Documentos de Académico
Documentos de Profesional
Documentos de Cultura
06 - Ajuste de Curvas 2016-1
06 - Ajuste de Curvas 2016-1
Recta: y ax b
Parábola: y ax 2 bx c
Exponencial: y a b x
Métodos de mínimos cuadrados
Consideremos los siguientes puntos (xi,yi), i=1,2,… n. Queremos
construir una función f(x) que los puntos (xi,F(xi)), con i=1,2,… n casi
coincidan con los puntos anteriores.
Denotando Di las desviaciones
S= ΣDi2 con i=1,2,… n.
Si S=0 entonces Di son iguales a cero y tendríamos que F pasa por
todos los puntos experimentales.
La minimización del sumatorio de las desviaciones cuadradas es el
mejor enfoque que generalmente se ha utilizado para encontrar las
curvas o las funciones que mejor se ajustan a determinados datos
𝐷 = 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛
y: ordenada de la curva de ajuste
ฎ
𝑦 :ordenada del dato original
Desviación
Métodos de mínimos cuadrados
S
2(b ax1 y1 ) ... (b axn yn ) 0
b
S
2(b x1 y1 ) x1 ... (b xn yn ) xn 0
a
Métodos de mínimos cuadrados
Donde: nb a xi yi 0
b xi a xi xi yi 0
2
a
(x x) yi i
(x x) i
2
b y ax
Regresión Lineal
Se basa en la siguiente expresión matemática, que
relaciona dos variables, sea Y, la variable dependiente y X,
la variable independiente, de la siguiente manera:
y ax b
b
y a x
; a
n xy x y
n x 2 x
2
n
Resumen de Ajuste Lineal de Tendencia
con Regresión Lineal de Mínimos Cuadrados
y = ax+b
donde, b = ordenada origen
a = pendiente
x = variable independiente
y = estimación de la variable dependiente
xi - x )yi
a =
xi- x) 2
b=y-ax
donde,
n = número de mediciones
x = x , valor medio x
n
y = y , valor medio y
n
Ajuste Lineal de Tendencia con Mínimos Cuadrados
Ejemplo:
x y xy x2
78
1 37 37 1 x 6.5
2 40 80 4 12
3 41 123 9 557
y 46.42
4 37 148 16 12
5 45 225 25
6 50 300 36 a xy n x y
3,867 (12)(6.5)(46.42)
1.7
650 12(6.5) 2
7
8
43
47
301
376
49
64
x n( x )
2 2
9 56 504 81 b y a x 46.42 (1.72)(6.5) 35.2
10 52 520 100 y 35.2 1.72 x
11 55 605 121
12 54 648 144
78 557 3867 650 y(13) 35.2 1.72(13) 57.56
Línea de Tendencia Lineal : Ejemplo
60
Título del gráfico
50
40
Título del eje y
y = 1.7238x + 35.212
R² = 0.8034
30
20
10
0
0 2 4 6 8 10 12 14
Título del eje x
Regresión Potencial
y ax b
Y A BX CX 2
Donde:
Y = Estimación de la variable dependiente
A,B,C = constantes numéricas
X = Valores de la variable independiente
Los valores “A”, ”B” y ”C” se encuentran
resolviendo un sistema de tres
ecuaciones con tres incógnitas.
Regresión Parabólica o Curva Cuadrática
nA B XC X2 Y
A XB
X2 C XY
X3
A X B X C X X
2 3 4 2
Y
14
12
y = -0.1547x2 + 2.5817x - 0.7662
R² = 0.7251
10
0
0 2 4 6 8 10