Universidad de la Fuerzas Armadas

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

■ Desviación típica de la variable dependiente e independiente

𝑛

ത 2
𝑆𝑦𝑦 = ෍(𝑦𝑖 − 𝑦) (1.7)
𝑖=1

𝑆𝑥𝑥 = ෍(𝑥𝑖 − 𝑥)ҧ 2 (1.8)

𝑖=1
■ Fórmula para hallar el valor de la covarianza 𝑆𝑥𝑦.
𝑛

𝑆𝑥𝑦 = ෍ 𝑥𝑖 − 𝑥ҧ 𝑦𝑖 − 𝑦ത 1.9
𝑖=1

■ Condiciones de correlación

0.5 < 𝑟 < 1 Los datos tienen una correlación lineal positiva

−1 ≤ 𝑟 ≤ −0.5 Los datos tienen una correlación lineal negativa

𝑟=1 Los datos tienen una correlación positiva perfecta

𝑟 = −1 Los datos tienen una correlación negativa perfecta

𝑟=0 No existe correlación. [1]

Correlación positiva Correlación negativa

Fig1. 0.5 < 𝑟 < 1 Fig2. −1 ≤ 𝑟 ≤ −0.5

Correlación positiva perfecta Correlación negativa perfecta

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)

■ La variación del residuo es constante

para cada valor de x
𝑉𝑎𝑟(𝐸𝑖 ) = 𝜎 2 = 𝑐𝑡𝑒

Fig7. Gráfico Homocedasticidad

Heterocedasticidad
■ El residuo no permanece
constante para cada
valor de x

𝑉𝑎𝑟(𝐸𝑖 ) = 𝜎𝑖2 = 𝜎 2 𝜔𝑖

Fig8. Gráfico Heterocedasticidad

 Demostraciones Específicas
Ajuste lineal
■ Buscamos una función que se ajuste a una recta
𝑦 = 𝑚𝑥 + 𝑏
■ Obtenemos la recta para un conjunto de datos experimentales 𝑥1 , 𝑦1 , 𝑥2 , 𝑦2 ,
… , 𝑥𝑛 , 𝑦𝑛 .
𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝐸 (2.1)
■ 𝑎0 y 𝑎1 son coeficientes que representan la intersección con el eje de las abscisas y la
pendiente, respectivamente. 𝐸 es el error o residuo entre el modelo y los datos
experimentales, E se puede representar reordenando la ecuación:
𝐸 = 𝑦 − 𝑎0 − 𝑎1 𝑥
■ Una estrategia que obtiene un mejor ajuste de los puntos será minimizar la suma de los
cuadrados de los residuos entre la 𝑦 medida y la 𝑦 calculada con el modelo lineal
𝑛 𝑛 𝑛

𝑆𝑟 = ෍ 𝐸𝑖2 = ෍(𝑦𝑖,𝑚𝑒𝑑𝑖𝑑𝑎 − 𝑦𝑖,𝑚𝑜𝑑𝑒𝑙𝑜 )2 = ෍(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2 (2.2)

𝑖=1 𝑖=1 𝑖=1 [1]
■ Para determinar los valores de 𝑎0 y 𝑎1 , la ecuación (2.2) se deriva con respecto a
cada uno de los coeficientes:
𝑛
𝜕𝑆𝑟
= −2 ෍(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )
𝜕𝑎0
𝑖=1

𝑛
𝜕𝑆𝑟
= −2 ෍ 𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 ∙ 𝑥𝑖
𝜕𝑎0
𝑖=1

■ Igualamos las derivadas a 0 para encontrar un 𝑆𝑟 mínimo .

0 = σ𝑛𝑖=1 𝑦𝑖 − σ𝑛𝑖=1 𝑎0 − σ𝑛𝑖=1 𝑎1 ∙ 𝑥𝑖

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)

(෍ 𝑥𝑖 )𝑎0 + (෍ 𝑥𝑖2 )𝑎𝑖 = ෍ 𝑥𝑖 𝑦𝑖 (2.4)

■ Éstas se llaman ecuaciones normales, y se resuelven en forma simultánea

𝑛 σ 𝑥𝑖 𝑦𝑖 − σ 𝑥𝑖 σ 𝑦𝑖
𝑎1 = 2 2
(2.5)
σ σ
𝑛 𝑥𝑖 − ( 𝑥𝑖 )

■ Este resultado se utiliza conjuntamente con la ecuación (2.3) para obtener

𝑎0 = 𝑦ത + 𝑎1 𝑥ҧ (2.6)
■ Donde 𝑥,ҧ 𝑦ത son las medias de 𝑥,y respectivamente. [1]
 σ𝑛𝑖=1 𝑥𝑖
𝑥ҧ =
𝑛

σ𝑛𝑖=1 𝑦𝑖
𝑦ത =
𝑛

Fig9. Regresión lineal

 Ajuste exponencial
■ Se aplica cuando los datos poseen un crecimiento o decrecimiento geométrico
𝑦 = 𝑎0 𝑒 𝑎1𝑥 (𝟐. 𝟕)

ln( 𝑦) = ln 𝑎0 + 𝑎1 𝑥

Se realiza un cambio de variable de la forma:

y’ =ln( y ) 𝑎0 ’= ln(𝑎0 )

Con los cuales se puede expresar como función lineal

y’= 𝑎0 ′ + 𝑎1 𝑋 Fig10. Coeficiente de correlación modelo exponencial

Los valores de los coeficientes 𝑎0 y 𝑎1 se obtienen mediante :

σ 𝑥 ln 𝑦 −y′ σ 𝑥
𝑎1 = σ 𝑥 2 −𝑥 σ 𝑥
𝑎0 = 𝑒 𝑦′−𝑎1𝑥 (𝟐. 𝟖)

Estos valores encontrados se los remplaza en la ecuación (𝟐. 𝟕)

[2]
Fig11. Curva con ajustada exponencialmente
Ajuste logarítmico
■ Y = 𝑎0 +𝑎1 ln 𝑥 (𝟐. 𝟗)
■ Se calcula el logaritmo natural de los datos x
■ Se considera un cambio de variable para el calculo de la regresión para llevar a la
forma lineal
■ x’= ln(x)
■ Y = 𝑎0 +𝑎1 𝑥′
■ Los coeficientes 𝑎0 y 𝑎1 se obtienen de la siguiente forma.

(𝟐. 𝟏𝟎)

Fig12. Coeficientes para ajuste de curva logarítmica

 Curva logarítmica

Fig13. Coeficientes para ajuste de curva logarítmica

Estudiamos algunos ejemplos de ajuste a funciones no lineales; que se pueden transformar en
ajuste a una función lineal, mediante un cambio de variable

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

Fig14. Grafica datos tabla1

Fig15. Grafica datos tabla2
Ajuste polinomial

para un conjunto de datos experimentales 𝑥1 , 𝑦1 , 𝑥2 , 𝑦2 , … , 𝑥𝑛 , 𝑦𝑛 .

■ Existe una ecuación de una función polinomial
𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑚 𝑥 𝑚 (𝟐. 𝟏𝟐)
Una vez establecido la función a ajustar se determinan sus parámetros, en el caso de un
polinomio, serán los coeficientes del polinomio de modo que los datos experimentales se
desvíen lo menos posible de la fórmula empírica. La función más sencilla es la función
lineal y=ax+b
■ Queremos aproximar un polinomio de grado n, a un conjunto de m pares de datos (xj, yj)
de modo que n<m. Sea el polinomio. [3]
P(x)= 𝑎0 + a1xn+a2xn-1+...anx+an+1
■ Se calcula la cantidad
S=σ𝑚 𝑛 𝑛−1
𝑗=1(𝑎0 𝑥𝑗 + 𝑎1 𝑥𝑗 + ⋯ + 𝑎𝑛 𝑥𝑗 + 𝑎𝑛+1 )2 (𝟐. 𝟏𝟑)
■ Para obtener los valores de los coeficientes del polinomio aproximador se tienen
que determinar los valores de los coeficientes a1, a2, a3, ...an, an+1 de forma que la
cantidad S tome un valor mínimo.
■ Hagamos las derivadas parciales de S respecto de a1, a2, a3, ...an, an+1 iguales a
cero
1 𝛿𝑦
■ = σ𝑚 𝑛 𝑛−1
𝑗=1(𝑎0 𝑥𝑗 + 𝑎1 𝑥𝑗 + ⋯ + 𝑎𝑛 𝑥𝑗 + 𝑎𝑛+1 − 𝑦𝑗 ) 𝑥𝑗𝑛
2 𝛿𝑎0
1 𝛿𝑦
■ = σ𝑚 𝑛 𝑛−1
𝑗=1(𝑎0 𝑥𝑗 + 𝑎1 𝑥𝑗 + ⋯ + 𝑎𝑛 𝑥𝑗 + 𝑎𝑛+1 − 𝑦𝑗 ) 𝑥𝑗𝑛−1
2 𝛿𝑎1
⋮
1 𝛿𝑦
■ = σ𝑚 𝑛 𝑛−1
𝑗=1(𝑎0 𝑥𝑗 + 𝑎1 𝑥𝑗 + ⋯ + 𝑎𝑛 𝑥𝑗 + 𝑎𝑛+1 − 𝑦𝑗 ) 𝑥𝑗
2 𝛿𝑎𝑛
1 𝛿𝑦
■ = σ𝑚 𝑛 𝑛−1
𝑗=1(𝑎0 𝑥𝑗 + 𝑎1 𝑥𝑗 + ⋯ + 𝑎𝑛 𝑥𝑗 + 𝑎𝑛+1 − 𝑦𝑗 )
2 𝛿𝑎𝑛 +1
■ Escribimos el sistema de ecuaciones, en forma matricial
𝑥0𝑛 𝑥1𝑛 𝑥2𝑛 … 𝑥𝑚 𝑛 𝑥0𝑛 … 𝑥02 𝑥0 1 𝑎0
𝑥0𝑛−1 𝑥1𝑛−1 𝑥2𝑛−1 … 𝑥𝑚 𝑛−1 𝑥1𝑛 … 𝑥12 𝑥1 1 𝑎1
■ 𝑎2 =
𝑥0𝑛−2 𝑥1𝑛−2 𝑥2𝑛−2 … 𝑥𝑚 𝑛−2 𝑥2𝑛 … 𝑥22 𝑥2 1
⋱ ⋮ ⋱ ⋮ … ⋮ ⋮
⋮ ⋮ ⋮ ⋮
1 𝑥𝑚𝑛 … 𝑥𝑚 2 𝑥𝑚 1 𝑎𝑛+1
1 1 1 1

𝑥0𝑛 𝑥1𝑛 𝑥2𝑛 𝑛

… 𝑥𝑚 𝑦0
𝑥0𝑛−1 𝑥1𝑛−1 𝑥2𝑛−1 … 𝑥𝑚𝑛−1 𝑦1
■ … 𝑥 𝑛−2 𝑦2
𝑥0𝑛−2 𝑥1𝑛−2 𝑥2𝑛−2 𝑚
⋱ ⋮
⋮ ⋮ ⋮ ⋮
1 𝑦𝑚
1 1 1 1

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

Fig16: Gráfica ejemplo ajuste polinomial

 Teoría de errores
Error Estándar del Estimado
■ Estima el error para un 𝑦 correspondiente a un valor de 𝑥

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

෍ 𝑒𝑖2 = (𝑦𝑖 − 𝑦′𝑖 )2

𝑖=1
𝑛

෍ 𝑒𝑖2 = (𝑦𝑖 − 𝑎0 ′ − 𝑎1 𝑥𝑖 )2 (3.3)

𝑖=1 [3]
Correlación de Pearson
La correlación es una medida de regresión que pretende cuantificar el grado de variación conjunta entre
dos variables.
Por tanto, es una medida estadística que cuantifica la dependencia lineal entre dos variables

Fig17. Coeficiente de Pearson

es decir, si se representan en un diagrama de dispersión los valores que toman dos variables, el coeficiente
de correlación lineal señalará lo bien o lo mal que el conjunto de puntos representados se aproxima a una
recta. [2]
Valores que puede tomar la correlación
ρ = -1 Correlación perfecta negativa
ρ=0 No existe correlación
ρ = +1 Correlación perfecta positiva
Conclusiones
■ A partir de un conjunto de datos se puede obtener una expresión usando
regresiones lineales o No lineales para tratar de predecir otros valores.
■ De acuerdo a la tendencia de los puntos estos tendrán un tipo de regresión la cual
permitirá el mejor ajuste.
■ Las ecuaciones de una regresión obtenidas por diferentes modelos se pueden
comparar entre si con el error que generan para así elegir la indicada.
■ El coeficiente de Pearson es una medida que nos indica que tan bien se aproximan
los puntos a nuestro modelo de predicción obtenido con los datos que tenemos, de
igual manera se puede comparar el coeficiente de Pearson entre diferentes
modelos de regresión.
■ Para que una curva ajustada sea aceptable el coeficiente de Pearson debe estar
entre 0,75≤ ρ ≤ 1 ó - 0,75≤ ρ ≤ -1
Recomendaciones

■ Identificar si los datos tienen un tendencia lineal o no lineal para seleccionar el

modelo de regresión a utilizar.
■ Obtenido la ecuación del modelo luego de aplicar regresión calcular el coeficiente
de Pearson para cuantificar que tan bien se aproximan los puntos ala ecuación
obtenida.
■ Obtener la ecuación con otros modelos de regresión y coamaprar sus coeficientes
de Pearson, elegir la que tenga el coeficiente mas cercano a 1 ó -1
Bibliografía

■ [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