Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ajuste Curvas
Ajuste Curvas
INTERPOLACION
AJUSTE DE CURVAS
MOTIVACION:
- Es común que los datos se dan como valores discretos a lo
largo de un continuo. Sin embargo, se requiera la estimación de
un punto entre valores discretos.
- Se puede necesitar la versión simplificada de una función
complicada.
METODOS:
- Si los datos exhiben un grado significativo de error, la
estrategia será obtener una sola curva que represente la
tendencia general de los datos (Regresión por mínimos
cuadrados).
- Si los datos son muy precisos, el procedimiento será colocar
una curva o una serie de curvas que pasen por cada uno de
los puntos en forma discreta; usualmente estos datos
provienen de tablas (Tablas de termodinámica).
AJUSTE DE CURVAS
Métodos sin computadora para el ajuste de curvas.
El método más simple para ajustar una curva a los datos consiste en
ubicar los puntos y después trazar una curva que visualmente se
acerque a los datos. Aunque ésta es una operación válida cuando se
requiere una estimación rápida, los resultados son subjetivos de la
persona que dibuja la curva.
Por ejemplo, en la figura se muestran curvas trazadas a partir del
mismo conjunto de datos por tres ingenieros. El primero caracterizó
la tendencia general ascendente de los datos con una línea recta.
AJUSTE DE CURVAS
El segundo usó segmentos de línea recta o interpolación lineal
para unir los puntos. Si los valores se encuentran cercanos a ser
lineales, tal aproximación ofrece estimaciones que son
adecuadas en muchos cálculos de ingeniería. Si la relación es
altamente curvilínea o los datos están muy espaciados, es
posible introducir errores mediante esa interpolación lineal.
AJUSTE DE CURVAS
El tercer ingeniero utiliza curvas suaves para
tratar de capturar el serpenteado sugerido por
los datos.
AJUSTE DE CURVAS
Ajuste de curvas y práctica en ingeniería.
Se han encontrado dos tipos de aplicaciones en el ajuste de
datos experimentales: análisis de la tendencia y prueba de
hipótesis.
Análisis de la tendencia.- Representa el proceso de utilizar
el comportamiento de los datos para realizar predicciones.
En casos donde los datos son medidas de alta precisión, se
usan polinomios de interpolación. Los datos imprecisos se
analizan mediante una regresión por mínimos cuadrados.
Se utiliza para predecir o pronosticar valores de la variable
dependiente. Esto puede implicar una extrapolación más
allá de los límites de los datos observados o una
interpolación dentro del intervalo de los datos.
AJUSTE DE CURVAS
Ajuste de curvas y práctica en ingeniería.
Prueba de hipótesis.- Un modelo matemático
existente se compara con los datos obtenidos. Si se
desconocen los coeficientes del modelo, será
necesario determinar los valores que mejor se
ajusten a los datos observados. Por otro lado, si ya se
dispone de la estimación de los coeficientes del
modelo sería conveniente comparar los valores
predichos del modelo con los observados para
probar qué tan adecuado es el modelo. Con
frecuencia, se comparan modelos alternativos y se
elige “el mejor” considerando las observaciones
hechas en forma empírica.
REGRESION POR MINIMOS CUADRADOS
Cuando los datos tienen errores sustanciales, la interpolación
polinomial es inapropiada y puede dar resultados poco
satisfactorios cuando se utiliza para predecir valores intermedios.
Con frecuencia los datos experimentales son de este tipo. Por
ejemplo, en la figura ¨a¨ se muestran siete datos obtenidos
experimentalmente que presentan una variabilidad significativa.
Una inspección visual de esos datos sugiere una posible relación
entre y y x.
REGRESION POR MINIMOS CUADRADOS
Ahora, si un polinomio de interpolación de sexto grado se ajusta
a estos datos (figura b), pasará exactamente a través de todos los
puntos. Sin embargo, a causa de la variabilidad en los datos, la
curva oscila mucho en el intervalo entre los puntos. En particular,
los valores interpolados para x = 1.5 y x = 6.5 parecen estar
bastante más allá del rango sugerido por los datos.
REGRESION POR MINIMOS CUADRADOS
Una estrategia más apropiada en tales casos consiste en obtener
una función de aproximación que se ajuste a la forma o a la
tendencia general de los datos, sin coincidir necesariamente en
todos los puntos. La figura c ilustra cómo se utiliza una línea
recta para caracterizar de manera general la tendencia de los
datos sin pasar a través de algún punto específico.
REGRESION POR MINIMOS CUADRADOS
El ejemplo más simple de una aproximación por mínimos
cuadrados es ajustar una línea recta a un conjunto de
observaciones definidas por puntos: (x1, y1), (x2, y2),…, (xn, yn).
La expresión matemática para la línea recta es
y = a0 + a1x + e
Donde a0 y a1 son coeficientes que representan la intersección
con el eje y y la pendiente, respectivamente, e es el error, o
diferencia, entre el modelo y las observaciones. Al reordenar la
ecuación anterior:
e = y – a0 – a1x
REGRESION POR MINIMOS CUADRADOS
Criterio para un “mejor” ajuste.
Una estrategia para ajustar una “mejor” línea a través de los datos
será minimizar la suma de los errores residuales de todos los datos
disponibles, como sigue:
El coeficiente de correlación:
REGRESION POR MINIMOS CUADRADOS
De este modo, una gráfica de log y contra log x dará una línea recta
con pendiente β2 e intersección con el eje de las ordenadas log α2.
REGRESION POR MINIMOS CUADRADOS
• Figura b:
REGRESION POR MINIMOS CUADRADOS
Un tercer ejemplo de un modelo no lineal es la ecuación de razón del
crecimiento.-
De esta forma, una gráfica de 1/y contra 1/x será lineal, con pendiente β3
/ α3 y una intersección con el eje de las ordenadas 1/ α3 .
REGRESION POR MINIMOS CUADRADOS
Figura c:
REGRESION POR MINIMOS CUADRADOS
Problema.- Ajuste la ecuación a los datos de la siguiente
tabla mediante una transformación logarítmica de los datos.