Ajuste de curvas

APLICACIN DE METODOS NUMERICOS

CAPITULO IV
AJUSTE DE CURVAS
1. INTRODUCCION
1.1. Generalidades
Los datos casi siempre son valores discutidos a lo largo de un continuo.
Se requiere una estimacin en puntos entre los valores discutidos.
Dos procedimientos generales para el ajuste de curvas.
a) Los dataos pueden tener un grado significativo de error, entonces se
derivar una sola ecuacin que represente la tendencia general de los
datos.
Uno de los procedimientos es regresin por mnimos cuadrados.

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

n-1 : Grados de libertad

c) Varianza

Ing. Hctor G. Bolaos Sosa

Pag .1

Ajuste de curvas

( Yi)

Sy 2 =

Yi

n 1

Yi Y

Sy 2 =
n 1

No se requiere el clculo del promedio

d) Coeficiente de Variacin
CV =

Sy
_

e) Histograma
Se usa para la distribucin de los datos
f)

Estimacin de los intervalos de confianza

_

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)

Ing. Hctor G. Bolaos Sosa

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

1.3. Regresin por mnimos cuadrados

El ejemplo ms simple es mediante el ajuste de un conjunto de pares de
observaciones: (x1,Y1), (X2,Y2),,(Xn,Yn) a una lnea recta:
Y = a o + a1 X + e (1)

ao : Itercepto
a1 : pendiente
e : error o residuo

X
e = Y a o a1 X (2)

El error es la discrepancia entre el valor real y el valor aproximado.

La mejor estrategia para un mejor ajuste; es minimizar la suma de los
cuadrados de los residuos entre la Y medida y la Y calculada con el
modelo lineal.
n

SR =

i =1

ei2 =

i =1

i =1

(Yi,medida Yi,modelo )2 = (Yi a o a1 X )2

(3)

n: Total de puntos
Ing. Hctor G. Bolaos Sosa

Pag .3

Ajuste de curvas

1.3.1. Ajuste por mnimos cuadrados de una lnea recta

Para determinar los coeficientes ao y a1, de la ecuacin (3) es
diferenciando respecto a cada coeficiente.
n
S R
= 2 (Yi a o a1 X i )
a o
i =1

n
S R
= 2 [(Yi a o a1 X i )X i ]
a1
i =1

Ambas derivadas se fijan igual a cero, para obtener un mnimo:

Y a a X
0 = Y X a X a X
Si hacemos a = na
0=

2
i

Obtenemos las ecuaciones normales:

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)

Resolviendo estas dos ecuaciones simultaneas, se tiene:

Multiplicando la ecuacin (4) por
X i y la ecuacin (5) por n:

( )
n( X )a ( X )( X )a = ( X ) Y
n( X )a + n( X )a = n Y X
i

2
i

Luego de las operaciones el sistema queda:

( X ) a = ( X ) Y
n( X )a = n Y X
2

2
i

Resolviendo para a1:

( 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

Resolviendo para a0; despejando de la ecuacin (4):

( X )a = Y
Y ( X )a = Y X
=

nao +
ao

(7)
a1

ao = Y X a1

(8)

1.3.2. Cuantificacin del error de una regresin lineal

La desviacin estndar para la lnea de regresin se puede determinar:
Sx/ y =

SR
n2

(12)

El denominador es n-2, debido a los datos estimados (a0 y a1), que se

usaron para calcular SR, tiene dos grados de libertad.

Ing. Hctor G. Bolaos Sosa

Pag .4

Ajuste de curvas

Yi

Yi

ao

a1 X

sio
gre
e
R

in
nl

ea

Y ao a1X

Xi

La suma Total de los cuadrados alrededor de la media, esta magnitud

representa el error residual asociado con la variable dependiente antes
de la regresin, la ecuacin es:
n

ST =

Yi,medida Y

i =1

(9)

La suma de cuadrados de los residuos alred

edor de la lnea de
regresin, caracteriza el error residual despus de la regresin, la
ecuacin es:
n

SR =

ei2 =

i =1

(Y a
i

a1 X )2

(10)

i =1

La diferencia entre ST y SR cuantifica la mejora o reduccin de error.

r2 =

ST S R
ST

(11)

Donde r2 es conocido como el coeficiente de determinacin

Donde r, es el coeficiente de correlacin
Ejemplo
Sean los siguientes valores de X y de Y, ajustar a una lnea recta.
>> Y=[0.5 2.5 2 4 3.5 6 5.5]'
>> X=[1:7]'
Y=
X=
0.5000
1
2.5000
2
2.0000
3
4.0000
4
3.5000
5
6.0000
6
5.5000
7
Solucin:
>> n=length(X)
n=
7
>> n=length(X)
n=
7
>> sumy=sum(Y)

Ing. Hctor G. Bolaos Sosa

>> 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

Luego aplicamos las ecuaciones (7) y (8):

a1 =

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

Luego la ecuacin de ajuste por mnimos cuadrados es:

Y = 0.0714 + 0.8393 X

Graficando los valores observados y la curva de ajuste:

>> yajus=0.0714+0.8393*X
>> Y=[0.5 2.5 2 4 3.5 6 5.5]'
yajus =
Y=
0.5000
0.9107
2.5000
1.7500
2.5893
2.0000
3.4286
4.0000
3.5000
4.2679
6.0000
5.1072
5.9465
5.5000

AJUSTE LINEAL
6

1
Obs
Ecua
0

4
X

Estimacin de los errores

Ing. Hctor G. Bolaos Sosa

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

La desviacin estndar es:

Sx/ y =

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)

Ing. Hctor G. Bolaos Sosa

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

1.3.4. Importando datos

Desde hoja de clculo
Para efectuar importacin de datos desde Excel, se utiliza el comando
xlsread. Este comando importa los datos de una hoja de clculo a una
variable tipo array.
Sintaxis:
Nombre variable=xlsread(nombre_archivo,nombre de hoja,rango)
La hoja de datos debe estar en el directorio que se est trabajando.
Ejemplo: Importar datos de una hoja de clculo de nombre DATOS_1,
para la variable x e y.
y=0.5 2.5 2 4 3.5 6 5.5
x= 1 2 3 4 5 6 7
Luego determinar la ecuacin de ajuste y la grfica
>> x=xlsread('DATOS_1','A4:A10')
x=
1
2
3
4
5
6
7

Ing. Hctor G. Bolaos Sosa

>> 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

Desde archivo txt

a. En Excel cree la tabla y almacnela con formato tipo texto delimitado
con tabulaciones. Elija algn nombre. Ejemplo T.txt
b. En MATLAB cargue la tabla T y sela como una matriz:
>> load T.txt;
>> A=T
Ejemplo: Importar datos desde un archivo .txt

>> load T1.txt

>> A=T1
A=

Ing. Hctor G. Bolaos Sosa

>> 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

1.3.5. Usando la herramienta Toolbox de Matlab

La herramienta Curve Fitting Toolbox, provee una Interface Grfica del
Usuario (GUIs) y la lnea de comando funciona para ajustar los datos a
una curva. Esta herramienta realiza anlisis exploratorio de datos,
preproceso y postproceso de los datos.
Se puede comparar los diferentes modelos. Se puede realizar anlisis de
regresin usando la biblioteca de modelos lineales y no lineales, inclusive
con modelos definidos por el usuario. Esta herramienta tambin soporta
tcnicas de modelamiento noparamtrico como son la interpolacin a
suavizado.
Pasos:
a) Estando en Matlab, ir a Start ( parte inferior izquierda)
b) Ir a Toolboxes
c) Ir a Curve Fitting
d) Ir a Curve Fitting Tools
Aparece la siguiente ventana (GUI)

Procedimiento
a) Ingreso de datos
Seleccionar los datos que estn en las variables
Importar los datos . Dar click a create data set

Ing. Hctor G. Bolaos Sosa

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

Linear model Poly1:

f(x) = p1*x + p2
Coefficients (with 95% confidence bounds):
p1 =
0.8393 (0.4636, 1.215)
p2 = 0.07143 (-1.609, 1.752)
Goodness of fit:
SSE: 2.991
(Sr suma de los cuadrados de los residuos)
R-square: 0.8683
( Coeficiente de determinacin)
Adjusted R-square: 0.842
RMSE: 0.7734
(Representa la desv. Std. de la regresin)

1.4. Linearizacin de relaciones No Lineales

En algunos casos los datos se pueden usar transformaciones para expresar
los datos a una forma lineal
1.4.1. Modelo exponencial

Ing. Hctor G. Bolaos Sosa

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

c) Graficar la ecuacin semilogaritmica

Ing. Hctor G. Bolaos Sosa

Pag .12

Ajuste de curvas

En este caso se obtiene una lnea recta. La ecuacin linearizada es:

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

1.4.2. Modelo Potencial

Y = X

ln Y = ln + ln X

El crecimiento bacterial se da de acuerdo a la siguiente data

x
1
2
3
4
5

Ing. Hctor G. Bolaos Sosa

Y
0.5
1.7
3.4
5.7
8.4

Pag .13

Ajuste de curvas

a) Graficar los datos no trasformados

b) Graficar los datos transformados
CRECIMEINTO BACTERIAS
18
16
14

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)

1.5. Regresin de polinomios

El criterio de ajuste de mnimos cuadrados, se puede extender a polinomios
de orden superior.

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

Derivando e igualando a cero, obtienen las siguientes ecuaciones normales:

Ing. Hctor G. Bolaos Sosa

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

Estas ecuaciones se igualan a cero y se reordenan:

X i a1 +
X i2 a 2 =
Yi
( n) a o +

( ) ( )
( 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

Reemplazando en las ecuaciones normales:

(6)a o + (15)a1 + (55)a 2 = 152.6

(15)a 0 + (55)a1 + (225)a 2 = 585.6

(55)a 0 + (225)a1 + (979)a 2 = 2488.8

Resolviendo el sistema:

Ing. Hctor G. Bolaos Sosa

Pag .15

Ajuste de curvas

> A=[6 15 55;15 55 225;55 225 979]

A=
6 15 55
15 55 225
55 225 979
>> b=[152.6 585.6 2488.8]'
b=
1.0e+003 *
0.1526
0.5856
2.4888

>> 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

La ecuacin polinmica ser:

Y = 2.4786 + 2.3593 X + 1.8608 X 2

b) Generando una tabla de valores observados y calculados
>> ycal=2.4786+2.3593.*x+1.8607.*x.^2
ycal =
2.4786
6.6986
14.6400
26.3028
41.6870
60.7926

>> 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

d) Estimacin de los errores

Suma total de los cuadrados
n

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

Desviacin standard del estimado o de la correlacin:

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

Derivando e igualando a cero, obtienen las siguientes ecuaciones normales:

n
S R
= 2 (Yi a o a1 X 1i a 2 X 2i )
a o
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

Estas ecuaciones se igualan a cero y se reordenan:

( 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.

Ing. Hctor G. Bolaos Sosa

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

El error estndar de la regresin es :

Sx/ y =

SR
n ( m + 1)

m : Nmero de variables independientes

Ejemplo:
Ajustar a un polinomio de segundo orden los datos de la siguiente tabla.
>> x1=[0 2 2.5 1 4 7];
>> x2=[0 1 2 3 6 2]
>> y=[5 10 9 0 3 27]
Solucin
a) Encontrando los coeficientes
>> sumy=sum(y)
>> sumx12=sum(x1.^2)
sumy =
sumx12 =
54
76.2500
>> sumx1=sum(x1)
>> sumx22=sum(x2.^2)
sumx1 =
sumx22 =
16.5000
54
>> sumx2=sum(x2)
sumx2 =
14

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

Reemplazando en las ecuaciones normales:

16.5 14 a o 54
6
16.5 76.25 48 a = 243.5

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

Entonces los coeficientes son:

>> ao=Co(1)
ao =
5.0000
>> a1=Co(2)
A1 =
4.0000
>> a2=Co(3)
Pag .18

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

Ing. Hctor G. Bolaos Sosa

4.0000

7.0000

Pag .19

Ajuste de curvas

Surface fitting tool

Ing. Hctor G. Bolaos Sosa

Pag .20

Ajuste de curvas

EJERCICIOS
1. Ajustar los siguiente datos que se muestran:

a) Encontrar la ecuacin de ajuste

b) Graficar los valores observados y los ajustados
c) Determinar la desviacin estndar de la regresin y el r2.
2. Determinar los parmetros a y b del modelo exponencial.

a) Encontrar la ecuacin de ajuste

b) Graficar los valores observados y los ajustados
c) Determinar la desviacin estndar de la regresin y el r2.

3. Encontrar una ecuacin de ajuste polinmica para los datos que se muestran
abajo:

a) Graficar los valores observados y los ajustados

b) Determinar la desviacin estndar de la regresin y el r2.
4. Sean los siguientes datos que se muestran a continuacin

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

Ing. Hctor G. Bolaos Sosa

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

2. Los datos experimentales de un experimento de cada de cuerpos se muestran a

continuacin:

La relacin d =

1 2
gt Donde d: distancia (m) y t:tiempo (seg). Encontrar la fuerza
2

de la gravedad g.
3.

Ing. Hctor G. Bolaos Sosa

Pag .22