Ajuste de Curvas

Mecanismos para el Ajuste de Curvas

Muchos problemas de investigación, estadísticos,

experimentales y de ingeniería requieren de curvas que
describan matemáticamente las relaciones entre las
variables de esos problemas (curvas aproximadas). El
proceso de obtención de las curvas que mejor describan
esos datos se conoce como ajuste de curvas.
 Mecanismos para el Ajuste de Curvas

▪ Consideremos los siguientes puntos (xi,yi), i=1,2,… n.

resultados de datos experimentales de una medición en
el laboratorio.
▪ Se buscara determinar la ecuación que mejor se ajuste al
conjunto de valores medidos que represente la relación
de magnitudes que intervienen en el fenómeno que nos
interesa.
▪ Los mejores ejemplos, son los casos de las curvas serian
una recta, parábola, etc.

▪ Recta: y  ax  b

▪ Parábola: y  ax 2  bx  c

▪ Exponencial: y  a b x

Métodos de mínimos cuadrados

Consideremos los siguientes puntos (xi,yi), i=1,2,… n. Queremos
construir una función f(x) que los puntos (xi,F(xi)), con i=1,2,… n casi
coincidan con los puntos anteriores.
Denotando Di las desviaciones
S= ΣDi2 con i=1,2,… n.
Si S=0 entonces Di son iguales a cero y tendríamos que F pasa por
todos los puntos experimentales.
La minimización del sumatorio de las desviaciones cuadradas es el
mejor enfoque que generalmente se ha utilizado para encontrar las
curvas o las funciones que mejor se ajustan a determinados datos

𝐷 = 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛
y: ordenada de la curva de ajuste
ฎ
𝑦 :ordenada del dato original
Desviación
 Métodos de mínimos cuadrados

S= ΣDi2 con i=1,2,… n.

S= D12+ D22 +…..+ Dn2
S=(b+ax1-y1)2+…..+ (b+axn-yn)2
Para obtener el mínimo de S igualamos a cero
las derivadas parciales respecto a b y a

S
 2(b  ax1  y1 )  ...  (b  axn  yn )  0
b
S
 2(b  x1  y1 ) x1  ...  (b  xn  yn ) xn   0
a

Métodos de mínimos cuadrados

Donde: nb  a  xi   yi  0
b xi  a  xi   xi yi  0
2

Resolviendo el sistema de ecuaciones tendremos

a
 (x  x) y i i

 (x  x) i
2

b  y  ax
 Regresión Lineal
Se basa en la siguiente expresión matemática, que
relaciona dos variables, sea Y, la variable dependiente y X,
la variable independiente, de la siguiente manera:

y  ax  b

Esta relación se resuelve a través de la solución de las

siguientes ecuaciones normales, donde la incógnitas son la
“a” y “b”.
 y  nb  a x
 xy  b x  a x
2

b
 y  a x ; a
n xy   x y
n x 2    x 
2
n

Resumen de Ajuste Lineal de Tendencia

con Regresión Lineal de Mínimos Cuadrados
y = ax+b
donde, b = ordenada origen
a = pendiente
x = variable independiente
y = estimación de la variable dependiente
xi - x )yi
a =
xi- x) 2
b=y-ax
donde,
n = número de mediciones
x = x , valor medio x
n
y = y , valor medio y
n
 Ajuste Lineal de Tendencia con Mínimos Cuadrados
Ejemplo:
x y xy x2
1 37 37 1

78
2 40 80 4 x  6.5
3 41 123 9 12

557
4 37 148 16 y  46.42
5 45 225 25 12
 

a 
6 50 300 36 xy  n x y 3,867  (12)(6.5)(46.42)
7 43 301 49 
  1.72
650  12(6.5) 2
8 47 376 64  x  n( x )
2 2

 
9 56 504 81
b  y  a x  46.42  (1.72)(6.5)  35.2
10 52 520 100
y  35.2  1.72 x
11 55 605 121
12 54 648 144
78 557 3867 650 y(13)  35.2  1.72(13)  57.56

Línea de Tendencia Lineal : Ejemplo

60
Título del gráfico

50

40
Título del eje y

y = 1.7238x + 35.212
R² = 0.8034
30

20

10

0
0 2 4 6 8 10 12 14
Título del eje x
 Regresión Potencial

Si la nube de puntos de los datos de longitud y periodo de

un péndulo se aproxima a una función exponencial se
puede recurrir a la siguiente relación:

y  ax b
Para linealizar esta función se aplica logaritmos a ambos
miembros, mediante este procedimiento se obtiene una
ecuación logarítmica lineal:
Log y  Log a  b Log x

Y  Log y B  Log a X  Log x Ab

 Log y  nLog a  b Log x  Log x Log y  Log a Log x  b ( Log x) 2

Regresión Exponencial
Otro tipo de función que tiene aplicación en el análisis de
regresión, es la función exponencial, que esta dada por la
expresión:
y  ab x

La regresión exponencial puede también ser linealizada

aplicando logaritmos a ambos miembros, resultado de ello
se tiene la relación siguiente:
Logy  Log a  Log b ( x )

Y  Log y B  Log a A  Log b

 Log y  nLog a  Log b x

 x Log y  Log a x  Log b x 2
 Regresión Parabólica o Curva Cuadrática

Si la serie tiene una curva parabólica cuyo comportamiento

se describe matemáticamente por una ecuación de
segundo grado ( parábola ). La regresión se expresa así:

Y  A  BX  CX 2

Donde:
Y = Estimación de la variable dependiente
A,B,C = constantes numéricas
X = Valores de la variable independiente
Los valores “A”, ”B” y ”C” se encuentran
resolviendo un sistema de tres
ecuaciones con tres incógnitas.

Regresión Parabólica o Curva Cuadrática

nA  B X  C X   Y 2

A  X  B X  C X   XY
2 3

A  X  B X  C X   X
2 3 4 2
Y

Resolviendo el sistema de ecuaciones se obtiene los

coeficientes A, B y C
Ajuste Cuadrático de Tendencia con Mínimos
Cuadrática Ejemplo:
x y xy x2 x2y x3 x4
1,5 3,0 4,50 2,25 6,75 3,38 5,06
4,0 6,0 24,00 16,00 96,00 64,00 256,00
4,8 8,6 41,28 23,04 198,14 110,59 530,84
6,0 12,0 72,00 36,00 432,00 216,00 1296,00
5,7 7,0 39,90 32,49 227,43 185,19 1055,60
8,2 9,0 73,80 67,24 605,16 551,37 4521,22
9,1 10,3 93,73 82,81 852,94 753,57 6857,50
------------------------------------------------------------------------------------------
39,3 55,9 349,21 259,83 2418,43 1884,10 14522,22

A=-0,7662 B=2,5817 y C=-0,1547

Y  0,7662  2,5817 X  0,1547 x 2

Línea de Cuadrática : Ejemplo

14

12
y = -0.1547x2 + 2.5817x - 0.7662
R² = 0.7251
10

0
0 2 4 6 8 10