Métodos numéricos

Ajuste de curvas
TEMARIO

TEMA 1 TEMA 2 TEMA 3

Introducción a los Regresión simple Regresión múltiple
métodos de Lineal Lineal
Regresión por
mínimos cuadrados Polinomia No lineal
l
Exponencial
TEMARIO

Introducción a los
métodos de
Regresión por
mínimos
cuadrados
AJUSTE DE CURVAS
a) Datos con error significativo

b) Interpolación polinomial
oscilando más allá del rango de
los datos

c) Resultados satisfactorios
mediante el ajuste por mínimos
cuadrados
Regresión por mínimos cuadrados
1. Se debe encontrar algún criterio para graficar la
función que mejor aproxime la tendencia de los
datos.

2. Se debe obtener una función que minimice la

discrepancia entre los puntos y la curva.

3. La técnica que se utiliza para este fin se conoce

como regresión por mínimos cuadrados (RMC).
REGRESIÓN SIMPLE

Regresión
simple lineal
Conocimientos previos

1. Exprese el siguiente sistema de ecuaciones en su forma

matricial y resuélvalo utilizando la matriz inversa.

2. Considere los vectores y . Calcule:

a.
b.
c.
d.
e. la distancia entre los puntos y
REGRESIÓN LINEAL
Regresión Lineal: Aproximación por mínimos cuadrados.
Dado un conjunto de datos observados o medidos
xi yi
𝑥1 𝑦1
𝑥2 𝑦2
𝑥3 𝑦3
: :
: :
𝑥𝑛 𝑦𝑛

Se desea hallar una recta que se ajuste mejor a la tendencia de estos:

xi obs yi obs yi modelo ei
𝑥1 𝑦 1 𝑜𝑏𝑠 𝑦 1 𝑚𝑜𝑑𝑒𝑙𝑜 - 𝑦 1 𝑚𝑜𝑑𝑒𝑙𝑜 Pero existirá una diferencia
o error (ei) entre los valores
𝑥2 𝑦 2 𝑜𝑏𝑠 𝑦 2 𝑚𝑜𝑑𝑒𝑙𝑜 - 𝑦 2 𝑚𝑜𝑑𝑒𝑙𝑜
de “y observado” y los “y
𝑥3 𝑦 3 𝑜𝑏𝑠 𝑦 3 𝑚𝑜𝑑𝑒𝑙𝑜 𝑦 3 𝑜𝑏𝑠 − 𝑦 3 𝑚𝑜𝑑𝑒𝑙𝑜 modelo” calculados
: : : : mediante el modelo de
𝑥𝑛 𝑦 𝑛𝑜𝑏𝑠 𝑦 𝑛𝑚𝑜𝑑𝑒𝑙𝑜 𝑦 𝑛𝑜𝑏𝑠 − 𝑦 𝑛𝑚𝑜𝑑𝑒𝑙𝑜 regresión (ecuación de
regresión).
REGRESIÓN LINEAL
Criterio para un mejor ajuste
Una estrategia para ajustar una mejor línea a través de los datos
consiste en minimizar la suma de los cuadrados de los residuos
entre la “y” medida y la “y” calculada del modelo lineal:
𝑛 𝑛 𝑛
𝑆𝑟 =𝑚𝑖𝑛 ∑ ( 𝑒 𝑖 ) =𝑚𝑖𝑛 ∑ ( 𝑦 𝑖𝑜𝑏𝑠 − 𝑦 𝑖𝑚𝑜𝑑𝑒𝑙𝑜 ) =𝑚𝑖𝑛 ∑ ( 𝑦 𝑖 𝑜𝑏𝑠 − 𝑎 0 − 𝑎1 𝑥𝑖 )
2 2 2

𝑖=1 𝑖=1 𝑖=1

Así, se tiene un línea única para cierto conjunto de datos. Se

debe determinar los valores de y que minimizan la ecuación.

representa los valores de y obtenidos en el trabajo de

campo, es decir, los valores observados o medidos.

representa los valores de y obtenidos con la ecuación de

regresión.
REGRESIÓN LINEAL
Encuentre la recta que mejor se ajusta a los datos .

Este sistema no
tiene solución.
Reemplazamos los puntos en la De forma matricial: El objetivo es
ecuación de la recta: encontrar y de
modo que sea lo
más próximo
posible a

𝑦 𝑚𝑜𝑑𝑒𝑙𝑜 𝑦 𝑜𝑏𝑠
Se debe minimizar .
REGRESIÓN LINEAL

Sean , y .

El sistema se puede reescribir como

Como el sistema no tiene

solución, se debe encontrar de
modo que sea mínimo.
Gráficamente, debe ser
ortogonal al “plano”
determinado por y .
REGRESIÓN LINEAL
Como el sistema no tiene
solución, se debe encontrar de
modo que sea mínimo.
Gráficamente, debe ser
ortogonal al “plano”
determinado por y .
es ortogonal a y a ; luego

⇒ 𝐴 𝑇 ( 𝐜 − 𝐴 𝐱 ) =𝟎
𝑇 𝑇
⇒ 𝐴 𝐜 − 𝐴 𝐴 𝐱 =𝟎
⇒ 𝐴𝑇 𝐜 = 𝐴𝑇 𝐴 𝐱
−1 𝑇
⇒ 𝐱 =( 𝐴 𝐴 )
𝑇
𝐴 𝐜siempre que sea invertible.

Se llega al mismo resultado para distintos modelos del tipo:

Estos modelos son llamados lineales.

REGRESIÓN LINEAL
−1 𝑇
𝐱= ( 𝐴 𝐴 ) 𝐴 𝐜
𝑇

Volviendo a nuestro sistema.

x c
A

𝐱=
[ ]
2/ 3
1/ 2

2 1
𝑦= + 𝑥
3 2
EJEMPLOS
1. Encuentre la aproximación lineal por mínimos cuadrados para los puntos de datos
dados. Haga un gráfico de los puntos y la recta de aproximación en cada caso.
a. (1; 2), (2; 2) y (3; 4)
b. (1; 1), (2; 2), (3; 2) y (4; 3)
c. (−1; 1), (0; −1), (1; 0) y (2; 2)

2. Para los puntos de datos de la pregunta 1c una recta no se ajusta adecuadamente.

Intente ajustar los datos mediante el modelo polinomial . Grafique el modelo junto
con los datos.

3. Ajuste los datos (1; 180), (2; 210), (3; 250), (4; 380), (5; 430), (6; 410), (7; 190), (8; -
640) al modelo .
Coeficiente de determinación

El coeficiente de determinación, , definido entre 0 y 1, nos da una idea

de la bondad del ajuste. Para valores cercanos a uno el ajuste es
perfecto, mientras que para valores cercanos a cero indica inexistencia
de relación entre x e y del modelo de ajuste propuesto.
El coeficiente viene dado por la siguiente relación:
𝑛

∑ ( 𝑦 𝑖 𝑚𝑜𝑑𝑒𝑙𝑜 − 𝑦 𝑖 𝑜𝑏𝑠 )2
2 𝑖 =1
𝑅 = 𝑛

∑ ( 𝑦 𝑖 𝑜𝑏𝑠 − 𝑦 𝑖 𝑜𝑏𝑠 )2
𝑖= 1

representa los valores de y obtenidos en el trabajo de campo, es

decir, los valores observados o medidos.

representa los valores de y obtenidos con la ecuación de

regresión.
REGRESIÓN SIMPLE

Regresión
simple
exponencial
REGRESIÓN SIMPLE EXPONENCIAL
REGRESIÓN SIMPLE EXPONENCIAL

Se quiere ajustar una función

Tomando logaritmos se transforma en una problema lineal de mínimos

cuadrados.

ln(y) =ln(a)+ln
ln(y) =ln(a)+bx*lne

Haciendo el cambio de variable

Tenemos 𝑧 =𝑙𝑛 ( 𝑎 ) +𝑏𝑥

Que toma la forma de una regresión lineal 𝑧 =𝑎 0 +𝑎 1 𝑥
D

A este proceso se llama linealización.

Coeficiente de determinación

El coeficiente de determinación, en el caso de la regresión exponencial,

se realiza con los valores de las variables linealizadas. Así:
𝑛

∑ ( 𝑧 𝑖 𝑚𝑜𝑑𝑒𝑙𝑜 − 𝑧 𝑖 𝑜𝑏𝑠 )2
𝑅2 = 𝑖 =1
𝑛

∑ ( 𝑧 𝑖 𝑜𝑏𝑠 − 𝑧 𝑖 𝑜𝑏𝑠 )
2

𝑖= 1
EJEMPLOS
1. Considere la población de Perú del 2011 al 2020. Ajuste los datos al modelo
exponencial y úselo para estimar la población en 2030.
Año Población al inicio del año (en
millones de habitantes)
2011 29,46
2012 29,80
2013 30,14
2014 30,48
2015 30,81
2016 31,15
2017 31,49
2018 31,83
2019 32,16
2020 32,51
Obtenido de datosmacro.com
REGRESIÓN MÚLTIPLE

Regresión
lineal múltiple
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,
podría ser una función lineal de y , como en
𝑦 =𝑎 0 +𝑎 1 𝑥1 +𝑎 2 𝑥 2
En particular tal ecuación es útil cuando se ajustan datos
experimentales donde la variable sujeta a estudio es una función de
otras dos variables. En este caso bidimensional, la “línea” de regresión
se convierte en un “plano”.
Los mismos procedimientos usados anteriormente se pueden utilizar
para estos modelos de regresión lineal múltiple.
EJEMPLOS
1. Ajuste los datos mostrados al modelo .

1 1 7
1 2 11
-1 1 6
2 -1 8
-2 1 2
3 -2 9
REGRESIÓN MÚLTIPLE

Regresión
no lineal
múltiple
REGRESIÓN NO LINEAL MÚLTIPLE
REGRESIÓN NO LINEAL MÚLTIPLE
Aunque puede haber ciertos casos donde una variable esté linealmente
relacionada con dos o más variables, la regresión lineal múltiple tiene además
utilidad en la obtención de ecuaciones de potencias de la forma general,
𝑎1 𝑎2 𝑎3 𝑎𝑚
𝑦 =𝑎 ( 𝑥 1 ) ∗ (𝑥2) ∗( 𝑥3) …( 𝑥𝑚)

Aplicando logaritmos

lo

log

Se usa el cambio de variable y se trabaja como una regresión lineal múltiple.

𝑙 𝑜𝑔 ( 𝑦 ) =𝑍 𝑙 𝑜𝑔 ( 𝑎 )=𝑎 0 𝑙 𝑜𝑔 ( 𝑥 1 ) =𝑤1 𝑙 𝑜𝑔 ( 𝑥 2 ) =𝑤2 ...

Quedando:
𝑍 =𝑎 0 +𝑎 1 𝑤1 +𝑎 2 𝑤 2+ …+𝑎 𝑛 𝑤 𝑛
Por ejemplo, para el caso de dos variables independientes y tenemos :
𝑎 1 𝑎 2
𝑦 =𝑎 ( 𝑥 1 ) ∗ (𝑥2)

Con el cambio de variable

𝑙 𝑜𝑔 ( 𝑦 ) =𝑍 𝑙 𝑜𝑔 ( 𝑎 )=𝑎 0 𝑙 𝑜𝑔 ( 𝑥 1 ) =𝑤1 𝑙 𝑜𝑔 ( 𝑥 2 ) =𝑤2

Se obtiene:
𝑍 =𝑎 0 +𝑎 1 𝑤1 +𝑎 2 𝑤 2
 Propiedad de los exponentes , , de la regresión no lineal del tipo:

𝑎1 𝑎2 𝑎3 𝑎𝑚
𝑦 =𝑎 ( 𝑥 1 ) ∗ (𝑥2) ∗( 𝑥3) …( 𝑥𝑚)

Para el caso de dos variables independientes, escribamos el modelo de

la siguiente manera: 𝛼 𝛽
𝑅 = 𝐴 ( 𝐾 ) ( 𝐿)

Derivemos parcialmente respecto a K (se deriva respecto a K, considerando a A, L

y constantes).
𝜕𝑅 𝛼− 1 𝛽
(
=𝐴𝛼 𝐾 ) ( 𝐿 )
𝜕𝐾

𝜕𝑅 𝛼 𝛽 −1
Ordenando la expresión 𝜕 𝐾 = 𝐴 ( 𝐾 ) ( 𝐿 ) 𝛼 ( 𝐾 )

𝜕𝑅 𝛼 𝛽 −1
= 𝐴 ( 𝐾 ) ( 𝐿) 𝛼 ( 𝐾 )
𝜕𝐾
R
∝ 𝛽
La función 𝑅= 𝐴 ( 𝐾 ) ( 𝐿 ) es conocida como la función de producción de Cobb Douglas. Surgió para representar
las relaciones entre la producción obtenida y las variaciones de los insumos capital (K) y trabajo (L), a los que más tarde
se añadió la tecnología. Es una función de producción frecuentemente utilizada en Economía.
 𝜕𝑅 −1
(
=𝑅 𝛼 𝐾 )
𝜕𝐾

𝜕 𝑅 𝑅
=𝛼
𝜕 𝐾 𝐾

𝜕 𝑅 𝐾
Despejando =𝛼
𝜕 𝐾 𝑅

𝜕 𝑅
La expresión se puede 𝑅
𝛼=
escribir también como: 𝜕 𝐾
𝐾

Para interpretar la expresion obtenida, consideremos las siguientes definiciones

 Análisis de Sensibilidad
Un análisis de sensibilidad es una técnica utilizada para determinar cómo
diferentes valores de una variable independiente impactan en una variable
dependiente particular bajo un conjunto dado de suposiciones. 

Para analizar un ejemplo, recordemos la definición de variación porcentual.

El concepto de la variación porcentual se utiliza para describir la relación

entre un valor pasado y uno presente. De manera específica, la variación
porcentual representa la diferencia entre un valor pasado y uno presente en
términos de un porcentaje del valor pasado. La ecuación que se utiliza es

𝑉 𝑓 −𝑉𝑖 ∆𝑉 Por ejemplo, si durante el último año obtuviste

×100 % = ×100 % ingresos de S/ 37 000 y este año S/ 45 000
𝑉𝑖 𝑉𝑖 entonces se resta 37 000 a 45 000, el resultado
es 8000. Ese resultado se divide entre 37 000
𝑉𝑓 Valor final
(valor inicial), la respuesta es 0,216. Luego 0,216
se multiplica por 100, obteniendo 21,6. Por lo
que tus ingresos se incrementaron en 21,6 %
𝑉 𝑖 Valor inicial
Una aplicación del análisis de sensibilidad es la elasticidad, aplicada
generalmente a temas económicos.
Elasticidad precio de la demanda
La elasticidad precio de la demanda revela cuánto varia la cantidad demandada
de un bien o servicio frente a los cambios verificados en su precio. En términos
estrictos, la elasticidad precio de demanda se conceptualiza como la variación
porcentual de la cantidad demanda de un bien o servicio dividida entre la
variación porcentual del precio. Así, se puede expresar en la fórmula siguiente:

∆𝑄 ∆𝑄
×100 %
𝑣𝑎𝑟𝑖𝑎𝑐𝑖 ó 𝑛 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙 𝑒𝑛 𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒𝑚𝑎𝑛𝑑𝑎𝑑𝑎 𝑄 𝑄
𝐸𝑝 = = =
𝑣𝑎𝑟𝑖𝑎𝑐𝑖 ó 𝑛 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙 𝑒𝑛 𝑒𝑙 𝑝𝑟𝑒𝑐𝑖𝑜 ∆𝑃 ∆𝑃
× 100 %
𝑃 𝑃

Por ejemplo:
∆𝑄
La interpretación indica que cuando el precio
𝑄 5%
𝐸𝑝 =
∆𝑃
=
2.1 %
=2.38 aumenta en un 1%, la cantidad demandada
𝑃 aumenta en 2,38%.

Para el caso de resultados negativos, por ejemplo, -2,5%, se

interpreta que cuando el precio aumenta en un 1%, la cantidad
demandada disminuye en 2,5%.
 𝛼
𝑅de
Regresemos al análisis de los exponentes = 𝐴( 𝐾 ) ( 𝐿) 𝛽

𝜕 𝑅
La expresión luego de 𝑅
𝛼=
algunas operaciones: 𝜕 𝐾
𝐾

∆ 𝑅
𝑅
Que se puede escribir:
𝛼=
∆ 𝐾
𝐾

𝑣𝑎𝑟𝑖𝑎𝑐𝑖 ó 𝑛𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙𝑒𝑛 𝑙𝑎𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑅 Si permanecen

Por lo que: 𝛼= constantes los
𝑣𝑎𝑟𝑖𝑎𝑐𝑖 ó 𝑛𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙 𝑒𝑛𝑙𝑎𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝐾 demás factores

𝑣𝑎𝑟𝑖𝑎𝑐𝑖 ó 𝑛𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙𝑒𝑛𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑅 Si permanecen

Así también: 𝛽= constantes los
𝑣𝑎𝑟𝑖𝑎𝑐𝑖 ó 𝑛𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙 𝑒𝑛𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝐿 demás factores
Veamos un ejemplo cualquiera, supondremos
−0,15
𝑇 =𝑎 ( [ 𝐶 𝑂 2 ] ) ( [ 𝑁𝑂 ] )1,15

𝑇 Temperatura del ambiente

[ 𝐶 𝑂 2 ] Concentración de dióxido de carbono en el ambiente
[ 𝑁𝑂 ] Concentración de monóxido de nitrógeno en el ambiente

La interpretación indica que

Cuando la cantidad de CO2 aumenta en un 1%, la temperatura

disminuye en 0,15%, siempre y cuando la cantidad de NO
permanezca constante.

Cuando la cantidad de NO aumenta en un 1%, la temperatura

aumenta en 1.15%, siempre y cuando la cantidad de CO2 permanezca
constante.