Tarea No 11

Ajuste de Curvas

1. Ajuste una ecuacin cbica a los datos siguientes:

X Y
3 1.6 Problema 1 y = 0.0467x3 - 1.0412x2 + 7.1438x - 11.489
R = 0.829
4 3.6 6
5 4.4
7 3.4 5
8 2.2
9 2.8 4
11 3.8
12 4.6 3

0
0 2 4 6 8 10 12 14

Adems de los coeficientes determine r2 y Sy/x

coeficientes de corelacin = 0.42625141

Columna 1 Columna 2
Columna 1 1 0
Columna 2 0.42625141 1

Covarianza = 0.18169027
Columna 1 Columna 2
Columna 1 9.234375 0
Columna 2 1.2625 0.95
2. Utilice regresin lineal mltiple con el modelo de Gauss-Markov para ajustar. Calcule los coeficientes, el error estndar de estimacin y el coeficiente de
correlacin.

X1 X2 Y
0 0 15.1
1 1 17.9
1 2 12.7
2 1 25.6
2 2 20.5
3 1 35.1
3 2 29.7
4 1 45.4
4 2 40.2

Resumen

Estadsticas de la regresin
Coeficiente de correlacin mltiple 0.997759162
Coeficiente de determinacin R^2 0.995523346
R^2 ajustado 0.994031128
Error tpico 0.88878683
Observaciones 9

ANLISIS DE VARIANZA
Grados de Suma de Promedio de Valor crtico
libertad cuadrados los cuadrados F de F
Regresin 2 1054.009237 527.0046184 667.143409 8.97141E-08
Residuos 6 4.739652174 0.789942029
Total 8 1058.748889

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%
Intercepcin 14.46086957 0.717760116 20.14721805 9.7114E-07 12.70457383 16.2171653 12.7045738 16.2171653
Variable X 1 9.025217391 0.248639398 36.29842042 2.9161E-08 8.416818702 9.63361608 8.4168187 9.63361608
-
Variable X 2 5.704347826 0.490323505 -11.63384535 2.4293E-05 -6.904126221 -4.50456943 -6.90412622 -4.50456943
 Ecuacin y=14.4608695652174 + 9.02521739130435x1 - 5.70434782608695x2
Anlisis de los residuales

Pronstico
Observacin para Y Residuos
1 14.46086957 0.639130435
2 17.78173913 0.11826087
3 12.0773913 0.622608696
4 26.80695652 -1.206956522
5 21.1026087 -0.602608696
6 35.83217391 -0.732173913
7 30.12782609 -0.427826087
8 44.8573913 0.542608696
9 39.15304348 1.046956522

Variable X 2 Curva de regresin

Variable X 1 Curva de regresin ajustada ajustada
50 50
45 45
40 40
35 35
30 30
25 Y Y 25 Y
Y

20 Pronstico para Y 20 Pronstico para Y

15 Lineal (Y) 15 Lineal (Y)
10 10
5 5
0 0
0 1 2 3 4 5 0 0.5 1 1.5 2 2.5
Variable X 1 Variable X 2
3. Emplee una regresin no lineal para ajusta la parbola a los datos siguientes:
X Y
y = 674.01x2 - 233.96x + 604.09
0.2 500 Problema 3 R = 0.9894
0.5 700 4500
0.8 1000
4000
1.2 1200
1.7 2200 3500
2 2650
2.3 3750 3000

2500

2000

1500

1000

500

0
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3
4. Se hace la prueba a un material para estudiar la falla por fatiga cclica, en MPa, al material y se mide el nmero de ciclos que se necesitan para hacer que falle.
Los resultados se presentan en la tabla siguiente. Al hacerse una grfica Log-Log del esfuerzo () versus los ciclos, la tendencia de los datos presenta una
correlacin lineal. Use regresin lineal por mnimos cuadrados para determinar la ecuacin de mejor ajuste para dichos datos:

N, Ciclos , MPa Problema 4 y = -50.25ln(x) + 1121.4

1 1100 R = 0.9905
1200
10 1000
100 925 1000
1000 800
10000 625 800

100000 550
600
1000000 420
400

200

0
0.1 1 10 100 1000 10000 100000 1000000