You are on page 1of 59

CAPTULO

CAPTULO
4.
4.
Ajuste de Curvas
Ajuste de Curvas
Captulo 4. Ajuste de Curvas
4.1 Ajuste De Curvas
En las diferentes reas del mbito profesional de un ingeniero, suelen
presentarse problemas en los cules existe una correspondencia entre dos o ms
variables representadas por puntos y es necesario encontrar la naturaleza de esta
relacin.
El ajuste de curvas nace de la necesidad de la interpretacin de datos, que
pueden ser resultado de una experimentacin, de un anlisis, de un proceso, etc.
y estos datos se especifican mejor mediante una ecuacin que se ajusta a stos y
que define su comportamiento. De esta manera, se abre paso a la calibracin,
prediccin y simulacin de procesos.
Las tcnicas desarrolladas para alcanzar este propsito se pueden dividir
en dos categoras generales: la regresin y la interpolacin. La regresin es una
herramienta utilizada para interpretar situaciones reales y predecir o estimar
situaciones futuras de dos o ms variables relacionadas entre s, y segn la
dispersin de datos, se puede dividir en lineal, logartmica, exponencial y
cuadrtica entre otras.
La interpolacin es la construccin de nuevos puntos intermedios partiendo
del conocimiento de un conjunto de puntos. En ingeniera, es frecuente disponer
de un nmero de puntos obtenidos a partir de un muestreo o experimento y
construir una funcin que los ajuste. As mismo, puede servir de ayuda para
aproximar una funcin complicada en una ms simple.
4.2 Regresin Por Mnimos Cuadrados
En la grfica siguiente, se muestran 5 datos experimentales que
obviamente muestran una variabilidad significativa.
0
1
2
3
4
5
0 2 4
x
y
Se puede hacer un ajuste polinomial de orden cuatro que oscile ms all del
rango de datos. La ventaja de este mtodo es que la curva pasar por cada uno
Captulo 4. Ajuste de Curvas
de los datos graficados. Sin embargo, este ajuste puede resultar desfavorable si la
oscilacin es muy amplia.
De igual manera, los datos pueden obtenerse mediante una lnea recta que
minimiza el cuadrado de las distancias verticales desde cada observacin a la
lnea. A este mtodo se le conoce como regresin por mnimos cuadrados.
0
1
2
3
4
5
6
0 2 4 6
x
y
4.2.1 Regresin Lineal
Cuando se tiene un conjunto de pares de observaciones (x
1
, y
1
), (x
2
, y
2
), ...,
(x
n
, y
n
) como se vio en la grfica anterior y se quiere obtener una lnea recta que
se ajuste a estos datos, la expresin matemtica de la recta ser la siguiente:
e x a a y + +
1 0
(4.1)
Para la cual a
0
representa la interseccin con la ordenada, a
1
es la
pendiente y e es el error entre el modelo y las observaciones o datos. Si
despejamos e sucede lo siguiente:
x a a y e
1 0

(4.2)
De esta manera, podemos deducir que el error es la diferencia entre y los
valores calculados de a
0
y a
1
x para la lnea recta que se aproxima a los datos.
Captulo 4. Ajuste de Curvas
4.2.1.1 Principio Para La Mejor Aproximacin
Una tcnica para encontrar la lnea recta que induce menos defectos que
otros mtodos, es minimizando la suma de los cuadrados de los residuos entre la
y medida y la y calculada con el modelo lineal.



n
1 i
2
i 1 0 i
2
modelo i,
n
1 i
medida i,
n
1 i
2
i r
) x a a (y ) y (y e S
(4.3)
Para determinar los coeficientes a
0
y a
1
, la ecuacin anterior es diferenciada
con respecto a cada coeficiente:
] )x x a a [(y
a
S
) x a a (y
a
S
i i i
r
i i
r

1 0
1
1 0
0
2 2
Si hacemos que las derivadas sean igual a cero, S
r
implicar un mnimo:




0
0
2
1 0
1 0
i i i i
i i
x a x a x y
x a a y
Si

0 0
na a
, las ecuaciones pueden formularse como un sistema de
ecuaciones con 2 incgnitas (a
0
y a
1
):
( )
( ) ( )
1
2
0
1 0
a x a x y x
a x na y
i i i i
i i


+
+
A este tipo de ecuaciones se les llama ecuaciones normales y si las
resolvemos en forma simultnea, podemos obtener a
o
y a
1
:
( )



x a y a
x x n
y x y x n
a
i i
i i i i
1 0
2 2
1
(4.4 a, b)
Ejemplo 4.2.1
Ajuste a una lnea recta los valores de x y y de la siguiente tabla:
x 1 2 3 4 5 6 7 8 9 10
y 1.2 0.9 2.3 1.4 3.5 2.2 3.3 4.7 3.8 5.0
Solucin:
Para obtener la ecuacin de la recta es necesario conocer a
1
y a
0
que se
pueden obtener a partir de las ecuaciones (4.4):
( )



x a y a
x x n
y x y x n
a
i i
i i i i
1 0
2 2
1
Captulo 4. Ajuste de Curvas
Por tanto es necesario conocer cada uno de los trminos para sustituirlos
en las ecuaciones:
x y (xi*yi) xi
2
1 1.2 1.2 1
2 0.9 1.8 4
3 2.3 6.9 9
4 1.4 5.6 16
5 3.5 17.5 25
6 2.2 13.2 36
7 3.3 23.1 49
8 4.7 37.6 64
9 3.8 34.2 81
10 5.0 50 100
55.0 28.3 191.1 385.0
Con los datos anteriores podemos conocer a
1
:
( )
0.4297
(55) ) (10)(385.0
(55)(28.3) ) (10)(191.1
x x n
y x y x n
a
2 2 2
i
2
i
i i i i
1



Para a
0
necesitamos sacar:
2.83
10
28.3
n
y
y 5.5
10
55.0
n
x
x
i
-
i

Por tanto sustituimos para a


0
:
0.4667 ) 0.4297(5.5 2.83 x a y a
1 0


As, la ecuacin de la recta que se ajusta a los datos es:
0.4297x 0.4667 x a a y
1 0
+ +
4.2.1.2 Cuantificacin Del Error De La Regresin Lineal
Como se vio en un principio, el cuadrado de los residuos (error), establece
el cuadrado de la distancia vertical entre los datos y una medida de tendencia
central: la lnea recta.



n
i
i i elo i,
n
i
i,medida
n
i
i r
) x a a (y ) y (y e S
1
2
1 0
2
mod
1 1
2
(4.5)
La regresin por mnimos cuadrados aportar la mejor aproximacin para a
0
y a
1
, esto es en estadstica, el principio de probabilidad mxima.
Captulo 4. Ajuste de Curvas
Una desviacin estndar para la lnea de regresin se puede determinar
mediante la siguiente ecuacin:
2

n
S
S
r
y/x
(4.6)
En la que S
y/x
es el error estndar del estimado, el subndice y/x denota
que el error es para un valor predicho de y correspondiente a un valor particular de
x. Se divide entre n-2, debido a que son dos variables las que fueron calculadas (a
0
y a
1
), por tanto son dos los grados de libertad.
Para saber cul es la magnitud del error antes de que sea realizada la
regresin, volvemos a los datos originales y determinamos la suma total de los
cuadrados alrededor de la media para la variable dependiente (y).



2
) y (y S
i t
(4.7)
Si calculamos la resta entre S
t
y S
r
, se podr estimar la reduccin del
error y como la magnitud de esta cantidad es dependiente de la escala, la
diferencia es normalizada a S
t
para obtener:
t
r t
S
S S
r

2
(4.8)
En la cual r
2
es conocido como el coeficiente de determinacin y r (la
raz de r
2
) es el coeficiente de correlacin. Cuando se manejan lenguajes
computacionales, es ms conveniente emplear la siguiente ecuacin para r:
( )( )
( ) ( )
2
2
2
2


i i i i
i i i i
y y n x x n
y x y x n
r
(4.9)
Si r = r
2
= 1, significa que el ajuste es perfecto.
Ejemplo 4.2.2
Estime la desviacin estndar total, el error estndar del estimado y el
coeficiente de correlacin para las cantidades del ejemplo 4.2.1.
Solucin:
1. Para obtener la desviacin estndar total, recuerde que su ecuacin es:
1

n
S
S
t
y
2. Al igual que en el ejemplo 1, podemos hacer una tabla para obtener las
sumatorias. Los datos que necesita para la tabla son:
0.4297 a 0.4667 a 2.83 y
1 0

Captulo 4. Ajuste de Curvas


x y (yi-y
-
)
2
(yi-a0-a1xi)
2
1 1.2 2.6569 0.0922
2 0.9 3.7249 0.1816
3 2.3 0.2809 0.2962
4 1.4 2.0449 0.6170
5 3.5 0.4489 0.7829
6 2.2 0.3969 0.7139
7 3.3 0.2209 0.0305
8 4.7 3.4969 0.6331
9 3.8 0.9409 0.2852
10 5.0 4.7089 0.0558
55.0 28.3 St=18.9210 Sr= 3.6882
3. La desviacin estndar total es:
1.4499
1 10
18.9210
1 n
S
S
t
y

4. El error estndar del estimado es:


0.6790
2 n
3.6882
2 n
S
S
r
y/x

*Como Sy/x < Sy podemos deducir que la regresin lineal ha originado un buen ajuste.
5. Para saber cunto ha mejorado nuestro ajuste obtenemos r
2
:
8051 0
9210 18
6882 3 9210 18
2
.
.
. .
S
S S
r
t
r t

8973 0 8051 0
2
. . r r
*Los resultados anteriores quieren decir que el 80.51% de la incertidumbre original ha
sido precisada por el modelo lineal.

Es importante tomar en cuenta que aunque r sea cercana a 1, no siempre
esto significa que el ajuste es bueno. Por esta razn, siempre es necesario
realizar la grfica de los valores que han sido ajustados.
0
1
2
3
4
5
6
0 1 2 3 4 5 6 7 8 9 10 11
Captulo 4. Ajuste de Curvas
4.2.1.3 Linearizacin De Relaciones No Lineales
La regresin lineal est fundamentada en el hecho de que las
observaciones siguen un modelo lineal. Por ello es conveniente, antes de
comenzar a realizar los clculos, saber visualmente qu perfil siguen nuestros
datos mediante grficas.
En la grfica que se presenta a continuacin por ejemplo, es imposible
aplicar regresin lineal a los datos, ya que su ajuste requiere de una forma como
la de la parbola.
Casos similares requieren de arreglos mediante regresin por polinomios.
Pero algunos otros se pueden transformar en una forma compatible con la
regresin lineal.
a) Modelo Exponencial
El modelo exponencial tiene la forma
x b
e a y
1
1
donde a
1
y b
1
son
constantes. Su ecuacin caracteriza una relacin no lineal (para b
1

0) entre y y
x. La ecuacin
x b
e a y
1
1
se puede linearizar al obtener su logaritmo natural:
e x b a y ln ln ln
1 1
+ Puesto que ln e =1: x b a y
1 1
ln ln +
As, una grfica de ln y contra x dar una lnea recta con una pendiente de
b
1
y un intercepto de ln a
1
.
x
y
x
l
n

y
Pendiente = b
1
Intercepto ln a
1
Linearizacin
x b
e a y
1
1

-25
-20
-15
-10
-5
0
5
10
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
x
Ajuste
Serie de datos
Captulo 4. Ajuste de Curvas
b) Ecuacin de potencias
La ecuacin
2
2
b
x a y es linearizada al tomar su base logaritmo 10 para dar:
2 2
log log log a x b y +
De esta manera, una grfica de log y contra log x dar una lnea recta con
una pendiente de b
2
y un intercepto de log a
2
c) Ecuacin de crecimiento saturado
Al igual que en los otros incisos, la ecuacin
x b
x
a y
+

3
3 se puede
linearizar al invertirla para dar:
3 3
3
1 1 1
a x a
b
y
+
Asimismo, una grfica de 1/y contra 1/x ser lineal, con una pendiente de
b
3
/a
3
y un intercepto de 1/a
3
.
x b
x
a y
+

3 3
x
y
2
2
b
x a y
Linearizaci
n
log x
l
o
g

y
Pendiente= b
2
Intercepto= log a
2
x
y
Intercepto = log 1 / a
3
Pendiente = b
3
/a
3
1/x
1
/
y
Linearizacin
Captulo 4. Ajuste de Curvas
*Los coeficientes de los tres incisos, se pueden ajustar mediante regresin
lineal para obtener los coeficientes constantes. En su estado original, podran
usarse para hacer pronsticos.
Ejemplo 4.2.3
Ajuste la siguiente serie de datos al modelo ms conveniente.
x 0 1 2 3 4 5
y 10.0 14.9 22.3 33.2 49.5 73.9
Solucin:
1. Como primer paso, es necesario graficar los datos para elegir el modelo
ms adecuado:
0
20
40
60
80
0 2 4 6 x
y
2. De acuerdo a la grfica podemos suponer que los datos siguen el
modelo exponencial, por lo que procedemos a linearizar mediante una tabla:
x y ln y
0 10.0 2.303
1 14.9 2.703
2 22.3 3.103
3 33.2 3.503
4 49.5 3.903
5 73.9 4.303
3. Graficando la Linearizacin obtenemos:
0
2
4
6
8
0 2.5 5
x
ln y
4. Al aplicar regresin lineal de x contra ln y, obtenemos:
Captulo 4. Ajuste de Curvas
x . . y 4 0 303 2 ln +
5. Al observar la ecuacin anterior concluimos que:
a. El intercepto es ln a
1
, por lo tanto:
10
303 2
1

.
e a
b. La pendiente es 0.4, consecuentemente:
4 0
1
. b
6. Finalmente la ecuacin que se ajusta a la serie de datos de la tabla es:
x .
e y
4 0
10
Ejemplo 4.2.4
Ajuste las siguientes observaciones con algn modelo explicado en la
seccin anterior.
x 0.05 1 3 5 7 9
y 1 0.2 1.8 5.0 9.8 16.2
Solucin:
1. La grfica de los datos es la siguiente:
0
4
8
12
16
0 2 4 6 8 10
x
y
2. Ajustamos mediante el modelo de potencias. Realizamos una tabla
de datos:
x y log x log y
0.05 0.0 -1.301 -3.301
1 0.2 0.000 -0.699
3 1.8 0.477 0.255
5 5.0 0.699 0.699
7 9.8 0.845 0.991
9 16.2 0.954 1.210
3. Graficamos log x contra log y:
Captulo 4. Ajuste de Curvas
-3.5
-2.5
-1.5
-0.5
0.5
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0
log x
log y
4. Empleamos regresin lineal y obtenemos la siguiente ecuacin:
699 . 0 log 2 log x y
5. De la ecuacin anterior deducimos que:
a. El intercepto es log a
2
, consiguientemente:
2 0 10
699 0
2
. a
. -

b. La pendiente es 2, lgicamente:
2
2
b
6. Finalmente la ecuacin que se ajusta a la serie de datos es:
2
2 0 x . y
Ejemplo 4.2.5
Linearice los siguientes datos con un modelo no lineal:
x 1 2 4 6 8 10
y 0.6 1.0 1.6 2.0 2.3 2.5
Solucin:
1. Observe la grfica de los datos:
0
1
2
3
0 2 4 6 8 10
x
y
2. Utilice la ecuacin de razn de crecimiento saturado para hacer su tabla
de datos.
Captulo 4. Ajuste de Curvas
x y 1/x 1/y
1 0.6 1.000 1.667
2 1.0 0.500 1.000
4 1.6 0.250 0.625
6 2.0 0.167 0.500
8 2.3 0.125 0.435
10 2.5 0.100 0.400
3. Grafique 1/x contra 1/y:
0.0
0.5
1.0
1.5
2.0
0.0 0.2 0.4 0.6 0.8 1.0
1/x
1/y
4. Haciendo uso de la tcnica de regresin lineal tenemos:
267 . 0
1
412 . 1
1
+
x y
5. De esta ecuacin se desprende que:
a. El intercepto es:
746 . 3
267 . 0
1
3
a
b. La pendiente es por consiguiente:
291 . 5
267 . 0
412 . 1
3
b
6. Por ltimo, la respuesta es:
x
x
y
+

291 . 5
746 . 3
Las tcnicas de regresin lineal, son tiles para alcanzar ajustes a series de datos
de manera rpida y sencilla, sin embargo pueden implicar errores grandes al
establecer la relacin con los datos observados.
4.2.2 Regresin De Polinomios
Captulo 4. Ajuste de Curvas
Cuando tenemos tipos de datos que no siguen modelos lineales para ser
ajustados, tambin es posible linearizarlos mediante regresin por polinomios. La
tcnica de mnimos cuadrados se puede desarrollar nuevamente pero ahora para
ajustar datos con un polinomio de orden superior.
A continuacin se presenta un ejemplo con un polinomio de segundo orden
para observar de manera general cmo se desarrolla este nuevo mtodo. De
manera que disponemos de una ecuacin con la representacin siguiente:
e x a x a a y + + +
2
2 1 0
Como se hizo en el mtodo de mnimos cuadrados, la suma de los
cuadrados de los residuos es:


n
i
i i i r
) x a x a a (y S
1
2 2
2 1 0
(4.10)
Tenemos tres incgnitas (a
0
, a
1
y a
2
), para determinar sus valores
diferenciamos la ecuacin anterior con respecto a cada coeficiente.
) x a x a a (y x
a
S
) x a x a a (y x
a
S
) x a x a a (y
a
S
i i i i
r
i i i i
r
i i i
r

2
2 1 0
2
1
2
2 1 0
1
2
2 1 0
0
2
2
2
Igualamos a cero las derivadas de Sr:
0
0
0
4
2
3
1
2
0
2
3
2
2
1 0
2
2 1 0






i i i i i
i i i i i
i i i
x a x a x a y x
x a x a x a y x
x a x a a y
Si

0 0
na a
, las ecuaciones pueden expresarse como:
( ) ( )
( ) ( ) ( )
( ) ( ) ( )



+ +
+ +
+ +
i
2
i 2
4
i 1
3
i 0
2
i
i i 2
3
i i
2
i 0 i
i 2
2
i 1 i 0
y x a x a x a x
y x a x a x a x
y a x a x (n)a
(4.11)
Donde todas las sumatorias son de i=1 hasta n. As, las tres ecuaciones
anteriores son lineales y tienen tres incgnitas. Podemos observar que el
problema de determinar un polinomio por mnimos cuadrados de segundo orden
es equivalente a resolver un sistema de tres ecuaciones con tres incgnitas.
Este caso que representa un problema de dos dimensiones, puede
aplicarse tambin a un polinomio de m-simo orden:
Captulo 4. Ajuste de Curvas
e x a ... x a x a a y
m
m
+ + + + +
2
2 1 0
El anlisis de los coeficientes de un polinomio de m-simo orden es
correspondiente a determinar un sistema de m+1 ecuaciones lineales simultneas.
Su error est determinado como:
) (m n
S
S
r
y/x
1 +
(4.12)
El error es dividido entre n-(m+1), debido a que (m+1) son los coeficientes
obtenidos de los datos (a
0
, a
1
, ..., a
m
) usados para obtener S
r
, por tanto, se perdieron
m+1 grados de libertad. El coeficiente de determinacin del error puede ser
calculado con la ecuacin 4.8:
t
r t
S
S S
r

2
Ejemplo 4.2.6
Ajuste los datos de la lista a continuacin, a un polinomio de segundo
orden. Obtenga el error estndar y el coeficiente de determinacin.
X 0 1 2 3 4 5
y 5.1 16.0 27.3 43.4 61.5 84.0
Solucin:
1. Usted puede realizar una tabla en Excel o utilizar las funciones RCL de
su calculadora.
x y xi
2
xi
3
xi
4
xi * yi xi
2
* yi
0 5.1 0 0 0 0 0
1 16.0 1 1 1 16 16
2 27.3 4 8 16 54.6 109.2
3 43.4 9 27 81 130.2 390.6
4 61.5 16 64 256 246 984
5 84.0 25 125 625 420 2100
15 237.30 55.00 225.00 979.00 866.80 3599.80
Los datos derivados de dichos clculos son:
225.00 x 39.55 y
3599.80 y x 55 x 2.50 x
866.80 y x 237.30 y 6 n
979.00 x 15 x 2 m
3
i
i
2
i
2
i
i i i
4
i i



2. As, las ecuaciones lineales simultneas son:


Captulo 4. Ajuste de Curvas

'

'

1
1
1
]
1

80 3599
80 866
30 237
00 979 00 225 55
00 225 55 15
55 15 6
2
1
0
.
.
.
a
a
a
. .
.
3. Resolviendo las ecuaciones con alguno de los mtodos presentados en
el captulo 3, obtenemos que a
0
=5.54286, a
1
=8.02429 y a
2
=1.52143. De esta
manera, la ecuacin de segundo orden que se ajusta a la lista de datos es:
2
52143 1 02429 8 54286 5 x . x . . y + +
4. La grfica es:
0
10
20
30
40
50
60
70
80
90
0 1 2 3 4 5 6
x
y
Datos sin ajustar Parbola por mnimos cuadrados
5. Para el error estndar del estimado realizamos otra tabla:
x y (yi-y
-
)
2
(yi-a0-a1xi-a2xi
2
)
2
0 5.1 1186.80250 0.19612
1 16.0 554.60250 0.83069
2 27.3 150.06250 0.14225
3 43.4 14.82250 0.00835
4 61.5 481.80250 0.23319
5 84.0 1975.80250 0.08996
15 237.30 S t=4363.89500 Sr= 1.50057
6. El error estndar del estimado es:
7072 0
1 2 6
50057 1
1
.
) (
.
) (m n
S
S
r
y/x

+

7. El coeficiente de determinacin es:


0.9997
4363.89500
1.50057 4363.89500
S
S S
r
t
r t 2

8. El coeficiente de correlacin es: r=0.9998


Captulo 4. Ajuste de Curvas
*De acuerdo con los resultados podemos sealar que el 99.97% de la
incertidumbre original fue resuelta por la regresin.
Las tcnicas de regresin polinomial, son una buena alternativa para aproximarse
a puntos cuyo comportamiento se asemeja a ecuaciones de orden superior,
adems de servir de apoyo para la realizacin de pronsticos. Sin embargo
presentan el inconveniente de implicar errores grandes al establecer la relacin
con los datos observados.
4.2.3 Forma General Lineal Por Mnimos Cuadrados
4.2.3.1 Formulacin General De Una Matriz Para Mnimos Cuadrados
Lineales
Los tipos de regresin que se han manejado durante este captulo (lineal
simple y polinomial), se pueden resumir mediante el siguiente modelo de mnimos
cuadrados lineales:
e z a ... z a z a z a y
m m 2 2 1 1 0 0
+ + + + +
(4.13)
En la que z
0
, z
1
, ..., z
m
son las m+1 funciones diferentes. En regresin lineal
simple, z
0
=1, z
1
=x
1
, z
2
=x
2
, ..., z
m
=x
m
. Al mismo tiempo, la regresin de polinomios
aplica este modelo para z
0
=x
0
=1, z
1
=x, z
2
=x
2
, ..., z
m
=x
m
.
El modelo anterior lo podemos expresar mediante una notacin matricial:
{ } [ ]{ } { } E A Z Y + (4.14)
En la que [Z] es una matriz de los valores calculados de las funciones z en
los valores de las variables independientes:
[ ]
1
1
1
1
1
1
1
1
]
1

mn 1n 0n
m2 12 02
m1 11 01
z ... z z
. . . .
. . . .
. . . .
z ... z z
z ... z z
Z
Donde m es nmero de variables en el modelo y n es el nmero de datos.
Como n m+1, puede ser que [Z] no sea una matriz cuadrada.
El vector columna {Y} comprende los valores advertidos de la variable
dependiente:
{ } [ ]
n 2 1
T
y ... y y Y
Captulo 4. Ajuste de Curvas
El vector columna {A} se refiere a los coeficientes que queremos obtener:
{ } [ ]
m 1 0
T
a ... a a A
El vector columna {E} contiene los residuos:
{ } [ ]
n 2 1
T
e ... e e E
La suma de los cuadrados de los residuos para este modelo es:
2
n
1 i
m
0 j
ji j i r
z a y S


,
_


La cantidad obtenida con la ecuacin anterior se puede minimizar al tomar
su derivada parcial con respecto a cada coeficiente e igualando a cero dicha
ecuacin. Finalmente se obtienen las ecuaciones normales que pueden ser
expresadas tambin como:
[ ] [ ] [ ] { } [ ] { } { } Y Z A Z Z
T T
(4.15)
4.3 Interpolacin
Cuando se trata de evaluar valores intermedios entre datos exactos, la
interpolacin del polinomio es el medio ms frecuente. Como sabemos, la
representacin de un polinomio de n-simo orden es la siguiente:
n
n
2
2 1 0
x a ... x a x a a f(x) + + + +
Para n+1 puntos, hay slo un polinomio de orden n que pasa a travs de
todos los puntos. Por ejemplo:
A la izquierda la grfica muestra una
interpolacin polinomial de primer orden o lineal,
por medio de la conexin de dos puntos.
La grfica de la derecha, es un ejemplo
de interpolacin de segundo orden, tambin
llamada interpolacin cuadrtica o parablica,
que enlaza tres puntos.
Captulo 4. Ajuste de Curvas
Por ltimo se presenta una grfica de
tercer orden o cbica que conecta cuatro
puntos.
4.3.1 Diferencia Dividida De Newton Para La Interpolacin De Polinomios
4.3.1.1 Interpolacin Lineal
La Interpolacin lineal es mtodo ms simple de interpolacin, ya que
consiste nicamente en unir dos puntos con una lnea recta. Su grfica es la que
se muestra a continuacin:
Se observan los tringulos semejantes que se utilizan para obtener la
siguiente ecuacin:
0 1
0 1
0
0 1
x x
) f(x ) f(x
x x
) f(x (x) f

Despejamos f
1
(x) para conseguir la frmula de la interpolacin lineal:
) x (x
x x
) f(x ) f(x
) f(x (x) f
0
0 1
0 1
0 1

+
(4.16)
Utilizamos f
1
(x) para denotar que se trata de una interpolacin de polinomios
de primer orden. Cuanto ms pequeo sea el intervalo de datos, mejor ser la
aproximacin.
x
0
x x
1
x
f(x)
f(x
1
)
f
1
(x)
f(x
0
)
Captulo 4. Ajuste de Curvas
Ejemplo 4.3.1
Use el mtodo de interpolacin lineal para estimar la raz de 0.5. Realizar
primero el clculo para una interpolacin entre raz de 0 y raz de 2 y otro clculo
para la raz de 0 y 0.8
Solucin:
1. Tenemos los siguientes valores para el primer rango de datos:
1.4142 2 ) f(x 2 x
0 0 ) f(x 0 x
1 1
0 0


2. Sustituimos los datos en la frmula de interpolacin lineal.
0.3536 0) (0.5
0 - 2
0 1.4142
0 (0.5) f
) x (x
x x
) f(x ) f(x
) f(x (x) f
1
0
0 1
0 1
0 1

+
3. Como sabemos realmente cul es el valor de la raz de 0.5=0.7071,
podemos definir el error relativo porcentual verdadero:
49.99% 100%
0.7071
0.3536 0.7071
100%
verdadero error
n aproximaci - verdadero Error
t


4. Los valores para el segundo rango de datos son:
0.8944 0.8 ) f(x 0.8 x
0 0 ) f(x 0 x
1 1
0 0


5. Con la frmula de interpolacin lineal tenemos:
0.5590 0) (0.5
0 - 0.8
0 0.8944
0 (0.5) f
) x (x
x x
) f(x ) f(x
) f(x (x) f
1
0
0 1
0 1
0 1

+
6. Calculamos el error asociado a nuestra aproximacin:
20.9423% 100%
0.7071
0.5590 0.7071
100%
verdadero error
n aproximaci - verdadero Error
t


*Ahora podemos concluir que mientras ms pequeo sea nuestro rango de
datos, menor ser el error asociado a nuestros clculos.
Captulo 4. Ajuste de Curvas
4.3.1.2 Interpolacin Cuadrtica
En interpolacin lineal, los valores reales se desvan debido a que las
aproximaciones son de una lnea a una curva. Por ello, una estrategia es crear
alguna curvatura en la lnea que relaciona los puntos. Si tenemos tres puntos
disponibles, esto puede realizarse con un polinomio de segundo orden (tambin
llamado polinomio cuadrtico o parbola). Una representacin para lo anterior es:
) x )(x x (x b ) x (x b b (x) f
1 0 2 0 1 0 2
+ +
(4.17)
Si multiplicamos trminos tenemos:
1 2 0 2 1 0 2
2
2 0 1 1 0 2
xx b xx b x x b x b x b x b b (x) f + + +
La ecuacin anterior la podemos representar de la siguiente manera:
2
2 1 0 2
x a x a a (x) f + + (4.18)
En la que:
2 2
1 2 0 2 1 1
1 0 2 0 1 0 0
b a
x b x b b a
x x b x b b a


+
El procedimiento utilizado para encontrar los valores de los coeficientes es,
empezando para b
0
, con x=x
0
de la ecuacin (4.17) para calcular:
) f(x b
0 0

(4.19)
La ecuacin (4.19), se puede sustituir en la (4.17), utilizando x=x
1
para:

x x
) f(x ) f(x
b
0 1
0 1
1

(4.20)
0.00
0.50
1.00
1.50
0.0 0.5 1.0 1.5 2.0 2.5
x
f(x)
Valor real
x f(x)
Estimaciones
Lineales
f
1
(x)
Captulo 4. Ajuste de Curvas
Por ltimo, las ecuaciones (4.19) y (4.20) se pueden sustituir en la ecuacin
(4.17), que se evala en x=x
2
y satisfacer para:
0 2
0 1
0 1
1 2
1 2
2
x x
x x
) f(x ) f(x
x x
) f(x ) f(x
b

(4.21)
Ejemplo 4.3.2
Ajuste los tres puntos usados en el ejemplo 4.2.1 a un polinomio de
segundo orden. Los puntos son los siguientes:
1.4142 2 ) f(x 2 x
0.8944 0.8 ) f(x 0.8 x
0 0 ) f(x 0 x
2 2
1 1
0 0



Con este polinomio calcule 0.5 .
Solucin:
1. Obtenemos b
0
de la ecuacin (4.19):
0 ) f(x b
0 0

2. Aplicamos la ecuacin (4.20) para obtener b
1
:
1.1180
0 - 0.8
0 - 0.8944
x x
) f(x ) f(x
b
0 1
0 1
1

3. De ecuacin (4.21) tenemos:


-0.3424
0 - 2
0 0.8
0 0.8944
0.8 - 2
0.8944 - 1.4142
x x
x x
) f(x ) f(x
x x
) f(x ) f(x
b
0 2
0 1
0 1
1 2
1 2
2

4. Sustituimos los valores en la ecuacin (4.17) para obtener el polinomio


de segundo orden:
0.8) 0)(x 0.3424(x 0) 1.1180(x 0 (x) f
) x )(x x (x b ) x (x b b (x) f
2
1 0 2 0 1 0 2
+
+ +
5. Obtenemos f
2
(0.5) para obtener la aproximacin:
0.6104 (0.5) f
2

6. Calculamos el error relativo:
13.6756% 100%
0.7071
0.6104 0.7071
100%
verdadero error
n aproximaci - verdadero Error
t


Captulo 4. Ajuste de Curvas
7. La grfica es la siguiente:
4.3.1.3 Forma General De La Interpolacin De Polinomios De Newton
Ahora que conocemos cmo es que los datos se pueden ajustar a un
polinomio de segundo orden, podemos generalizar la interpolacin a polinomios de
orden n de la forma:
) x )...(x x )(x x (x b ... ) x (x b b (x) f
1 n 1 0 n 0 1 0 n
+ + +
(4.24)
Para un polinomio de n-simo orden se requiere n+1 puntos: [x
0
, f(x
0
)], [x
1
,
f(x
1
)], ..., [x
n
, f(x
n
)]. Con los datos anteriores y las ecuaciones a continuacin, se
pueden calcular los coeficientes:
] x , x ,..., x , f[x b
.
.
.
] x , x , f[x b
] x , f[x b
) f(x b
0 1 1 n n n
0 1 2 2
0 1 1
0 0

(4.25)

En la que las evaluaciones de la funcin son diferencias divididas finitas.
Por ejemplo, la primera diferencia dividida finita se reproduce como:
j i
j i
j i
x x
) f(x ) f(x
] x , f[x

(4.26)
La segunda diferencia dividida finita, representa la diferencia de las dos
primeras diferencias divididas:
k i
k j j i
k j i
x x
] x , f[x ] x , f[x
] x , x , f[x

(4.27)
0.00
0.50
1.00
1.50
0.0 0.5 1.0 1.5 2.0 2.5
x
f(x)
Estimacin lineal
Estimacin cuadrtica
x f(x)
Valor
realx
2
f
2
(x)
Captulo 4. Ajuste de Curvas
Por ltimo, la n-sima diferencia dividida finita es:
0 n
0 1 2 n 1 n 1 1 n n
0 1 1 n n
x x
] x , x ,..., x , f[x ] x ,..., x , f[[x
] x , x ,..., x , f[x


(4.28)
Estas diferencias se aplican para evaluar los coeficientes de (4.25), para
sustituirlas en la ecuacin general como:
] x ,..., x , )f[x x )...(x x )(x x (x ... ] x , x , )f[x x )(x x (x ] x , )f[x x (x ) f(x (x) f
0 1 n n 1 n 1 0 0 1 2 1 0 0 1 0 0 n
+ + + +
(4.29)
La ecuacin anterior es conocida como polinomio de interpolacin por
diferencias divididas finitas de Newton. Estas ecuaciones son recursivas, es
decir, las diferencias de rdenes mayores se calculan al domar diferencias de
orden menor:
i xi f(xi) Primero Segundo Tercero Cuarto
0 x0 f(x0) f[x1,x0] f[x2,x1,x0] f[x3,x2,x1,x0]
f[x4, x3,x2,x1,x0]
1 x1 f(x1) f[x2,x1] f[x3,x2,x1] f[x4,x3,x2,x1]
2 x2 f(x2) f[x3,x2] f[x4,x3,x2]
3 x3 f(x3) f[x4,x3]
4 x4 f(x4)
Ejemplo 4.3.3
Ajuste los datos del problema 4.3.2 agregando dos observaciones ms.
Calcule la raz de 0.5 utilizando el mtodo de interpolacin por diferencias
divididas de Newton de cuarto orden.
1.4832 2.2 ) f(x x
1.4142 2 ) f(x 2 x
1.2247 1.5 ) f(x 1.5 x
0.8944 0.8 ) f(x 0.8 x
0 0 ) f(x 0 x
4 4
3 3
2 2
1 1
0 0





2 . 2
Solucin:
1. El polinomio de cuarto orden es:
) x )(x x )(x x )(x x (x b
) x )(x x )(x x (x b ) x )(x x (x b ) x (x b b (x) f
3 2 1 0 4
2 1 0 3 1 0 2 0 1 0 4
+
+ + +
2. Siguiendo la tabla de las diferencias divididas finitas, las primeras
diferencias son:
1180 1
0 8 0
0 8944 0
0 1
0 1
0 1
.
.
.
x x
) f(x ) f(x
] ,x f[x

4719 0
8 0 5 1
8944 0 2247 1
1 2
1 2
1 2
.
. .
. .
x x
) f(x ) f(x
] ,x f[x

Estimacin x
1
cbica
Captulo 4. Ajuste de Curvas
3790 0
5 1 2
2247 1 4142 1
2 3
2 3
2 3
.
.
. .
x x
) f(x ) f(x
] ,x f[x

3450 . 0
2 2 2
4142 1 4832 1
3 4
3 4
3 4

.
. .
x x
) f(x ) f(x
] ,x f[x
3. Sacamos las segundas diferencias divididas finitas:
0486 . 0
5 1 2 2
3790 0 3450 . 0
0774 0
8 0 2
4719 0 3790 0
4307 0
0 5 1
1180 1 4719 0
2 4
2 3 3 4
2 3 4
1 3
1 2 2 3
1 2 3
0 2
0 1 1 2
0 1 2

. - .
.
x x
] ,x f[x ] ,x f[x
] ,x ,x f[x
.
. -
. .
x x
] ,x f[x ] ,x f[x
] ,x ,x f[x
.
.
. .
x x
] ,x f[x ] ,x f[x
] ,x ,x f[x
4. Obtenemos la tercera diferencia dividida finita:
0206 0
8 0 2 2
0774 0 0486 0
1766 0
0 2
4307 0 0774 0
1 4
1 2 3 2 3 4
1 2 3 4
0 3
0 1 2 1 2 3
0 1 2 3
.
. .
) . ( .
x x
] ,x ,x f[x ] ,x ,x f[x
] ,x ,x ,x f[x
.
) . ( . -
x x
] ,x ,x f[x ] ,x ,x f[x
] ,x ,x ,x f[x

5. Obtenemos la tercera diferencia dividida finita:


0709 . 0
0
) 1766 . 0 ( 0206 . 0

2.2 x x
] x , x , x , f[x ] x , x , x , f[x
] x , x , x , x , f[x
0 4
0 1 2 3 1 2 3 4
0 1 2 3 4
6. Sustituimos los valores para b
0
, b
1
, b
2
y b
3
0 ) f(x b
0 0
1180 . 1 ] x , f[x b
0 1 1
4307 . 0 ] x , x , f[x b
0 1 2 2
1766 . 0 ] x , x , x , f[x b
0 1 2 3 3
0709 . 0 - ] x , x , x , x , f[x b
0 1 2 3 4 4

7. Deducimos la ecuacin general.
) x )(x x )(x x )(x x (x b
) x )(x x )(x x (x b ) x )(x x (x b ) x (x b b (x) f
3 2 1 0 4
2 1 0 3 1 0 2 0 1 0 4
+
+ + +
2) - 1.5)(x )(x 0 0)(x 0.0709(x -
1.5) )(x 0 0)(x 0.1766(x 0.8) 0)(x 0.4307(x 0) 1.1180(x 0 (x) f
4

+ +
8 .
8 .
8. Encontramos f(0.5)
6660 . 0
8 .
8 .


+ +
(0.5) f
2) - 1.5)(0.5 )(0.5 0 0)(0.5 0.0709(0.5 -
1.5) )(0.5 0 0)(0.5 0.1766(0.5 0.8) 0)(0.5 0.4307(0.5 0) 1.1180(0.5 0 (0.5) f
4
4
9. Finalmente calculamos el error relativo porcentual:
% 5 100%
0.7071
0.6660 0.7071
100%
verdadero error
n aproximaci - verdadero Error
t
8134 .


Estimacin x
1
cbica
0.00
0.50
1.00
1.50
0.0 0.5 1.0 1.5 2.0 2.5
x
f(x)
Captulo 4. Ajuste de Curvas
10. Podemos observar nuestro resultado mediante una grfica
El mtodo de Interpolacin de polinomios por diferencia dividida de Newton, es
una buena alternativa cuando se requiere de una mayor exactitud, as mismo
permite el anlisis la suposicin de datos a partir de un conjunto de
observaciones.
4.3.2 Interpolacin De Polinomios De Lagrange
Este mtodo es un arreglo del polinomio de Newton que evita la operacin
por diferencias divididas. Se puede denotar como:

n
0 i
i i n
) (x)f(x L (x) f
(4.30)
En la que:
j i
j
n
i j
0 j
i
x x
x x
(x) L

(4.31)
Recuerde que en la ecuacin anterior, el signo significa producto de. Un
ejemplo es una ecuacin lineal con n=1, su frmula sera la siguiente:
) f(x
x x
x x
) f(x
x x
x x
(x) f
1
0 1
0
0
1 0
1
1

(4.32)
Por tanto para una ecuacin cuadrtica la ecuacin es:
) f(x
x (x x (x
x (x x (x
) f(x
x (x x (x
x (x x (x
) f(x
x (x x (x
x (x x (x
(x) f
2
1 2 0 2
1 0
1
2 1 0 1
2 0
0
2 0 1 0
2 1
2
) )
) )
) )
) )
) )
) )


+


+

(4.33)
f
4
(x)
x f(x)
Valor real
Estimacin x
1
cbica
Captulo 4. Ajuste de Curvas
Cabe mencionar que el polinomio de interpolacin de Lagrange se puede
obtener a partir de la formulacin del polinomio de Newton.
Ejemplo 4.3.4
Utilice el mtodo de Interpolacin de Polinomios de Lagrange, con los
datos que se han venido utilizando a partir del problema 4.3.1, para poder
comparar resultados y verificar cul es el mtodo que ms se adapte a sus
necesidades. Efecte los clculos para primer, segundo y tercer orden. Los
datos son los siguientes:
1.4142 2 ) f(x 2 x
1.2247 1.5 ) f(x 1.5 x
0.8944 0.8 ) f(x 0.8 x
0 0 ) f(x 0 x
3 3
2 2
1 1
0 0




Solucin:
1. Como el resultado que buscamos es f(0.5), la estimacin para la
interpolacin de primer orden es:
0.5590 (0.8944)
0 0.8
0 0.5
(0)
0.8 - 0
0.8 - 0.5
) f(x
x x
x x
) f(x
x x
x x
(0.5) f
1
0 1
0
0
1 0
1
1

% 100%
0.7071
5 0.7071
100%
verdadero error
n aproximaci - verdadero Error
t
9455 . 20
590


2. Encontramos f
2
(0.5), para la interpolacin de segundo orden:
0.6236 (1.2247)
0.8) 0)(1.5 (1.5
0.8) 0)(0.5 (0.5
(0.8944)
1.5) 0)(0.8 (0.8
1.5) 0)(0.5 (0.5
(0)
1.5) 0.8)(0 (0
1.5) 0.8)(0.5 (0.5
(0.5)
2
f
)
2
f(x
)
1
x
2
)(x
0
x
2
(x
)
1
x )(x
0
x (x
)
1
f(x
)
2
x
1
)(x
0
x
1
(x
)
2
x )(x
0
x (x
)
0
f(x
)
2
x
0
)(x
1
x
0
(x
)
2
x )(x
1
x (x
(x)
2
f



+


+



+


+

11.8096% 100%
0.7071
0.6236 0.7071
t


3. Desarrollamos la ecuacin de tercer orden para hallar f
3
(0.5):
)
3
f(x
)
2
x
3
)(x
1
x -
3
)(x
0
x
3
(x
)
2
x )(x
1
x - )(x
0
x (x

)
2
f(x
)
3
x
2
)(x
1
x
2
)(x
0
x
2
(x
)
3
x - )(x
1
x )(x
0
x (x
)
1
f(x
)
3
x
1
)(x
2
x
1
)(x
0
x
1
(x
)
3
x - )(x
2
x )(x
0
x (x
)
0
f(x
)
3
x
0
)(x
2
x
0
)(x
1
x
0
(x
)
3
x )(x
2
x )(x
1
x (x
(x)
3
f


+


+


+

0.6501 (1.4142)
1.5) - 0.8)(2 0)(2 (2
1.5) - 0.8)(0.5 0)(0.5 (0.5

(1.2247)
2) - 0.8)(1.5 0)(1.5 (1.5
2) - 0.8)(0.5 0)(0.5 (0.5
(0.8944)
2) - 1.5)(0.8 0)(0.8 (0.8
2) - 1.5)(0.5 0)(0.5 (0.5
(0)
2) - 1.5)(0 0.8)(0 (0
2) - 1.5)(0.5 0.8)(0.5 (0.5
(0.5)
3
f



+


+


+

Captulo 4. Ajuste de Curvas


8.0611% 100%
0.7071
0.6501 0.7071
t


El mtodo de Interpolacin de Lagrange, se considera como otro medio adecuado
para obtener un valor a partir de un conjunto de datos, sin embargo, es
necesario contar con el nmero suficiente de datos para contar con una buena
exactitud.
4.3.3 Diferencia Entre Interpolacin Y Extrapolacin
Hasta ahora se ha visto que la interpolacin es un procedimiento empleado
para conocer un valor intermedio a partir de una serie de datos.
La extrapolacin en cambio, es la operacin de ajustar un valor de f(x) fuera
del rango de los datos introducidos originalmente, x
0
, x
1
, ... x
n
. El error que conllevan
los clculos de extrapolacin pueden ser muy grandes debido, sus extremos son
abiertos y la curva real podra divergir la prediccin. De esta manera se infiere que
los mtodos de interpolacin no son los ms adecuados para realizar pronsticos
fuera del rango de datos observados.
4.4 Ajuste De Curvas Con Bibliotecas Y Paquetes De Software
4.4.1 Excel
Excel es el medio ms simple de obtener los resultados requeridos para
resolver un problema de mtodos numricos. Para este tema en especial, cuenta
con el comando Trendline y el Paquete de Herramientas para el Anlisis de datos.
x0 x1 x2 x
f(x)
Curva
real
Extrapolacin de
la interpolacin
polinomial
Interpolacin Extrapolacin
Captulo 4. Ajuste de Curvas
Las funciones con que cuenta este programa para efectuar ajustes por
medio de regresin lineal son:
Funcin Explicacin
FORECAST Regresa un valor junto con una tendencia lineal
GROWTH Regresa valores junto con una tendencia exponencial
INTERCEPT Regresa el intercepto de la lnea de regresin lineal
LINEST Regresa los parmetros de una tendencia lineal
LOGEST Regresa los parmetros de una tendencia exponencial
SLOPE Regresa la pendiente de la lnea de regresin lineal
TREND Regresa un valor junto con una tendencia lineal
4.4.1.1 El Comando Trendline
El comando Trendline o lnea de tendencia del men Insert permite agregar
a su grfica diferentes modelos de tendencia que contienen ajustes lineales,
polinomiales, logartmicos, exponenciales, de potencia y de promedio de
movimiento.
Ejemplo 4.4.1
A lo largo de este captulo, especialmente en el tema de Regresin Lineal,
observamos varios ajustes Trendline (lineal, polinomial, exponencial y potencia).
Existe tambin el modelo logartmico cuya forma es la siguiente:
Ajuste los siguientes datos con este modelo usando el comando de Excel
Trendline:
x 0.
4
0.
6
0.
85
1 1.
1
1.
5
1.
8
2.
2
2.
4
2.
6
3.
2
3.6
y 0 0.
15
0.
35
0.
26
0.
55
0.
55
0.
8
0.
76
0.
9
1 1.
1
1.2
Solucin:
1. Primero se crea una grfica de dispersin X Y, partiendo del men y la
opcin Insertar: Grfico.
2. Despus se selecciona en Tipos estndar, el tipo de grfico XY
(Dispersin). Se selecciona el Subtipo de grfico en el cual elegimos la forma que
deseamos de nuestro grfico y hacemos clic en Siguiente para continuar.
3. En rango de datos seleccionamos las variables dependientes e
independientes que tenemos en nuestra tabla de valores a ajustar. Terminamos
de dar formato a nuestro grfico y ste aparecer junto con la tabla de datos en
nuestra pantalla al final.
logx a a y
1 0
+
Captulo 4. Ajuste de Curvas
0
0.2
0.4
0.6
0.8
1
1.2
1.4
0 1 2 3 4
x
y
Valores de la
Tabla
4. Posteriormente damos clic con el botn derecho de nuestro mouse sobre
los puntos graficados y seleccionamos la opcin Agregar lnea de tendencia.
Aparecen 2 pestaas con los nombres: Ttulo y Opciones.
Tambin, puede hacer clic sobre la serie de datos graficados e ir a men,
Grfico, y Agregar lnea de tendencia.
5. En la ventana Tipo, el tipo de tendencia o regresin que deseamos
obtener. En este caso seleccionamos logartmica.
6. En la ventana Opciones, elegimos las alternativas siguientes:
Presentar Ecuacin en el Grfico: Cuya funcin es presentar la ecuacin de
la lnea de tendencia o regresin en el grfico correspondiente.
Presentar el valor R cuadrado en el grfico: Es tambin llamado
coeficiente de determinacin. Puede tomar valores de 0 a 1, que indica hasta
qu punto los valores estimados de la lnea de tendencia corresponden con los
datos reales. Cunto ms cercano a 1 sea el valor de R
2
, ms correcta ser la
lnea de tendencia.
7. Finalmente, se agrega a nuestro grfico, la lnea de tendencia junto con
los datos solicitados.
y = 0.5521Ln(x) + 0.4251
R
2
= 0.958
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
0 1 2 3 4
x
y
Valores de la Tabla
Ajuste logartmico
Captulo 4. Ajuste de Curvas
4.4.1.2 El Paquete De Herramientas Para El Anlisis De Datos
Microsoft Excel proporciona un conjunto de herramientas para el anlisis de
los datos denominado Herramientas para anlisis que podr utilizar para ahorrar
pasos en el desarrollo de anlisis estadsticos o en este caso para el ajuste de
curvas mediante estimacin lineal general por mnimos cuadrados y mostrar los
resultados en una tabla, adems de grficos si es necesario.
Ejemplo 4.4.2
La velocidad de descomposicin del xido ntrico a diferentes temperaturas
ocurre bajo la siguiente tabla:
r CA CB
0.4567 0.7 0.2
1.0707 0.9 0.3
2.5917 1.6 0.2
En donde
r =Velocidad de reaccin (dC
A
/dt)
C
A
y C
B
=Concentraciones
Si la cintica de reaccin o velocidad de reaccin se ajusta a la siguiente
ecuacin:

+
B
k
C
A
C k r
productos
Determine la constante de velocidad k y los rdenes de reaccin y y la
ecuacin que define la cintica de reaccin.
Solucin:
1. Primero para linearizar usamos el logaritmo natural:
) )
B A
(C ln (C ln k ln (r) ln + +
2. Desarrollamos una tabla en Excel con los datos originales y sus
logaritmos respectivos:
A B C D E F
1
r CA CB ln(r) ln (CA) ln (CB)
2
0.4567 0.7 0.2
-0.784
-0.357 -1.609
3 1.0707 0.9 0.3 0.068 -0.105 -1.204
4
2.5917 1.6 0.2 0.952 0.470 -1.609
=ln (A2)
Captulo 4. Ajuste de Curvas
3. Verifique que tenga la funcin Anlisis de datos, en el men de
Herramientas. S tiene dicha funcin contine en el paso 5.
4. Si no la tiene, necesitar instalarlo; seleccionando en el men
Herramientas la opcin Complementos y en el cuadro de Complementos disponibles
active la casilla Herramientas para anlisis.
5. Al elegir la funcin Anlisis de datos en el men de Herramientas,
seleccione la funcin Regresin y de Aceptar.
6. En el rango Y de entrada, introduzca la referencia correspondiente al
rango de datos dependientes: D2:D4. En el rango X de entrada, introduzca la
referencia correspondiente al rango de datos independientes. El nmero mximo
de variables independientes es 16. En este caso E2: F4.
8. En Opciones de salida elija En una hoja nueva y de Aceptar. Obtendr como
resultado una hoja de clculo en donde los coeficientes son los valores que
buscamos para las variables x
1 y x
2
, los dems son valores estadsticos que
pueden ser utilizados para muestreos. En este caso, se generan intervalos de
confianza del 95% para establecer los valores de las variables.
A B C D E F G
1 Resumen
2
3 Estadsticas de la regresin
4
Coeficiente de correlacin
mltiple 1
5
Coeficiente de determinacin
R^2 1
6 R^2 ajustado 65535
7 Error tpico 0
8 Observaciones 3
9
1
0 ANLISIS DE VARIANZA
1
1

Grados
de
libertad
Suma de
cuadrad
os
Promedi
o de los
cuadrad
os F
Valo
r
crtic
o de
F
1
2 Regresin 2
1.507092
18
0.753546
09 0
#NU
M!
1
3 Residuos 0
6.157E-
30 65535
1
4 Total 2
1.507092
18
1
5
1
6

Coeficien
tes
Error
tpico
Estadsti
co t
Probabilid
ad
Inferi
or
95%
Super
ior
95%
1
7 Intercepcin 1.252 0 65535 #NUM!
1.25
2 1.252
1
8 Variable X 1 2.100 0 65535 #NUM!
2.10
0 2.100
1
9 Variable X 2 0.800 0 65535 #NUM!
0.80
0 0.800
Captulo 4. Ajuste de Curvas
10. La ecuacin que define la cintica de reaccin es:
0.8
B
2.100
A
B A
C C 3.497 r
o
) (C ln 0.8 ) (C ln 2.100 1.252 ln(r)

+ +
11. Por tanto el valor de la constante de velocidad k=3.497, los rdenes de
reaccin y son, 2.100 y 0.8 respectivamente:
*Nota: Tambin se puede usar la funcin Solver de Excel para ejecutar una regresin no
lineal al minimizar de manera directa la suma de los cuadrados de los residuos entre la
prediccin modelo no lineal y los datos.
4.4.2 Mathcad
Mathcad cuenta con una variedad de funciones que le permiten al usuario
facilitar sus clculos. Para este captulo, las funciones ms destacadas son las
que se presentan a continuacin:
Funcin Explicacin
linterp
Predice valores intermedios conectando los puntos de datos conocidos
con lneas rectas
interp
Usa el resultado del ajuste de curvas y regresa un valor interpolado, dado
un x valor. Tambin se puede usar para regresar valores intermedios de
y a partir de un ajuste por regresin para un punto dado x
slope e intercept
Regresan la pendiente e intercepto del ajuste lineal por regresin de
mnimos cuadrados
regress
Se usa para una regresin polinomial de n-simo orden de un conjunto
completo de datos. Tambin puede ejecutar regresin polinomial
multivariable
linfit Se usa para modelar datos con una combinacin de funciones arbitrarias
genfit
Se usa para datos en donde los coeficientes del modelo aparecen en
forma arbitraria
loess
Ejecuta una regresin polinomial localizada de n-simo orden sobre un
espacio de datos. Puede ejecutar regresin polinomial multivariable
line
Regresa los coeficientes de una ecuacin lineal que se aproximan mejor
a los datos x y y
Ejemplo 4.4.3
Ahora ajuste los datos del ejemplo 4.4.1 pero a una forma lineal, por medio
de regresin lineal en Mathcad. La tabla es la siguiente:
x 0.
4
0.
6
0.
85
1 1.
1
1.
5
1.
8
2.
2
2.
4
2.
6
3.
2
3.6
y 0 0.
15
0.
35
0.
26
0.
55
0.
55
0.
8
0.
76
0.
9
1 1.
1
1.2
Solucin:
Captulo 4. Ajuste de Curvas
1. Primero defina una matriz que tenga los datos de la tabla anterior. Para
ello nombre Tabla al conjunto de datos de la matriz. Enseguida tecle dos puntos
para definir que se trata de una variable:
Tabla :
2. Seleccione el icono correspondiente a matrices Matrix or Vector o vaya al
men, Insert, Matrix. Aparecer un cuadro de dilogo en el que elegir el nmero
de columnas y de filas de su tabla. A continuacin llene cada cuadro de su tabla.
Tabla
0.4
0.6
.85
1
1.1
1.5
1.8
2.2
2.4
2.6
3.2
3.6
0
0.15
0.35
0.26
0.55
0.55
0.8
0.76
0.9
1
1.1
1.2

,
:
3. Defina los valores de las variables X y Y, indicando qu parte de la
variable Tabla corresponde a la variable X y qu parte a la variable Y. Con la
opcin Matrix Column en la barra de herramientas de Matrix.
X Tabla
0

: Y Tabla
1

:
4. Para saber los valores de los coeficientes de la ecuacin lineal que
ajustar nuestros datos usaremos la siguiente funcin:
line X Y , ( )
0.0057
0.3618

5. Para poder graficar, usamos los coeficientes resultantes para hacer


nuestra ecuacin que lineariza nuestros datos:
e x ( ) 0.3618x 0.0057 :
Mata
Captulo 4. Ajuste de Curvas
6. Para graficar, vamos a men, Insert, Graph, X-Y plot. Como se desea
graficar la tabla junto con la ecuacin lineal de ajuste. En el guardaespacio
izquierdo de la grfica, site la primera expresin, en este caso Y. Despus pulse
el signo de coma (,) , para poder pasar al siguiente rengln. En la seccin inferior
escriba X,x para definir contra qu variables se graficar. Si lo desea defina
tambin el rango para cada eje y si espera dar formato a su grfico, pulse el
botn derecho del mouse y seleccione la opcin Format.
1 2 3
0
1
1
0
Y
e x ( )
3.6 0.4 X x ,
Ejemplo 4.4.4
Con la misma tabla anterior realice una interpolacin lineal para saber el
valor de y en el punto x=0.48, x=1.7 y x=3
x 0.
4
0.
6
0.
85
1 1.
1
1.
5
1.
8
2.
2
2.
4
2.
6
3.
2
3.6
y 0 0.
15
0.
35
0.
26
0.
55
0.
55
0.
8
0.
76
0.
9
1 1.
1
1.2
Solucin:
1. Realice los pasos uno a tres del ejemplo anterior.
2. Defina la expresin de la variable que nos arrojar el resultado de la
interpolacin en un punto determinado.
Ajuste x ( ) linterp X Y , x , ( ) :
3. Pida el valor de y cuando x= 0.48, x=1.7 y x=3
Ajuste 3 ( ) 1.067
Ajuste 1.7 ( ) 0.717
Ajuste 0.48 ( ) 0.06
4. Grafique siguiendo el paso 6 del ejemplo anterior.
Captulo 4. Ajuste de Curvas
0 1 2 3 4
0
0.5
1
1.2
0
Y
Ajuste 0.48 ( )
Ajuste 3 ( )
Ajuste 1.7 ( )
3.6 0.4 X 0.48 , 3 , 1.7 ,
4.4.3 MATLAB
Al igual que las otras paqueteras, MATLAB tambin es una buena opcin
para solucionar diversos problemas de ingeniera. Las siguientes funciones son
algunos ejemplos que sirven como herramientas para implementar la interpolacin
y regresin.
Funcin Explicacin
polyfit Ajuste polinomial a datos
interp 1 Interpolacin 1-D (tabla 1-D)
interp 2 Interpolacin 2-D (tabla 2-D)
Ejemplo 4.4.5
Observe cmo se puede explotar la paquetera MATLAB para el ajuste de
curvas, para esto, realice las siguientes rdenes:
a) Use la funcin
0.5
e 2 (x) cos 2.5 y + para generar valores igualmente
espaciados de 0 a 12. Procure que el tamao de paso entre cada valor sea igual
a uno, para que la grfica resultante sea dispersa.
b) Ajuste la grfica con interpolacin lineal y polinomial de orden 8.
Solucin:
1. Los valores de las variables independientes y dependientes se pueden
introducir en los vectores por:
x=0:12;
y=2.5*cos(x)+exp(0.5);
2. Podemos realizar la grfica de nuestros datos con la siguiente orden, en
donde plot es una funcin para graficar, la letra b que est entre comillas indica
que nuestros puntos sern graficados en color azul, y el asterisco indica la forma
que adquirirn nuestros puntos:
plot(x,y,'b*')
Captulo 4. Ajuste de Curvas
0 2 4 6 8 1 0 1 2
- 1
0
1
2
3
4
5
3. Un nuevo vector ms finamente espaciado con valores de la variable
independiente se puede generar y guardar como xi:
xi=0:.30:12;
4. La funcin interp1 puede entonces ser usada para generar valores de la
variable dependiente yi para todos los valores xi mediante interpolacin lineal.
yi=interp1(x,y,xi);
5. Tanto los valores originales (x, y) como los valores interpolados
linealmente se pueden graficar juntos; para ello se usa la funcin plot, la o entre
apstrofes, indica que los puntos x, y estarn en la grfica circulados. El resto de
la grfica ser la interpolacin de xi, yi
plot(x,y,'o',xi,yi)
0 2 4 6 8 1 0 1 2
- 1
0
1
2
3
4
5
6. A continuacin, la funcin polyfit de MATLAB se puede usar para
generar los coeficientes de un ajuste polinomial de octavo orden de los datos
originales dispersos,
q=polyfit(x,y,8)
q =
Columns 1 through 7
0.0000 -0.0011 0.0225 -0.2183 1.0640 -2.2925 1.4850
Columns 8 through 9
-1.2233 4.1505
Donde el vector q cumple con los coeficientes polinomiales. stos se
pueden a su vez usar para generar un nuevo conjunto de valores yi, los cuales
pueden de nuevo ser graficados junto con las muestras originales dispersas.
yi=polyval(q,xi);
Captulo 4. Ajuste de Curvas
plot(x,y,'o',xi,yi)
0 2 4 6 8 10 12
-1
0
1
2
3
4
5

4.5 Problemas De Aplicacin
Problema 1.
Antecedentes : Cinticas de Reaccin
Si el volumen del sistema reactivo permanece constante, la velocidad de
reaccin, que es la rapidez con que se consumen los reactivos y se forman los
productos, queda reducida a:
dt
dC
v
r
i
i
i
1

La ley de velocidad es precisamente esa expresin que relaciona la


velocidad con todas las variables de las cuales depende, es decir,
) , , , (
1
x i
i
i
i
C C P T f
dt
dC
v
r
En ciertos casos (cinticas sencillas) la ley de velocidad tiene la forma:

C B A
i
i
i
C C kC
dt
dC
v
r
1
Donde C
A
, C
B
, C
C
,... representan las concentraciones de las especies
qumicas participantes y k, , , ,... son constantes. La constante k es la llamada
constante de velocidad de la reaccin, o la velocidad especfica de la reaccin, ya
que k coincide con la velocidad r si todas las concentraciones son la unidad. En
general la constante de velocidad depende de la temperatura y de la presin y
est definida como positiva siempre. Las constantes , , , ... son los rdenes de
la reaccin respecto de, respectivamente, las especies qumicas A, B, C, ... . El
orden global de la reaccin es la suma + + +... .
Captulo 4. Ajuste de Curvas
Planteamiento del Problema: Para la descomposicin de la glucosa
(C
6
H
12
O
6
) en disolucin acuosa, de acuerdo con la reaccin C
6
H
12
O
6
productos,
se obtuvieron los siguientes resultados:
[C6H12O6] (moles/ l) 56.0 55.3 54.2 52.5 49.0
t (minutos) 0 45 120 240 480
Se desea saber si la reaccin es de primer orden, utilizando el mtodo de
mnimos cuadrados, y de resultar una reaccin de primer orden, encontrar la
constante k as como la ecuacin que define el cambio de la concentracin con el
paso del tiempo. Finalmente deducir la concentracin del C
6
H
12
O
6
al cabo de una
hora.
Solucin:
Metodologa :
Supongamos que la reaccin r
A
A Productos es de primer orden,
entonces tendremos la siguiente ecuacin:
A A
A
A
A
kC kC
dt
dC
v
r

1
Separando variables e integrando se tiene:
kt r
C
C
kt r C C t k r C
dt k r
C
dC
dt kC r dC kC r
dt
dC
A
A
A
A A A
t
A
C
C
A
t
A
C
C
A
A
A A A A A
A
A
A
A
0
A



0
0
0
ln ln ln ln
0
0
Simplificando:
kt r C C
A A A
+
0
ln ln
De donde se infiere que una representacin de ln|C
A
| frente al tiempo, si la
reaccin estudiada es realmente de primer orden, debe dar una recta de pendiente
r
A
k (tngase en cuenta que si A es un reactivo el coeficiente estequiomtrico r
A
es
negativo y, por tanto, la pendiente de la recta resulta negativa):
Por tanto para nuestro caso de estudio la expresin anterior se transforma
en:
ln[C
6
H
12
O
6
] = ln[C
6
H
12
O
6
]
0
- kt
Captulo 4. Ajuste de Curvas
Un ajuste por mnimos cuadrados, a una recta del tipo y = m x + b, nos
permitir decidir si la suposicin realizada al admitir orden 1 ha sido, o no,
afortunada.
De esta manera nuestra tabla de datos a linearizar es:
t [C6H12O6] ln[C6H12O6]
0 56.0 4.025
45 55.3 4.013
120 54.2 3.993
240 52.5 3.61
480 49.0 3.892
Seudocdigo : MATLAB
1. Creamos el archivo .m que contendr la funcin que dados, los datos
X y Y, regresar los valores de los coeficientes que expresan la ecuacin
general para linearizar por mnimos cuadrados dichos datos:
function [a,b] = linmc(X,Y)
%---------------------------------------------------------------
%LINMC Funcin que hace la linearizacin por mnimos cuadrados
%Las entradas son:
% X vector de abscisas
% Y vector de ordenadas
%El programa regresa:
% a coeficiente en la frmula y = ax+b
% b coeficiente en la frmula y = ax+b
%---------------------------------------------------------------
xmedia = mean(X); %valor medio ( promedio) de x
%(Sumatoria de x/n)
ymedia = mean(Y); %valor medio de y
sumx2 = (X-xmedia)*(X-xmedia)'; %Sumatoria de xi,
%Recuerde que la comilla significa el inverso de la matriz
sumxy = (Y-ymedia)*(X-xmedia)'; %Sumatoria de yi
a = sumxy/sumx2; %Pendiente
b = ymedia-a*xmedia;
2. En otro archivo escribimos el cdigo para que resuelva el problema
propuesto:
echo on; clc; %El comando echo hace que se impriman los comandos
%que estn en un script
% - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Captulo 4. Ajuste de Curvas
% Este programa sirve para verificar si el orden de una reaccin
%A=productos es 1, y adems obtiene la frmula linearizada y=ax+b, %de
donde se pueden conocer los valores de k y CA0
pause % Presione alguna tecla para continuar.
% - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
echo off;
X = input('Enliste los valores de t en minutos: ');
Y = input('Enliste los valores de ln[CA]: ');
[A B] = linmc(X,Y);
echo on; pause % Presione alguna tecla para continuar.
echo off;
figure(1); %Crea una pantalla con el nombre de Figura1
clf; %Elimina el contenido de la Figura1
% ~ ~ ~ ~ ~ Preparacin de la presentacin del grfico ~ ~ ~ ~ ~
a = min(X); b = max(X)+1; Xs = [a b]; Ys = A*Xs + B;
echo on;
%~~~~~~~~~~~ Seccin para construir el grfico ~~~~~~~~~~~~~
a = min(X)-20; b = max(X)+20; c = min(Y)-5; d = max(Y)+4; whitebg('w');
%Trazamos la lnea de abscisas y ordenadas en color azul:
plot([a b],[0 0],'b',[0 0],[c d],'b');
%Ajustamos la pantalla a los ejes: axis([xmin, xmax, ymin, ymax]):
axis([a b c d]);
%Mantenemos los ejes en sus actuales valores, de cara a posibles %nuevas
grficas aadidas con hold on
axis(axis);
hold on; %Retiene los ejes en la figura 1
%Imprimimos en la Figura1 los puntos (X,Y) y los puntos de la
%linearizacin, en forma de crculos:
plot(X,Y,'or',Xs,Ys,'g');
xlabel('x'); % Etiqueta al eje de abscisas
ylabel('y'); % Etiqueta al eje de ordenadas
Mx1 = 'La ecuacin de mnimos cuadrados es: f(x) = '; %Guardamos
el texto anterior en la variable MX1
Mx2 = [Mx1,num2str(A),' x'];
%num2str convierte el coeficiente A en una cadena de caracteres
if B > 0,
Mx3 = [Mx2,' + ',num2str(B)];
else
Mx3 = [Mx2,' - ',num2str(abs(B))];
end;
title(Mx3); %Aade un ttulo al grfico
grid; %Incluye una cuadrcula dentro del grfico
hold off;
figure(gcf); pause %Presione cualquier tecla para continuar
% .. .. .. .. ..Preparacin de resultados.. .. .. .. .. .. .. ..
puntos = [X;Y;A*X+B;Y-(A*X+B)]';
%............ Seccin de impresin de resultados .................
Mx4 = 'Datos X, Y de entrada';
clc,echo off,diary output,...
%Los puntos suspensivos permiten continuar en la siguiente lnea
Captulo 4. Ajuste de Curvas
disp(''),disp(Mx3),disp(Mx4),...
disp(' x y'),disp([X;Y]'),diary off, echo on
pause% Presione cualquier tecla para continuar.
Mx5=' x(k) y(k) f(x(k)) error';
clc,echo off,diary output,disp(''),disp(Mx3),...
disp(''),disp(Mx5),disp(puntos),diary off,echo on
Los ltimos resultados de MATLAB se presentan como sigue:
De
acuerdo
con los
resultados observados, concluimos que nuestra reaccin es de primer orden y la
ecuacin que la define es la siguiente:
ln [C
6
H
12
O
6
] = - 0.0002762t+4.0258
Simplificando,
kt
A A A A A
e C C kt r C C
0
+
0
ln ln
La concentracin inicial de glucosa es: [C
6
H
12
O
6
]
0
= e
4.0258
=56.025
Finalmente la ecuacin simplificada es: [C
6
H
12
O
6
]= 56.025 e
-0.0002762 t
La concentracin de C
6
H
12
O
6
al cabo de una hora de reaccin es:
[C
6
H
12
O
6
]= 56.025 e
-0.0002762 (60)
=55.1043moles/lt
Problema 2.
Antecedentes :
La palabra vapor se utiliza para el estado gaseoso de las sustancias que
son lquidas o slidas, a la temperatura del ambiente. La tensin del vapor es el
peso del vapor del lquido contenido en el gas por unidad de superficie; se puede
referir tambin a la tensin del vapor de saturacin o de equilibrio, que es la
presin del vapor del lquido cuando el gas est saturado.
Captulo 4. Ajuste de Curvas
Cuando existe una mezcla de gases, se denomina presin parcial de un
gas a la presin ejercida por las molculas de ese gas como si l solo ocupara
todo el volumen, por lo tanto recordando la Ley de Dalton: La suma de las
presiones parciales es igual a la presin total en un envase:
g v B A
p p p p P + +
Donde P es la presin total, p
A
y p
B
son las presiones ejercidas por los
componentes A y B y p
v
y p
g
son las presiones ejercidas por el vapor y el gas.
Por otro lado, la humedad es la cantidad de vapor de una sustancia en el
medio que la contiene. Se puede expresar en forma absoluta mediante la
humedad absoluta, o de forma relativa mediante la humedad relativa o el grado de
humedad. En el caso de que el gas no pueda admitir ms lquido, se dice que el
gas est saturado y tendra una humedad relativa del 100%
La humedad absoluta es el nmero de kilogramos de vapor de una
sustancia contenido en un kilogramo de gas. No depende de la presin y
temperaturas totales, pero s de la presin parcial del vapor en la mezcla.
pv P
pv
M
M
Y
g
v

En donde M
v
y M
g
son los pesos moleculares del vapor y del gas, pv es la
presin ejercida por el vapor, P es la presin total, y P-pv es la presin ejercida por
el gas.
La Humedad relativa es la humedad que contiene una masa de gas, en
relacin con la mxima humedad absoluta que podra admitir, sin producirse
condensacin, conservando las mismas condiciones de temperatura y presin
atmosfrica. Si una masa de gas como el aire tiene el 50% de agua respecto a la
mxima que podra admitir, su humedad relativa es del 50%.
* pv
pv

En donde pv es la presin parcial del vapor y pv* es la tensin de vapor en
las condiciones de saturacin.
Finalmente, el volumen especfico, es el volumen ocupado por unidad de
masa, en este caso, es el volumen ocupado por la mezcla que contiene un kg de
gas. El volumen especfico es el nmero recproco de la densidad.
P
RT
M
Y
M
V
v g

,
_

+
1
Captulo 4. Ajuste de Curvas
En la que V es el volumen especfico, M
g
y M
v son las masas del gas y el
vapor respectivamente, Y es la humedad absoluta, R es una constante
0.082atm*m
3
/kmol*K, T es la temperatura y P es la presin total.
Planteamiento del problema: Se dispone de una mezcla de benceno-
nitrgeno a 60C y 750mm de Hg, la presin parcial del benceno es 50 mm Hg.
Mediante un proceso de enfriamiento y compresin, se busca separar el 82% del
benceno. Los experimentos indican que las tensiones de vapor del benceno son:
T C 5 10 20 30 40 50
P, mm de Hg 34.9 45.6 75.3 119.4 183.2 271.6
a) Encuentre la ecuacin que describe la relacin entre la temperatura y
la tensin del vapor del benceno aplicando el mtodo de regresin de
polinomios
b) Calcule la presin final si el enfriamiento es hasta 7C
c) Cul ser el volumen requerido para condensar 100 kg de benceno?
Solucin:
Metodologa :
1. Mediante un programa que emplee el mtodo numrico de
regresin de polinomios, obtenemos el orden al que se ajustan los datos
de las tensiones de vapor.
*En este caso la curva que ms se ajusta a los datos tiene un orden 3, y la
ecuacin es la siguiente: y = 0.0008x
3
+ 0.0235x
2
+ 1.6689x + 25.82
2. Pedimos los datos de entrada:
T=60C P= 750mm Hg pv=50mm Hg M
v
=78 M
g
=28
Porcentaje de benceno a separar: 82% T
enf
=7C
Masa de benceno a condensar=100kg
3. Obtenemos la Humedad Absoluta Inicial:
2 g
v
N kg
Benceno de kg

pv P
pv
M
M
Y 1990 . 0
50 750
50
28
78
1

,
_


4. Si deseamos separar el 82% de N
2
, la Humedad Absoluta Final
es:
2
N Benceno/kg kg Y Y 0358 . 0 ) 18 . 0 ( 199 . 0 ) 82 . 0 1 (
1 2

5. Ahora encontramos la pv del Benceno a 7C sustituyendo en la
ecuacin obtenida de las tensiones de vapor:
9 . 38 82 . 25 6689 . 1 0235 . 0 0008 . 0
2 3
+ + + x x x y
6. Encontramos la presin final que se pide en el inciso b,
despejando la frmula de la Humedad Absoluta:
Captulo 4. Ajuste de Curvas
mmHg 3067.5193 +
,
_

,
_

+ 9 . 38
0358 . 0
9 . 38
28
78
*
*
2
pv
Y
pv
M
M
P
g
v
7. Calculamos el volumen especfico en las condiciones iniciales:
2
3
v g
N kg
m

P
RT
M
Y
M
V 0588 . 1
760
750
) 273 60 )( 082 . 0 (
78
1990 . 0
28
1 1
1
1

+

,
_

,
_

+
8. Los kg de Benceno condensados por kg de N
2
son:
1632 . 0 0358 . 0 1990 . 0
2 1
Y Y
9. El volumen necesario para condensar 100 kg de benceno es:
mezcla de m
3
648.9231



x Benceno de kg x N de kg Por
Benceno de kg N de kg cada Por
N de kg . x Benceno de kg N de kg x Por
Benceno de kg N de kg cada Por
hay
2
hay
2
2
condensan se
2
condensan se
2
7451 . 612
0588 . 1
7451 612 100
1632 . 0
Seudocdigo : MATLAB
1. Creamos el archivo .m que contendr la funcin los datos X, Y, y m,
donde m es el orden al cual se va a ajustar la curva polinomial. Como
datos de salida se encuentran los coeficientes que forman parte de la
ecuacin polinomial, en orden de mayor grado a menor.
function C = regpol(X,Y,m)
%---------------------------------------------------------------------
%REGPOL Realiza una regresin polinomial.
% X vector de abscisas
% Y vector de ordenadas
% m grado del polinomio
% C coefs. de la ecuacin polinomial empezando por el grado mayor
%---------------------------------------------------------------------
n = length(X);
F = zeros(n,m+1);
for k=1:m+1, % Colocamos las potencias de Xk en las columnas de
F.
F(:,k) = X'.^(k-1);
end
A = F'*F;
B = F'*Y';
C = A\B; % Resuelve el sistema A*C= B
C = flipud(C); % Coloca el vector solucin en orden inverso de
% manera que los valores de mayor grado queden al
inicio.
2. Procedemos a crear el programa en el que se impriman los puntos
junto con su curva de ajuste polinomial, as como los resultados que se
piden en el problema:
Captulo 4. Ajuste de Curvas
echo on; clc; %echo hace que se impriman los comandos de un script
%---------------------------------------------------------------------
%Este programa sirve para encontrar la ecuacin que describe la curva
%de las tensiones de vapor de un lquido utilizando el mtodo de
%regresin de polinomios.
%Calcula la presin final al enfriarse una mezcla vapor-gas.
%Calcula el volumen requerido para condensar una cantidad de vapor.
pause % Presione alguna tecla para continuar.
% - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
echo off;
X = input('Enliste los valores de T en C: ');
Y = input('Enliste los valores de P en mm de Hg: ');
m = input('Escriba el orden al que quiere ajustar la curva ');
C = regpol(X,Y,m)
format short, echo on; pause % Presione alguna tecla para
continuar.
echo off;
figure(1); %Crea una pantalla con el nombre de Figura1
clf; %Elimina el contenido de la Figura, pero la deja activa
% ~ ~ ~ ~ Preparacin de la presentacin del grfico ~ ~ ~ ~ ~
a = min(X)-1; b = max(X)+1; h = (b-a)/150; Xs = a:h:b;
Ys = polyval(C,Xs); %polyval(C,Xs) evaluacin del polinomio C para
%cada valor de Xs
%~~~~~~~~~~~~ Seccin para construir el grfico ~~~~~~~~~~~~~~~
a = min(X)-1; b = max(X)+1; c = min(Y)-1; d = max(Y)+1; whitebg('w');
%Traza la lnea de abscisas y ordenadas en color azul:
plot([a b],[0 0],'b',[0 0],[c d],'b');
%Ajusta la pantalla a los ejes: axis([xmin, xmax, ymin, ymax]):
axis([a b c d]);
axis(axis); %Mantiene los ejes en sus actuales valores,
hold on; %Retiene los ejes en la figura 1
%Imprime los puntos (X,Y) y los puntos del ajuste, en forma de crculos:
plot(X,Y,'or',Xs,Ys,'g');
xlabel('x'); %Aade una etiqueta al eje de abscisas
ylabel('y'); %Aade una etiqueta al eje de ordenadas
Mx1 = 'La ecuacin polinomial es: y = P';

%num2str convierte el nmero m en una cadena de caracteres:
Mx2 = [Mx1,num2str(m),'(x).'];
title(Mx2); grid; hold off; figure(gcf);
pause % Presione una tecla para continuar.
tabla1 = [X;Y]; format short;
%............. Seccin de resultados ...............
fprintf('\n')
Mx1='y = P(x) = c(1)x^m + c(2)x^m-1 +...+ c(m)x + c(m+1)';...
Mx2=['El polinomio de grado m= ',num2str(m),' ha sido ajustado'];...
Mx3='Los coeficientes del polinomio son C = ';
echo off,diary output,...
disp(''),disp(Mx1),fprintf('\n'),disp(Mx2),fprintf('\n'),disp(Mx3),..
.
disp(''),disp(C'),disp('Los valores de entrada son:'),...
disp(' x y'),disp(tabla1'),diary off,echo on
Captulo 4. Ajuste de Curvas
pause % Presione una tecla para analizar los resultados.
% .. .. .. .Preparacin de resultados .. .. .. .. ..
tabla2 = [X;Y;polyval(C,X);Y-polyval(C,X)]';
clc; format short;
%............Impresin de resultados .................
Mx4=' x(k) y(k) P(x(k)) error';
clc,echo off,diary output,...
disp(''),disp(Mx4),disp(tabla2),echo on
pause % Presione cualquier tecla para continuar
echo off;
%---------- Clculos de presin final y volumen inicial ------------%
l = input('\nEscriba 1 si desea terminar el programa para cambiar el
orden de ajuste\nEscriba 2 si desea continuar para hacer los
clculos: ');
if l==1
fprintf('\nEscriba nuevamente el nombre del programa y cambie a un
orden de ajuste diferente\n')
diary off, echo on, break
else
clc
%------------- Datos de entrada ----------------%
T=input ('\nEscriba la temperatura de la mezcla en C: ');
P=input ('Escriba la presin total de la mezcla en mm Hg: ');
pv=input ('Escriba la presin parcial del vapor en mm Hg: ');
Mv=input ('Escriba el peso molecular del vapor: ');
Mg=input ('Escriba el peso molecular del gas: ');
sep=input ('Escriba el porcentaje de lquido a separar: ');
Tenf=input ('Escriba la temperatura a que se enfra la mezcla: ');
masa=input ('Escriba kg que de vapor que se desea condensar: ');
echo on,
pause % Presione una tecla para analizar los resultados.
echo off,
%------------- Clculos -----------------%
Y1=(Mv/Mg)*(pv/(P-pv)); Y2=(Y1)*(1-(sep/100)); pv2=polyval(C,Tenf);
Pf=((Mv/Mg)*(pv2/Y2))+pv2; Yc=Y1-Y2; Ve1=((1/Mg)+
(Y1/Mv))*(0.082*(T+273))/(P/760); V1=(masa/Yc)*(Ve1);
%----- Preparacin de resultados ---------%
fprintf('\n\n')
Y1s=['La humedad absoluta inicial es Y1= ',num2str(Y1,'%.4f'),' kg
vapor/kg gas'];...
Y2s=['La humedad absoluta final es Y2= ',num2str(Y2,'%.4f'),' kg
vapor/kg gas'];...
pv2s=['A T= ',num2str(Tenf),'C la presin de vapor es pv= ',
num2str(pv2,'%.1f'),' mm Hg'];...
Pfs=['La presin final de la mezcla al enfriarse es Pf=
',num2str(Pf),' mm Hg'];...
Ycs=['Por cada kg de gas se condensan= ',num2str(Yc),' kg de
vapor'];...
Ve1s=['El volumen especfico en las condiciones iniciales es
',num2str(Ve1),' m3 de mz/kg gas'];...
V1s=['El volumen inicial para condensar ',num2str(masa),' kg de
vapor es: ', num2str(V1),' m3 de mezcla'];...
diary output,...
Captulo 4. Ajuste de Curvas
disp(''),disp(Y1s),fprintf('\n'),disp(Y2s),fprintf('\n'),disp(pv2s),
fprintf('\n'),disp(Pfs),...
fprintf('\n\n\n'),disp(Ycs),fprintf('\n'),disp(Ve1s),fprintf('\n'),
disp(V1s),diary off
end
La pantalla de MATLAB conforme pasa el programa es la siguiente:
Captulo 4. Ajuste de Curvas
Captulo 4. Ajuste de Curvas
Problema 3: Se ha realizado un estudio para investigar el efecto de un
determinado proceso trmico en la dureza de una pieza. Siete piezas se
seleccionaron para el estudio, se prob su dureza antes del tratamiento y despus
de ser sometidas al proceso trmico. Se recogieron los siguientes datos (kg de
presin):
Se quiere buscar un modelo para explicar la dureza posterior en funcin de
la dureza previa y el valor de la dureza posterior para una dureza de 195.
Solucin:
1. Se puede resolver este problema, creando la funcin
correspondiente en MATLAB, que estime los coeficientes de la ecuacin
de la curva, as como la tabla de diferencias divididas:
function [C,D,M] = inewton(X,Y,in)
%---------------------------------------------------------------------
Pieza 1 2 3 4 5 6 7
Dureza previa 182 232 191 200 249 213 241
Dureza posterior 198 210 194 220 220 161 210
Captulo 4. Ajuste de Curvas
% INEWTON Realiza una interpolacin de polinomios de Newton Entradas
% X vector de abscisas
% Y vector de ordenadas
% in valor a interpolar
% Salidas
% C Coeficientes de la ecuacin polinomial
% D Tabla de diferencias divididas
% M Valor de la interpolacin
%---------------------------------------------------------------------
format long g
n = length(X); %Cuenta los elementos de x
D = zeros(n,n); %Hace una matriz de ceros nxn
D(:,1) = Y'; %Imprime en la primera fila de la matriz D los valores de
Y
if in>max(X)|in<min(X)
disp('El valor que usted trata de interpolar in='), disp (in)
disp('se encuentra fuera del rango de los datos observados (X,Y)')
disp('por lo que no se asegura un buen pronstico')
end
for j=2:n,
for k=j:n,
D(k,j) = (D(k,j-1)-D(k-1,j-1))/(X(k)-X(k-j+1));
%Clculo de las diferencias
end
end
C = D(n,n);
for k=(n-1):-1:1,
C = conv(C,poly(X(k))); %conv(p1,p2) pdto de dos polinomios p1 y p2
%poly(x) devuelve el polinomio caracterstico de x
%por ejemplo poly(6)=(x -6)= [1 -6]
m = length(C);
C(m) = C(m) + D(k,k); %Realiza las operaciones necesarias para
%obtener los coeficientes de la ecuacin
end
M= polyval(C,in);
2. El seudocdigo en MATLAB queda como sigue:
echo on; clc; %echo hace que se impriman los comandos de un script
%---------------------------------------------------------------------
%Este programa sirve para encontrar la ecuacin que relaciona la dureza
%previa y la dureza posterior de unas piezas, despus de ser sometidas a
%un proceso de templado.
pause % Presione alguna tecla para continuar.
% - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
echo off; clear all; format short g;
fprintf('\n')
X = input('Enliste los valores de dureza previa: ');
Y = input('Enliste los valores de dureza posterior: ');
in= input('Escriba el valor de dureza a interpolar: ');
[C,D] = inewton(X,Y,in);
n=length(X);
format short g, echo on; pause % Presione alguna tecla para
continuar.
Captulo 4. Ajuste de Curvas
%..............Impresin de Datos ......................%
% Los comandos Diary permiten la salida de resultados a la pantalla.
Mx1 = '--Construccin de la Aproximacin polinomial--';
Mx2 = 'Las abscisas son:';
Mx3 = 'Las ordenadas son:';
clc,echo off,diary output,...
disp(''),disp(Mx1),disp(''),fprintf('\n'),disp(Mx2),disp(X),disp(Mx3),di
sp(Y),...
diary off, echo on pause % Presione alguna tecla para continuar.
echo off,
%...........Tabla de Diferencias Divididas de Newton...........%
Mx = 'La Tabla de diferencias divididas de Newton es:';
echo off,diary output,...
disp(' '),disp(Mx),disp(D),diary off,echo on
pause % Presione cualquier tecla para comenzar la grfica.
echo off;
figure(1); %Crea una pantalla con el nombre de Figura1
clf; %Elimina el contenido de la Figura, pero la deja activa
% ~ ~ ~ ~ Preparacin de presentacin de grfico ~ ~ ~ %
a = min(X)-1; b = max(X)+1; h = (b-a)/150; X1 = a:h:b;
Y1 = polyval(C,X1); %Evaluacin del polinomio C para cada valor de X1
%~~~~~Seccin para construir el grfico~~~~~~~~~%
a = min(X)-1; b = max(X)+1; c = min(Y)-1; d = max(Y)+1;
whitebg('w');
plot([a b],[0 0],'b',[0 0],[c d],'b'); %Linea de abscisas y ordenadas
axis([a b c d]); %Ajuste de ejes
axis(axis); %Mantiene los ejes en sus actuales valores
hold on; %Retiene los ejes en la figura 1
plot(X,Y,'or',X1,Y1,'g'); %Impresin de los puntos en la figura
xlabel('x'); %Aade una etiqueta al eje de abscisas
ylabel('y'); %Aade una etiqueta al eje de ordenadas
Mx1 = 'La ecuacin polinomial es: y = P';
Mx2 = [Mx1,num2str(n-1),'(x).']; %num2str convierte el nmero n-1 en
%una cadena de caracteres
title(Mx2);
grid; hold off;
figure(gcf); pause % Presione una tecla para continuar.
format long g
%........Resultados...............%
Mx1='El polinomio de Newton ha sido simplificado';
Mx2='en una ecuacin polinomial de la forma:';
Mx3=' Pn(x) = c(1)x^n + c(2)x^(n-1) + ... + c(n)x + c(n+1)';
Mx4 = 'El orden es n = ';
Mx5 = ', y la lista de coeficientes es C=:';
echo off, diary output,...
fprintf('\n\n'),disp(''),disp(Mx1),disp(''),disp(Mx2),disp(''),...
fprintf('\n'),disp(Mx3),disp(''),fprintf('\n\n'),disp([Mx4,num2str(n-
1),Mx5]),
disp(''),disp(C)
diary off, echo on
echo off
pause % Presione cualquier tecla para continuar
Captulo 4. Ajuste de Curvas
tabla1 = [X;Y;polyval(C,X);Y-polyval(C,X)]';
dureza= polyval(C,in);
format short g;
if in>max(X)|in<min(X)
disp('Recuerde que el valor de dureza que usted trata de interpolar
dureza='), disp (in)
disp('se encuentra fuera del rango de los datos observados (X,Y)')
disp('por lo que no se asegura un buen pronstico para la dureza
posterior')
end
%..........Impresin de resultados ...............%
Mx4=' x(k) y(k) P(x(k)) error';
Mx5='A una dureza previa de ';
Mx6=',el valor de la dureza posterior es de: ';
echo off,diary output,...
fprintf('\n\n'),disp(''),disp(Mx4),disp(tabla1),...
fprintf('\n\n'),disp(''),disp([Mx5,num2str(in),Mx6,num2str(dureza)]),
echo on
pause % Presione cualquier tecla para continuar
echo off;
Al probar el programa en MATLAB, obtenemos la siguiente ecuacin de
ajuste:
4.36584003123508e-007 x
6
- 0.000567236859222958 x
5
+ 0.306257417645634 x
4
-
87.9486284172338 x
3
+ 14167.8335196999 x
2
- 1213883.62768935 x +
43215182.6061718
As mismo, el valor de la dureza final de una pieza cuya dureza inicial es de
195 kg de presin, es de 215.6148 kg de presin.
Captulo 4. Ajuste de Curvas
Captulo 4. Ajuste de Curvas
Problema 4: Los fabricantes de automviles deben controlar la cantidad de
distintos contaminantes emitidos por los tubos de escape de sus modelos. Dos de
los principales contaminantes son el monxido de carbono (CO) y los xidos de
nitrgeno (NO
x
). En la tabla siguiente, aparecen los valores correspondientes a las
emisiones de cinco vehculos del mismo modelo. Las variables se miden en
gramos por kilmetro recorrido.
Se quiere establecer un tipo de relacin entre estas dos variables y
encontrar el valor emitido de xido de nitrgeno para una emisin de 3 gr de
monxido de Carbono.
Solucin:
1. Creamos un programa que encuentre la ecuacin de ajuste con el mtodo
de Lagrange.
function [C] = ilagrange(X,Y)
%------------------------------------------------------------%
% ILAGRAN Funcin que realiza la interpolacin de
% polinomios de Lagrange
%-----------------------------------------------------------%
% X Vector de abscisas
% Y Vector de ordenadas
% in Valor a interpolar
% C Coeficientes de la ecuacin polinomial
% M Valor de la interpolacin
%***********************************************************%
n = length(X); %Nmero de elementos de X
L = zeros(n,n);
if in>max(X)|in<min(X)
disp('El valor que usted trata de interpolar in='), disp (in)
disp('se encuentra fuera del rango de los datos observados (X,Y)')
disp('por lo que no se asegura un buen pronstico')
end
for k=1:n, %-----Obtencin de Li(X)--------%
V = 1;
for j=1:n,
if k ~= j,
V = conv(V,poly(X(j)))/(X(k)-X(j));
%conv(p1,p2) producto de dos polinomios p1 y p2
%poly(x) devuelve el polinomio caracterstico de x
%por ejemplo poly(6)=(x -6)= [1 -6]
end
end
L(k,:) = V;
end
C = Y*L; %-----Obtencin de fn(X)--------%
M= polyval(C,in);
CO 2.3 4 5 5.9 6.3 7.5
NOx 1.8 1.4 1.5 1.3 1.2 1.1
Captulo 4. Ajuste de Curvas
2. Creamos un seudocdigo especfico para el problema donde se grafiquen
los resultados del ajuste y se resuelva el problema de interpolacin:
echo on; clc; % echo hace que se impriman los comandos de un script
%-----------------------------------------------------------------------
-
%Este programa sirve para encontrar la ecuacin que relaciona los
valores
%correspondientes a las emisiones de CO y NOx de una cantidad de
%vehculos del mismo modelo.
pause % Presione alguna tecla para continuar.
echo off;
clear all; format short g;
fprintf('\n')
X = input('Enliste los valores de la emisin de CO:
');
Y = input('Enliste los valores de la emisin de NOx:
');
in= input('Escriba el valor de la emisin de CO a interpolar:
');
[C] = ilagrange(X,Y,in); n=length(X);
format short g echo on; pause

%..............Impresin de Datos ......................%
Mx1 = '--Construccin de la Aproximacin polinomial--';
Mx2 = 'Las abscisas son:';
Mx3 = 'Las ordenadas son:';
clc,echo off,diary output,...
disp(''),disp(Mx1),disp(''),fprintf('\n'),disp(Mx2),disp(X),disp(Mx3),di
sp(Y),...
diary off, echo on
pause % Presione alguna tecla para continuar.
echo off;
% ~ ~ ~ ~ Preparacin de presentacin de grfico ~ ~ ~ %
figure(1); %Crea una pantalla con el nombre de Figura1
clf; %Elimina el contenido de la Figura, pero la deja activa
a = min(X)-5; b = max(X)+5; h = (b-a)/150; X1 = a:h:b;
Y1 = polyval(C,X1); %polyval(C,X1) evaluacin del polinomio C
%para cada valor de X1
%~~~~~Seccin para construir el grfico~~~~~~~~~%
a = min(X)-5; b = max(X)+5; c = min(Y)-5; d = max(Y)+5; whitebg('w');
plot([a b],[0 0],'b',[0 0],[c d],'b'); %Lnea abscisas y ordenadas
axis([a b c d]); %Ajuste de ejes
axis(axis);
hold on; %Retiene los ejes en la figura 1
plot(X,Y,'or',X1,Y1,'g');
xlabel('x'); %Aade una etiqueta al eje de abscisas
ylabel('y'); %Aade una etiqueta al eje de
ordenadas
Mx1 = 'La ecuacin polinomial es: y = P';
Mx2 = [Mx1,num2str(n-1),'(x).'];
title(Mx2);
grid; hold off; figure(gcf); pause
format long g
Captulo 4. Ajuste de Curvas
%........Resultados...............%
Mx1='El polinomio de Lagrange ha sido simplificado';
Mx2='en una ecuacin polinomial de la forma:';
Mx3=' Pn(x) = c(1)x^n + c(2)x^(n-1) + ... + c(n)x + c(n+1)';
Mx4 = 'El orden es n = ';
Mx5 = ', y la lista de coeficientes es C=:';
echo off, diary output,...
fprintf('\n\n'),disp(''),disp(Mx1),disp(''),disp(Mx2),disp(''),...
fprintf('\n'),disp(Mx3),disp(''),fprintf('\n\n'),disp([Mx4,num2str(n-
1),Mx5]),
disp(''),disp(C)
diary off, echo on
echo off, pause
tabla1 = [X;Y;polyval(C,X);Y-polyval(C,X)]';
emi= polyval(C,in); format short g;
if in>max(X)|in<min(X)
disp('Recuerde que el valor de emisin de CO que usted trata de
interpolar emi='), disp (in)
disp('se encuentra fuera del rango de los datos observados (X,Y)')
disp('por lo que no se asegura un buen pronstico para la emisin de
NOx')
end
%.............. Impresin de resultados........................
Mx4=' x(k) y(k) P(x(k)) error';
Mx5='Con una emisin de CO de ';
Mx6=',el valor de la emisin de NOx es: ';
echo off,diary output,...
fprintf('\n\n'),disp(''),disp(Mx4),disp(tabla1),...
fprintf('\n\n'),disp(''),disp([Mx5,num2str(in),Mx6,num2str(emi)]),
echo on
pause, echo off;
La ecuacin de ajuste para este ejemplo es:
- 0.00780350050664585 x
5
+ 0.219894418718675 x
4
2.39306205298459 x
3
+
12.4779613792667 x
2
- 30.9707531218545 x + 30.4894151385248
Finalmente, el valor de la emisin de NO
x
a partir de una emisin de CO de 3 gr
recorrido es de 1.1813 g.
Captulo 4. Ajuste de Curvas
Captulo 4. Ajuste de Curvas

You might also like