Ajuste Curvas

AJUSTE DE CURVAS E
INTERPOLACION
AJUSTE DE CURVAS
MOTIVACION:
- Es común que los datos se dan como valores discretos a lo
largo de un continuo. Sin embargo, se requiera la estimación de
un punto entre valores discretos.
- Se puede necesitar la versión simplificada de una función
complicada.
METODOS:
- Si los datos exhiben un grado significativo de error, la
estrategia será obtener una sola curva que represente la
tendencia general de los datos (Regresión por mínimos
cuadrados).
- Si los datos son muy precisos, el procedimiento será colocar
una curva o una serie de curvas que pasen por cada uno de
los puntos en forma discreta; usualmente estos datos
provienen de tablas (Tablas de termodinámica).
AJUSTE DE CURVAS
Métodos sin computadora para el ajuste de curvas.
El método más simple para ajustar una curva a los datos consiste en
ubicar los puntos y después trazar una curva que visualmente se
acerque a los datos. Aunque ésta es una operación válida cuando se
requiere una estimación rápida, los resultados son subjetivos de la
persona que dibuja la curva.
Por ejemplo, en la figura se muestran curvas trazadas a partir del
mismo conjunto de datos por tres ingenieros. El primero caracterizó
la tendencia general ascendente de los datos con una línea recta.
AJUSTE DE CURVAS
El segundo usó segmentos de línea recta o interpolación lineal
para unir los puntos. Si los valores se encuentran cercanos a ser
lineales, tal aproximación ofrece estimaciones que son
adecuadas en muchos cálculos de ingeniería. Si la relación es
altamente curvilínea o los datos están muy espaciados, es
posible introducir errores mediante esa interpolación lineal.
AJUSTE DE CURVAS
El tercer ingeniero utiliza curvas suaves para
tratar de capturar el serpenteado sugerido por
los datos.
AJUSTE DE CURVAS
Ajuste de curvas y práctica en ingeniería.
Se han encontrado dos tipos de aplicaciones en el ajuste de datos
experimentales: análisis de la tendencia y prueba de hipótesis.
Análisis de la tendencia.- Representa el proceso de utilizar el comportamiento
de los datos para realizar predicciones. En casos donde los datos son medidas
de alta precisión, se usan polinomios de interpolación. Los datos imprecisos se
analizan mediante una regresión por mínimos cuadrados. Se utiliza para
predecir o pronosticar valores de la variable dependiente. Esto puede implicar
una extrapolación más allá de los límites de los datos observados o una
interpolación dentro del intervalo de los datos.
Prueba de hipótesis.- Un modelo matemático existente se compara con los

datos obtenidos. Si se desconocen los coeficientes del modelo, será necesario
determinar los valores que mejor se ajusten a los datos observados. Por otro
lado, si ya se dispone de la estimación de los coeficientes del modelo sería
conveniente comparar los valores predichos del modelo con los observados
para probar qué tan adecuado es el modelo. Con frecuencia, se comparan
modelos alternativos y se elige “el mejor” considerando las observaciones
hechas en forma empírica.
REGRESION POR MINIMOS CUADRADOS
Cuando los datos tienen errores sustanciales, la interpolación
polinomial es inapropiada y puede dar resultados poco
satisfactorios cuando se utiliza para predecir valores intermedios.
Con frecuencia los datos experimentales son de este tipo. Por
ejemplo, en la figura ¨a¨ se muestran siete datos obtenidos
experimentalmente que presentan una variabilidad significativa.
Una inspección visual de esos datos sugiere una posible relación
entre y y x.
Ahora, si un polinomio de interpolación de sexto grado se ajusta
a estos datos (figura b), pasará exactamente a través de todos los
puntos. Sin embargo, a causa de la variabilidad en los datos, la
curva oscila mucho en el intervalo entre los puntos. En particular,
los valores interpolados para x = 1.5 y x = 6.5 parecen estar
bastante más allá del rango sugerido por los datos.
Una estrategia más apropiada en tales casos consiste en obtener
una función de aproximación que se ajuste a la forma o a la
tendencia general de los datos, sin coincidir necesariamente en
todos los puntos. La figura c ilustra cómo se utiliza una línea
recta para caracterizar de manera general la tendencia de los
datos sin pasar a través de algún punto específico.
El ejemplo más simple de una aproximación por mínimos
cuadrados es ajutar una línea recta a un conjunto de
observaciones definidas por puntos: (x1, y1), (x2, y2),…, (xn, yn).
La expresión matemática para la línea recta es
y = a0 + a1x + e
Donde a0 y a1 son coeficientes que representan la intersección
con el eje y y la pendiente, respectivamente, e es el error, o
diferencia, entre el modelo y las observaciones. Al reordenar la
ecuación anterior:
e = y – a0 – a1x
Criterio para un “mejor” ajuste.
Una estrategia para ajustar una “mejor” línea a través de los datos
será minimizar la suma de los errores residuales de todos los datos
disponibles, como sigue:
Donde n = número total de puntos. Sin embargo, éste es un criterio

inadecuado (figura), la cual presenta el ajuste de una línea recta de
dos puntos. Sin embargo, cualquier línea recta que pase a través del
punto medio que une la línea da como resultado un valor mínimo de
la ecuación igual a cero, debido a que los errores se cancelan.
Por lo tanto, otro criterio lógico podría ser minimizar la suma de los
valores absolutos de las discrepancias,
La figura b muestra por qué este criterio también es inadecuado.

Para los cuatro puntos dados, cualquier línea recta que esté dentro
de las líneas punteadas minimizará el valor absoluto de la suma.
Así, este criterio tampoco dará un único mejor ajuste.
Una tercera estrategia para ajustar una mejor línea es el criterio
minimax. En esta técnica, la línea se elige de manera que
minimice la máxima distancia a que un punto se encuentra de la
línea. Como se ilustra en la figura , tal estrategia es inadecuada
para la regresión, ya que da excesiva influencia a puntos fuera
del conjunto; es decir, a un solo punto con un gran error.
La estrategia que supera las deficiencias de los procedimientos
mencionados consiste en minimizar la suma de los cuadrados de
los residuos entre la y medida y la y calculada con el modelo lineal.
Este criterio tiene varias ventajas, entre ellas el hecho de que se

obtiene una línea única para cierto conjunto de datos.
Para determinar los valores de a0 y a1 , la ecuación anterior se
deriva con respecto a cada uno de los coeficientes:
Al igualar estas derivadas a cero, se dará como resultado un Sr

mínimo. Si se hace esto, las ecuaciones se expresan como
Ahora, si observamos que Σa0 = na0, expresamos las ecuaciones como un
conjunto de dos ecuaciones lineales simultáneas, con dos incógnitas (a0 y
a1):
Éstas se llaman ecuaciones normales, y se resuelven en forma simultánea
Este resultado se utiliza conjuntamente con la ecuación anterior para

obtener
donde 𝑦ത y 𝑥ҧ son las medias de y y x, respectivamente.

• Problema.- Ajuste a una línea recta los valores
x y y en las dos primeras columnas de la
siguiente tabla.
Solución.- Se calculan las siguientes cantidades:
Cálculo de las incógnitas a0 y a1:

Solución.- El ajuste por mínimos cuadrados es:
y = 0.07142857 + 0.8392857x
Cuantificación del error en la regresión lineal.
Cualquier otra línea diferente a la calculada dará como resultado una
suma mayor de los cuadrados de los residuos. Así, la línea es única y, en
términos de nuestro criterio elegido, es la “mejor” línea a través de los
puntos. Varias propiedades de este ajuste se observan al examinar más
de cerca la forma en que se calcularon los residuos.
El cuadrado del residuo representa el cuadrado de la discrepancia entre

el dato y una estimación de la medida de tendencia central: la media.
En la ecuación anterior, el cuadrado del residuo representa el cuadrado
de la distancia vertical entre el dato y otra medida de tendencia central:
la línea recta (figura).
El error estándar del estimado sy/x .- El subíndice
“y/x” designa que el error es para un valor
predicho de y correspondiente a un valor
particular de x. También, observe que ahora
dividimos entre n – 2 debido a que se usaron
dos datos estimados (a0 y a1).
r es el coeficiente de correlación. En un ajuste perfecto, Sr = 0 y r
= 1, significa que la línea explica el 100% de la variabilidad de los
datos. Si r = 0, Sr = St el ajuste no representa alguna mejora. Una
representación alternativa para r que es más conveniente para
implementarse en una computadora es
Problema.- Calcule la desviación estándar total, el error estándar
del estimado y el coeficiente de correlación para los datos del
ejemplo anterior.
• Solución.- Las sumatorias se realizan y se presentan en la
siguiente tabla.
El error estándar del estimado es:
El coeficiente de correlación:
Programa computacional para la regresión lineal.- Es

relativamente fácil desarrollar un seudocódigo para la regresión
lineal. La opción de graficar resulta benéfico para el uso efectivo
y la interpretación de la regresión. Tales capacidades se incluyen
en paquetes de software populares como Excel y MATLAB. Se
recomienda gráficar y contra x, que muestre tanto los datos
como la línea de regresión. La inclusión de la capacidad
aumentará mucho la utilidad del programa en los contextos de
solución de problemas.
• 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. Por ejemplo, en la siguiente figura se muestran algunos
datos que obviamente son curvilíneos. En algunos casos, las
técnicas como la regresión polinomial son apropiadas. En otros,
se pueden utilizar transformaciones para expresar los datos en
una forma que sea compatible con la regresión lineal.
El ajuste lineal no es bueno El ajuste por una parábola es adecuado

Ejemplo de un modelo exponencial.-
Donde α1 y β1 son constantes. Este modelo se emplea en muchos

campos de la ingeniería para caracterizar cantidades que
aumentan (β1 positivo) o disminuyen (β1 negativo), a una velocidad
que es directamente proporcional a sus propias magnitudes. Por
ejemplo, el crecimiento poblacional o el decaimiento radiactivo
tienen este comportamiento. Como se ilustra en la figura a, la
ecuación representa una relación no lineal (para β1 ≠ 0) entre y y x.
Por ejemplo, la ecuación se linealiza al aplicar el logaritmo natural
se obtiene:
Figura a:
Otro ejemplo de modelo no lineal es la ecuación
de potencias:
Donde α2 y β2 son coeficientes constantes. Este modelo tiene

muchas aplicaciones en todos los campos de la ingeniería. Como se
ilustra en la figura b, la ecuación (para β2 ≠ 0 o 1) es no lineal.
La ecuación anterior es linealizada al aplicar el logaritmo de base
10 se obtiene :
De este modo, una gráfica de log y contra log x dará una línea recta
con pendiente β2 e intersección con el eje de las ordenadas log α2.
• Figura b:
Un tercer ejemplo de un modelo no lineal es la ecuación de razón del
crecimiento.-
Donde α3 y β3 son coeficientes constantes. Este modelo particularmente

es adecuado para caracterizar la razón de crecimiento poblacional bajo
condiciones limitantes, también representa una relación no lineal entre y
y x (figura c) que se iguala o “satura”, conforme x aumenta. La ecuación
anterior es linealizada al invertirla para dar:
De esta forma, una gráfica de 1/y contra 1/x será lineal, con pendiente β3
/ α3 y una intersección con el eje de las ordenadas 1/ α3 .
Figura c:
Problema.- Ajuste la ecuación a los datos de la siguiente
tabla mediante una transformación logarítmica de los datos.
Una regresión lineal de esta transformación mediante logoritmos

dan el siguiente resultado:
Solución.-Así, la intersección con el eje de las ordenadas es log
α2 igual a –0.300 y, por lo tanto, al tomar el antilogaritmo,
α2= 10–0.3 = 0.5. La pendiente es β2=1.75. En consecuencia, la
ecuación de potencias es:
y = 0.5x1.75
Esta curva, como se grafica en la siguiente figura, indica un buen
ajuste.
Gráfica de datos no transformados Gráfica de datos transformados
REGRESIÓN POLINOMIAL
En la ingeniería, aunque algunos datos exhiben un patrón
marcado, como el que se advierte en la figura, son
pobremente representados por una línea recta, entonces,
una curva podrá ser más adecuada para ajustarse a los
datos. Un método para lograr este objetivo es utilizar
transformaciones. Otra alternativa es ajustar polinomios a
los datos mediante regresión polinomial.
El procedimiento de mínimos cuadrados se puede extender
fácilmente al ajuste de datos con un polinomio de grado
superior. Por ejemplo, suponga que ajustamos un polinomio de
segundo grado o cuadrático:
En este caso, la suma de los cuadrados de los residuos es:

Al seguir el procedimiento de la sección anterior, obtenemos la
derivada de la ecuación anterior con respecto a cada uno de los
coeficientes desconocidos del polinomio,
• Estas ecuaciones se igualan a cero y se reordenan para

desarrollar el siguiente conjunto de ecuaciones normales:
Donde todas las sumatorias van desde i = 1 hasta n. Observe que
las tres ecuaciones anteriores son lineales y tienen tres incógnitas:
a0, a1 y a2. Los coeficientes de las incógnitas se evalúan de manera
directa, a partir de los datos observados.
En este caso, observamos que el problema de determinar un
polinomio de segundo grado por mínimos cuadrados es equivalente
a resolver un sistema de tres ecuaciones lineales simultáneas.
El caso bidimensional se extiende con facilidad a un polinomio de
m-ésimo grado como sigue:
El análisis anterior se puede extender fácilmente a este caso más

general. Así, se reconoce que la determinación de los coeficientes
de un polinomio de m-ésimo grado es equivalente a resolver un
sistema de m + 1 ecuaciones lineales simultáneas.
El error estándar se formula como sigue:
Problema.- Ajustar a un polinomio de segundo grado los datos

dados en las dos primeras columnas de la siguiente tabla.
Solución.- A partir de los datos dados:
Cálculos para un análisis de error del ajuste cuadrático por

mínimos cuadrados.
Entonces, las ecuaciones lineales simultáneas son:
Resolviendo estas ecuaciones con una técnica como la

eliminación de Gauss se tiene a0 = 2.47857, a1 = 2.35929 y a2 =
1.86071. Por lo tanto, la ecuación cuadrática por mínimos
cuadrados en este caso es:
El error estándar del estimado con base en la regresión
polinomial es:
El coeficiente de correlación es r = 0.99925.

Estos resultados indican que con el modelo se explicó el 99.851%
de la incertidumbre original. Este resultado apoya la conclusión
de que la ecuación cuadrática representa un excelente ajuste.
Algoritmo para la regresión polinomial.- la principal tarea es la
generación de los coeficientes de las ecuaciones normales.
Paso 1: Introduzca el grado del polinomio sujeto a ajuste, m.

Paso 2: Introduzca el número de datos, n.
Paso 3: Si n < m + 1, imprima un mensaje de error que indique
que la regresión no es posible y termine el proceso. Si n ≥ m + 1,
continúe.
Paso 4: Calcule los elementos de la ecuación normal en la
forma de una matriz aumentada.
Paso 5: Usando la matriz aumentada determine los coefi
cientes a0, a1, a2,…, am, por medio de un método de
eliminación.
Paso 6: Imprima los coeficientes.
INTERPOLACION UNIDIMENSIONAL
Matlab provee dos tipos de interpolación en una sola dimensión:
- La interpolación polinomica
- La interpolación basada en FFT, este método calcula la
transformada de Fourier de un vector que contiene los valores
de una función periódica.
La interpolación polinomica.- La función interp1 realiza
interpolación de una sola dimensión, una operación importante
para el análisis de datos y el ajuste de curvas, su forma general es:
y1=interp1(x, y, x1, Método)
Donde: x = Arreglo de valores de orden creciente
y = Arreglo que contiene las imágenes de x de una función
x1 = Es un número o arreglo de números los cuales van a
ser interpolados.
Método = Son las operaciones a utilizar en la interpolación, nearest
(valor del punto más próximo, linear (utiliza una función lineal para
cada par de puntos consecutivos), spline (utiliza una función cúbica
suave para cada par de puntos consecutivos), cubic (utiliza una función
cúbica de Hermite).
Ejemplo.-
x=[0 1 2 4 7 11];
y=[2 -3 2 13 15 1];
x1=[3 5 6 8 9 10];% valores a interpolar
y1=interp1(x,y,x1,'nearest');
plot(x,y)
hold on
plot(x1,y1,'or')
grid
Ejemplo.-
x=[0 1 2 4 7 11];
y=[2 -3 2 13 15 1];
x1=[3 5 6 8 9 10];% valores a interpolar
y1=interp1(x,y,x1,'linear');
plot(x,y)
hold on
plot(x1,y1,'or')
grid
INTERPOLACION BIDIMENSIONAL
La función interp2 permite interpolar en dos dimensiones, su
forma general es:
Z1=interp2(X, Y, Z, X1, Y1, Método)
Donde: Z= Arreglo rectangular que contiene los valores de los
puntos X,Y.
X e Y = Arreglos de un mismo tamaño conteniendo los puntos
para los cuales los valores de Z son dados.
X1 e Y1 = Arreglos que contienen los puntos a interpolar
Método = Son las opciones, existen tres métodos para dos
dimensiones: nearest, bilinear, bicubic.
Ejemplo.-
[x,y]=meshgrid(-3:1:3);
z=3*(1-x).^2.*exp(-(x.^2)-(y+1).^2)-10*(x/5-x.^3-y.^5).....
*exp(-x.^2-y.^2)-1/3*(-(x+1).^2-y.^2);
surf(x,y,z)
Ejemplo.- Con una malla más fina
[x,y]=meshgrid(-3:0.25:3);
z=3*(1-x).^2.*exp(-(x.^2)-(y+1).^2)-10*(x/5-x.^3-y.^5).....
*exp(-x.^2-y.^2)-1/3*(-(x+1).^2-y.^2);
surf(x,y,z)
Ejemplo.- Interpolación de los puntos x1, y1 usando la opción
nearset.
z=3*(1-x).^2.*exp(-(x.^2)-(y+1).^2)-10*(x/5-x.^3-y.^5).....
*exp(-x.^2-y.^2)-1/3*(-(x+1).^2-y.^2);
surf(x,y,z)
hold on
x1=-3:0.3:3;
y1=-3:0.3:3;
[x1,y1]=meshgrid(x1,y1);
z1=interp2(x,y,z,x1,y1,'nearest');
surf(x1,y1,z1+10)
bilinear.
z=3*(1-x).^2.*exp(-(x.^2)-(y+1).^2)-10*(x/5-x.^3-y.^5).....
*exp(-x.^2-y.^2)-1/3*(-(x+1).^2-y.^2);
surf(x,y,z)
hold on
x1=-3:0.3:3;
y1=-3:0.3:3;
z1=interp2(x,y,z,x1,y1,‘bilinear');
surf(x1,y1,z1+10)
bicubic.
z=3*(1-x).^2.*exp(-(x.^2)-(y+1).^2)-10*(x/5-x.^3-y.^5).....
*exp(-x.^2-y.^2)-1/3*(-(x+1).^2-y.^2);
surf(x,y,z)
hold on
x1=-3:0.3:3;
y1=-3:0.3:3;
z1=interp2(x,y,z,x1,y1,‘bicubic');
surf(x1,y1,z1+10)

Ajuste Curvas

Cargado por

Copyright:

Formatos disponibles

Ajuste Curvas

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ajuste Curvas

Cargado por

Copyright:

Formatos disponibles

AJUSTE DE CURVAS E

Prueba de hipótesis.- Un modelo matemático existente se compara con los

Donde n = número total de puntos. Sin embargo, éste es un criterio

La figura b muestra por qué este criterio también es inadecuado.

Este criterio tiene varias ventajas, entre ellas el hecho de que se

Al igualar estas derivadas a cero, se dará como resultado un Sr

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

Este resultado se utiliza conjuntamente con la ecuación anterior para

donde 𝑦ത y 𝑥ҧ son las medias de y y x, respectivamente.

Cálculo de las incógnitas a0 y a1:

El cuadrado del residuo representa el cuadrado de la discrepancia entre

El error estándar del estimado es:

Programa computacional para la regresión lineal.- Es

El ajuste lineal no es bueno El ajuste por una parábola es adecuado

Donde α1 y β1 son constantes. Este modelo se emplea en muchos

Donde α2 y β2 son coeficientes constantes. Este modelo tiene

Donde α3 y β3 son coeficientes constantes. Este modelo particularmente

Una regresión lineal de esta transformación mediante logoritmos

En este caso, la suma de los cuadrados de los residuos es:

• Estas ecuaciones se igualan a cero y se reordenan para

El análisis anterior se puede extender fácilmente a este caso más

Problema.- Ajustar a un polinomio de segundo grado los datos

Cálculos para un análisis de error del ajuste cuadrático por

Resolviendo estas ecuaciones con una técnica como la

El coeficiente de correlación es r = 0.99925.

Paso 1: Introduzca el grado del polinomio sujeto a ajuste, m.

También podría gustarte