias de la ingeniería,
de manera responsable y creativa.

Introducción.
En ocasiones tenemos un conjunto de valores que medimos en un sistema y nos interesa predecir un
determinado punto que tome en cuenta los valores ya medidos o simplemente tenemos una función
muy complicada en nuestro sistema y tenemos solamente un intervalo de interés donde nos gustaría
tener una versión simplificada de la función. En ambos casos lo que se utiliza es el ajuste de curvas.

El ajuste de curvas se divide principalmente en dos tipos de métodos generales:

a) Interpolación: Si los datos que tenemos son muy precisos, el procedimiento sera colocar una curva
o una serie de curvas que pasen por todos los puntos.

b) Regresión por mínimos cuadrados: Se utiliza cuando los datos tienen un error significante y la
idea es tener una curva que represente el comportamiento general de los datos.

Programación y Métodos Numéricos Marco Cabrera Ver. 0.1 2020-1

Universidad Autónoma de Baja California Apuntes
Facultad de Ciencias Químicas e Ingeniería Unidad 3

El método mas utilizado para interpolar es utilizando polinomios, de tal forma que obtendremos una
función del tipo:

f (x)=a 0 +a 1 x +a2 x2 +...+a n x n

Dados n+1 puntos, solo existe un polinomio de grado n que pasara por todos los puntos.

La interpolación polinomio consiste en encontrar un polinomio de grado n que satisfaga n+1 puntos.
Una vez teniendo este polinomio podemos calcular valores intermedios de los valores que ya
conocemos.

Existen varias formas matemáticas de como expresar este polinomio de n-ésimo grado que se ajusta a
los n+1 puntos, en esta unidad veremos dos que se adecúan a su implementación computacional. El
polinomio de Newton y el Polinomio de Lagrange.

Interpolación lineal.
La forma mas simple de interpolación es unir dos puntos con una linea recta. Para obtener la formula
para una interpolación lineal se utilizan triángulos semejantes y así obtenemos lo siguiente:

f 1 ( x )−f ( x 0 ) f ( x 1)−f ( x 0 )
= Resultando finalmente en:
x−x 0 x 1−x 0
f ( x 1 )−f (x 0 )
f 1 ( x )=f ( x 0 )+ ( x− x 0 )
x 1 −x 0
Programación y Métodos Numéricos Marco Cabrera Ver. 0.1 2020-1
Universidad Autónoma de Baja California Apuntes
Facultad de Ciencias Químicas e Ingeniería Unidad 3

Con la función anterior podemos determinar cualquier punto intermedio entre los dos puntos dados
sobre la linea recta que se puede apreciar en la imagen.

Interpolación cuadrática.
Cuando contamos con 3 puntos podemos realizar una aproximación mas adecuada trazando una curva a
diferencia de una linea recta, y esto lo podemos realizar utilizando un polinomio de segundo grado.

Utilizando la siguiente forma:

f 2 (x)=b0 +b1 (x−x 0 )+b2 (x−x 0 )(x−x 1)

La cual aparentemente es diferente de la forma del polinomio general pero si multiplicamos y
agrupamos los términos llegaremos a la forma: f 2(x )=a 0+ a1 x +a 2 x 2

Despejando obtenemos las siguientes formulas para: b0 , b1 y b 2

b 0=f ( x 0 )
f ( x 1 )−f (x 0 )
b1 =
x 1−x 0
f ( x 2)−f ( x 1 ) f ( x 1 )−f ( x 0 )
−
x 2−x 1 x 1− x 0
b2 =
x 2−x 0
Programación y Métodos Numéricos Marco Cabrera Ver. 0.1 2020-1
Universidad Autónoma de Baja California Apuntes
Facultad de Ciencias Químicas e Ingeniería Unidad 3

3.1. Interpolación de Newton (Teórica).

La forma utilizada para la interpolación cuadrática se puede generalizar para ajustar un polinomio de n-
ésimo grado para n +1 datos, el cual quedaría de la siguiente manera:
f n ( x)=b0 +b1 (x− x 0 )+...+bn ( x−x 0 )( x− x 1 )...( x− x n−1 )
Los coeficientes estarían evaluados de la siguiente manera:
b 0=f ( x 0 )
b1 =f [ x 1 , x 0 ]
b2 =f [ x 2 , x 1 , x 0 ]
.
.
.
b n=f [ x n , x n−1 ... , x 1 , x 0 ]
Donde el calculo para obtener b1 en adelante, se denomina como las diferencias divididas, de modo
tal que la primer diferencia dividida queda como:
f ( x i )−f ( x j )
f [ x i , x j ]=
x i −x j
La segunda diferencia dividida quedaría de la siguiente manera:
f [ x i , x j ]−f [ x j , x k ]
f [ x i , x j , x k ]=
x i −x k
La n-ésima diferencia dividida seria:
f [ x n , x n−1 ,... , x 1 ]−f [ x n−1 , x n−2 ,... , x 0 ]
f [ x n , x n−1 ,... , x 1 , x 0 ]=
x n−x 0
una vez que obtenemos los coeficientes con estas diferencias divididas se sustituyen en la forma
general del polinomio para obtener nuestra función, de tal manera que para obtener el polinomio de
interpolación general de diferencias divididas o mejor conocido como el polinomio de interpolación de
Newton, tenemos la siguiente formula:
f n ( x)=f ( x 0 )+( x−x 0 ) f [ x 1 , x 0 ]+( x−x 0 )(x− x 1 ) f [ x 2 , x 1 , x 0 ]
+...+( x− x 0 )( x−x 1 )...( x−x n−1 ) f [ x n , x n−1 ,... , x 0 ]
Programación y Métodos Numéricos Marco Cabrera Ver. 0.1 2020-1
Universidad Autónoma de Baja California Apuntes
Facultad de Ciencias Químicas e Ingeniería Unidad 3
3.2. Fórmula de interpolación de Lagrange (Implementación estructurada).
El polinomio de interpolación de Lagrange es una reformulación del polinomio de Newton que evita el
calculo de las diferencias divididas, quedando expresado de la siguiente manera:
n
f n ( x)=∑ Li ( x ) f ( x i )
i=0
donde
n
x−x j
Li (x)=∏
j=0 x i−x j
j≠i
donde ∏ designa el “producto de”.

La versión lineal (n=1) es:

x− x 1 x− x 0
f 1 ( x )= f ( x 0 )+ f (x 1 )
x 0 −x 1 x 1 −x 0
La versión de segundo grado es:
( x−x 1 )( x−x 2 ) ( x−x 0 )(x−x 2 )
f 2 (x )= f ( x 0 )+ f (x 1 )
( x 0 −x 1 )( x 0−x 2 ) ( x 1 −x 0 )(x 1−x 2 )
( x−x 0 )( x−x 1 )
+ f ( x2)
(x 2−x 0 )( x 2 −x 1 )
El razonamiento detrás de la formula de Lagrange se basa en que cada termino Li ( x) sera 1 en
x=x i y 0 en todos los otros puntos. De tal manera que cada producto Li ( x)f (x i ) toma el valor de
f (xi ) en el punto x i . Así que la sumatoria de todos los productos de la ecuación es el único
polinomio de n-ésimo grado que pasa exactamente a través de todos los n+1 puntos que se tienen como
datos.

Esto se aprecia en la siguiente figura:

Programación y Métodos Numéricos Marco Cabrera Ver. 0.1 2020-1

Universidad Autónoma de Baja California Apuntes
Facultad de Ciencias Químicas e Ingeniería Unidad 3

Seudocódigo de la interpolación de Lagrange. Para calcular una predicción de n-esimo grado.

Programación y Métodos Numéricos Marco Cabrera Ver. 0.1 2020-1

Universidad Autónoma de Baja California Apuntes
Facultad de Ciencias Químicas e Ingeniería Unidad 3

3.3. Regresión lineal por mínimos cuadrados (Implementación estructurada).

Cuando el error en los datos es significativo, la interpolación polinomial no es adecuada, ya que nos
puede arrojar resultados desfavorables.

La mayor parte del tiempo cuando estamos experimentando, los datos que obtenemos no son precisos,
y en estas situaciones es mas conveniente obtener una función que se ajuste a la forma o tendencia de
los datos, sin tener que coincidir exactamente con los datos.

Para obtener esta función con un criterio objetivo, se utiliza una curva que minimiza la discrepancia
entre los puntos y la curva, y a esta técnica se se le conoce como regresión por mínimos cuadrados.

La siguiente figura ilustra las discrepancias que podemos obtener si utilizamos una interpolación
polinomial cuando tenemos datos con errores significativos.

Como podemos observar utilizando la interpolación polinomial puede llevarnos a una oscilación
bastante significativa que puede interpretarse como aproximaciones con un error aun mayor del que ya
tenemos en los datos.

La forma mas simple de hacer una aproximación por mínimos cuadrados es usando una linea recta que
se ajuste a los valores que tenemos.

De tal manera que obtenemos una función de este tipo: y=a 0 +a1 x+e
donde a0 y a1 son coeficientes que representan la intersección con el eje Y y la pendiente,
respectivamente, e es el error, el cual se representa de la siguiente manera después de despejar:

e= y−a0 −a1 x
De tal forma el error es la discrepancia entre el valor verdadero de Y y el valor aproximado que se
predijo en la ecuacion lineal ( a0 + a1 ).

Programación y Métodos Numéricos Marco Cabrera Ver. 0.1 2020-1

Universidad Autónoma de Baja California Apuntes
Facultad de Ciencias Químicas e Ingeniería Unidad 3

Existen varios criterios para ajustar la función a los datos pero el que supera a estos para determinar el
mejor ajuste es minimizar la suma de los cuadrados de los residuos entre la y medida y la y calculada
con el modelo lineal.

Donde los coeficientes se calculan con las siguientes ecuaciones:

donde y y x testadas son las medias de y y x, respectivamente.

Abajo se presenta el seudocódigo para la regresión lineal donde se calcula el coeficiente de correlación.

Programación y Métodos Numéricos Marco Cabrera Ver. 0.1 2020-1

Universidad Autónoma de Baja California Apuntes
Facultad de Ciencias Químicas e Ingeniería Unidad 3

3.3.1. Regresión exponencial (Implementación estructurada).

En muchas ocasiones la forma que se ajusta a nuestros datos no necesariamente es una linea recta, si no
lo que mejor se ajusta es una curva como lo muestra la siguiente figura:

En el caso que muestra la figura los datos se ajustan mas a una parábola que a una linea recta. En
general, en algunos casos se requerirán técnicas de regresión polinomial y en otros casos se pueden
utilizar transformaciones para expresar los datos en una linea recta compatible.

En la siguiente figura se muestran 3 ecuaciones que pueden ser linearizadas.

Programación y Métodos Numéricos Marco Cabrera Ver. 0.1 2020-1

Universidad Autónoma de Baja California Apuntes
Facultad de Ciencias Químicas e Ingeniería Unidad 3

Donde,
a) Ecuación Exponencial b) Ecuación de potencias c)Ecuación de razón de crecimiento.
d) Exponencial linearizada e) De potencias Linearizada f) Razón de crecimiento linearizada

β1x
El modelo exponencial dado por y=α 1 e es un ejemplo de uno de los que pueden ser
linearizados donde α 1 y β 1 son constantes. En la ingeniería se emplea este modelo para caracterizar
cantidades que aumentan y disminuyen cuando la constante β 1 es positiva y negativa
respectivamente, a una velocidad que es directamente proporcional a sus propias magnitudes. Un
ejemplo de un comportamiento de esta naturaleza es el crecimiento de la población.

Utilizando manipulaciones matemáticas podemos transformar la ecuación exponencial a una forma

lineal, para después utilizar la regresión lineal simple para ajustar la ecuación a los datos.

De tal forma que aplicando logaritmo natural a la ecuación exponencial obtendremos:

ln y=ln α 1 + β 1 x ln e→ln y=ln α 1 + β 1 x

Una vez en este estado transformado ( ln y=ln α 1+ β 1 x ) de la ecuación exponencial, se puede usar
la regresión lineal para evaluar los coeficientes constantes y después regresarse a su estado original
para los fines predictivos. Puesto que la ecuación queda en forma de ecuación de una recta (
y=(intercepcion)+( pendiente) x ) .

De tal modo que si tenemos datos que se ajustan a una función exponencial, lo primero que hacemos
es, aplicarle logaritmo natural a los valores de y solamente, debido a que los valores de x como se
muestra en la ecuación se observa que solo esta β x de tal modo que los elementos de x no se le debe
aplicar ln, y una vez que realizamos esto, utilizamos las formulas de la regresión lineal para calcular los
coeficientes ( a0 y a1 ) que corresponden a ( α 1 y β 1 ) en la linealización de la función exponencial
(la formula antes mencionada que se le aplica el logaritmo natural para dejarla en formato de linea
recta) y por ultimo aplicamos el inverso de logaritmo natural (e) para definir la función exponencial
que se ajusta a los datos y que nos quede la función en el formato exponencial del tipo:
β1x
y=α 1 e

Programación y Métodos Numéricos Marco Cabrera Ver. 0.1 2020-1