Professional Documents
Culture Documents
b) Los datos son muy precisos, el procediendo es ajustar a una curva o una
serie de curvas que pasan directamente a travs de cada uno de los
puntos.
Generalmente todos los datos se originan de tablas; ejemplo: densidad del
agua, capacidad calorfica en funcin de la temperatura.
El procedimiento se denomina Interpolacin.
Interpolacin lineal
Interpolacin curvilnea
1.2. Revisin estadstica
a) Media aritmtica
_
Y=
Yi
n
b) Desviacin estndar
_
Yi Y
Sy =
n 1
c) Varianza
Pag .1
Ajuste de curvas
( Yi)
Sy 2 =
Yi
n 1
Yi Y
Sy 2 =
n 1
d) Coeficiente de Variacin
CV =
Sy
_
e) Histograma
Se usa para la distribucin de los datos
f)
Limite = Y
Sy
n
t ( / 2, n 1)
Ejemplo:
Las mediciones del coeficiente de expansin trmico para un acero estructural
fueron las que se detallan a continuacin.
Los valores estarn en (x10-6 Pulg/(pulgF)
Generar 25 valores en el rango: 6.395 y 6.775
Solucin:
>> E1=6.395+(6.775-6.395)*rand(25,1)
>> E=fprintf('%4.3f\n',E1)
6.685
6.629
6.756
6.483
6.568
6.696
6.626
6.402
6.745
6.580
6.707
6.676
6.734
6.564
6.462
>> media=mean(E)
media =
6.6055
6.549
6.750
6.743
6.551
6.735
6.417
6.529
6.704
6.399
6.448
>> varian=var(E)
varian =
0.0147
>> des_sta=std(E)
des_sta =
0.1210
>> hist(E)
Pag .2
Ajuste de curvas
Obs
0
6.35
6.4
6.45
6.5
6.55
6.6
6.65
coeficiente
6.7
6.75
6.8
6.85
>> histfit(E)
10
9
8
7
6
5
4
3
2
1
0
6.2
6.3
6.4
6.5
6.6
6.7
6.8
6.9
ao : Itercepto
a1 : pendiente
e : error o residuo
X
e = Y a o a1 X (2)
SR =
i =1
ei2 =
i =1
i =1
(3)
n: Total de puntos
Ing. Hctor G. Bolaos Sosa
Pag .3
Ajuste de curvas
n
S R
= 2 [(Yi a o a1 X i )X i ]
a1
i =1
Y a a X
0 = Y X a X a X
Si hacemos a = na
0=
2
i
Y na a X
na + ( X )a = Y
0=
Y X a X a X
( X )a + ( X )a = Y X
0=
(4)
2
i
2
i
(5)
( )
n( X )a ( X )( X )a = ( X ) Y
n( X )a + n( X )a = n Y X
i
2
i
( X ) a = ( X ) Y
n( X )a = n Y X
2
2
i
( X ) a + n( X )a = ( X ) Y +n Y X
a ( X ) + n( X ) = ( X ) Y + Y X
n Y X X Y
a =
(6)
n X ( X )
2
2
i
2
i
2
i
( X )a = Y
Y ( X )a = Y X
=
nao +
ao
(7)
a1
ao = Y X a1
(8)
SR
n2
(12)
Pag .4
Ajuste de curvas
Yi
Yi
ao
a1 X
sio
gre
e
R
in
nl
ea
Y ao a1X
Xi
ST =
Yi,medida Y
i =1
(9)
SR =
ei2 =
i =1
(Y a
i
a1 X )2
(10)
i =1
ST S R
ST
(11)
>> promx=mean(X)
promx =
4
>> promy=mean(Y)
promy =
3.4286
>> sumxy=sum(X.*Y)
Pag .5
Ajuste de curvas
sumy =
24
>> sumx=sum(X)
sumx =
28
sumxy =
119.5000
>> sumx2=sum(X.^2)
sumx2 =
140
Y X X Y
n X ( X )
i
2
i
ao = Y X a1
>> a0=promy-a1*promx
a0 =
0.0714
>> nu=n*sumxy-sumx*sumy
nu =
164.5000
>> de=n*sumx2-(sumx).^2
de =
196
>> a1=nu/de
a1 =
0.8393
AJUSTE LINEAL
6
1
Obs
Ecua
0
4
X
Pag .6
Ajuste de curvas
SR =
i =1
ei2 =
(Yi ao a1 X )2
i =1
>> Sr=((Y-0.0714-0.8393*X).^2)
Sr =
0.1687
0.5625
0.3473
0.3265
0.5897
0.7971
0.1994
>> Sr=sum((Y-0.0714-0.8393*X).^2)
Sr =
2.9911
Yi,medida Y
ST =
i =1
>> st=(Y-promy).^2
st =
8.5765
0.8622
2.0408
0.3265
0.0051
6.6122
4.2908
>> st=sum((Y-promy).^2)
st =
22.7143
SR
n2
>> sxy=sqrt(Sr/(n-2))
sxy =
0.7734
Clculo de lo coeficientes de determinacin y correlacin:
r2 =
ST S R
ST
>> r2=(st-Sr)/st
r2 =
0.8683
>> r=sqrt(r2)
r=
0.9318
El 86.8% de los datos originales son explicados por el modelo lineal
1.3.3. Usando funciones de Matlab
a) Para determinar los coeficientes de la regresin lineal se usa la
funcin polyfit.
Sintaxis:
p = polyfit(x,y,n)
Encuentra los coeficientes del polinomio p(x) de grado n.
El resultado es un vector fila de n+1, conteniendo los coeficientes de
orden descendente
>> p=polyfit(X,Y,1)
p=
0.8393 0.0714
b) Para predecir los valores, segn la ecuacin lineal se usa la funcin
polyval.
Sintaxis
y = polyval(p,x)
Devuelve el valor del polinomio de grado n, evaluado en X
>> Y1=polyval(p,X)
Pag .7
Ajuste de curvas
Y1 =
0.9107
1.7500
2.5893
3.4286
4.2679
5.1071
5.9464
>> x=[1:7]'
x=
1
2
3
4
5
6
7
>> y=[0.5 2.5 2 4 3.5 6 5.5]'
y=
0.5000
2.5000
2.0000
4.0000
3.5000
6.0000
5.5000
>> p = polyfit(x,y,1)
p=
0.8393 0.0714
>> f = polyval(p,x)
f=
0.9107
1.7500
2.5893
3.4286
4.2679
5.1071
5.9464
>> y=xlsread('DATOS_1','b4:b10')
y=
0.5000
2.5000
2.0000
4.0000
3.5000
6.0000
5.5000
Pag .8
Ajuste de curvas
>> p=polyfit(x,y,1)
p=
0.0714
>> f=polyval(p,x)
f=
0.9107
1.7500
2.5893
3.4286
4.2679
5.1071
5.9464
>> plot(x,y,'o',x,f),grid
AJUSTE
6
datos
Ajuste
4
X
>> x=A(:,1)
x=
1
>> y=A(:,2)
y=
10
Pag .9
Ajuste de curvas
1
2
3
4
5
10
20
30
40
50
2
3
4
5
20
30
40
50
Procedimiento
a) Ingreso de datos
Seleccionar los datos que estn en las variables
Importar los datos . Dar click a create data set
Pag .10
Ajuste de curvas
b) Ajuste de datos
Seleccionar New Fit
Escoger un tipo de modelo de ajuste. Type of Fit
Seleccionar los datos de salida . Tableo f Fits
c) Ejecutar el ajuste
Dar click en Apply
d) Guardar la sesin
Ir a: File/save session
Tambin se puede generar un archivo script
Pag .11
Ajuste de curvas
Y = e t
ln Y = ln + t
a) Generar una tabla en Excel con los datos experimentales que se
muestran en la tabla adjunta, luego graBarlos en formato txt.
Tabla.- Comportamiento de secado de caf a 46C
t( hr)
% H2O
0
105
1
71
2
62
3
48
4
32
5
29
6
21
7
15
8
13
9
11
10
9
b) Haciendo el anlisis con la herramienta toolsbox (curve fitting), se
estableci la siguiente ecuacin exponencial:
Y = e t
Y = 101.4e 0.2635t
Donde :
Y : Humedad ( %H2)
: Intercepto
: tasas de secado (razn de cambio)
t : Tiempo de secado, en horas
c) Graficar la ecuacin exponencial del secado de caf:
SECADO DE CAFE A 46c
120
100
%H2O
80
60
40
20
5
t (hr)
10
Pag .12
Ajuste de curvas
ln Y = ln + t
ln Y = ln(101.4) + (0.2635)t
ln Y = 4.6191 0.2635t
>> a
a=
101.4000
>> b
b=
-0.2635
>> tabla=[t,Y1,Y]
tabla =
0
4.6191 101.4000
1.0000 4.3556 77.9115
2.0000 4.0921 59.8639
3.0000 3.8286 45.9969
4.0000 3.5651 35.3420
5.0000 3.3016 27.1553
6.0000 3.0381 20.8650
7.0000 2.7746 16.0318
8.0000 2.5111 12.3181
9.0000 2.2476 9.4647
10.0000 1.9841 7.2723
>> Y1=log(a)+b.*t;
>> Y=exp(Y1)
semilogy(t,Y),grid
SECADO DE CAFE
10
%H2O
10
10
10
5
t (hr)
10
Y = X
ln Y = ln + ln X
Y
0.5
1.7
3.4
5.7
8.4
Pag .13
Ajuste de curvas
cell/ml
12
10
8
6
4
2
0
4
t (hr)
>> loglog(x,y),grid
CRECIMEINTO BACTERIAL
10
cell/ml
10
10
-1
10
10
t (hr)
Y = a o + a1 X + a 2 x 2 + e
As la suma de los cuadrados de los residuos (Sr) es:
n
SR =
i =1
(Y a
n
ei2 =
i =1
a1 X i a 2 X i2
Pag .14
Ajuste de curvas
n
S R
= 2
Yi a o a1 X i a 2 X i2
a o
i =1
n
S R
= 2
X i Yi a o a1 X i a 2 X i2
a1
i =1
n
S R
= 2
X i2 Yi a o a1 X i a 2 X i2
a 2
i =1
( ) ( )
( X )a + ( X )a + ( X )a = X Y
( X )a + ( X )a + ( X )a = X Y
i
2
i
2
i
3
i
3
i
4
i
i i
2
i i
Esas tres ecuaciones con tres incgnitas se pueden resolver por cualquier
tcnica, ya estudiadas.
El error estndar de la regresin es :
SR
n ( m + 1)
Sx/ y =
n: Nmero de datos
m: orden del polinomio
Ejemplo:
Ajustar a un polinomio de segundo orden los datos de la siguiente tabla.
>> load seg_orde.txt
>> data=seg_orde
data =
0
2.1000
1.0000 7.7000
2.0000 13.6000
3.0000 27.2000
4.0000 40.9000
5.0000 61.1000
Solucin
a) Encontrando los coeficientes
m=2
n=6
_
x = 2.5
_
y = 2.5
= 15
x
y
x
x
= 15
= 152.6
2
i
= 55
3
i
= 225
x = 979
x y = 585.6
x y = 2488.8
4
i
i i
2
i i
Resolviendo el sistema:
Pag .15
Ajuste de curvas
>> a=bicg(A,b)
bicg converged at iteration 3 to a
solution with relative residual 3.5e-011
a=
2.4786
2.3593
1.8607
Entonces los coeficientes son:
ao = 2.4786
a1 = 2.3593
a 2 = 1.8607
>> datos2=[x,y,ycal]
datos2 =
0
2.1000
1.0000 7.7000
2.0000 13.6000
3.0000 27.2000
4.0000 40.9000
5.0000 61.1000
2.4786
6.6986
14.6400
26.3028
41.6870
60.7926
c) Graficando
AJUSTE SEGUNDO ORDEN
70
60
50
40
30
20
10
obsr
calc
0
0.5
1.5
2.5
3.5
4.5
5.5
Yi,medida Y
ST =
i =1
>> St=(promy-y).^2
544.4444
Ing. Hctor G. Bolaos Sosa
SR =
i =1
(Y a
n
ei2 =
i =1
a1 X a 2 X 2
>>
Sr=(y-2.4786-2.3593*x1.8706*x.^2).^2
Sr =
Pag .16
Ajuste de curvas
314.4711
140.0278
3.1211
239.2178
1272.1111
>> St=sum((promy-y).^2);
>> fprintf('%8.4f\n',St)
2513.3933
0.1433
0.9831
1.1655
0.6530
0.8938
0.0036
>>
Sr=sum((y-2.4786-2.3593*x1.8706*x.^2).^2)
Sr =
3.8423
SR
=
n ( m + 1)
Sx/ y =
3.8423
= 1.1317
6 (2 + 1)
Coeficiente de determinacin:
S S R 2513.3933 3.8423
=
= 0.9985
r2 = T
2513.3933
ST
Coeficiente de correlacin:
r = 0.9992
1.6. Regresin lineal mltiple
Una regresin lineal mltiple es el caso y en una funcin lineal de dos o ms
variables independientes.
Y = a 0 + a1 x1 + a 2 x 2 + e
As la suma de los cuadrados de los residuos (Sr) es:
n
SR =
ei2 =
i =1
(Y a
i
a1 X 1i a 2 X 2i )2
i =1
n
S R
= 2
X 1i (Yi a o a1 X 1i a 2 X 2i )
a1
i =1
n
S R
= 2
X 2i (Yi a o a1 X 1i a 2 X 2i )
a 2
i =1
( X )a + ( X )a = Y
( X )a + ( X )a + ( X X )a = X Y
( X )a + ( X X )a + ( X )a = X Y
( n) a o +
1i
2i
1i
2i
2
1i
1i
2i
1i
2i
2
2i
1i i
2i i
Esas tres ecuaciones con tres incgnitas se pueden resolver por cualquier
tcnica, ya estudiadas.
El sistema se puede expresar de la siguiente manera.
Pag .17
Ajuste de curvas
X
X
1i
2i
X
X
X X
1i
2
1i
1i
X
X X
X
2i
Y
X Y
X Y
a
o
1i 2i a1 =
2 a
2i
2
2i
1i i
2i i
Sx/ y =
SR
n ( m + 1)
m=2
n=6
y = 54
x
x
x
x
= 16.5
= 14
2
1
= 76.25
2
2
= 54
>> sum1sum2=sum(x1.*x2)
sum1sum2 =
48
>> sumx1y=sum(x1.*y)
sumx1y =
243.5000
>> sumx2y=sum(x2.*y)
sumx2y =
100
x x = 48
x y = 243.5
x y = 100
1 2
1
14
48
54 a 2 100
Resolviendo el sistema:
>> M=[6 16.5 14;16.5 76.25 48;14 48
54];
>> b=[54 243.5 100]';
>> Co=bicg(M,b)
bicg converged at iteration 3 to a
solution with relative residual 9.5e016
Co =
Ing. Hctor G. Bolaos Sosa
Ajuste de curvas
5.0000
4.0000
-3.0000
La ecuacin polinmica ser:
a2 =
-3
Y = 5 + 4 X1 3X 2
b) Generando una tabla de valores observados y calculados
> data=[x1;x2;y;Ycalc]'
>> Ycalc=ao+a1.*x1+a2.*x2;
>> Ycalc'
data =
ans =
0
0
5.0000 5.0000
2.0000 1.0000 10.0000 10.0000
5.0000
2.5000 2.0000 9.0000 9.0000
10.0000
9.0000
1.0000 3.0000
0
0
0
4.0000 6.0000 3.0000 3.0000
7.0000 2.0000 27.0000 27.0000
3.0000
27.0000
c) Graficando
30
25
20
15
10
5
0
6
8
6
4
2
2
x2
x1
Usando toolboox
>> x1
x1 =
0 2.0000 2.5000 1.0000
>> x2
x2 =
0 1 2 3 6 2
>> y
y=
5 10 9 0 3 27
4.0000
7.0000
Pag .19
Ajuste de curvas
Pag .20
Ajuste de curvas
EJERCICIOS
1. Ajustar los siguiente datos que se muestran:
3. Encontrar una ecuacin de ajuste polinmica para los datos que se muestran
abajo:
Determinar:
a) Encontrar la ecuacin de ajuste. Probar hasta polinomios de grado 1, 3 5 y 7;
escoger el mejor. Usar el r2
b) Graficar los valores observados y los ajustados (deber mostrar los 4 modelos)
5. Sea los siguientes datos:
X
2 3 4 7 8 9 5 5
y
9 6 5 10 9 11 2 3
a) Determinar la pendiente y el intercepto, calcular el error de la estimacin y el
coeficiente de correlacin. Grafique los datos y la lnea recta.
b) Recalcular pero usando regresin polinomial de segundo orden, y comparar los
resultados con los encontrados en la parte a
Pag .21
Ajuste de curvas
APLICACIONES
1. La ley de Hooke es F =kx; donde f es la fuerza (libras) usadas para comprimir un
resorte y x es el incremento del resorte ( en pulgadas).
Encontrar la constate k
La relacin d =
1 2
gt Donde d: distancia (m) y t:tiempo (seg). Encontrar la fuerza
2
de la gravedad g.
3.
Pag .22