Tema 4

Quien no se resuelve a cultivar el hbito de pensar, se pierde el mayor placer de la vida Thomas A.
Edison
ANLISIS NUMRICO
INSTITUTO TECNOLOGICO DE SANTO DOMINGO INTEC rea de Ciencias bsicas y Ambientales Sub rea: Matemticas; Ing. Mara Penkova Vassileva
CONTENIDO:
Tema 1: Conceptos matemticos preliminares Tema 2: Resolucin de ecuaciones Tema 3: Sistemas de ecuaciones Tema 4: Ajuste de curvas Tema 5: Interpolacin Tema 6: Integracin numrica Tema 7: Ecuaciones diferenciales ordinarias
INTEC rea de Ciencias bsicas y Ambientales Sub rea: Matemticas: Ing. Mara Penkova Vassileva
Tema 4: Ajuste de curvas

Contenido:
4.1 Definicin 4.2 Mtodo de los mnimos cuadrados 4.3 Ajuste a diferente tipo de funciones 4.3.1 Polinomiales 4.3.2 Exponenciales 4.3.3 Potencias 4.4 Coeficiente de correlacin
4.1 Definicin
Las aplicaciones de las tcnicas numricas a la ciencia y la ingeniera consisten, a menudo, en ajustar una curva a datos experimentales. El primer encuentro con el ajuste de curvas podra haber sido determinar valores intermedios a partir de datos tabulados. Se han encontrado dos tipos de aplicaciones en el ajuste de datos experimentales: anlisis de la tendencia y prueba de hiptesis.
El anlisis de la tendencia sirve para predecir o pronosticar valores de la variable dependiente. En la prueba de hiptesis un modelo matemtico existente se compara con los datos obtenidos.
4.2 Mtodo de los mnimos cuadrados

Con frecuencia medimos un valor de y para un valor dado de x y luego localizamos los puntos (x, y) en una grfica. Aprovechamos la grfica resultante para establecer una relacin entre las variables x y y que luego sirve para predecir nuevos valores de y para valores dados de x.

lfa usada (onzas/galn)
Beta presente (onzas/galn)
3 4 5 6 7 8 9 10 11 12 4.5 5.5 5.7 6.6 7.0 7.7 8.5 8.7 9.5 9.7 Ejemplo: En la fabricacin del producto XXX, la cantidad de compuesto beta presente es controlada por la cantidad del ingrediente alfa utilizada en el proceso. Al fabricar un galn de XXX, se registraron la cantidad de alfa usada y la cantidad de beta presente, obtenindose los siguientes datos:

Aplicamos el mtodo de mnimos cuadrados para obtener la lnea recta que mejor se ajusta a los datos proporcionados. Esta lnea es la recta de mnimos cuadrados. Suponga que se han dado n puntos (x1, y1), (x2, y2),, (xn, yn), donde por lo menos dos de las xi son distintas. Estamos interesados en determinar la recta de mnimos cuadrados y = b1 x + b0 que mejor se ajusta a los datos. Si los puntos (x1, y1), (x2, y2),, (xn, yn) estuvieran exactamente sobre la recta de mnimos cuadrados, tendramos: y i = b 1 xi + b 0

Como algunos de estos puntos no estn necesariamente sobre la recta, tenemos yi = b1xi + b0 + di donde di es la desviacin vertical del punto (xi, yi) a la recta (deseada) de mnimos cuadrados (error residual). La cantidad di puede ser positiva, negativa o cero.

Mtodo 1: El procedimiento para determinar la recta de mnimos cuadrados y = b1x + b0 para los datos (x1, y1), (x2, y2),, (xn, yn), donde por lo menos dos de las xi son diferentes, es el siguiente: Paso 1: Sean
y1 y 2 , b= M yn
x1 x 2 A= M xn
1 1 , M 1
b1 x= b0
AT Ax = AT b
Paso 2: Resolvemos el sistema normal:

Para el ejemplo dado: a) Determinar una ecuacin para la recta de mnimos cuadrados. b) Utilizar la ecuacin obtenida del inciso (a) para predecir el nmero de onzas de beta presentes en un galn del producto XXX si se utilizan 30 onzas de alfa por cada galn.

4.5 5.5 5.7 6.6 7.0 b = , 7.7 8.5 8.7 9.5 9.7 3 4 5 6 7 A= 8 9 10 11 12 1 1 1 1 1 , 1 1 1 1 1
b x = 1 b0
645 75 A A= , 75 10
T
598.6 A b= 73.4
T
x = ( AT A )
645 75 598.6 0.583 T = A b ( ) 75 10 73.4 = 2.967
y = b1 x + b0 = 0.583x + 2.967
Si x = 30 y = 20.457

Mtodo 2: n xi yi 1 2 3 4 5 6 7 8 9 10 S 3 4 5 6 7 8 9 10 11 12 75 4.5 5.5 5.7 6.6 7.0 7.7 8.5 8.7 9.5 9.7 73.4
( yi y )
xi y i 13.5 22 28.5 39.6 49 61.6 76.5 87 104.5 116.4 598.6
(xi)^2 9 16 25 36 49 64 81 100 121 144 645
(yi - b0 - b1xi)^2 0.046656 0.040401 0.033124 0.018225 0.002304 0.004761 0.081796 0.09409 0.0144 0.069169 Sr = 0.404926
8.0656 3.3856 2.6896 0.5476 0.1156 0.1296 1.3456 1.8496 4.6656 5.5696 St = 28.364

n = 10
x x=
i
y y=
b1 =
n
i
75 = = 7.5 10
n xi yi xi yi n x ( xi )
2 i 2
73.4 = = 7.34 n 10
10 ( 598.6 ) 75 ( 73.4 ) = = 0.583 2 10 ( 645) 75

b0 = y b1 x = 7.34 0.583 ( 7.5 ) = 2.967

Criterio para un mejor ajuste. Ejemplos de algunos criterios para el mejor ajuste que son inadecuados para la regresin a) minimizar la suma de los residuos b) minimizar la suma de los valores absolutos de los residuos c) minimizar el error mximo de cualquier punto individual

La estrategia que supera la deficiencia de los procedimientos a), b) y c) es minimizar la suma de los cuadrados de los residuos entre la y medida y la y calculada con el modelo lineal:
Sr = d = ( yi ,medida yi ,modelo ) = ( yi b0 b1 xi )
i =1 2 i i =1 i =1
Se determina la desviacin estndar para la lnea de regresin a travs del error estndar del estimado. Sr Sy/ x = n2 Para cuantificar la bondad de nuestro ajuste se determina la suma total de los cuadrados alrededor de la media para la variable dependiente St.

La diferencia St Sr cuantifica la mejora o reduccin del error. Como la magnitud de esta cantidad depende de la escala se normaliza a St para obtener:
donde
r 2se conoce como el coeficiente de determinacin r se conoce como el coeficiente de correlacin

Sy/ x = Sr 0.404926 = = 0.224979443 n2 8
St Sr r = St
2
En nuestro caso:
r2 =
St S r = 0.985723945 St
r = 0.992836313 (Ajuste casi perfecto)
4.3 Ajuste a diferente tipo de funciones

La regresin lineal ofrece una poderosa tcnica para ajustar una mejor lnea a los datos donde consideramos que la relacin entre las variables dependiente e independiente el lineal. El primer paso en cualquier anlisis de regresin es graficar y inspeccionar los datos para asegurarnos que sea posible un modelo lineal. En la figura mostrada la lnea recta no es la solucin adecuada, lo mejor es ajustar una curva (parbola).
4.3.1 Funciones polinomiales

Este mtodo para obtener el ajuste lineal por mnimos cuadrados para un conjunto dado de puntos, puede generalizarse con facilidad para resolver el problema de determinar un polinomio de grado dado que mejor ajuste a los datos proporcionados. Sean dados n puntos de datos (x1, y1), (x2, y2),, (xn, yn), donde al menos m + 1 de los xi son distintos, y queremos construir un modelo matemtico de la forma:
y = am x + am1 x
m
m1
+ L + a1 x + a0 ,
m n 1
que mejor se ajuste a estos datos. Al igual que en el ajuste lineal por mnimos cuadrados, dado que algunos de los n puntos de datos no estn exactamente sobre la grfica del polinomio de mnimos cuadrados, tenemos
yi = am xim + am1 xim1 + L + a1 xi + a0 + di ,
i = 1, 2,K, n

Escribimos las n ecuaciones en la forma:
yi = am xim + am 1 xim1 + L + a1 xi + a0 + di ,
donde
i = 1, 2,K , n
am a m 1 x = M , a 1 a0 d1 d d = 2 M dn
y1 y b = 2, M yn

x x A= M m xn
m 1 m 2
m 1 1 m 1 2
L x
2 m 1 L xn xn
L x M
2 1 2 2
x1 1 x2 1 , M M xn 1
Escribimos el sistema de n ecuaciones en la forma matricial: Y resolvemos el sistema:
b = Ax + d
AT Ax = AT b
Garantizando que ||d|| = ||b Ax|| se minimiza

Los siguientes datos muestran los contaminantes atmosfricos yi (respecto de cierta norma de calidad del aire) en intervalos de media hora, ti. ti 1 1.5 0.24 2 0.68 2.5 1.04 3 1.21 3.5 1.15 4 0.86 4.5 0.41 5 - 0.08
yi -0.15

Sus grficas construidas muestran que un polinomio cuadrtico puede producir un modelo de estos datos.

1 2.25 4 6.25 A= 9 12.25 16 20.25 25 1 1.5 2 2.5 3 3.5 1 1 1 1 1 , 1 4 1 4.5 1 5 1 0.15 0.24 0.68 1.04 b = 1.21 1.15 0.86 0.41 .08
a2 , x= a 1 a0
1583.25 378 96 AT A = 378 96 27 27 9 96
54.65 16.71 AT b = 5.36
a2 0.0519 0.3117 0.3810 54.65 1 16.71 T x = a1 = ( A A ) ( AT b ) = 0.3117 0.3810 2.4857 a0 0.3810 2.4857 3.5048 5.36

1583.25 378 96 a2 54.65 378 a = 16.71 96 27 1 96 a0 27 9 5.36
a2 1583.25 378 96 54.65 a = 378 16.71 96 27 1 27 9 a0 96 5.36
1
a2 0.0519 0.3117 0.3810 54.65 a = 0.3117 0.3810 2.4857 16.71 1 a0 0.3810 2.4857 3.5048 5.36
a2 0.3274 a = 2.0067 1 a0 1.9317
y = 0.3274t 2 + 2.0067t 1.9317


La figura muestra el conjunto de datos, indicndolos mediante el smbolo + y la grfica de y. Vemos que y est cerca de cado punto de datos, pero no es preciso que pase por ellos.
4.3.2 Funciones exponenciales

En algunos casos las tcnicas de regresin polinomial descritos hasta ahora no son apropiados. En otros casos se pueden utilizar transformaciones para expresar los datos en una forma que sea compatible con la regresin lineal. Un ejemplo es el modelo exponencial: constantes.
y = a1eb1x donde a1 y b1 son
Este modelo se emplea en muchos campos de la ingeniera para caracterizar cantidades que aumentan o disminuyen a una velocidad que es directamente proporcional a sus propias magnitudes (crecimiento poblacional o el decaimiento radioactivo)

Para linealizar esta ecuacin aplicamos el logaritmo natural:
ln y = ln ( a1eb1x ) ln y = ln a1 + ln eb1x ln y = ln a1 + b1 x ln e ln y = ln a1 + b1 x
As, una grfica de lny contra x dar una lnea recta con pendiente b1 y una interseccin con el eje de las ordenadas igual a lna1.
y1 = a1eb1x

Ejemplo: La tabla nos proporciona la poblacin del mundo a intervalos de 10 aos durante la segunda mitad del siglo XX. Suponiendo un modelo de crecimiento exponencial, encuentre la tasa de crecimiento relativo y prediga la poblacin del mundo para el ao 2010. Ao 1950 1960 1970 1980 1990 2000 Poblacin (en miles de millones) 2.59 3.04 3.71 4.46 5.28 6.08

Acordemos medir el tiempo en intervalos de 10 aos de manera que t = 0 en 1950, t = 1 en 1960, y as sucesivamente. Debido que a1 = p(0) = 2.59, la ecuacin de la tasa de crecimiento de la poblacin es:
p = 2.59ebt
Ao 1950 1960 1970 1980 1990 2000
ln p = ln 2.59 + ln ( ebt ) = 0.94 + bt

bt = lnp 0.94 0.172 0.371 0.555 0.724 0.865
Poblacin t (en miles de millones) 2.59 3.04 3.71 4.46 5.28 6.08 0 1 2 3 4 5

Podemos ignorar la primera ecuacin (correspondiente precisamente a las condiciones iniciales c = p(0) = 2.59). Las ecuaciones restantes corresponden a un sistema Ax = b, con
1 2 A = 3 , 4 5
0.172 0.371 b = 0.555 , 0.724 0.865
Debido a que: AT A = 55, AT b = 9.80, Las ecuaciones normales correspondientes son la ecuacin nica: 55x = 9.80 0.178t Por consiguiente: p = 2.59e En consecuencia, la solucin de mnimos cuadrados tiene la forma:
k = x = 9.80 / 55 0.178
4.3.3 Funciones de potencias

Otro ejemplo de modelo no lineal es la ecuacin de potencias. Un ejemplo es la ecuacin: donde a1 y b2 son constantes. Este modelo tiene muchas aplicaciones en todos campos de la ingeniera. Esta ecuacin se linealiza al aplicar el logaritmo de base 10:
y = a2 xb2
log y = b2 log x + log a2
De este modo, una grfica de log y contra log x dar una lnea recta con pendiente b2 e interseccin con el eje de las ordenadas log a2.

Ejemplo: Con el fin de medir la aceleracin de la gravedad, se han recogido en la tabla dada unos datos experimentales sobre el tiempo que tarda en llegar al suelo un cuerpo, segn la altura desde la que se deja de caer. La relacin funcional es: Tiempo, t Distancia, d 0.200 0.400 0.600 0.800 1.000 0.1960 0.7850 1.7665 3.1405 4.9075
1 2 d = gt 2
Donde d es la distancia de cada medida en metros y t es el tiempo medido en segundos. Aproximar el valor de la aceleracin de la gravedad segn estos datos.

Tiempo, t Distancia, d b = log 2d 2log t 0.200 0.400 0.600 0.800 1.000 0.1960 0.7850 1.7665 3.1405 4.9075 - 0.4067 0.1959 0.5481 0.7980 0.9919 - 1.3979 - 0.7959 - 0.4437 - 0.1938 0.0000 log g = log2d 2logt 0.9903 0.9918 0.9918 0.9918 0.9919
1 d = gt 2 2 2d g= 2 t log g = log 2d 2log t


Tema 4

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tema 4

Transféré par

Droits d'auteur :

Formats disponibles

Quien no se resuelve a cultivar el hbito de pensar, se pierde el mayor placer de la vida Thomas A.

Tema 4: Ajuste de curvas

4.2 Mtodo de los mnimos cuadrados

4.2 Mtodo de los mnimos cuadrados

Beta presente (onzas/galn)

4.2 Mtodo de los mnimos cuadrados

4.2 Mtodo de los mnimos cuadrados

4.2 Mtodo de los mnimos cuadrados

Paso 2: Resolvemos el sistema normal:

4.2 Mtodo de los mnimos cuadrados

4.2 Mtodo de los mnimos cuadrados

645 75 598.6 0.583 T = A b ( ) 75 10 73.4 = 2.967

4.2 Mtodo de los mnimos cuadrados

xi y i 13.5 22 28.5 39.6 49 61.6 76.5 87 104.5 116.4 598.6

(xi)^2 9 16 25 36 49 64 81 100 121 144 645

4.2 Mtodo de los mnimos cuadrados

10 ( 598.6 ) 75 ( 73.4 ) = = 0.583 2 10 ( 645) 75

4.2 Mtodo de los mnimos cuadrados

4.2 Mtodo de los mnimos cuadrados

4.2 Mtodo de los mnimos cuadrados

r 2se conoce como el coeficiente de determinacin r se conoce como el coeficiente de correlacin

r = 0.992836313 (Ajuste casi perfecto)

4.3 Ajuste a diferente tipo de funciones

4.3.1 Funciones polinomiales

yi = am xim + am1 xim1 + L + a1 xi + a0 + di ,

4.3.1 Funciones polinomiales

Escribimos el sistema de n ecuaciones en la forma matricial: Y resolvemos el sistema:

Garantizando que ||d|| = ||b Ax|| se minimiza

4.3.1 Funciones polinomiales

4.3.1 Funciones polinomiales

4.3.1 Funciones polinomiales

1583.25 378 96 AT A = 378 96 27 27 9 96

54.65 16.71 AT b = 5.36

4.3.1 Funciones polinomiales

a2 0.3274 a = 2.0067 1 a0 1.9317

y = 0.3274t 2 + 2.0067t 1.9317

4.3.1 Funciones polinomiales

4.3.2 Funciones exponenciales

y = a1eb1x donde a1 y b1 son

4.3.2 Funciones exponenciales

4.3.2 Funciones exponenciales

4.3.2 Funciones exponenciales

ln p = ln 2.59 + ln ( ebt ) = 0.94 + bt

4.3.2 Funciones exponenciales

0.172 0.371 b = 0.555 , 0.724 0.865

4.3.3 Funciones de potencias

log y = b2 log x + log a2

4.3.3 Funciones de potencias

4.3.3 Funciones de potencias

1 d = gt 2 2 2d g= 2 t log g = log 2d 2log t

Vous aimerez peut-être aussi