Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas.

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.

Siempre y cuando x1<x<xm. En caso contrario se conoce como extrapolacin.

Pgina

6-1

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

6.2 Desarrollo del mtodo

Para hallar una curva que ajuste una serie de datos consideremos lo siguiente. La grfica en la figura 1 de los datos puede ser:

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

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas.

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.

6.3 Mtodo de Mnimos Cuadrados

El mtodo que determino Gauss5 se conoce como mtodo de mnimos cuadrados.6 A continuacin describiremos cada uno de sus pasos. 1. Proponer una curva. La curva propuesta puede determinarse de varias maneras, las cuales describiremos mas adelante. 2. Formar la cantidad:

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

4. Anlogamente al calculo de una variable se igualan a 0.

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

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas.

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

es 0, la curva propuesta coincide con la curva real.

6.3.1 Ejemplo del mtodo de mnimos cuadrados aplicado a la recta

Para aplicar este mtodo se requiere proponer una curva. El mtodo es completamente general. Apliqumoslo al caso de una recta. Cada uno de los pasos son: 1. La curva propuesta es:

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

Separando las sumatorias

y a
i i i

a1 x i = 0
2 1 i

y x a x a x
0 i

=0

Sacando las constantes de las sumatorias

a 0 1 a1 x i = 0

y x
i

a 0 x i a1 x i 2 = 0

Dado que las sumatorias son desde 1 hasta M,10 la sumatorias de 1 es M

y
10

a 0 M a1 x i = 0

El numero de puntos de la tabla.

6-6

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas.

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.

6.3.2 Mtodo de mnimos cuadrados para el caso polinomial.

Como ya hemos mencionado anteriormente los polinomios son muy usados en los clculos numricos, por sus propiedades. La ecuacin de un polinomio de grado n es:

y = a 0 + a1 x + a 2 x 2 + + a n x n = i = 0 a i x i
n

Apliqumosle el mtodo de mnimos cuadrados. 1. La curva propuesta es:

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

5. Omitiendo los pasos siguientes el sistema de ecuaciones normales es:

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

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas.

xy =

S2 M n 1

Podemos escribir el sistema de ecuaciones normales obtenido en la forma:

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: Vector de coeficientes. Las constantes del polinomio.

a 0 a 1 a 2 a= a n
Sxy: Vector de sumatorias de potencias de x con ys.

Pgina

6-9

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

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.

6.3.3 Determinacin del grado del mejor polinomio

Si tenemos una serie de datos, y consideramos que provienen de un polinomio, el grado del mismo podemos determinarlo considerando que el polinomio mejor, ser aquel que tenga xy mas pequeo. Si calculamos los valores de xy para cada grado intuitivamente debera de ocurrir que:

xy1 xy 2 xy 3 xyn

lim
n

xyn

=0

6-10

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas.

Entonces si en un momento dado para un cierto grado

xy

es menor o igual a una tolerancia

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

6.3.3.1 Ejemplo de determinar el mejor polinomio

Los siguientes datos se determinaron de una curva a la que intencionalmente se le agrego error en los valores de y. Esto se hizo con el fin de emular lo que pasa en la vida real. En la practica cuando ajustamos una curva a una tabla, no estamos trabajando con los valores reales, sino tan solo con aproximaciones. Esto se debe al error inherente que pueden tener los datos. Veremos con este ejemplo si la curva obtenida se aproxima a la curva real. Los datos son

11

En pocas palabras es posible que valor de

xy

aumente de un grado a otro.

Pgina

6-11

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

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

La tolerancia es de 5x10-5 . Comenzando con grado 1, el sistema de ecuaciones normales es:

M x
Las sumatorias requeridas son:

x a x a
2

y = yx 1
0

M = 11

x = 6.01 x = 4.6545 y = 5.905 yx = 2.18387

2

El sistema de ecuaciones es

6.01 a 0 5.905 11 6.01 4.6545 a = 2.18387 1

6-12

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas.

11a 0 + 6.01a1 = 5.095 6.01a 0 + 4.6545a1 = 2.18387

La solucin es:

9.522768677798860E - 01 a= -7.604069127418870E - 01
La ecuacin de la recta es:

y p = 9.522768677798860E - 01 - 7.604069127418870E - 01x

El error estndar cuadrado es:

xy =

S2 M n 1

9.145940289401430E -03 1111

= 3.187813651566340E - 02

Pasando a grado 2. El sistema de ecuaciones normales es

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

Calculando las sumatorias que faltan

x = 4.114963 x = 3.91612773 yx = 1.3357207

3 4 2

Las ecuaciones normales son

Pgina

6-13

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

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

9.979683841833940E - 01 a = -1.018042464738590 2.246821327879620E - 01

La ecuacin de la parbola es

y p = 9.979683841833940E - 01 - 1.018042464738590x +2.246821327879620E - 01x 2

El error estndar cuadrado es

xy =

S2 M n 1

1.867513180686410E-03 11 2 1

= 1.527871550837310E - 02

Para una cubica tenemos

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

Calculando las sumatorias que faltan

= 3.9186513091

6-14

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas.

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

1.00369670446974 -1.07944638429522 a = 3.513748732466750E - 01 -6.893508570538010E - 02

La ecuacin de la cubica es

y p = 1.00369670446974 - 1.07944638429522x +3.513748732466750E - 01x 2 - 6.893508570538010E - 02x 3

El error estndar cuadrado es

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

3.187813651566340E0-2 1.527871550837310E0-2 1.609400185661510E0-2 1.656380629913640E-02 1.157772563047290E-02 1.290658806291850E-02 1.460933887575880E-02 1.678759428042640E-02 2.176736731177390E-02

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.

6.4 Regresin exponencial y potencial

Desafortunadamente en la practica no siempre los polinomios ajustan bien una serie de datos. Dos curvas que aparecen frecuentemente en la practica son la exponencial y la potencial, las cuales son respectivamente:

12

Por qu ?

6-16

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas.

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

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

S 2 B

= 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

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas. Si

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.

6.4.1 Ejemplo de regresin exponencial y potencial

Ajustemos los datos del ejemplo anterior. Para la curva exponencial tenemos tomando logaritmos

y = Ae Bx ln y = ln A + Bx

Pgina

6-19

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva Si

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

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas. resolviendo

1.678836753854920E - 01 a= - 1.753198857200030
Regresando a la variable original

A = e a0 = e1.678836753854920E -01 = 1.182799014005680 B = - 1.753198857200030

La ecuacin es

y = 1.182799014005680e -1.753198857200030 x
El error estndar cuadrado es

xy =

S2 M 2

4.333017053288480E-02 11 2

= 6.938633433567990E - 02

Para la curva potencial tenemos

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

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

Las ecuaciones normales son

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

Calculando las sumatorias que faltan

w = ln x = -10.4211953439925
w = (ln x ) = 20.1301473902587 wz = ln x ln y = 2.52454386931678
2 2

Las ecuaciones normales son

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

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas.

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

Como esperamos ninguna es mejor a la parbola que obtuvimos anteriormente.

6.5 Cmo proponer la curva a ajustar ?

La curva propuesta puede determinarse de las siguientes maneras: 1. Considerando la teora. A veces la naturaleza fsica de los datos nos dice o al menos propone la forma de la curva. Por ejemplo si ajustamos datos de voltaje contra corriente la ecuacin apropiada es lineal por la ley del Ohm. 2. Graficando. Si no tenemos una teora que nos indique la forma de la curva, viendo la grfica podemos darnos una idea. 3. Por tanteo. Probando diversas curvas, la que nos de

xy

mas pequeo ser la apropiada.

6.6 Cambios de variable

Como en el caso de la curva exponencial y de la potencial en los que conviene cambiar las variables entes de aplicar el mtodo de mnimos cuadrados, puede ocurrir que en otros casos se deba hacer tambin. Por ejemplo la siguiente ecuacin se usa en ptica

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

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

1 y 1 y

Ax + B x B x

= A+

Cambiando las variables

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.

6.7 Ejemplo prcticos

A continuacin mostramos algunas aplicaciones del ajuste de curvas.

6.7.1 Cintica de una reaccin

En la industria qumica se elaboran productos que usamos todos los das: lociones, jabones, perfumes, desodorantes, dulces, etc, etc, etc. Muchos de estos productos son sintticos y se elaboran en equipos llamados reactores. Para disear y posteriormente construir un reactor se requieren informacin de como varia la concentracin en funcin del tiempo de una reaccin qumica determinada. Esta informacin es denominada cintica de la reaccin. Para determinar dicha cintica se requiere medir en laboratorio datos de la concentracin de algn reactivo13 para varios tiempos de reaccin. La trimetilamina y el bromuro de n-propilo es una reaccin que se puede estudiar para disear reactores. La reaccin es

N (CH3 ) 3 + CH3 CH2 CH2 Br (CH3 ) 3 (CH2 CH2 CH3 )N + + Br

A continuacin se muestra una tabla de la concentracin de la trimetilamina en funcin del tiempo Tabla 4 Concentracin de trimetilamina en funcin del tiempo t (min) 1.30000000000000E+01 3.40000000000000E+01 5.90000000000000E+01 1.20000000000000E+02 C (mol/lt) 8.880000000000000E-02 7.430000000000000E-02 6.330000000000000E-02 4.480000000000000E-02

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

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

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

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas.

x = t = 19206 y = ln C = -10.8864300456356 xy = t ln C = -655.363683091011

2 2

Las ecuaciones son

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

A = e a0 = e -2.36805123030564 = 9.366307630583030E - 02 k = -6.257633293863140E - 03

La ecuacin es

C = 9.366307630583030E - 02e -6.257633293863140E-03t

El error estndar cuadrado es

tC =

S2 M 2

1.047430671204260E-05 4 2

= 2.288482762884900E - 03

Para el segundo modelo tambin realizamos cambios de variable

C=

1 kt + A

Pgina

6-27

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

1 C

= 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

Mtodos Numricos Curso SAI Tema 6. Ajuste de Curvas.

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

C(0 min) = 0.1012166400266mol / lt C (0 min) = 0.1mol / lt

Cunto reactivo queda a la media hora de iniciado el experimento ?
14

Por qu ?

Pgina

6-29

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

C(30 min) =

1 1.031868790822660E-01(30)+9.87979841790472

C(30 min) = 0.07706888657084mol / lt C (30 min) = 0.077 mol / lt

Cunto reactivo queda a las 3 horas de iniciado el experimento ?

C(180 min) =

1 1.031868790822660E-01(180)+9.87979841790472

C(180 min) = 0.03537163913639mol / lt C (180 min) = 0.035mol / lt

De los resultados anteriores en orden de confiabilidad tenemos: C(30 min), C(0 min), C(180 min). Esto es porque en 30 min. estamos interpolando. En los otros 2 valores se realizan extrapolaciones y como ya mencionamos anteriormente es mas seguro interpolar que extrapolar. La concentracin en 0 min es mas confiable que la concentracin en 180 min porque esta mas cerca del intervalo de tiempos que cubre la tabla. Por ultimo las unidades de las constantes del modelo son: A[=]mol/lt k[=]mol/lt/min Esto es porque el modelo debe de ser dimensionalmente consistente.

6.7.2 Aproximacin de una funcin matemtica complicada

Existen funciones matemticas que son difciles de evaluar. De estas funciones muchas estn tabuladas en manuales de matemticas. Es comn en aplicaciones, sobre todo en programas de computadora usar una ecuacin que se aproxime al comportamiento de alguna de estas funciones. Una forma de obtener una funcin mas simple de evaluar a partir de una funcin complicada, consiste en generar una tabla y posteriormente hallar una curva que se ajuste a la misma. La funcin Gamma funcin factorial generalizada, se emplea en la solucin de algunas ecuaciones diferenciales en el calculo de ciertas integrales. Esta funcin como su nombre lo indica generaliza el concepto de factorial. Esta definida por

(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

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

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.

6.7.3 Pronsticos del numero de lectores de Supermn

Como mencionamos en la unidad anterior la extrapolacin es menos confiable que la interpolacin. Esto es principalmente por el fenmeno de oscilacin. Este fenmeno es serio en

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

Despus de realizar diferentes ajustes el mejor polinomio es

y = 7.677875657478090E + 11 + 1.971086459627230E + 09x -4.216781089597820E + 06x 2 + 2.355070630196930E + 03x 3 -4.176980570680360E - 01x 4

con

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

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

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

Mtodos Numricos. Curso SAI. 7/24/2004 9:21 Hugo Pablo Leyva

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