Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Grupo H1 – J1
Métodos Numéricos
Grupo H1 – J1
1er. Semestre de 2022
yerfamar@correo.uis.edu.co
@YerlyFMartinez
AJUSTE DE CURVAS
En ingeniería, son numerosos los procesos cuyos resultados son datos obtenidos a partir de mediciones
(u observaciones). Estos datos son normalmente limitados. Por esta razón, se emplean técnicas de
AJUSTE DE CURVAS para obtener una función que permita estimar valores no-medidos (en el rango
de las observaciones)
𝑦
𝑦 ∗= 𝑓 ( 𝑥 )
𝑦𝑖∗
𝑟 𝑖 =| 𝑦 𝑖 − 𝑦 𝑖 |
∗
𝑦𝑖
Medido
Ajustado
𝑥
REGRESIÓN LINEAL
El ejemplo más simple de una aproximación por mínimos cuadrados es ajustar una
línea recta a un conjunto de observaciones definidas por puntos: (), (),…,
(). La expresión matemática para la línea recta es:
𝑦𝑖∗
𝒏𝒏𝒏 𝒏
𝑟 𝑖 =| 𝑦 𝑖 − 𝑦 𝑖 ∗|
𝑺𝑺𝑺𝒓𝒓==∑
𝒓= ∑∑𝒓((𝒚𝒚 =−−∑(𝒂𝟎𝟎(−+𝒂
𝟐
𝒊 𝒊𝒊 𝒊𝒊
∗𝟐𝟐𝟐
𝒚 𝒂𝒊 −𝟏 𝒙𝒚𝒙 ) )
𝑦𝑖
𝒊=𝟏
𝒊=𝟏
𝒊=𝟏 𝒊=𝟏
Medido
Ajustado
𝑥
REGRESIÓN LINEAL
Para determinar los valores de y , la ecuación (1) se deriva con respecto a cada uno de los coeficientes:
𝑛
𝑆𝑟 =∑ ( 𝑦 𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2 (1)
𝑖=1
REGRESIÓN LINEAL
Para determinar los valores de y , la ecuación (1) se deriva con respecto a cada uno de los coeficientes:
𝑛
𝑆𝑟 =∑ ( 𝑦 𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2 (1)
𝑖=1
[ 𝑛
∑ 𝑥𝑖 ]{ } { }
∑ 𝑥 𝑖 𝑎0 = ∑ 𝑦 𝑖
∑ 𝑥𝑖 𝑎1 ∑ 𝑥𝑖 𝑦𝑖
2
Ecuaciones
Normales
REGRESIÓN LINEAL
𝑛 𝑛
𝑆𝑟 =∑ 𝑒𝑖 =¿ ∑ ( 𝑦 𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 ) ¿
2 2
𝑖=1 𝑖=1
Utilice el método de mínimos cuadrados para ajustar a una línea recta las parejas de datos:
La regresión lineal ofrece una poderosa técnica para ajustar una mejor línea a los datos. Sin embargo, se
considera el hecho de que la relación entre las variables dependiente e independiente es lineal. Éste
no es siempre el caso, y el primer paso en cualquier análisis de regresión deberá ser graficar e
inspeccionar los datos en forma visual, para asegurarnos que sea posible usar un modelo lineal.
AJUSTE DE CURVAS
𝑦 𝑦 𝑦
𝑎1 𝑥 𝑎1
𝑦 =𝑎 𝑜 𝑒 𝑦 =𝑎 𝑜 𝑥
𝑥
𝑦 =𝑎 𝑜
𝑎 1 +𝑥
𝑥 𝑥 𝑥
𝑙𝑛 ( 𝑦 ) 𝑙𝑜𝑔 ( 𝑦 ) 1
𝑦
𝑦 =𝑙 𝑜𝑔 ( 𝑎 𝑜 ) +𝑎 1 𝑥
𝑦 =𝑙𝑛 ( 𝑎 𝑜 ) +𝑎 1 𝑥 1 𝑎1
𝑦= + 𝑥
𝑎 𝑜 𝑎𝑜
𝑥 𝑙𝑜𝑔 ( 𝑥 ) 1
𝑥
𝑎1 𝑥
Para una ecuación exponencial: 𝑦 =𝑎 𝑜 𝑒
Así, una gráfica de contra dará una línea recta con una pendiente y una intersección con el eje
de las ordenadas igual a
REGRESIÓN LINEAL
Así, una gráfica de contra dará una línea recta con una pendiente y una intersección con el eje
de las ordenadas igual a
𝑥
Para una ecuación de razón de crecimiento: 𝑦 =𝑎 𝑜
𝑎 1 +𝑥
Se linealiza al invertirla: 1 𝑎1 1 1
= ∗ +
𝑦 𝑎 0 𝑥 𝑎0
Así, una gráfica de contra dará una línea recta con una pendiente y una intersección con el eje
de las ordenadas igual a
REGRESIÓN LINEAL
PROBLEMA 1
Ajuste la ecuación 𝑦 =𝑎 𝑜a𝑥los
𝑎1
datos de la siguiente tabla:
Intercepto = -0,3
Pendiente =
Gráfica de datos no
transformados
𝒂 𝟏=𝟏 , 𝟕𝟓
Gráfica
de datos transformados 𝐲 =𝟎 , 𝟓 𝒙 𝟏 ,𝟕𝟓
REGRESIÓN LINEAL
PROBLEMA 2
Utilice el método de mínimos cuadrados para ajustar a una línea recta, una función exponencial y una
función potencial las parejas de datos:
Determine el coeficiente de determinación, en cada caso, y seleccione el modelo que mejor se ajuste
REGRESIÓN
POLINOMIAL
REGRESIÓN POLINOMIAL
𝑦 ∗ = 𝑎 0+ 𝑎1 𝑥 +𝑎 2 𝑥 2+ 𝑎 3 𝑥 3+ ⋯+ 𝑎𝑚 𝑥𝑚
𝑦
𝒏𝒏 𝒏 𝒏 𝑦𝑖∗
∗ 𝟐 𝒎 𝟐𝟐
∑𝑺((𝒓𝒚𝒚=
𝑺𝑺𝒓𝒓==∑ 𝒊𝒊− (∑
𝒂𝒂𝟎𝟎−+𝒂 𝟐
=𝒂∑
𝒂𝒓 𝒙 −+𝒂
𝟏𝟏 𝒊 𝒊𝒊 (𝒚
𝒙 −+𝒂𝟐𝟐
𝒂 𝒙−−+⋯
𝟐𝟐 𝒊𝒊 𝒚⋯−+𝒂𝒂) 𝒙
𝟑𝒊 𝒊𝒊
𝟑𝟑
𝒊 𝒎 𝒊 )) 𝑟 𝑖 =| 𝑦 𝑖 − 𝑦 𝑖 ∗|
𝑦𝑖
𝒊=𝟏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
Medido
Ajustado
𝑥
REGRESIÓN POLINOMIAL
[ ]{ } { }
𝒏 ∑ 𝒙𝒊 ∑ 𝒙𝒊 𝟐
∑ 𝒙𝒊 𝟑
⋯ ∑ 𝒙𝒊 𝒎
𝒂𝟎 ∑ 𝒚𝒊
∑ 𝒙𝒊 ∑ 𝒙𝒊 𝟐
∑ 𝒙𝒊 𝟑
∑ 𝒙𝒊 𝟒
⋯ ∑ 𝒙𝒊𝒎+𝟏
𝒂𝟏 ∑ 𝒙 𝒊 𝒚 𝒊
∑ 𝒙𝒊 ∑ 𝒙𝒊 ∑ 𝒙𝒊 ∑ 𝒙𝒊 ∑ 𝒙𝒊 𝒂𝟐 ∑ 𝒙 𝒊 𝒚 𝒊
𝟐 𝟑 𝟒 𝟓 𝒎+𝟐 𝟐
⋯
=
∑ 𝒙𝒊 𝟑
∑ 𝒙𝒊 𝟒
∑ 𝒙𝒊 𝟓
∑ 𝒙𝒊 𝟔
⋯ ∑ 𝒙𝒊𝒎+𝟑
𝒂 𝟑 ∑ 𝒙 𝒊𝟑 𝒚 𝒊
⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ ⋮
∑ 𝒙𝒊 𝒎
∑ 𝒙𝒊 𝒎+𝟏
∑ 𝒙𝒊 𝒎+𝟐
∑ 𝒙𝒊 𝒎+𝟑
⋯ ∑ 𝒙𝒊 𝟐𝒎 𝒂𝒎 ∑ 𝒙 𝒎 𝒚
𝒊 𝒊
REGRESIÓN POLINOMIAL
Utilice el método de mínimos cuadrados para ajustar a una parábola las parejas de datos:
Una extensión útil de la regresión lineal es el caso en el que y es una función lineal de dos o más
variables independientes. Por ejemplo, y podría ser una función lineal de x1 y x2, como en:
𝑦 ( 𝑥1 , 𝑥 2 )
𝑦 ∗ = 𝑎 0+ 𝑎1 𝑥 1 +𝑎 2 𝑥 2+ 𝑎3 𝑥 3+ ⋯+𝑎 𝑚 𝑥𝑚
El modelo de ajuste es una función de variables:
𝑦𝑖∗
𝑥2 𝑟 𝑖 =| 𝑦 𝑖 − 𝑦 𝑖 ∗|
𝒏𝒏 𝒏 𝒏 Medido
𝑺𝑺𝒓𝒓==∑
∑𝑺((𝒚𝒓 𝒊=− (𝒂∑ 𝒂∑ 𝒙𝟐𝟐𝒊𝒊−(+𝒂 ∗ 𝟐
+⋯+𝒂𝒂) 𝒙 ) )
𝟐 𝟐𝟐
𝒊− 𝒂𝒓𝒙𝒙 =
𝒂𝟎𝟎−+𝒂 −+𝒂
𝟏𝟏 𝒊𝟏𝟏𝒊𝒊 𝟐𝟐𝒙 𝒚
𝒂𝟑𝟑𝒊𝒙𝒙− 𝒚
𝟑𝟑𝒊𝒊−⋯−
𝒊 𝒎 𝒎𝒊
𝒎𝒊
Ajustado
𝒊=𝟏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝑥1
REGRESIÓN LINEAL MÚLTIPLE
𝒏
𝑺𝒓 =∑ ( 𝒚 𝒊 − 𝒂𝟎 − 𝒂𝟏 𝒙 𝟏 𝒊 − 𝒂 𝟐 𝒙 𝟐 𝒊 − 𝒂𝟑 𝒙𝟑 𝒊 −⋯− 𝒂𝒎 𝒙𝒎𝒊 )
𝟐
𝒊=𝟏
REGRESIÓN LINEAL MÚLTIPLE
[ ]{ } { }
𝒏 ∑ 𝒙𝟏𝒊 ∑ 𝒙𝟐𝒊 ∑ 𝒙 𝟑𝒊 ⋯ ∑ 𝒙𝒎𝒊 𝒂𝟎 ∑ 𝒚𝒊
∑ 𝒙𝟏𝒊 ∑ 𝒙 𝟏𝒊 𝒙 𝟏𝒊 ∑ 𝒙 𝟏𝒊 𝒙 𝟐𝒊 ∑ 𝒙𝟏𝒊 𝒙 𝟑𝒊 ⋯ ∑ 𝒙 𝟏𝒊 𝒙 𝒎𝒊 𝒂𝟏 ∑ 𝒙 𝟏𝒊 𝒚 𝒊
∑ 𝒙𝟐𝒊 ∑ 𝒙 𝟐𝒊 𝒙 𝟏𝒊 ∑ 𝒙 𝟐𝒊 𝒙 𝟐𝒊 ∑ 𝒙𝟐𝒊 𝒙 𝟑𝒊 ⋯ ∑ 𝒙 𝟐𝒊 𝒙 𝒎𝒊 𝒂𝟐 ∑ 𝒙 𝟐𝒊 𝒚 𝒊
=
∑ 𝒙𝟑𝒊 ∑ 𝒙 𝟑𝒊 𝒙 𝟏𝒊 ∑ 𝒙 𝟑𝒊 𝒙 𝟐𝒊 ∑ 𝒙𝟑𝒊 𝒙 𝟑𝒊 ⋯ ∑ 𝒙 𝟑𝒊 𝒙 𝒎𝒊 𝒂𝟑 ∑ 𝒙 𝟑𝒊 𝒚 𝒊
⋮ ⋮ ⋮ ⋮ ⋯ ⋮ ⋮ ⋮
∑ 𝒙𝒎𝒊 ∑ 𝒙 𝒎𝒊 𝒙 𝟏𝒊 ∑ 𝒙 𝒎𝒊 𝒙 𝟐𝒊 ∑ 𝒙 𝒎𝒊 𝒙𝟑𝒊 ∑ 𝒙 𝒎𝒊 𝒙 𝒎𝒊
⋯ 𝒂𝒎 ∑ 𝒙 𝒎𝒊 𝒚 𝒊
REGRESIÓN LINEAL MÚLTIPLE
Utilice el método de mínimos cuadrados para ajustar a un plano las parejas de datos: