AJUSTE DE DATOS

POR CURVAS NO LINEALES

CURSO:
MÉTODOS NUMÉRICOS PARA INGENIERÍA
DOCENTE:
Ing. Cristian Amador Loli Prudencio
INTEGRANTES:
CANCHAYA OLORTEGUI, Alex
CARRION CARBAJAL, Enrique GALLEGOS SOTO, Cesar
FERNANDEZ RUIZ, Carlos HUAMANI CHUCOS, Ailton
TINCOPA QUISPE, Bismark
RESUMEN

Los métodos numéricos nos vuelven aptos para entender esquemas numéricos
a fin de resolver problemas matemáticos, de ingeniería y científicos en una
computadora, reducir esquemas numéricos básicos, escribir programas y
resolverlos en una computadora y usar correctamente el software existente para
dichos métodos y no solo aumenta nuestra habilidad para el uso de
computadoras, sino que también amplia la pericia matemática y la
comprensión de los principios científicos básicos...
OBJETIVOS

Objetivo General
• Calcular el error cuadrático por medio de formulas, de cada ajuste no
lineal.
Objetivos Específicos
• Indicar el mejor ajuste mediante el cálculo de E.C.M.
• Comparar el E.C.M. de los ajustes no lineales
ANTECEDENTE
Ajuste de Curva

Básicamente el ajuste de curvas se utiliza cuando se tiene una serie de datos calculados y se
desea conocer valores intermediarios no conocidos, o también en aquellos casos en que se
desee una versión simplificada de una función que se ajuste a un número de valores
concretos, y posteriormente usar la función simplificada para derivar nuevos valores.

“Ajustar una curva implica ajustar una función g(x) a un conjunto de datos (x i,yi), i=1,2,
…,L, g(x) pueden ser un polinomio, una función lineal o combinación de funciones
conocidas”.
 MARCO TEÓRICO
• Ajuste de datos con MATLAB.
MATLAB dispone de la función polyfit para ajustar datos a
un polinomio de grado n. También tiene la posibilidad de
ajustar los datos de forma interactiva en la ventana gráfica
(Figure Window) seleccionado en el menú Tools/Basic
Fitting.

• Ajuste de datos con el operador, división por la

izquierda \.
Conocidos los n pares de datos (xi,yi) i=1,2...n resolvemos
el sistema de n ecuaciones para determinar las incógnitas,
los coeficientes a1,a2, a3 del polinomio que mejor ajusta.
• CASO Nº01
En un ejemplo anterior, tenemos n=9 pares de datos (xi,yi) que ajustamos a un polinomio de
segundo grado. Resolvemos un sistema de nueve ecuaciones con tres incógnitas, con el
operador \ (división por la izquierda).
• Ajuste de datos con polyfit
Para el ajuste de datos a un polinomio se utiliza la función MATLAB polifit, cuya sintaxis es la
siguiente:

p=polyfit(x,y,n)

x, y son los vectores de las abscisas y de las ordenadas de los datos, respectivamente
n, es el grado del polinomio al que se quieren ajustar los datos
p, es el vector de los coeficientes de dicho polinomio.

Para n=1 tenemos la regresión lineal. Si m es el número de datos, el polinomio pasa a través de
todos los puntos si n=m-1. El grado n del polinomio no puede ser mayor que m-1.
En el ejemplo de la página precedente, se cambia la llamada a la función pol_regresion por la
función MATLAB polyfit
En la ventana de comandos corremos el
script y nos aparece el vector p que
contiene los coeficientes a1, a2, a3 del
polinomio.
p=
0.3446 3.7004 -0.1188
También se puede utilizar polyfit para
realizar ajustes a una función potencial,
exponencial, logarítmica, etc, tal como se
muestra en el siguiente cuadro.
El primer elemento del vector p devuelto por polyfit, p(1) guarda el parámetro a y
el segundo elemento, p(2) guarda el parámetro c.

FUNCION LLAMADA A POLYFIT

P=polyfit (log(x), log(y), 1)
P=polyfit (x, log(y), 1)
P=polyfit (log(x), y, 1)

P=polyfit (x, 1. /y, 1)

•  Ajuste de datos (curva-no lineal)
Hay muchos casos en los que es preciso ajustar los datos experimentales a una función
no lineal f(x). Utilizaremos la función MATLAB nlinfit.
 
 La función:

Aparece en el estudio del péndulo simple, con y=P2/(4·π2) y x es la distancia entre el

centro de masas (c.m.) y el centro de oscilación O. P es el periodo de oscilación del
péndulo compuesto cuando su amplitud es pequeña.
•  CASO Nº02

Resolvemos el sistema de dos ecuaciones con dos

incógnitas, para determinar los coeficientes a y b.

Medimos el periodo Pi de péndulo para cada

posición xi, completando una tabla con N pares de
datos.
Creamos un script con MATLAB para calcular los valores de a y b. Representamos los datos
experimentales y la función que mejor ajusta.
•  La Función:
En una experiencia de laboratorio, colocamos un sensor, a una distancia x de
la fuente de luz, que vamos cambiando. Obtenemos la siguiente tabla:

Otros ejemplos de este ajuste de datos es la dependencia del índice de

refracción de un vidrio con la longitud de onda, o del agua de una gota.
•Queremos
  ajustar m pares de datos (xi,yi) a la función:

De modo que la suma S sea mínima:

,
Resolvemos el sistema de dos ecuaciones con dos incógnitas. Creamos la matriz A de los
coeficientes y el vector B de los términos independientes, despejamos el vector X de las
incógnitas utilizando el operador división por la izquierda \. El elemento X(1) es a y el
elemento X(2) del vector X es b.
•  Función, y=a+b/x+c/x2

Queremos ajustar los siguientes pares de datos.

A la función:

De modo que la suma S sea mínima

 Ajuste mediante nlinfit
Ejemplo 1: En un experimento hemos obtenido los siguientes datos :

Calculamos los parámetros a y b a partir del ajuste de datos por el procedimiento de mínimos cuadrados implementado en la función MATLAB nlinfit,
tomando como modelo la función.
Y=axb+x

Corremos el script en la ventana de comandos

af = 23.5104 0.0171
•Ejemplo de regresión lineal
Un vehículo que se mueve supuestamente con velocidad constante. Los datos de las medidas del
tiempo en cuatro posiciones separadas 900m son las siguientes:

Tiempo t(s) Posición x(m)

17.6 0

40.4 900

67.7 1800

90.1 2700

Adjuntar los datos a la línea recta x=x0+vt y estimar el valor de la velocidad y aplicando el
procedimiento
de mínimos cuadrados.
 En el vector a de dimensión 2 hemos guardado la pendiente en a(1) y su error en a(2)
 En el vector b de dimensión 2 hemos guardado la ordenada en b(1) y su error en b(2)

Escribimos un script para calcular la pendiente a de la recta de regresión, su error

Δa, la ordenada en el origen b y su error Δb.
En la ventana de comandos corremos el
script

Queda como trabajo al lector calcular el coeficiente de

correlación.
Solución r=0.99926.
 •Función potencial

La expresión y=c*xa se puede transformar en logy=a*logx+logc.

Si usamos las nuevas variables X=logx e Y=logy, obtenemos la regresión lineal
Y=aX+b.
Donde b=logc.

•Ejemplo

x 10 20 30 40 50 60 70 80

y 1.06 1.33 1.52 1.68 1.81 1.91 2.01 2.11

Representamos estos datos en un diagrama doblemente logarítmico mediante el comando loglog.

Para determinar la recta de regresión, se transforma esta tabla de datos en esta otra

X=log x 1.0 1.30 1.477 1.60 1.699 1.778 1.845 1.903

Y=log y 0.025 0.124 0.182 0.225 0.258 0.281 0.303 0.324

Calculamos mediante la función regresión los parámetros a y c.

Corremos el script en la ventana de comandos
•Función exponencial

La expresión y=c*eax tomando logaritmos en los dos miembros resulta lny=ax+lnc.

Si podemos ahora X=x, e Y=lny, obtenemos la relación lineal Y=aX+b.
Donde b=lnc.

x 12 41 93 147 204 264 373 509 773

y 930 815 632 487 370 265 147 76 17

Representamos estos datos en un diagrama semilogarítmico mediante el comando semilogy.
Para determinar la recta de regresión, se transforma esta tabla de datos en esta otra

X= x 12 41 93 147 204 264 373 509 773

Y=ln y 6.835 6.703 6.449 6.188 5.913 5.580 4.990 4.330 2.833
Corremos el script en la ventana de comandos
APLICACIÓN

•Ejemplo de regresión no lineal

La empresa de Cementos Sol se encarga de la producción de cemento portland tipo I con más de 40 años
en el mercado peruano. En los últimos 5 años obtuvimos la producción aproximada en millones de
toneladas de bolsas de cemento, de donde ajustaremos el modelo de regresión de Y (millones de toneladas
de bolsas de cemento) en función de X (tiempo). Aplicaremos los 3 ajustes de funciones no lineales:
Parabólica, potencial y exponencial; y compararemos el Error Cuadrático Medio de cada ajuste respectivo.

Año X Y

2012 1 1,25

2013 2 5

2014 3 11,25

2015 4 20

2016 5 30,5
 1. Ajuste de una función parabólica: Y’ = a + b X + c X2
X Y X2 X3 X4 XY X2Y Y’ e=Y-Y’ e2
1 1,25 1 1 1 1,25 1,25 1,18 0,07 0,0049
2 5 4 8 16 10 20 5,11 -0,11 0,0121

3 11,25 9 27 81 33,75 101,5 11,32 -0,07 0,0049

4 20 16 64 256 80 320 19,81 0,19 0,0361

5 30,5 25 125 625 152,5 762,5 30,58 -0,08 0,0064

∑ 15 68 55 225 979 277,5 1205 68 0 0,0644

1/5∑ 3 13,6 11 45 195.8 55,5 241 13,6 0 0,0128

Aplicando el método de los mínimos cuadrados se obtiene el siguiente sistema de ecuaciones:

 
 Resolviendo este sistema se obtiene:   a= -0,47       b= 0,51       c= 1,14
 
Y’ = -0,47 + 0,51 X + 1,14 X2
 
 
 
 
Bondad del Ajuste:

Coeficiente de determinación:

 
2. Ajuste de una función potencial: Y’= a Xb

En primer lugar linealizamos: lnY’= lna + b lnX    ∑ V’ = A + b U

X Y U=lnX V=lnY U2 UV Y’ e=Y-Y’ e2

1 1,25 0 0,2231 0 0 1,2557 -0,0057 0,0000

2 5 0,6931 1,6094 0,4803 1,1156 4,9888 0,0112 0,0001

3 11,25 1,0986 2,4203 1,2069 2,6590 11,18 0,0697 0,0049

4 20 1,3863 2,9957 1,9215 4,1530 19,82 0,1799 0,0324

5 30,5 1,6094 3,4177 2,5901 5,5006 30,901 -0,4012 0,1610

∑ 15 68 4,7875 10,666 6,1988 13,428 68,146 -0,1461 0,1984

1/5∑ 3 13,6 0,9575 2,1332 1,2397 2,6856 13,629 -0,0292 0,0397

∑e≠0
 
 

 
Deshacemos el cambio efectuado: a= antilnA = antiln 0,2277 = 1,2557
Por lo que el ajuste efectuado es: Y’ = 1,2557 X1,9902
Bondad del Ajuste:
 

Nótese que al haber transformado la variable dependiente ya no se minimiza ∑e2 sino

∑ (lnY- lnY’)2, de ahí que ∑≠0.
 
 
 
 
3. Ajuste de una función exponencial: Y* = a bX

En primer lugar linealizamos: lnY’ = lna + X lnb     ∑ V’= A + BX

X Y V=lnY X2 XV Y’ e=Y-Y’ e2
1 1,25 0,2231 1 0,2231 1,7794 -0,529 0,2798

2 5 1,6094 4 3,2188 3,86 1,138 1,2950

3 11,25 2,4203 9 7,2609 8,37 2,88 8,2944

4 20 2,9957 16 11,983 18,18 1,82 3,3124

5 30,5 3,4177 25 17,088 39,45 -8,95 80,102

∑ 15 68 10,666 55 39,774 71,64 -3,641 95,803

1/5∑ 3 13,6 2,1332 11 7,9548 14,328 -0,728 19,16

∑e≠0
  
 
 

A=V-bX= 2,13332 – 0,7776x3= -0.1996

Deshacemos los cambios efectuados:
a= antilnA = antiln-0,1996 = 0,819
b= antilnB =antiln 0,7776 = 2,176
Por lo que el ajuste efectuado es: Y ’ = 0,819×2,176x

Bondad
  del Ajuste:

 
 
Conclusión del problema de aplicación

La comparación de la bondad de modelos de regresión mediante el coeficiente de

determinación sólo es correcta cuando la variable dependiente no ha sido sometida a
transformaciones no lineales (por ejemplo, una transformación logarítmica). En este
ejercicio, mediante R2 sólo podemos comparar la regresión lineal y la parabólica. Por eso,
para comparar los cuatro ajustes efectuados utilizamos el Error Cuadrático Medio. El mejor
ajuste resulta ser el parabólico puesto que presenta el menor valor para el ECM.