Departamento de Energtica y Mecnica e a

Materia: Mecnica Computacional a Tema: Ajuste de curvas

Profesor: Ediguer Enrique Franco*

7 de febrero de 2011

Tel. (57) 2 3188000 ext. 11324, email: eefranco@auo.edu.co

 Indice
1. Introduccin o 2. Media y desviacin estndar. o a 3. Regresin lineal o 3.1. Linealizacin de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 4. Regresin polinomial o 5. Regresin no lineal o 3 4 5 9 10 13

1.

Introduccin o

Un problema muy com n en ingenier y la ciencia en general es el ajuste de curvas a valu a ores obtenidos mediante experimentos o simulaciones numricas. Las funciones matemticas e a son una manera muy eciente y simple de sintetizar datos, una gran cantidad de datos obtenidos experimentalmente pueden reducirse a una funcin matemtica que contiene los o a resultados de una manera ms compacta y sirve para generar una curva que permite visua alizar el comportamiento del proceso analizado. Un ejemplo muy com n en ingenier mecnica es la calibracin de una celda de carga. u a a o Una celda de carga es un dispositivo que sirve para medir fuerza por medio de la variacin en o la resistencia elctrica, inducida por la deformacin, en un hilo conductor en espiral acoplado e o a la celda. Es bien conocido que este tipo de dispositivo presentan un comportamiento lineal en el rango de fuerzas para el cual fue dise ado. Sin embargo, inicialmente no se sabe a n que fuerza corresponde determinado valor de resistencia elctrica, en otras palabras, la celda e no est calibrada. La calibracin se hace cargando la celda con una fuerza bien conocida y a o midiendo la resistencia elctrica o la ca de voltaje correspondiente, este proceso se debe e da hacer para varias fuerzas que, preferiblemente, cubran todo el rango util. La tabla 1 muestra los resultados obtenidos en un proceso real de calibracin, donde varias cargas entre 0 y 125 o kgf fueron aplicadas a una celda de carga y fue medido el correspondiente voltaje a la salida del medidor. Estos resultados son la base de la calibracin de la celda de carga y es fcil o a ver que si recibimos una lectura en el medidor de 1 voltio, la carga correspondiente es 25 kgf. Sin embargo, si el valor de voltaje es intermedio tendremos que interpolar para hallar el resultado. Ajustar una funcin es una manera ms practica de representar los resultados. La gura o a 1 muestra grcamente los datos de la tabla 1, adems de la recta ajustada a los datos a a experimentales. Como sabemos, la recta es una funcin polinomial de grado 1, de la forma y = o a0 + a1 x. En este caso, la palabra ajustar signica encontrar los valores a0 y a1 de manera que le error entre los valores medidos y los proporcionados por la recta sea m nimo. La gura muestra la expresin del voltaje en funcin de la carga aplicada (V = 0,0242F + 0,4241), o o Cuadro 1: Datos obtenidos en la calibracin de una celda de carga o Carga aplicada (kgf) Voltaje medido (V) 0 0.4378 10 0.6774 25 0.9960 35 1.2517 50 1.6389 60 1.8528 75 2.2955 100 2.8243 125 3.4382

3.5 Datos experimentales 3 Recta ajustada

2.5

Voltaje (V)

V = 0,0242F + 0,4241
1.5

0.5

20

40

60 80 Fuerza (kg)

100

120

140

Figura 1: Grco de los datos experimentales y la recta ajustada. a sin embargo, en usos prcticos, lo que se necesita hallar es la fuerza equivalente al voltaje a mostrado por el medidor: F = 41,39V 17,55, (1) La ecuacin anterior es, claramente, una manera ms compacta y util de mostrar los resulo a tados. El presente documento pretende mostrar la importancia del ajuste de funciones, presentar algunas tcnicas bsicas y cmo emplear Matlab para solucionar este tipo de problemas. Estos e a o problemas de dividen en tres tipos: 1. Regresin lineal: cuando los datos son ajustados usando rectas. o 2. Regresin polinomial: cuando se usan polinomios de orden mayor que 1. o 3. Regresin no lineal: cuando los datos son ajustados usando otro tipos de funciones, o como exponenciales, trigonomtricas, etc. e

2.

Media y desviacin estndar. o a

En el ejemplo mostrado antes, para obtener la curva de calibracin fue realizada una leco tura del voltaje para cada carga aplicada. Sin embargo, por lo general la lectura obtenida no es unica, es decir, el valor le puede variar en un rango, adems, es posible que si retiramos do a

la carga y la colocamos nuevamente, el medidor va a mostrar otro valor ligeramente diferente. Entonces, existe cierta incertidumbre en la medida y para obtener un mejor resultado tomamos varias medidas. El clculo de la media y la desviacin estndar son la manera ms simple de analizar una a o a a serie de medidas. Si se tiene una serie de datos yi con i = 1,2,3,...n, donde n es el n mero u total de datos, la media aritmtica se dene como: e y=
n i=1

yi

(2)

La media reduce el conjunto completo de datos a un unico valor representativo. Este valor representativo en general est ms cerca del valor real medido. La desviacin estndar nos a a o a dice el nivel de dispersin de los datos medidos y est dado por: o a Sy = El trmino del numerador e St =
i=1 n n i=1 (yi

y )2

n (yi y )2

(3)

(4)

se llama suma total de los cuadrados alrededor de la media. Si los datos estn muy dispersos a Sy y St son grandes y si los datos estn agrupados en una regin peque a, Sy y St son a o n peque os. n Con la desviacin estndar ocurre lo mismo que con el error absoluto estudiado anteo a riormente, un mismo valor de desviacin estndar puede ser muy peque o o muy grande, o a n dependiendo del orden de la magnitud de los valores. Una desviacin estndar de 2 es muy o a diferente si la media de los datos es 5 o 100, en el primer caso la dispersin de los datos es o muy grande, en el segundo caso es peque a. Para tener en cuenta este fenmeno se dene el n o coeciente de variacin (cv), que es el cociente entre la desviacin estndar y la media: o o a cv = Sy 100 % y (5)

3.

Regresin lineal o

Sea un conjunto de datos (x1 ,y1 ), (x1 ,y1 ), ... (xn ,yn ) que se espera presentan comportamiento lineal, es decir, se ajusten a la recta y = a0 + a1 x + e (6)

donde a0 y a1 son los coecientes del polinomio de orden 1 y e es el error o residuo. Despejando e tenemos e = y (a0 + a1 x), (7)

entonces, el error o residuo es la discrepancia entre el valor verdadero (y) y el aproximado por la recta (a0 + a1 x). Lgicamente, el mejor ajuste ocurre cuando la suma de todos los o errores se hace m nima. Esto se llama criterio del mejor ajuste:
n n

min
i=1

ei = min
i=1

[y (a0 + a1 x)],

(8)

donde n es el n mero de puntos. La suma de los residuos cuantica el error del ajuste, sin u embargo, es de poca utilidad para hallar los coecientes a0 y a1 . Minimizar la suma de los residuos al cuadrado es una estrategia mucho ms util. a Sea n n Sr =
i=1

e2 = i
i=1

[y (a0 + a1 x)]2 ,

(9)

la suma de los residuos cuadrados. Para hallar los coecientes a0 y a1 derivamos Sr con respecto a cada coeciente: Sr a0 Sr a1
n

= 2
i=1 n

[yi (a0 + a1 x)] [yi (a0 + a1 x)]xi

i=1

= 2

e igualamos a cero para hallar el valor m nimo:

n n n

0 =
i=1 n

yi
i=1

a0
i=1 n

a1 xi
n

0 =
i=1

yi xi
i=1

a0 xi
i=1

a1 x2 i

como a0 y a1 son contantes y

n i=1

a0 = na0 , tenemos:
n n

(n)a0 +
n i=1 n

xi x2 i
i=1

a1 =
i=1 n

yi xi yi
i=1

(10) (11)

xi
i=1

a0 +

a1 =

Las ecuaciones (10) y (11) corresponden a un sistema lineal de dos ecuaciones y dos incgnitas. Solucionando para a1 se tiene: o a1 = n
n i=1

xi yi
n i=1

n i=1

xi
n i=1

x2 ( i 6

xi )

n i=1 2

yi

(12)

Conociendo el valor de a1 , podemos usar la la ecuacin (10) para hallar a0 : o a0 = 1 n

n

yi
i=1

1 n

xi
i=1

a1 (13)

a0 = y xa1 donde x y y son las medias de xi y yi , respectivamente. Ejemplo 1 Dado el conjunto de datos | x | 0 10 20 30 40 50 | |-----------------------------------| | y | 0,48 0,73 0,87 1,22 1,43 1,59 | el ajuste de una recta se hace de la siguiente manera: n=6
n

xi = 0 + 10 + 20 + 30 + 40 + 50 = 150
i=1 n

yi = 0,48 + 0,73 + 0,87 + 1,22 + 1,43 + 1,59 = 6,32

i=1 n

xi yi = 0 0,48 + 10 0,73 + 20 0,87 + 30 1,22 + 40 1,43 + 50 1,59 = 198,08

i=1 n

x2 = 02 + 102 + 202 + 302 + 402 + 502 = 5500 i

i=1

x= y= entonces: a1 =

150 = 25 n 6 n 6,32 i=1 yi = = 1,05 n 6 =

n i=1 xi

6(198,09) (150)(6,32) == 0,023 6(5500) 1502

a0 = y xa = 1,05 (0,023)25 = 0,475 y el resultado es: y = 0,475 + 0,023x. El siguiente grco muestra los datos y la recta ajustada. a

Datos 1.6 Recta ajustada (y=0,475+0,023x )

1.4

1.2 y 1 0.8 0.6 0.4 0

10

20 x

30

40

50

En el ajuste de funciones es importante cuanticar el error. Se dene entonces el coeciente de determinacin (r 2 ): o St Sr , (14) r2 = St donde St es la suma total de los cuadrados alrededor de la media (ecuacin (4)), y Sr la o suma de los residuos cuadrados (ecuacin (9)). o Cuando se tiene un ajuste perfecto Sr = 0 y r 2 = 1 y la recta ajustada reproduce con total exactitud los datos. Cuando r 2 = 0 no existe ning n tipo de ajuste. Por lo general, u para un buen ajuste, r 2 presenta un valor cercano a 1. Ejemplo 2 Para el ajuste realizado en el ejemplo 2: Sr = [0,48 (0,475 + 0,023 0)]2 + [0,73 (0,475 + 0,023 10)]2 + ... Sr = 0,0108 St = (0,48 1,05)2 + (0,73 1,05)2 + (0,87 1,05)2 + ... = 0,930 r2 = 0,930 0,0108 = 0,989. 0,930 (15)

Se puede ver que r 2 es muy cercano a 1, esto permite concluir que el ajuste de los datos es aceptable. 8

3.1.

Linealizacin de funciones o

Algunas funciones, como exponenciales y logar tmicas, se pueden linealizar para ajustarlas usando regresin lineal. Por ejemplo, la exponencial o y = a1 eb1 x , (16)

para a1 y b1 constantes, se linealiza aplicando logaritmo natural a ambos lados de la ecuacin: o ln(y) = ln a1 eb1 x = ln(a1 ) + b1 xln(e) = ln(a1 ) + b1 x

(17)

y un grco de ln(y) en funcin de x es una recta que puede ser ajustada fcilmente por a o a regresin lineal. o Otro ejemplo importante es el caso de la funcin o y = a2 xb2 , (18)

para a2 y b2 constantes. Esta funcin potencia se linealiza aplicando logaritmo en base 10 a o ambos lados: log10 (y) = log10 (a2 ) + log10 xb2 = ln(a1 ) + b2 log10 (x) y un grco de log10 (y) en funcin de log10 (x) es una recta. a o Ejemplo 3 Los siguientes datos | x | 0,4 0,8 1,2 1,6 2,0 2,3 | |----------------------------------| | y | 750 1000 1400 2000 2700 3750 | deben se ajustados usando la funcin exponencial y = a1 eb1 x . o Para usar la ecuacin (17) primero se debe calcular el logaritmo natural de y: o | ln(y) | 6,62 6,91 7,24 7,60 7,90 8,23 | y luego se aplica la regresin lineal al conjunto de datos (xi ,ln(yi )), as o : n=6
n i=1 n i=1

(19)

xi = 8,3

n i=1

ln(yi ) = 44,50

x2 = 14,09 i

n i=1

xi ln(yi ) = 63,76 x = 1,38

ln(y) = 7,418

entonces: a1 =

6(63,76) (8,3)(44,50) = 0,844 6(14,09) 8,32

a0 = 7,418 + (0,844)(1,38) = 6,253. Substituyendo los resultados en la ecuacin (17) se tiene: o ln(y) = 6,253 + 0,844x. y el resultado nal es: eln(y) = e(6,253+0,844x) y = e6,253 e0,844x y = 519,57e0,844x El siguiente grco muestra los datos y la exponencial ajustada. a
4000 Datos 3500 Exp. ajustada (y=519,57e0,844x)

3000

2500 y 2000 1500 1000 500

0.5

1 x

1.5

2.5

4.

Regresin polinomial o

En muchos casos los datos no pueden ser representados por una recta, siendo una curva la mejor opcin. Funciones polinomiales de orden mayor o igual que 2 son una buena opcin. o o Suponga que un conjunto de datos debe ser ajustado usando un polinomio de orden 2 10

(cuadrtica): a y = a0 + a1 x + a2 x2 , donde a0 , a1 y a2 son constantes. Pare este caso, la suma de los residuos cuadrados es
n

(20)

Sr =
i=1

[yi (a0 + a1 x + a2 x2 )]2 .

(21)

Usando el mismo procedimiento usado en la regresin lineal, se tiene: o Sr a0 Sr a1 Sr a2

n

= 2
i=1 n

[yi (a0 + a1 x + a2 x2 )] [yi (a0 + a1 x + a2 x2 )]xi

i=1 n

= 2 = 2
i=1

[yi (a0 + a1 x + a2 x2 )]x2 i

que igualadas a cero conducen al siguiente sistema de ecuaciones lineales:

n n n

(n)a0 +
n i=1 n

xi x2 i
i=1 n

a1 +
i=1 n

x2 i x3 i
i=1 n

a2 =
i=1 n

yi xi yi
i=1 n

xi
i=1 n

a0 + a0 +
i=1

a1 + a1 +
i=1

a2 = a2 =
i=1

x2 i
i=1

x3 i

x4 i

x2 yi i

nalmente, su representacin en forma matricial ms compacta es o a n n n 2 a0 n i=1 yi i=1 xi i=1 xi n n n n x3 a1 = x2 xi i=1 i i=1 i i=1 i=1 xi yi n n n n 4 3 2 2 a2 i=1 xi i=1 xi i=1 xi i=1 xi yi

(22)

Ejemplo 4 Ajustar una cuadrtica al siguiente conjunto de datos: a | x | 0,075 0,50 1,00 1,20 1,70 2,00 2,3 | |-----------------------------------------| | y | 600 800 1200 1400 2050 2650 3750 | Primero se calculan los trminos de la ecuacin (22): e o

11

n=7
n i=1 n i=1

n i=1

xi = 8,775 x4 = 55,472 i x2 yi = 39781 i

n i=1 n i=1

x2 = 14,876 i yi = 12450

x3 = 27,933 i xi yi = 20735

n i=1 n i=1

al sustituir tenemos

entonces, la cuadrtica que se ajusta a los datos es a

La solucin de la ecuacin anterior es o o a0 684,15 a1 = 216,39 , a2 642,63

7 8,775 14,876 a0 12450 8,775 14,876 27,933 a1 = 20735 . 14,876 27,933 55,472 a2 39781

y = 684,15 216,39x + 642,63x2 . El siguiente grco muestra los datos y la cuadrtica ajustada. a a
4000 Datos 3500 Cuadratica ajustada

3000

2500 y 2000 1500 1000 500

0.5

1 x

1.5

2.5

12

Analizando de la ecuacin (22), es fcil ver que el resultado obtenido para la cuadrtica o a a se puede generalizar para un polinomio de grado n. Si (xi ,yi ) es un conjunto de datos que debe ser ajustado por el polinomio de orden n y = a0 + a1 x + a2 x2 + a3 x3 + + an xn , los coecientes a0 , a1 , a2 , ... an pueden n n 2 n i=1 xi i=1 xi n n n 2 3 i=1 xi i=1 xi i=1 xi . . . . . . . . . n n n n+1 n+2 n i=1 xi i=1 xi i=1 xi (23)

Se puede ver que para ajustar un polinomio de orden n de necesitan n + 1 ecuaciones, una para cada coeciente.

calcularse por medio de la siguiente ecuacin: o n n n a0 i=1 yi i=1 xi n n n+1 xi yi xi a1 i=1 i=1 (24) = . . . .. . . . . . . . n n n 2n an i=1 xi yi i=1 xi

5.

Regresin no lineal o

Existen casos en ingenier donde los datos debes ser ajustados a funciones no lineales a diferentes a polinomios de grado elevado. Por ejemplo, la funcin o f (x) = a0 (1 ea1 x ) (25)

aparece en muchos problemas y no es posible linealizarla para aplicar la regresin lineal. o Este tipo de problemas son ms avanzados y no va a ser analizados aqu Sin embargo, a . se va a explicar la menara de emplear el algoritmo que Matlab tiene implementado para realizar esta tarea.

13

Bibliograf a
1. S. C. Chapra, R. P. Canale, Numerical Methods for Engineers, third edition, McGrawHill,1998. 2. MS. Yakowitz, F. Szidarowsky, An Introduction to Numerical Computations, secod edition, Macmillan Publishing Company, 1989. 3. Mathworld, Wolfram Reaserch Inc., (URL: http://mathworld.wolfram.com/).

14