Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESPE
MÉTODOS NUMÉRICOS
GRUPO 4
Integrantes:
Cedillo Kevin
Gallardo Marcela
León David
Ajuste de curvas
■ El ajuste curvas es encontrar una función que contenga una serie de datos
obtenidos de manera experimental.
Los ajustes de curva más utilizados son:
• Ajuste lineal
• Ajuste exponencial
• Ajuste logarítmico
• Ajuste potencial
• Ajuste polinomial
Preliminares
Media
■ La media aritmética 𝑦ത de una muestra se define como la suma de los datos 𝑦𝑖
dividida entre el número de datos 𝑛
σ𝑛𝑖=1 𝑦𝑖
𝑦ത = (1.1)
𝑛
Desviación estándar
■ Medida de dispersión más común para la muestra
𝑆𝑡
𝑆𝑦 = (1.2)
𝑛−1
■ 𝑆𝑡 es la suma total de los cuadrados de las diferencias entre los datos y la media, o
ത 2 (1.3)
𝑆𝑡 = (𝑦𝑖 − 𝑦)
[1]
Varianza
2 𝑆𝑡
𝑆𝑦 = (1.4)
𝑛−1
■ Otra fórmula para calcular la varianza:
(σ 𝑦𝑖 )2
σ 𝑦𝑖2 −
𝑆𝑦 2 = 𝑛
𝑛−1
■ Esta fórmula no requiere el cálculo previo de 𝑦ത
Coeficiente de variación
■ Tiene utilidad para cuantificar la dispersión de los datos. Es el cociente de la desviación
estándar entre la media. Suele ser expresado en porcentaje.
𝑆𝑦
𝑐. 𝑣 = ∙ 100% (1.5)
𝑦
[1]
Coeficiente de correlación
■ Es la relación de la covariancia y el producto de las desviaciones típicas de las
variables.
𝑆𝑥𝑦
𝑟= (1.6)
𝑆𝑥𝑥 ∙ 𝑆𝑦𝑦
ത 2
𝑆𝑦𝑦 = (𝑦𝑖 − 𝑦) (1.7)
𝑖=1
𝑆𝑥𝑦 = 𝑥𝑖 − 𝑥ҧ 𝑦𝑖 − 𝑦ത 1.9
𝑖=1
■ Condiciones de correlación
0.5 < 𝑟 < 1 Los datos tienen una correlación lineal positiva
Fig3. r = 1 Fig4. r = -1
Correlación no lineal No existe correlación
Fig5. r = 0 Fig6. r = 0
Homocedasticidad
■ Residuo proveniente de una
distribución normal
𝐸𝑖 = 𝑦𝑖 − 𝑦ത (1.10)
𝑉𝑎𝑟(𝐸𝑖 ) = 𝜎𝑖2 = 𝜎 2 𝜔𝑖
𝑛
𝜕𝑆𝑟
= −2 𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 ∙ 𝑥𝑖
𝜕𝑎0
𝑖=1
𝑛 𝑛 𝑛
0 = 𝑦𝑖 ∙ 𝑥𝑖 − 𝑎0 ∙ 𝑥𝑖 − 𝑎1 ∙ 𝑥𝑖2
𝑖=1 𝑖=1 𝑖=1 [4]
■ Ahora, si observamos que σ 𝑎0 = 𝑛 ∙ 𝑎0 , expresamos las ecuaciones como un
conjunto de dos ecuaciones lineales simultáneas, con dos incógnitas (𝑎0 𝑦 𝑎1 ):
𝑛𝑎0 + ( 𝑥𝑖 )𝑎1 = 𝑦𝑖 (2.3)
σ𝑛𝑖=1 𝑦𝑖
𝑦ത =
𝑛
ln( 𝑦) = ln 𝑎0 + 𝑎1 𝑥
y’ =ln( y ) 𝑎0 ’= ln(𝑎0 )
σ 𝑥 ln 𝑦 −y′ σ 𝑥
𝑎1 = σ 𝑥 2 −𝑥 σ 𝑥
𝑎0 = 𝑒 𝑦′−𝑎1𝑥 (𝟐. 𝟖)
(𝟐. 𝟏𝟎)
Ajuste potencial
■ Será aquella en la que la función de ajuste sea una función potencial del tipo:
y = 𝑎0 . Xb (𝟐. 𝟏𝟎)
■ Se puede trasformar en:
log y = log 𝑎0 + b log x
■ Considerando las nuevas variables v = log y u= log x resolveríamos la regresión
lineal entre ellas de forma que si el resultado fuera: v*= A +B u
que es la ecuación de una recta
v*= A +B u ~ Y= a+ b x ,
donde ahora A=log 𝑎0 . (𝟐. 𝟏𝟏)
El parámetro b del modelo potencial coincide con el coeficiente de regresión de la
recta ajustada a los datos transformados, Y 𝑎0 se obtiene mediante el antilog(A). [3]
Ejemplo:
■ Ajuste de una función potencial: 1.47 1.69 1.77 1.84 1.90
X=log(x) 1.0 1.30 1.60
7 9 8 5 3
x 10 20 30 40 50 60 70 80 0.12 0.18 0.22 0.25 0.28 0.30 0.32
y 1.06 1.33 1.52 1.68 1.81 1.91 2.01 2.11 Y=log(y) 0.025
4 2 5 8 1 3 4
Tabla1.Datos ejemplo función potencial Tabla2.Datos con reemplazo ejemplo función potencial
Y resolvemos
Los coeficientes encontrados 𝑎0 , 𝑎1 , 𝑎2 , 𝑎3 , … … . 𝑎𝑛+1 se remplazan en la ecuación
𝟐. 𝟏𝟐 y se obtiene la ecuación ajustada de forma polinómica.
𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑚 𝑥 𝑚 [3]
n/100 0 1 2 3 4 5 6 7 7.44
t(min) 0 4.03 8.12 14.23 20.33 27.1 34.53 42.63 46.43
■ Ejemplo
Ajuste lineal
𝑆𝑟 = (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2
𝑖=1
𝑠𝑟
𝑠𝑦/𝑥 = (3.1)
𝑛−2
Ajuste polinomial
𝑛
𝑆𝑟 = (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − ⋯ − 𝑎𝑚 𝑥 𝑚 )2
𝑖=1
𝑠𝑟
𝑠𝑦/𝑥 = (3.2)
𝑛 − (𝑚 + 1)
Ajuste exponencial
𝑒 2 = (y − y’)2
𝑛
■ [1] “Métodos Numéricos para Ingenieros” 1era ed. C. Chapra, R. P., Canale, Mexico
D.F: Mc Graw Hill 1998
■ [2] “Estadistica y Muestreo” 10 ed. C.M.Bencardino, Bogota, CO, ECOE 2012
■ [3] M.D Frías “Estadística, Modelos de regresión” Open Course Ware. España.ES.
2013
■ [4] “Métodos Numéricos para Ingenieros” 4era ed. C. Chapra, R. P., Canale, Mexico
D.F: Mc Graw Hill 2005