Gua No.

3 : Ajuste y/o Aproximacin de curvas

La idea de esta seccin es como su nombre lo dice aproximar curvas por medio de puntos. En la vida real, estos mtodos son muy usados, dado que en los experimentos se toman muestras o datos, con los cuales se quiere pronosticar comportamientos a futuro. Estos puntos se deben comportar como datos de una funcin, es decir, a cada elemento de la variable independiente le debe corresponder solo uno de la variable dependiente.

1 . Regresin Lineal Idea: Encontrar una recta que contenga todos o casi todas las observaciones de tal forma que minimice el error con respecto a los datos observados . Mtodo: Determinar cual es la variable dependiente e independiente, y clasificar los datos segn ello. Como ayuda visual realizar un grfico de dispersin y observar que clase de comportamiento tiene (lineal, cubico, cuadrtico, exponencial, logartmico, potencial, u otra clase de curva) Determinar la correlacin, esta nos dar idea de la clase de relacin lineal que se tiene.

Caractersticas: Si Indica que porcentaje de la variable independiente ayuda a explicar la variable dependiente [ ]

Estimacin:

donde , son las medias o promedios de los datos observados

Grficamente:

Ventaja: es fcil de calcular, realiza buenos pronsticos o estimaciones. Desventaja: Ejemplo: No es til cuando los datos no se comportan linealmente No hace predicciones con los datos fuera del rango observado

x 1 2 3 4 5 6 7 8 9

y 1 1,5 2 3 4 5 8 10 13

1 2 3 4 5 6 7 8 9
Totales

1 1,5 2 3 4 5 8 10 13

1 3 6 12 20 30 56 80 117

1 4 9 16 25 36 49 64 81

1 2,25 4 9 16 25 64 100 169

45

47,5

325

285

390,25

Lego el modelo estimado es:

1.4583
Asi pues, si queremos saber un pronstico de Basta con solo reemplazar los datos en modelo cuando

Ahora bien

2 . Regresin exponencial Idea: convertir los datos dados a datos lineales y encontrar la mejor recta que se aproxime a ellos Mtodo: Datos, variable dependiente e independiente Grafica de dispersin con crecimiento o decrecimientos rpidos (exponenciales) Modelo original: Dado que las formulas sirven para estimar rectas, es necesario convertir el modelo exponencial en una recta, para ello se debe aplicar logaritmo natural al modelo. Este proceso se llama linealizacin.

Cuando se tenga las estimaciones de los coeficientes original

, se debe regresar al modelo

Ejemplo:

0,4 0,8 1,2 1,6 2 2,3 8,3

800 975 1500 1950 2900 3600

6,6846 2,6738 6,8824 5,5059 7,3132 8,7758 7,5756 12,121 7,9725 15,945 8,1887 18,834 Totales 44,617 63,856

0,16 0,64 1,44 2,56 4 5,29 14,09

44,6839 47,3674 53,4829 57,3897 63,5608 67,0548 333,5395

Aplicando exponencial, para volver al modelo original:

OJO!!! Si en los datos hay nmeros negativos o cero, no se puede sacar logaritmo. Entonces se debe aplicar un desplazamiento corriendo estos datos. Al volver al modelo original, se vuelve a realizar el desplazamiento para volver a los datos originales.

3 . Regresin potencial Idea: convertir los datos dados en lineales Mtodo: Datos, variable dependiente e independiente Grfico de dispersin con comportamiento potencial (parbolas, cubicas) Modelo original: Nuevamente hay que linealizar el modelo

 Ejemplo: Recuerde regresar al modelo original

0,2 0,5 0,8 1,2 1,7 2 2,3

500 700 1000 1200 2200 2650 3750

-1,6094 -0,6931 -0,2231 0,1823 0,5306 0,6931 0,8329 -0,2867

6,2146 6,5511 6,9078 7,0901 7,6962 7,8823 8,2295 Totales 50,5716

-10,0018 -4,5406 -1,5411 1,2925 4,0836 5,4632 6,8544 52,1818

2,5902 0,4804 0,0498 0,0332 0,2815 0,4804 0,6937 4,6092

38,6213 42,9169 47,7177 50,2695 59,2315 62,1307 67,7247 368,6123

. Por lo tanto,

Interpolacin NOTA: los siguientes mtodos aproximan cualquier polinomio de grado n, por lo cual se necesitan n+1, puntos pues: Para una recta de (grado1) se necesitan dos puntos Para una parbola (grado 2) se necesitan tres puntos Para una cubica (grado 3) se necesitan 4 puntos

Para un polinomio de grado n se necesitan n+1 puntos

4 . Diferencias divididas Las diferencias divididas acercan (aproximan) derivadas. Para ello existen 3 mtodos i) Diferencias definidas hacia adelante Se inicia en un punto y las particiones se hacen hacia adelante

Ejemplo: aproximar la 4 derivada a partir de

Se aproxima de acuerdo con el tringulo de pascal.

TRIANGULO DE PASCAL 1 1 1 1 2 1 1 3 3 1 1 4 6 4 1

OJO!!! Los signos siempre se intercalan ii) Diferencias divididas hacia atrs

Anlogo al caso anterior pero con las particiones hacia atrs Ejemplo: aproximar la 3 derivada a partir de

iii)

Diferencias divididas centradas

Caso A: derivadas pares en este caso se toma a como punto central y las particiones se hacen simtricas hacia los lados para armar la aproximacin si se toma a , pues se necesitan n+1 puntos. Ejemplo: aproximar la cuarta derivada a partir e

Caso B: derivadas de orden impar. En ese caso se toma a como referencia central, y las particiones son anlogas al caso A. sin embargo al momento de armar la aproximacin NO se toma el punto Ejemplo: aproximar la derivada de orden 3 a partir de la

5. Polinomio de interpolacin de Newton Idea: encontrar una funcin polinomica que pase por todos los puntos Modelo: Datos, variable dependiente e independiente Grafica de dispersin, no poseen forma definida como los anteriores Se basa e diferencias divididas hacia adelante o hacia atrs. Es posible diferencias divididas centradas pero es complejo

Polinomio lineal:

( ( )

donde,

Polinomio cuadrtico:

donde,

As sucesivamente hasta llegar a un polinomio de grado n:

OJO!!! Si en alguna de las diferencias llega a dar todo cero, esa diferencia da el grado del polinomio menos 1 Ejemplo: Sea

1 1

2 5

2,5 7

3 8

4 2

5 1

Como se tienen 6 puntos deben de salir un polinomio de grado 5, a no ser que tenga multiplicidad

x 1 2 2,5 3 4 5

y 1 5 7 8 2 1

1 4 4 2 -6 -1

0 -1 -2 -1,667 -5,333 3,1333 2,5

4 5 -0,222 0,4556 1,6

NOTA: Siempre es bueno comparar la prediccin con la curva del polinomio, pues en algunos casos no tiene buen ajuste. El error es calculado haciendo una diferencia ms, para ella se agrega un dato ms ( , o en su defecto se toma con el ultimo y el polinomio se realiza con n-1, datos.

6 . Polinomio de interpolacin de Lagrange Idea: encontrar una funcin polinomica que pase por todos los puntos Mtodo: Variable dependiente e independiente. Estos datos se deben comportar como una funcin Grafica de dispersin, no se puede formar diferencias (potencial, exponencial, lineal) No utiliza diferencias divididas

Iteracin:

Ejemplo: sea

0 0

0.5 1 1 2 3.5

1.5 4.5

Donde, ( ) ( )( )( )

)(

)(

)(

)(

Luego tenemos que el polinomio general es

7 .Polinomio de interpolacin de Aitken Idea: encuentra una funcin polinomica que pase por todos los puntos Modelo: Variable dependiente e independiente, estos datos se deben comportar como una funcin Grafica de dispersin, no posee formas definidas Genera polinomios de grado n, partiendo de un polinomio de grado menor que n.

Iteracin: | Tabla: |

Ejemplo:

|
[

|
]

| [

| ] +1

| [

| ]

+1 | [ | | ] |

+1

+1)