Tema 6
6. Ajuste de Curvas
6.1 Introduccin
En la practica de la ingeniera y ciencias, es frecuente que la informacin necesaria para realizar un calculo los resultados del mismo, se encuentren en una tabla de la forma: Tabla 1. Ejemplo de una tabla de ingeniera X x1 x2 xm ym Y y1 y2
Esto ocurre al tomar los datos de un experimento, al evaluar una funcin matemtica complicada, al aplicar algunos mtodos numricos. Es frecuente que al requerir de la tabla algn valor, este no este tabulado. Como mencionamos en la unidad anterior, al problema de hallar valores no tabulados se le conoce como interpolacin.1 Tambin suele ocurrir que no solo nos interese conocer el valor de la funcin en un punto determinado, sino en todos los puntos, es decir, se desea conocer, la funcin de la cual se origino la tabla. Es fcil dada una funcin tabularla, basta con evaluarla en varios puntos. El problema inverso de hallar la funcin a partir de la tabla, no es tan sencillo y se conoce como ajuste de curvas. Esto es porque en general no se conoce la curva exacta y tan solo se halla una curva aproximada. Este problema tambin recibe el nombre de regresin. En este capitulo veremos como lograr esto.
Pgina
6-1
Fig. 1 Podemos observar que si trazamos la grfica de los puntos tenemos la grfica de la curva. Esta grfica no es muy til para los clculos ya que no conocemos en forma explcita la funcin que representa. Por esta razn se propone una curva dada, denominada curva propuesta o modelo. Si trazamos las 2 tenemos:
Fig. 2 Podemos darnos cuenta que la curva propuesta solo se aproxima a los puntos de la curva real. En general este el caso. Para determinar completamente la curva propuesta, consideraremos los errores en cada punto:
ei = y i y pi
Desearamos que fuesen 0, pero en general esto es imposible.2 Como tambin seria difcil trabajar con cada error por separado, lo mejor es combinarlos de alguna manera en un parmetro mas manejable. Si consideramos la suma de los errores tenemos:
S = ei
Por qu ?
6-2
Dado que no podemos pedir que sea 0, entonces trataremos de hacerla lo mas pequea posible:
MinS = Min ei
Este parmetro no es bueno ya que es posible que sea 0, aun con errores grandes.3 Por esta razn podramos considerar la suma de los errores absolutos
MinS a = Min ei
Este parmetro tampoco es muy bueno, ya que como recordaras de tus cursos de calculo para determinar el mnimo de una funcin hay que derivar e igualarla en 0. La funcin valor absoluto no tiene derivada en 0.4 Por todo lo anterior Gauss propuso considerar la suma de los cuadrados de los errores:
MinS 2 = Min ei
Como veremos esta es la mejor opcin.
S 2 = ei
3 4 5 6
Considera que los errores tienen signo, como se aprecia en la fig. 2. Deriva la funcin valor absoluto e intenta evaluarla en 0. El mismo de la Eliminacin para resolver ecuaciones lineales. Malamente llamado as, ya que en ingles es square minim. La traduccin correcta seria cuadrados mnimos.
Pgina
6-3
Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva 3. Minimizar la suma del cuadrado de los errores. Este se logra aplicando calculo. Para lograr esto primero debemos determinar de que variables depende el valor de S2. La curva propuesta en general es de la forma:
y p = f (x , a 0 , a1 , , a n )
Podemos observar que adems de x depende de sus constantes ya que si modificamos las mismas se obtiene una curva distinta. Esto forma una familia de curvas. Por ejemplo la familia de las rectas esta dada por:
y = a 0 + a1 x
Distintos valores de las constantes originaran todas las rectas posibles. Por esta razones el problema de minimizacin es:
S 2 = ( y i y pi ) 2 MinS 2 = Min [ y i f (x i , a 0 , a1 , , a n )] 2
La funcin depende de varias variables7 que son las constantes del modelo. El mnimo de una funcin de varias variables anlogamente al calculo de una sola variable tambin se determina derivando e igualando a 0. Pero como la funcin depende de varias variables, las derivadas calculadas son parciales.8 En esta paso se calculan las derivadas parciales respecto a cada constante del modelo:
S 2 a 0
S 2 a1
S 2 a 2
, ,
S 2 a n
S 2 a 0
=0
S 2 a1
= 0,
S 2 a 2
= 0, ,
S 2 a n
=0
Las constantes ahora son las variables. Si las modificamos varia el valor de S2. Las xs y las ys son constantes, ya que sus valores estn fijos en la tabla. Una derivada parcial es aquella en la que se deriva con respecto a una sola variable considerando las restantes como constantes.
6-4
5. Se obtuvo en sistema de ecuaciones el cual se denomina ecuaciones normales. Este se resuelve para obtener las constantes del modelo.9 6. Para determinar que tan bien ajusta el modelo los datos, calculamos el valor de S2. 7. Como en general el valor de S2 no nos dice mucho de la precisin del modelo, es mejor calcular el error estndar cuadrado definido:
xy =
donde: S2: Suma del cuadrado de los errores. M: Numero de puntos de la tabla. NC: Numero de constantes que tiene el modelo.
S2 M NC
Este valor es mas til, ya que podemos interpretarlo como un error promedio en todo el intervalo de la tabla, es decir:
y = y p xy
Si
xy
y p = a 0 + a1 x
2. S2 es:
S 2 = ( y i a 0 a1 x i ) 2
En general esto puede ser difcil ya que el sistema de ecuaciones casi siempre es no lineal.
Pgina
6-5
Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva 3. Las derivadas parciales respecto a las constantes son:
S 2 a 0 S 2 a1
= =
a 0 a1
(y (y
i
a 0 a1 x i ) 2 = 2 ( y i a 0 a1 x i )(1) a 0 a1 x i ) 2 = 2 ( y i a 0 a1 x i )( x i )
4. Igualando a 0.
2 ( y i a 0 a1 x i )(1) = 0 2 ( y i a 0 a1 x i )( x i ) = 0
Antes de intentar resolver el sistema lo simplificaremos lo mas posible. Cancelando -2 en ambas ecuaciones
(y a a x ) = 0 ( y a a x )(x ) = 0
i
1 i
1 i
y a
i i i
a1 x i = 0
2 1 i
y x a x a x
0 i
=0
a 0 1 a1 x i = 0
y x
i
a 0 x i a1 x i 2 = 0
y
10
a 0 M a1 x i = 0
6-6
y x
i
a 0 x i a1 x i 2 = 0
Reacomodando trminos
a 0 M + a1 x i = y i
a 0 x i + a1 x i 2 = y i x i
Las ecuaciones resultantes son las ecuaciones normales de una recta. 5. Estas ecuaciones son lineales y pueden resolverse por los mtodos del capitulo 4. 6. Despus de resolverlas se calcula el valor de S2 con la expresin del paso 2. 7. Para esta caso el error estndar cuadrado es:
xy =
S2 M 2
El hecho de ajustar una recta a una serie de datos se denomina regresin lineal.
y = a 0 + a1 x + a 2 x 2 + + a n x n = i = 0 a i x i
n
y p = a 0 + a1 x + a 2 x 2 + + a n x n
2. S2 esta dada por:
S 2 = ( yi a 0 a1 xi a 2 xi 2 a n x i n ) 2
Pgina
6-7
Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva 3. Las derivadas parciales estn dadas por:
a 0 a1
S2 = S2 =
a 0 a1
(y (y
a 0 a1 x i a 2 x i a n x i ) 2 a 0 a1 x i a 2 x i a n x i ) 2
2 n
a n
S2 =
a n
(y
a 0 a1 xi a 2 x i a n xi ) 2
4. Igualando a 0:
a 0 a1
S2 = 0 S2 = 0
a n
S2 = 0
a 0 M + a1 x i + + a n x i n = y i a 0 x i + a1 x i 2 + + a n x i n +1 = y i x i a 0 x i 2 + a1 x i 3 + + a n x i n + 2 = y i x i 2 a 0 x i n + a1 x i n +1 + + a n x i 2 n = y i x i n
6. El sistema es lineal y puede resolverse por los mtodos del capitulo 4. 7. El error estndar cuadrado es este caso:
6-8
xy =
S2 M n 1
S x a = S xy
donde: Sx: Matriz de sumatorias de potencias de x.
M x x 2 Sx = x n
x x x
2 3
x x x
2 3 4
x x x
n +1
n+ 2
n +1 n+ 2 x 2n
n
a 0 a 1 a 2 a= a n
Sxy: Vector de sumatorias de potencias de x con ys.
Pgina
6-9
y yx yx 2 S xy = yx n
No es necesario memorizar estas ecuaciones, pueden construirse fcilmente para cada grado n, notando las siguientes propiedades: 1. Son n+1 ecuaciones. 2. La mxima potencia en las sumatorias de x es 2n. 3. La mxima potencia en las sumatorias de x con y es n. 4. Para el primer rengln la potencia mxima es n. 5. Para la primera columna la potencia mxima es n. Para construir el sistema para un grado los pasos son: 1. Se construye el primer rengln. 2. Se construye la primera columna. 3. Se llenan los renglones tomando en cuenta que cada uno tiene n+1 columnas. 4. Se escribe el vector de trminos independientes tomando en cuenta que la mxima potencia en x es n. El ajustar un polinomio a una serie de datos se conoce como regresin polinomial.
xy1 xy 2 xy 3 xyn
lim
n
xyn
=0
6-10
xy
determinada tomando en cuenta las cifras que tiene la tabla, se tendr el mejor polinomio. Puede ocurrir que al aumentar el grado del polinomio el ajuste no mejore sino que empeore.11 Esto se debe en parte al fenmeno de oscilacin. Tambin ocurre que el sistema de ecuaciones normales tiende a ser inestable a medida que aumenta el grado del polinomio. Por todas estas razones conviene siempre el polinomio con el grado mas bajo posible tal que ajuste bien los datos. Por otro lado el grado mas alto al cual podemos ajustar una serie de datos, esta en funcin del numero de los mismos. Consideremos la expresin para xy . Debe de ser un numero finito y real. Por esta razn su denominador debe de cumplir que
M n 1> 0
Si es 0, es indeterminada. Si es negativo seria numeros imaginarios. De la expresin anterior concluimos que
M 1> n
o lo que es lo mismo
n M 2
11
xy
Pgina
6-11
Tabla 2 x 0.05 0.11 0.15 0.31 0.46 0.52 0.70 0.74 0.82 0.98 1.17 y 0.956 0.890 0.832 0.717 0.571 0.539 0.378 0.370 0.306 0.242 0.104
M x
Las sumatorias requeridas son:
x a x a
2
y = yx 1
0
M = 11
El sistema de ecuaciones es
6-12
9.522768677798860E - 01 a= -7.604069127418870E - 01
La ecuacin de la recta es:
xy =
S2 M n 1
= 3.187813651566340E - 02
M x 2 x
x x x x x x
2 2 3
a 0 y 3 a 1 = yx 2 4 a 2 yx
Pgina
6-13
6.01 4.6545 11 a 0 5.095 6.01 4.6545 4.114963 a = 2.18387 1 4.6545 4.114963 3.91612773 a 2 13357207 . 11a 0 + 6.01a1 + 4.6545a 2 = 5.095 6.01a 0 + 4.6545a1 + 4.114963a 2 = 2.18387 4.6545a 0 + 4.114963a1 + 3.91612773a 2 = 13357207 .
Resolviendo
xy =
S2 M n 1
1.867513180686410E-03 11 2 1
= 1.527871550837310E - 02
M x 2 x 3 x
x x x x
2
3 4
x x x x x x x x
2 3 3 4 5
y a 4 0 a yx 1 5 yx 2 a 2 = 6 a 3 yx 3
= 3.9186513091
6-14
x yx
Las ecuaciones son
= 4.067014332285 = 9.99480509E - 01
601 46545 4114963 . . . . 11 a0 5095 601 46545 4114963 391612773 a 218387 . . . . . 1 46545 4114963 391612773 3.9186513091 a2 =13357207 . . . . . . 4114963 391612773 3.9186513091 4.067014332285a3 9.99480509E-01
11a 0 + 6.01a 1 + 4.6545a 2 + 4.114963a 3 = 5.095 6.01a 0 + 4.6545a 1 + 4.114963a 2 + 3.91612773a 3 = 2.18387
46545a0 + 4114963a1 + 391612773a2 + 3.9186513091 a3 = 13357207 . . . . 4114963 0 +391612773 1 +3.9186513091a2 +4.067014332285 3 =9.99480509E-01 . a . a a
Resolviendo
xy =
S2 M n 1
1.813118270325110E-03 11 31
= 1.609400185661510E - 02
Dado que el error estndar cuadrado de la cubica es mayor al de la parbola, nos quedamos con la parbola.
Pgina
6-15
Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva Como el error estndar cuadrado para la parbola es aproximadamente. 0.015, el modelo nos da tan solo un decimal correcto, por lo que en este caso solo tenemos una cifra significativa.12 Para fin de visualizar lo que ocurre con la estabilidad del sistema de ecuaciones lineales al aumentar el grado del polinomio, la siguiente tabla muestra el error estndar cuadrado y el numero de condicin para cada grado del polinomio.
Tabla 3 n 1 2 3 4 5 6 7 8 9
xy
xy
y numero de condicin nc 1.582568875104840E0-1 2.561415844379480E0-3 2.811344614781460E0-6 1.686401847956810E-10 6.689796478985360E-16 7.914929562737230E-23 2.404228915542010E-31 1.146437659488940E-41 1.169337061766740E-53
Como podemos apreciar a medida que aumenta el grado del polinomio el sistema de ecuaciones normales tiende a ser mas inestable. Aunque como puedes ver para grado 5 el error estndar cuadrado es menor al de la parbola, aun as, se prefiere la parbola. Esto es, porque siempre se prefiere la curva mas simple posible. Adems los coeficientes del polinomio de grado 5, no son muy confiables, ya que el sistema de ecuaciones lineales es muy inestable. Por otro lado, es mas probable que exista oscilacin en grado 5, que en la parbola. Los datos fueron derivados de
y = 1- x + 0.2x 2
Como apreciamos las curva se aproxima a la curva real.
12
Por qu ?
6-16
y = Ae Bx y = Ax B
Si les aplicamos el mtodo de mnimos cuadrados obtenemos 1. Curvas propuestas
y p = Ae Bx y p = Ax B
2. S2 esta dada por:
S 2 = ( y i Ae Bx i ) 2
S 2 = ( y i Ax i B ) 2
3. Derivando
S 2 A S 2 B
=
B
( y Ae ) = 2 ( y Ae )( e ( y Ae ) = 2 ( y Ae )( Ae
i Bx i
Bx i
Bxi
) xi )
Bxi
Bx i
Bxi
S 2 A S 2 B
(y
i
Ax i B ) 2 = 2 ( y i Ax i B )( x i B )
(y
Ax i B ) 2 = 2 ( y i Ax i B )( Ax i B ln x i )
4. Igualando a 0 y simplificando
S 2 A S 2 B
= 2 ( y i Ae Bxi )( e Bxi ) = 0
= 2 ( y i Ae Bxi )( Ae Bxi x i ) = 0
S 2 A
= 2 ( y i Ax i B )( x i B ) = 0
Pgina
6-17
= 2 ( y i Ax i B )( Ax i B ln x i ) = 0
Ae Ae
2 Bx i
= y i e Bxi
2 Bx i
x i = y i e Bxi x i
2B
Ax Ax
2B
i
= yi xi B
ln x i = y i x i B ln x i
Podemos observar que las ecuaciones normales son no lineales, por lo cual son difciles de resolver. Por esta razn en la practica se prefiere usar un cambio de variable antes de aplicar el mtodo de mnimos cuadrados. Si para el modelo exponencial tomamos logaritmos naturales tenemos
y = Ae Bx ln y = ln A + Bx
Si
z = ln y ln A = a 0 B = a1
obtenemos
z = a 0 + a1 x
La ecuacin de una recta, la cual es trivial hallarla por mnimos cuadrados. Anlogamente para la potencial
y = Ax B ln y = ln A + B ln x
6-18
z = ln y w = ln x ln A = a 0 B = a1
obtenemos
z = a 0 + a1 w
Tambin una recta. Para ambos casos el error estndar cuadrado es
xy =
S2 M 2
Es importante en ambos casos regresar a las variables originales, despus de haber hecho la regresin, ya que nos interesa el ajuste de y en funcin de x, no de ln y en funcin de x de ln y en funcin de ln x . En ambos casos
A = e a0 B = a1
S2 se calcula con la expresin respectiva del paso 2.
y = Ae Bx ln y = ln A + Bx
Pgina
6-19
z = ln y ln A = a 0 B = a1
obtenemos
z = a 0 + a1 x
Las ecuaciones normales son
M x
o si lo prefieres
x a x a
2
z = zx 1
0
M x
Calculando las sumatorias que faltan
x a x a
2
ln y = x ln y 1
0
z = ln y = -8.69000470253179 xz = x ln y = -7.15128319177075
Las ecuaciones normales son
6.01 a 0 -8.69000470253179 11 6.01 4.6545 a = -7.15128319177075 1 11a 0 + 6.01a1 = -8.69000470253179 6.01a 0 + 4.6545a1 = -7.15128319177075
6-20
1.678836753854920E - 01 a= - 1.753198857200030
Regresando a la variable original
y = 1.182799014005680e -1.753198857200030 x
El error estndar cuadrado es
xy =
S2 M 2
4.333017053288480E-02 11 2
= 6.938633433567990E - 02
y = Ax B ln y = ln A + B ln x
Si
z = ln y w = ln x ln A = a 0 B = a1
obtenemos
z = a 0 + a1 w
Pgina
6-21
M w
o si lo prefieres
w a w a
2
z = zw 1
0
M ln x
ln x (ln x )
a 0 ln y = a1 ln x ln y
w = ln x = -10.4211953439925
w = (ln x ) = 20.1301473902587 wz = ln x ln y = 2.52454386931678
2 2
11 -10.4211953439925a0 -8.69000470253179 -10.4211953439925 20.1301473902587 a = 2.52454386931678 1 11a 0 - 10.4211953439925a1 = -8.69000470253179 -10.4211953439925a 0 + 20.1301473902587a1 = 2.52454386931678
resolviendo
-1.31721974461162 a= - 5.565016580885040E - 01
Regresando a la variable original
A = e a0 = e -1.31721974461162 = 2.678790397399640E - 01
6-22
B = - 5.565016580885040E - 01
La ecuacin es
y = 2.678790397399640E - 01x
El error estndar cuadrado es
-5.565016580885040E-01
xy =
S2 M 2
3.349856536953140E-01 11 2
= 1.929264838957270E - 01
xy
y=
x Ax + B
Si deseamos ajustarla por el mtodo de mnimos cuadrados el sistema de ecuaciones normales obtenido ser no lineal. Esta curva puede expresarse de varias maneras. Por ejemplo si consideramos los recprocos
Pgina
6-23
Ax + B x B x
= A+
Radio1 = SonidoZ = A = a0 B = a1
obtenemos una recta.
1 y 1 x
Radio1 = a 0 + a1 SonidoZ
Por otro lado tambin podemos hacer
y ( Ax + B ) = x Ax + B =
Cambiando variables
x y
Kebuena = B = a0 A = a1
con lo que obtenemos otra recta.
x y
Kebuena = a 0 + a1 x
Debemos de recordar que en cada caso el error estndar cuadrado se calcula con la ecuaciones original.
6-24
Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas. Existen casos donde es virtualmente imposible realizar un cambio de variable que simplifique el sistema. En estos casos no hay mas remedio que resolver el sistema de ecuaciones normales no lineal que se obtiene. Este problema de denomina regresin no lineal y es difcil de resolver.
Para proponer el modelo apropiado recurramos a la teora. La Fisicoqumica nos da la teora necesaria. De acuerdo a la Fisicoqumica 2 modelos posibles en este caso son
13
O producto.
Pgina
6-25
C = Ae kt C=
1 kt + A
Probemos ambos para ver cual es mas apropiado. Para el modelo exponencial hacemos un cambio de variable
C = Ae kt
ln C = ln A + kt
Si
y = ln C ln A = a 0 k = a1 , t = x
obtenemos
y = a 0 + a1 x
Las ecuaciones normales son
M x
o si lo prefieres
x a x a
2
y = yx 1
M t
Calculando las sumatorias
t a t a
2
ln C = t ln C 1
M=4
x = t = 226
6-26
226 a 0 -10.8864300456356 4 226 19206 a = -655.363683091011 1 4a 0 + 226a 1 = -10.8864300456356 226a 0 + 19206a 1 = -655.363683091011
resolviendo
-2.36805123030564 a= -6.257633293863140E - 03
Regresando a la variable original
tC =
S2 M 2
1.047430671204260E-05 4 2
= 2.288482762884900E - 03
C=
1 kt + A
Pgina
6-27
= kt + A
Si
y=
1 C
k = a1 A = a0 , t = x
obtenemos
y = a 0 + a1 x
Las ecuaciones normales son
M x
o si prefieres
x a x a
2
y = yx 1
M t
Calculando las sumatorias que faltan
t a t a
2
1 C = t 1 C
y= xy =
Las ecuaciones son
1 C t C
= 62.8394283442109
= 4214.64164210046
226 a 0 62.8394283442109 4 226 19206 a = 4214.64164210046 1 4a 0 + 226a 1 = 62.8394283442109 226a 0 + 19206a 1 = 4214.64164210046
6-28
resolviendo
9.87979841790472 a= 1.031868790822660E - 01
Regresando a la variable original
A = 9.87979841790472 k = 1.031868790822660E - 01
La ecuacin es
C=
El error estndar cuadrado es
1 1.031868790822660E-01t +9.87979841790472
tC =
S2 M 2
0.0000007232941073824 4 2
= 6.013709784245E - 04
Podemos observar que el modelo 2 es mejor al modelo exponencial ya que su error estndar cuadrado es menor. Por esta razn aceptamos que la curva ajustada es
C=
1 1.031868790822660E-01t +9.87979841790472
Este modelo de acuerdo a su error estndar cuadrado nos da 3 decimales correctos o sea en este caso 2 cifras significativas.14 Con esto en mente determinemos cual era la concentracin inicial al principio del experimento. Esto equivale a evaluar el modelo en t=0 min.
C(0 min) =
1 9.87979841790472
Por qu ?
Pgina
6-29
C(30 min) =
1 1.031868790822660E-01(30)+9.87979841790472
C(180 min) =
1 1.031868790822660E-01(180)+9.87979841790472
(x ) = (x 1)! = t x 1 e t dt
0
6-30
Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas. Como puedes ver es difcil de evaluar.15 Puede demostrarse que basta con tabular esta funcin en el intervalo [0,1] para determinar su valor en cualquier intervalo. La tabla siguiente es un extracto de una tabla de dicha funcin Tabla 5 Funcin Factorial X 0.000000000000000E+00 1.000000000000000E-01 2.000000000000000E-01 3.000000000000000E-01 4.000000000000000E-01 5.000000000000000E-01 6.000000000000000E-01 7.000000000000000E-01 8.000000000000000E-01 9.000000000000000E-01 1.000000000000000E+00 Y 1.000000000000000E+00 9.513507699000000E-01 9.181687424000000E-01 8.974706963000000E-01 8.872638175000000E-01 8.862269255000000E-01 8.935153493000000E-01 9.086387329000000E-01 9.313837710000000E-01 9.617658319000000E-01 1.000000000000000E+00
La tabla original tiene 201 puntos. Con el fin de obtener una curva aproximada simple se ajustaron los datos a polinomios. La siguiente tabla muestra el error estndar cuadrado en funcin del grado
15
Piensa nada mas unos minutos en como evaluaras esa integral, para cada x.
Pgina
6-31
Tabla 6 n 1 2 3 4 5 6 7 8 9 10 11 12
xy
3.407921011880930E-02 2.680405127657040E-03 8.305981847918320E-04 1.207116027524470E-04 2.318866456123730E-05 3.935621112303070E-06 6.921022337989880E-07 1.197875423941650E-07 2.076761431477710E-08 3.625215464623650E-09 1.141214816768140E-09 6.798503362032110E-09
nc 1.251787073568060E-01 1.351245089721490E-03 1.115813123544800E-06 6.672801758014870E-11 2.801005330955970E-16 8.087785268244310E-23 1.583756736752350E-30 2.081115955774190E-39 1.819913769105280E-49 1.049394671170170E-60 3.621073490217890E-73 8.429901698868790E-87
Podemos observar que el mejor polinomio es de grado 11, ya que tiene error estndar cuadrado mnimo. No conviene el polinomio de grado 12, ya que el error estndar cuadrado es mayor al de 11. El polinomio de grado 11 obtenido es
y = 9.999999927079500E - 01 - 5.772144911512530E - 01x +9.890135468864940E - 01x 2 - 9.068126293057010E - 01x 3 +9.759601535646400E - 01x 4 - 9.508950268076820E - 01x 5 +8.806644287065960E - 01x 6 - 7.087519388748180E - 01x 7 +4.574918647329190E - 01x 8 - 2.134326371835900E - 01x 9 +6.246418661118020E - 02x 10 - 8.487450002522200E - 03x 11
De acuerdo al error estndar cuadrado tenemos 8 cifras significativas.16 Este polinomio es mas fcil de evaluar y es mas recomendable que la funcin original, en un programa, ya que el tiempo de maquina para su evaluacin es menor.
16
Por qu ?
6-32
Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas. los polinomios de colocacin, pero no as en los polinomios de regresin. La diferencia entre ambos es que los de colocacin pasan por 2 mas puntos de la tabla, y los polinomios de regresin se aproximan a todos los puntos. Esto trae como consecuencia que su comportamiento sea mas suave.17 Por esto se prefiere los polinomios de regresin para extrapolar. En la unidad pasada en un problema se realizo la estimacin de cuantos lectores potenciales tiene Supermn, en base a datos del censo de USA. Los datos se dan nuevamente en la tabla 7. Tabla 7. Censo de USA Ao 1930 1940 1950 1960 1970 1980 Poblacin 123203000 131669000 150697000 179323000 203212000 226505000
xy = 2.242942367069320E + 06
por lo cual tenemos 3 cifras significativas.18 Si repetimos la interpolacin y la extrapolacin de ese ejemplo tenemos Y( 1.938000000000000E+03)= 1.288335516086430E+08 Y( 1.996000000000000E+03)= 2.366530072376710E+08
17
Entendamos por suave menos brusco, es decir sin saltos o variaciones muy grandes de un valor a otro y sin tendencia a la oscilacin. Por qu ?
18
Pgina
6-33
Redondeando a las cifras significativas que nos da el modelo tenemos Y(1938)= 1.29E+08 Y(1996)= 2.37E+08 Los valores obtenidos con polinomios de colocacin son respectivamente Y(1938)= 1.291E+08 Y(1996)= 3E+08 Comparando los resultados obtuvimos mas cifras significativas con el polinomio de regresin que con el de colocacin
6.8 Resumen
El ajuste de curvas regresin consiste en dada una tabla determinar una ecuacin que se aproxime apropiadamente a los datos. El mtodo a utilizar se denomina mnimos cuadrados. Consiste de los siguientes pasos: 1. Proponer una curva. 2. Formar la cantidad: S
2
= ei 2
3. Derivar parcialmente S2 respecto de cada variable. 4. Igualar a 0. 5. Resolver las ecuaciones normales. 6. Calcular S2. 7. Calcular el error estndar cuadrado. Las curvas mas usadas son los polinomios. Para hallar el mejor polinomio se propone el grado y se va calculando el error estndar cuadrado hasta que sea menor o igual a una tolerancia, comience a subir de valor, se llegue al grado mas alto posible. Otras 2 curvas muy usadas son la exponencial y la potencial. Para determinarlas se hace un cambio de variable con logaritmos y se aplica el mtodo de mnimos cuadrados. La curva propuesta puede determinarse considerando: Teora, graficando por tanteo. Si es necesario se debe de intentar de simplificar el modelo antes de aplicar el mtodo de mnimos cuadrados. Si no es posible se aplica el mtodo directamente.
6-34
Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas. El mtodo de mnimos cuadrados NO implica necesariamente ajustar a polinomios.
Pgina
6-35
6.9 ndice
6. AJUSTE DE CURVAS ......................................................................................................................... 6-1
6.1 INTRODUCCIN .................................................................................................................................... 6-1 6.2 DESARROLLO DEL MTODO .................................................................................................................. 6-2 6.3 MTODO DE MNIMOS CUADRADOS ..................................................................................................... 6-3 6.3.1 Ejemplo del mtodo de mnimos cuadrados aplicado a la recta................................................. 6-5 6.3.2 Mtodo de mnimos cuadrados para el caso polinomial............................................................. 6-7 6.3.3 Determinacin del grado del mejor polinomio ......................................................................... 6-10
6.3.3.1 Ejemplo de determinar el mejor polinomio ........................................................................................... 6-11
6.4 REGRESIN EXPONENCIAL Y POTENCIAL ............................................................................................ 6-16 6.4.1 Ejemplo de regresin exponencial y potencial.......................................................................... 6-19 6.5 CMO PROPONER LA CURVA A AJUSTAR ? ....................................................................................... 6-23 6.6 CAMBIOS DE VARIABLE ...................................................................................................................... 6-23 6.7 EJEMPLO PRCTICOS .......................................................................................................................... 6-25 6.7.1 Cintica de una reaccin........................................................................................................... 6-25 6.7.2 Aproximacin de una funcin matemtica complicada ............................................................ 6-30 6.7.3 Pronsticos del numero de lectores de Supermn..................................................................... 6-32 6.8 RESUMEN ........................................................................................................................................... 6-34 6.9 NDICE ................................................................................................................................................ 6-36
6-36