Ajuste de Curvas

AJUSTE DE CURVAS
En la prctica dos o ms variables suelen relacionarse de alguna

manera, como lo hacen la talla y el peso, la masa y el volumen, entre otras
relaciones. En muchos casos es conveniente encontrar las relaciones entre
las variables y si son posibles las expresiones matemticas que describen
tal relacin. Si la relacin no es evidente o directa, entonces es necesario
hacer aproximaciones o estimaciones a partir de los datos. Esto se puede
lograr usando el diagrama de dispersin (nube de puntos) que consiste en
graficar N pares ordenados (X , Y) , correspondientes a valores
relacionados de las variables en consideracin, en un sistema rectangular.
En un diagrama de dispersin es posible observar una curva suave que se
aproxime a los datos, esa curva puede ser lineal o no lineal y se conoce
como la curva aproximante y se concluye que la relacin es lineal o no
lineal dependiendo de las caractersticas de la curva. El problema de
encontrar curvas aproximantes se llama ajuste de curvas.
REGRESION LINEAL
Tambin se conoce como Aproximacin por Mnimos Cuadrados. El Mtodo
consiste en hallar una lnea recta que pase entre el conjunto de datos dados. La
expresin de una lnea recta es: y = a x + b
El anlisis de regresin lineal, en general, nos permite obtener una funcin lineal
x
x2
xk
de una o ms variables independientes o predictoras ( 1 ,
,...
) a partir
de la cual explicar o predecir el valor de una variable dependiente o criterio (Y).
y=ax+b+E
Y es la variable a predecir; a y b son parmetros desconocidos a estimar; y E es
el error que cometemos en la prediccin de los parmetros.
Quedando definido el error como:
E=y-ax-b
El error (o Residuo) es la diferencia entre el valor real de y, y el valor aproximado.
Para obtener la mejor lnea a travs de los puntos, se debe minimizar la suma de
los errores residuales:
n
i=1
i=1
Ei = ( y i bax i)
Pero esta estrategia, y otras ms, son inadecuadas. La mejor estrategia consiste
S
en minimizar la suma de los cuadrados de los residuos ( i ):
n
S i= E i = ( y i bax i)2
i=1
i=1
S i= ( y ibax i )2
i=1
Para hallar a y b, se deriva la ecuacin con respecto a cada coeficiente:

n
Si
=2 ( y ibaxi )
b
i=1
n
Si
=2 ( y ibaxi ) x i
a
i=1
Igualando las derivadas a cero:
y i b ax i
0=
x i y i b x i ax i2
0=
Hallamos las ecuaciones normales. Y se resuelve a travs de un sistema de
ecuaciones:
a=
n x i y i x i y i
2
n x 2i ( x)
b= y a x
Error Estndar de la Aproximacin

Cuantifica la dispersin alrededor de la lnea de dispersin:
S y / x=
sr
n2
S y / x : medida de dispersin
Donde el subndice
y
x
designa que el error es para un valor predicho de y y
corresponde a un valor particular de x

2
Si: s r = ( y i f (x i ))
s t = ( y i y )2
La eficiencia del ajuste se cuantifica con el Coeficiente de Determinacin:

r 2=
S t S r
St
r 2 : Coeficiente de determinacin
Y con el Coeficiente de Correlacin:

r=
S t S r
St
ALGORITMO DE REGRESION LINEAL

1. Copiamos nuestra nube de puntos.
2. Calculamos, la suma de todos los x, la suma de todos los y , la suma de la
multiplicacin de los x*y, la resta de los y con la media aritmtica de y
elevada al cuadrado.
3. Encontramos el a y el b con la siguiente formula:
a=
n x i y i x i y i
2
n x 2i ( x)
b= y a x
4. Se calcula los parmetros de regresin lineal

S y / x=
sr
n2
s r = ( y i f (x i ))2
r 2=
r=
S t S r
St
S t S r
St
5. Si
r2
es igual a 1 entonces el ajuste es 100 % variable , si
a cero entonces el ajuste no presenta mejoras

EJEMPLO: Ajuste a un modelo de regresin lineal
r 2 es igual
X
Y
2
14
3
20
5
32
7
42
8
44
Solucin
5
XY
X^2
28
4
60
9
160
25
294
49
Y=
5.1538461 X + 4.63076923
352
64
5
894
151
N=
Programa en
maple:
A=
5.15384615
B=
4.63076923
restart;
n : colocamos el numero de valores
with(LinearAlgebra);
with(plots)
X := [valores de x];
Y := [valores de y];
Promediox := evalf((sum(X[i], i = 1 .. n))/n);
Promedioy := evalf((sum(Y[i], i = 1 .. n))/n);
a1 := evalf((n*(sum(X[i]*Y[i], i = 1 .. n))-(sum(X[i], i = 1 .. n)).(sum(Y[i], i = 1 ..
n)))/(n*(sum(X[i]^2, i = 1 .. n))-(sum(X[i], i = 1 .. n))^2));
a0 := evalf(Promedioy-a1*Promediox);
a := plot(X, Y, style = point, symbol = diamond, color = blue);
b := implicitplot(y = a1*x+a0, x = intervalos que alcanza la grafica, y = intervalos
que alcanza la grafica);
display(a, b);
f := unapply(a1.x+a0, x);
E := [seq(abs(Y[i]-f(X[i])), i = 1 .. n)];
X
2
3
5
7
8
25
Y
14
20
32
42
44
152
SR := evalf(sum((Y[i]-f(X[i]))^2, i = 1 .. n));
ST := evalf(sum((Y[i]-Promedioy)^2, i = 1 .. n));
SY := evalf(sqrt(ST/(n-1)));
S(y/x) := evalf(sqrt(SR/(n-2)));
r2 := (ST-SR)/ST;
r := sqrt(r2);
Mnimos cuadrados.mw
REGRESION POTENCIAL
Este modelo de regresin es una alternativa cuando el modelo lineal no logra un
coeficiente de determinacin apropiado, o cuando el fenmeno en estudio tiene un
comportamiento que puede considerarse potencial o logartmico. La forma ms
simple de tratar de establecer la tendencia es a travs de un diagrama de
dispersin o nube de puntos, tal como la siguiente:
Este modelo tambin es conocido como potencial, Cobb-Douglas de primer grado

o exponencial inverso.
La funcin que define el modelo es la siguiente:
b
y i=a x i E
yi
: Variable dependiente, en la i-sima observacin
a, b: Parmetros de la ecuacin, que generalmente son desconocidos
E: Error asociado al modelo

xi
: Valor de la -esima observacin de la variable independiente
Al sustituir los parmetros por estimadores, el modelo adopta la siguiente forma:
y i=a x bi
La ecuacin se transforma aplicando logaritmos de ambos lados, con lo cual se
convierte a una forma lineal:
b
log y i=log ( a x i )
log y i=loga+ log xbi
log y i=loga+ blog xi
y =a + b x
Observamos que ahora obtenemos un modelo de regresin lineal, donde
n x y x
b=
y
2
n x ( x )
2
a = y b x
Al encontrar los valores de a y b reemplazamos en el modelo de regresin

potencial:
b
y i=a x i
ALGORITMO DE LA REGRESION POTENCIAL
Escribimos nuestra nube de puntos

Linealizo mi ecuacin al tipo potencial.
y=a2 x
b2
log y=b 2 log x +log a2
Calculo mi nube de puntos, con mi nueva regresin.
POTENCIAL
log ylog y
Ahora obtengo una nueva nube de puntos, con la cual usare mi regresin
lineal, explicada anteriormente.

Encuentro mi curva, que se ajusta con la nube de puntos.
Ejemplo ilustrativo: ajuste a una funcin potencial
logx
1.25
11.25
20
30.5
15
68
1,25
11,25
20
30,5
logy
logx*logy
0.096910
0
01
0
0.210410
0.30103 0.69897
94
0.477121 1.051152 0.501527
25
52
21
0.602059
0.783298
99 1.30103
11
1.484299 1.037481
0.69897
84
07
2.079181 4.632362 2.532717
25
37
32
(logx)^2
0
0.090619
06
0.227644
69
0.362476
23
0.488559
07
1.169299
05
n=
a=
b=
5
1.990196
55
0.098876
61
b=100.09887661
b= 1.25567316
La ecuacin:
y=1.25567316 x 0.09887661

Ajuste de Curvas

Cargado por

Copyright:

Formatos disponibles

Ajuste de Curvas

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ajuste de Curvas

Cargado por

Copyright:

Formatos disponibles

AJUSTE DE CURVAS

En la prctica dos o ms variables suelen relacionarse de alguna

Para hallar a y b, se deriva la ecuacin con respecto a cada coeficiente:

Igualando las derivadas a cero:

Error Estndar de la Aproximacin

designa que el error es para un valor predicho de y y

corresponde a un valor particular de x

La eficiencia del ajuste se cuantifica con el Coeficiente de Determinacin:

Y con el Coeficiente de Correlacin:

ALGORITMO DE REGRESION LINEAL

4. Se calcula los parmetros de regresin lineal

es igual a 1 entonces el ajuste es 100 % variable , si

a cero entonces el ajuste no presenta mejoras

Este modelo tambin es conocido como potencial, Cobb-Douglas de primer grado

: Variable dependiente, en la i-sima observacin

a, b: Parmetros de la ecuacin, que generalmente son desconocidos

E: Error asociado al modelo

Al sustituir los parmetros por estimadores, el modelo adopta la siguiente forma:

Al encontrar los valores de a y b reemplazamos en el modelo de regresin

ALGORITMO DE LA REGRESION POTENCIAL

Escribimos nuestra nube de puntos

log y=b 2 log x +log a2

Calculo mi nube de puntos, con mi nueva regresin.

lineal, explicada anteriormente.

Ejemplo ilustrativo: ajuste a una funcin potencial

También podría gustarte