MÉTODOS NUMÉRICOS

Grupo H1 – J1
Métodos Numéricos
Grupo H1 – J1
1er. Semestre de 2022

CLASE 6 – AJUSTE DE CURVAS

Profesor: Yerly Fabian Martínez-Estupiñán

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)

Existen dos grandes grupos de técnicas para el ajuste de curvas, de

𝑦 acuerdo con el error asociado a las mediciones:
 Regresión por Mínimos Cuadrados: si los datos exhiben un grado
significativo de error o “ruido”, la estrategia será obtener una sola
curva que represente la tendencia general de los datos. Como
cualquier dato individual puede ser incorrecto, no se busca
intersecar todos los puntos. En lugar de esto, se construye una curva
que siga la tendencia de los puntos tomados como un grupo
𝑥
 Interpolación: si se sabe que los datos son muy precisos, el
procedimiento básico será colocar una curva o una serie de curvas
que pasen por cada uno de los puntos en forma directa.
 REGRESIÓN POR MÍNIMOS CUADRADOS

El objetivo de este método consiste en minimizar la

suma de los cuadrados de los residuos entre los valores
medidos y los ajustados a un modelo:

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:

Donde y son coeficientes que representan la intersección con el eje y y la

pendiente, respectivamente, es el error, o diferencia, entre el modelo y las
observaciones.
Deben hallarse los valores de y que minimicen : 𝑦
∗
𝑦 ∗ =𝑎
𝑦 = 𝑓 (𝑥)
0+𝑎1 𝑥

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

Coeficiente de Determinación: Coeficiente de Correlación:

𝑛 ∑ 𝑥𝑖 𝑦 𝑖 − ∑ 𝑥𝑖 ∑ 𝑦 𝑖
∑ ( 𝑦𝑖 − 𝑦 ) −∑ ( 𝑦𝑖 − 𝑦 ) 𝑟=
2 ∗ 2
∑ 𝑦𝑖
𝑟
2
=
∑ ( 𝑦 𝑖 − 𝑦 )2
; 𝑦=
𝑛 √ ( 𝑛 ∑ 𝑥𝑖 − (∑ 𝑥𝑖 )
2 2
)( 𝑛 ∑ 𝑦 𝑖 − (∑ 𝑦 𝑖 )
2 2
)

En un ajuste perfecto, y significa que la línea

explica el 100% de la variabilidad de los datos. Si el ajuste no
representa alguna mejora.
 REGRESIÓN LINEAL

Utilice el método de mínimos cuadrados para ajustar a una línea recta las parejas de datos:

1.00 2.00 3.00 4.00 5.00 6.00 7.00

0.50 2.50 2.00 4.00 3.50 6.00 5.50

Determine el coeficiente de determinación, y concluya

 AJUSTE DE CURVAS

Linealización de Relaciones No-Lineales

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

Linealización de Relaciones No-Lineales

𝑦 𝑦 𝑦
𝑎1 𝑥 𝑎1
𝑦 =𝑎 𝑜 𝑒 𝑦 =𝑎 𝑜 𝑥

𝑥
𝑦 =𝑎 𝑜
𝑎 1 +𝑥

𝑥 𝑥 𝑥

LINEALIZACIÓN LINEALIZACIÓN LINEALIZACIÓN

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

EXPONENCIAL POTENCIAL RAZÓN DE CRECIMEINTO

 REGRESIÓN LINEAL

Datos inadecuados para la regresión lineal

Indicación de que es preferible
por mínimos cuadrados.
una parábola

𝑎1 𝑥
Para una ecuación exponencial: 𝑦 =𝑎 𝑜 𝑒

Se linealiza: 𝐿𝑛 𝑦=𝐿𝑛 𝑎 𝑜 +𝑎 1 𝑥 ∗ 𝐿𝑛𝑒

𝐿𝑛 𝑦=𝐿𝑛 𝑎 𝑜 +𝑎1 𝑥

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

Para una ecuación potencial: 𝑦 =𝑎 𝑜 𝑥

𝑎1

Se linealiza: 𝑙𝑜𝑔 𝑦 =𝑎 1 log 𝑥+ log 𝑎0

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:

1.00 2.00 3.00 4.00 5.00

0.50 1.70 3.40 5.70 8.40

Intercepto = -0,3

Pendiente =

𝑙𝑜𝑔 𝑦 =𝑎 1 log 𝑥+ log 𝑎0

𝑙𝑜𝑔 𝑦 =1,75 log 𝑥 −0,3

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:

1.00 2.00 3.00 4.00 5.00 6.00

0.25 1.50 2.70 4.90 7.25 10.56

Determine el coeficiente de determinación, en cada caso, y seleccione el modelo que mejor se ajuste
 REGRESIÓN
POLINOMIAL
 REGRESIÓN POLINOMIAL

El modelo de ajuste es un polinomio de grado :

Deben hallarse los valores de , , , , , que minimicen :

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

Siguiendo el procedimiento del caso lineal se obtiene:

𝒏
𝑺𝒓 =∑ ( 𝒚 𝒊 − 𝒂 𝟎 − 𝒂𝟏 𝒙𝒊 − 𝒂𝟐 𝒙𝒊 − 𝒂 𝟑 𝒙 𝒊 − ⋯− 𝒂𝒎 𝒙 𝒊
𝟐 𝟑 𝒎𝟐
)
𝒊=𝟏
 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:

0.00 1.00 2.00 3.00 4.00 5.00

2.10 7.70 13.60 27.20 40.90 61.10

Determine el coeficiente de determinación,

 REGRESIÓN
LINEAL MÚLTIPLE
 REGRESIÓN LINEAL MÚLTIPLE

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 ∗|

Deben hallarse los valores de , , , , , que minimicen : 𝑦𝑖

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:

0.00 2.00 2.50 1.00 4.00 7.00

0.00 1.00 2.00 3.00 6.00 2.00
5.00 10.00 9.00 0.00 3.00 27.00

Determine el coeficiente de determinación,