MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

AJUSTES DE DATOS PARA CURVAS NO LINEALES

•INTRODUCCIÓN

En muchos experimentos es frecuente encontrar una dependencia entre dos

variables, x e y. Para ello, se observa la variación de una, y, en función de la otra x. La
variable x podría ser, por ejemplo, el estiramiento de un resorte y la variable y la fuerza
aplicada.

Por lo general se mide un conjunto de N puntos (x i,yi), donde la variable independiente y

dependiente están afectadas por las incertidumbres de los instrumentos σi, los errores que
introduce el experimentador o los errores debidos al método utilizado en la medida. Por
otra parte se supone que la relación de las variables que satisfacen los datos se puede
expresar mediante  la forma y = f(x). 

PROBLEMÁTICA

OBJETIVOS

GENERAL

ESPECIFICO

•FUNDAMENTOS TEÓRICOS

Ajuste de datos con MATLAB

MATLAB dispone de la función polyfit para ajustar datos a un polinomio de grado n.
También tiene la posibilidad de ajustar los datos de forma interactiva en la ventana gráfica
(Figure Window) seleccionado en el menú Tools/Basic Fitting.

Ajuste de datos con el operador, división por la izquierda \.

Conocidos los n pares de datos (xi,yi) i=1,2...n resolvemos el sistema de n ecuaciones

para determinar las incógnitas, los coeficientes a1,a2, a3 del polinomio que mejor ajusta.

1
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

En el último ejemplo de la página anterior, tenemos n=9 pares de datos (xi,yi) que
ajustamos a un polinomio de segundo grado. Resolvemos un sistema de nueve
ecuaciones con tres incógnitas, con el operador \ (división por la izquierda).

2
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

Ajuste de datos con polyfit

Para el ajuste de datos a un polinomio se utiliza la función MATLAB polifit, cuya sintaxis
es la siguiente:

p=polyfit(x,y,n)

3
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

 x, y son los vectores de las abscisas y de las ordenadas de los datos,

respectivamente
 n, es el grado del polinomio al que se quieren ajustar los datos
 p, es el vector de los coeficientes de dicho polinomio.

Para n=1 tenemos la regresión lineal. Si m es el número de datos, el polinomio pasa a

través de todos los puntos si n=m-1. El grado n del polinomio no puede ser mayor que m-
1.

En el ejemplo d ela página precedente, se cambia la llamada a la función pol_regresion

por la función MATLAB polyfit

En la ventana de comandos corremos el script y nos aparece el vector p que contiene los
coeficientes a1, a2, a3 del polinomio.

p =
0.3446 3.7004 -0.1188
También se puede utilizar polyfit para realizar ajustes a una función potencial,
exponencial, logarítmica, etc, tal como se muestra en el siguiente cuadro.

4
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

El primer elemento del vector p devuelto por polyfit, p(1) guarda el parámetro a y el
segundo elemento, p(2) guarda el parámetro c.

Ajuste de datos (curva-no lineal)

Hay muchos casos en los que es preciso ajustar los datos exprimentales a una función no
lineal f(x). Utilizaremos la función MATLAB nlinfit.

Función y=a/x+bx

La función:

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

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

Dada una tabla de valores xj e yj se trata de calcular los valores de los coeficientes a y de
b que mejor ajustan a los datos experimentales. El procedimiento aplicado es similar a la
regresión lineal

Si (xj, yj) son las coordenadas de un dato experimental, a la abscisa xj le correspondería la

ordenada y=a/xj+bxj. La diferencia es:

Calcularemos los valores de los parámetros a y b que hacen que la suma

Sea mínima:

5
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

Resolvemos el sistema de dos ecuaciones con dos incógnitas, para determinar los
coeficientes a y b.

Medimos el periodo Pi de péndulo para cada posición xi, completando una tabla con N
pares de datos.

6
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

Creamos un script con MATLAB para calcular los valores de a y b. Representamos los
datos experimentales y la función que mejor ajusta.

7
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

8
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

Función, y=a+b/x2

En una experiencia de laboratorio, colocamos un sensor, a una distancia x de la fuente de

luz, que vamos cambiando. Obtenemos la siguiente tabla:

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

vidrio con la longitud de onda, o del agua de una gota.

Queremos ajustar m pares de datos (xi,yi) a la función:

De modo que la suma S sea mínima:

9
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

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

10
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

Función, y=a+b/x+c/x2

Queremos ajustar los siguientes pares de datos.

A la función:

De modo que la suma S sea mínima

11
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

Función y=a·lnx+b·cosx+c·ex

Supongamos que queremos ajustar los datos (xj,yj), j=1,2,...m

a la función y=a·lnx+b·cosx+c·ex de modo que la suma S sea mínima

12
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

Escribimos el sistema de tres ecuaciones con tres incógnitas de forma matricial

Con las funciones a ajustar ln(x), cos(x) y exp(x) y el vector x de las abscisas de los pares
de datos, creamos la matriz V. Despejamos el vector columna a de las incógnitas (a,b,c)
utilizando el operador división por la izquierda \ en la relación (VT·V)a=VT·Y. Siendo Y el
vector columna de las ordenadas.

13
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

Ilustramos este procedimiento con un ejemplo más. Ajustamos los datos (xj, yj) j=1,2...m
de la tabla a la función y=a+b·cos(2πt)+c·sin(2πt)+d·cos(4πt).

Creamos la matriz V

Despejamos el vector a columna de las incógnitas utilizando el operador \

14
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

Estudiaremos cómo se ajustan los datos a funciones armónicas, cuando las abscisas xj
están igualmente espaciadas, lo que nos permitirá prescindir de la matriz V calculando las
incógnitas a,b,c,d de una forma más sencilla ya que como podemos observar la matriz
V'*V es diagonal

Conceptos y definiciones básicas

El ajuste de curvas es un proceso mediante el cual, dado un conjunto de N pares de

puntos {xi, yi} (siendo x la variable independiente y la dependiente), se determina una
función matemática f(x) de tal manera que la suma de los cuadrados de la diferencia entre
la imagen real y la correspondiente obtenida mediante la función ajustada en cada punto
sea mínima:

15
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

Generalmente, se escoge una función genérica f(x) en función de uno o más parámetros y
se ajusta el valor de estos parámetros de la manera que se minimice el error cuadrático, ε.
La forma más típica de esta función ajustada es la de un polinomio de grado M.

Un modelo es una representación, muchas veces simplificada, de un sistema real. El valor

agregado de un modelo surge cuando éste mejora nuestra comprensión de las
características del comportamiento en forma más efectiva que si se observará el sistema
real.

Un modelo, comparado con el sistema verdadero que representa, puede proporcionar

información a costo mucho más bajo y permitir el logro de un conocimiento más rápido de
las condiciones que no se observan en la vida real.

Ajuste mediante nlinfit

Ejemplo 1: En un experimento hemos obtenido los siguientes datos:

Calculamos los parámetros a y b a partir del ajuste de datos por el procedimiento de

mínimos cuadrados implementado en la función MATLAB nlinfit, tomando como modelo la
función.

Corremos el script en la ventana de comandos

16
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

af = 23.5104 0.0171

Ejemplo 2: En un experimento hemos obtenido los siguientes datos:

Calculamos los parámetros a y b a partir del ajuste de datos por el procedimiento de

mínimos cuadrados implementado en la función MATLAB nlinfit, tomando como modelo la
función.

17
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

Corremos el script en la ventana de comandos

af = 2.4120 2.4119

18
ING. LOLI PRUDENCIO, CRISTIAN
MÉTODO NÚMERICO PARA INGENIERIA UNIVERSIDAD PRIVADA DEL NORTE

Ajuste de datos. Regresión

Estudiaremos la regresión lineal, es decir la determinación de la ecuación de la recta que
mejor ajusta a una distribución bidimensional de datos. Se explicará el método de los
mínimos cuadrados para aproximar un polinomio a un conjunto de datos experimentales.

19
ING. LOLI PRUDENCIO, CRISTIAN