Gua de estudio Matemtica V

19

TEMA 3
POLINOMIOS INTERPOLANTES Y AJUSTE DE CURVAS 3.1. INTERPOLACIN En el subcampo matemtico del anlisis numrico, se denomina interpolacin a la construccin de nuevos puntos partiendo del conocimiento de un conjunto discreto de puntos. En ingeniera y algunas ciencias es frecuente disponer de un cierto nmero de puntos obtenidos por muestreo o a partir de un experimento y pretender construir una funcin que los ajuste. Otro problema estrechamente ligado con el de la interpolacin es la aproximacin de una funcin complicada por una ms simple. Si tenemos una funcin cuyo clculo resulta costoso, podemos partir de un cierto nmero de sus valores e interpolar dichos datos construyendo una funcin ms simple. En general, por supuesto, no obtendremos los mismos valores evaluando la funcin obtenida que si evalusemos la funcin original, si bien dependiendo de las caractersticas del problema y del mtodo de interpolacin usado la ganancia en eficiencia puede compensar el error cometido. En todo caso, se trata de, a partir de n parejas de puntos (xk,yk), obtener una funcin f que verifique

f ( x k ) = y k , k = 1, K , n
a la que se denomina funcin interpolante de dichos puntos. A los puntos xk se les llama nodos. Algunas formas de interpolacin que se utilizan con frecuencia son la interpolacin polinmica, la interpolacin lineal (la cual es un caso particular de la anterior), la interpolacin por medio de spline o la interpolacin polinmica de Hermite. 3.1.1. Interpolacin polinmica de Lagrange: En anlisis numrico, el polinomio de Lagrange, llamado as en honor a JosephLouis de Lagrange, es el polinomio que interpola un conjunto de puntos dado en la forma de Lagrange. Fue descubierto por Edward Waring en 1779 y redescubierto ms tarde por Leonhard Euler en 1783. Dado que existe un nico polinomio interpolador para un determinado conjunto de puntos, resulta algo confuso llamar a este polinomio el polinomio interpolador de Lagrange. Un nombre ms conciso es interpolacin polinmica en la forma de Lagrange. Dada un conjunto de n + 1 puntos:

Gua de estudio Matemtica V

20

( x0 , f ( x0 )), L , ( x n , f ( x n ))
donde todos los xi se asumen distintos, el polinomio interpolador en la forma de Lagrange es la combinacin lineal:

P ( x) :=

f ( x j )L j ( x) = y0 L0 ( x) + L + yn Ln ( x)
j =0

de bases polinmicas de Lagrange:

L j ( x) :=

( x x j 1 ) ( x x j +1 ) x xi ( x x0 ) ( x x1 ) (x x ) L = x x ( x x ) ( x x ) ( x x ) ( x x ) L ( x xn ) i j 0 j 1 j j 1 j j +1 j n i =0,i j j
n

Desventajas de su uso Debido a que el polinomio interpolador de Lagrange ajusta a todos los puntos que le son especificados, en situaciones con una gran cantidad de datos se obtiene un polinomio de grado muy alto, lo cual normalmente resulta imprctico. Es por esta razn que en la prctica no es comn utilizar este mtodo, sino que se prefiere ajustar los datos lo mejor posible, utilizando un polinomio de menor grado, incluso si este polinomio no pasa por ninguno de los puntos que le son especificados (pero ajusta en forma aproximada siguiendo algn criterio de optimalidad). Otro problema del polinomio interpolador de Lagrange es lo que se conoce como overfitting (trmino ingls, algunas veces castellanizado a sobre fiteo): a medida que crece el grado del polinomio interpolador, se percibe una creciente variacin entre puntos de control consecutivos, lo que produce que la aproximacin entre dos puntos continuos sea muy distinta a la que uno esperara. A pesar de estos problemas, el polinomio interpolador de Lagrange es muy simple de implemetar y tiene inters terico ms que prctico por su sencillez. Ejemplo: Construya los polinomios interpolantes de Lagrange para la funcin f(x) = sen(x) en los puntos x0 = -1.5, x1 = 0.75, x2 = 0, x3 = 0.75, x4 = 1.5 , evale en x = 1. Solucin: x0 = -1.5 x1 = 0.75 x2 = 0 x3 = 0.75 x4 = 1.5 f(x0) = 0.99749 f(x1) = 0.68164 f(x2) = 0 f(x3) = 0.68164 f(x4) = 0.99749

Gua de estudio Matemtica V

21

Con cinco puntos, el polinomio interpolador tendr, como mximo, grado cuatro (es decir, la mxima potencia ser cuatro), al igual que cada componente de la base polinmica. La base polinmica es:

L0 ( x) =

( x x1 ) ( x x 2 ) ( x x3 ) ( x x 4 ) ( x0 x1 ) ( x0 x 2 ) ( x0 x3 ) ( x0 x 4 )

=
= L1 ( x) =

( x + 3 / 4) ( x 0) ( x 3 / 4) ( x 3 / 2) ( 3 / 2 + 3 / 4) ( 3 / 2 0) (3 / 2 3 / 4) (3 / 2 3 / 2)
32 4 16 3 2 2 1 x x x + x 243 81 27 9 ( x x 0 ) ( x x 2 ) ( x x3 ) ( x x 4 ) ( x1 x0 ) ( x1 x2 ) ( x1 x3 ) ( x1 x4 )

( x + 3 / 2) ( x 0) ( x 3 / 4) ( x 3 / 2) (3 / 4 + 3 / 2) (3 / 4 0) (3 / 4 3 / 4) (3 / 4 3 / 2)
128 4 32 3 32 2 8 x + x + x x 243 81 27 9

= L2 ( x ) =

( x x0 ) ( x x1 ) ( x x3 ) ( x x4 ) ( x 2 x0 ) ( x2 x1 ) ( x2 x3 ) ( x 2 x4 )

=
= L3 ( x) =

( x + 3 / 2) ( x + 3 / 4) ( x 3 / 4) ( x 3 / 2) ( 0 + 3 / 2) ( 0 + 3 / 4) ( 0 3 / 4) ( 0 3 / 2)
64 4 20 2 x x +1 81 9 ( x x0 ) ( x x1 ) ( x x 2 ) ( x x 4 ) ( x3 x0 ) ( x3 x1 ) ( x3 x 2 ) ( x3 x 4 )

( x + 3 / 2) ( x + 3 / 4) ( x 0) ( x 3 / 2) (3 / 4 + 3 / 2) (3 / 4 + 3 / 4) (3 / 4 0) (3 / 4 3 / 2)
128 4 32 3 32 2 8 x x + x + x 243 81 27 9

= L4 ( x ) =

( x x0 ) ( x x1 ) ( x x 2 ) ( x x3 ) ( x 4 x0 ) ( x4 x1 ) ( x4 x 2 ) ( x 4 x3 )

Gua de estudio Matemtica V

22

= =

( x + 3 / 2) ( x + 3 / 4) ( x 0) ( x 3 / 4) (3 / 2 + 3 / 2) (3 / 2 + 3 / 4) (3 / 2 0) (3 / 2 3 / 4) 32 4 16 3 2 2 1 x + x x x 243 81 27 9

As, el polinomio interpolador se obtiene simplemente como la combinacin lineal entre los y los valores de las abscisas:

P ( x) = f ( x0 ) L0 ( x ) + f ( x1 ) L1 ( x ) + f ( x2 ) L2 ( x ) + f ( x3 ) L3 ( x) + f ( x 4 ) L4 ( x )
32 4 16 3 2 2 1 128 4 32 3 32 2 8 = 0.99749 x x x + x 0.68164 x + x + x x 81 27 9 81 27 9 243 243 32 4 16 3 2 2 1 128 4 32 3 32 2 8 + 0.68164 x x + x + x + 0.99749 x + x x x 81 27 9 81 27 9 243 243

= 0.14451x 3 + 0.99014 x
P(x)

f(x)

Ahora evaluamos este polinomio en x = 1 para obtener

P (1) = 0.14451(1) 3 + 0.99014(1) 0.84564 , tenemos que para f (1) = sen(1)

= 0.84147 , por lo que el error relativo cometido es

Er =

p p* 100 = p

0.84147 0.84564 100 0.496% 0.84147

Gua de estudio Matemtica V

23

3.1.2. Diferencias divididas interpolantes de Newton: ste mtodo es ms algortmico y resulta sumamente cmodo en determinados casos, sobre todo cuando queremos calcular un polinomio interpolador de grado elevado. Tomemos f una funcin y escribamos su polinomio interpolador de grado m como sigue:

Pn ( x) = a 0 + a1 ( x x0 ) + a 2 ( x x0 )( x x1 ) + L + a n ( x x0 )( x x1 ) L ( x x n1 ) (1)

Pn ( x) = a0 + ai ( ( x x j ))
i =1 j =0

i 1

Estos coeficientes se calculan mediante diferencias divididas, cuya expresin general esta dada por:

f [ xi ,K , xi + j +1 ] =

f [ xi +1 , K , xi + j +1 ] f [ xi , K , xi + j ] xi + j +1 xi

Como se ve en la frmula, las diferencias divididas se calculan de modo recursivo usando coeficientes anteriores. Una vez hayamos realizado todos los clculos, notaremos que hay (muchas) ms diferencias divididas que coeficientes ai. El clculo de todos los trminos intermedios debe realizarse simplemente porqu son necesarios para poder formar todos los trminos finales. Sin embargo, los trminos usados en la construccin del polinomio interpolador son todos aqullos que involucren a x0, as:

a0 = f [ x0 ] , a1 = f [ x0 , x1 ], K , ai = f [ x0 , x1 , K , xi ]
Con esta notacin, podemos reexpresar la ecuacin (1) como:

Pn ( x) = f [ x0 ] + f [ x0 , x1 ]( x x0 ) + f [ x0 , x1 , x2 ]( x x0 )( x x1 ) + L + f [ x0 , x1 , x2 ,L, xn ]( x x0 )( x x1 ) L ( x xn1 )
A esta ecuacin se le conoce con el nombre de frmula de diferencias divididas interpolantes de Newton Ejemplo: Queremos hallar el valor de la funcin f ( x) = e para x = 0.75 mediante el mtodo de las Diferencias Divididas de Newton de grado 2. Solucin: Una forma sencilla de hacer los clculos anteriores sucesivamente las entradas de un arreglo triangular: es determinando
x +1

Gua de estudio Matemtica V

24

f ( x) f ( x0 )
f ( x1 ) f ( x2 )

Primeras diferencias divididas

f [ x0 , x1 ] =
f [ x1 , x 2 ] =

Segundas diferencias divididas

f [ x0 , x1 , x 2 ] = f [ x1 , x 2 ] f [ x0 , x1 ] x 2 x0

x0
x1 x2
x

f ( x1 ) f ( x0 ) x1 x0
f ( x 2 ) f ( x1 ) x 2 x1

f ( x)

Primeras diferencias divididas

Segundas diferencias divididas

e3/ 2 e f [ x0 , x1 ] = 1/ 2 0
= 2( e 3 / 2 e )

f [ x0 , x1 , x 2 ] =

2e 2 2e 3 / 2 2e 3 / 2 + 2e 1 0 2 3/ 2 = 2 ( e 2e + e)

1 2
1

3/ 2

e 2 e3/ 2 f [ x1 , x 2 ] = 1 1/ 2 2 = 2( e e 3 / 2 )

e2

El polinomio de diferencias divididas interpolantes de Newton de grado 2 es:

P2 ( x) = f [ x0 ] + f [ x0 , x1 ]( x x0 ) + f [ x0 , x1 , x2 ]( x x0 )( x x1 )
P2 ( x) = e + 2(e 3 / 2 e)( x 0) + 2(e 2 2e 3 / 2 + e)( x 0)( x 1 / 2)
P2 ( x) = e + 2(e 3 / 2 e)( x 0) + 2(e 2 2e 3 / 2 + e)( x 0)( x 1 / 2) P2 ( x) = 2(e 2 2e 3 / 2 + e) x 2 (e 2 4e 3 / 2 + 3e) x + e
Ahora evaluamos este polinomio en x = 0.75 para obtener

P2 (0.75) = 2(e 2 2e 3 / 2 + e)(0.75) 2 (e 2 4e 3 / 2 + 3e)(0.75) + e 5.792377 ,

tenemos que para f (0.75) = e1.75 = 5.75460 = 0.84147 , por lo que el error relativo cometido es Er =

p p* 100 = p

5.75460 5.79238 100 0.66% 5.75460

Gua de estudio Matemtica V

25

ACTIVIDAD No. 8 1. Elabore el Diagrama de flujo para determinar el polinomio interpolador de Lagrange y el polinomio de interpolacin de Newton. Disee sus programas. 2. Usando los siguientes datos, calclese ln 2 con un polinomio de interpolacin de Newton con diferencias divididas de tercer orden.

x 1 f(x) 0.000 0000

4 1.386 2944

6 1.791 7595

5 1.609 4379
x +1

Ajuste mediante polinomio interpolador de Lagrange y compare los resultados. 3. Queremos hallar el valor de la funcin f ( x) = e para x = 0.75 usando un polinomio interpolador de Lagrange de grado 2 (Comparar con el ejercicio resuelto en clase) 4. .Dados los datos: x 1.6 2 2.5 3.2 4 4.5 f(x) 2 8 14 15 8 2 Calcule f(2.8) con un polinomio de interpolacin de Newton de orden 1 a 3. Elija la secuencia de puntos que considere apropiada.

Gua de estudio Matemtica V

26

3.2. AJUSTE DE CURVAS POR MINIMOS CUADRADOS El da de Ao Nuevo de 1801, el astrnomo italiano Giuseppe Piazzi descubri el asteroide Ceres. Fue capaz de seguir su rbita durante 40 das. Durante el curso de ese ao, muchos cientficos intentaron estimar su trayectoria con base en las observaciones de Piazzi (resolver las ecuaciones no lineales de Kepler de movimiento es muy difcil). La mayora de evaluaciones fueron intiles; el nico clculo suficientemente preciso para permitir a Zach, astrnomo alemn, reencontrar a Ceres al final del ao fue el de un Carl Friedrich Gauss de 24 aos (los fundamentos de su enfoque ya los haba plantado en 1795, cuando an tena 18 aos). Pero su mtodo de mnimos cuadrados no se public hasta 1809, apareciendo en el segundo volumen de su trabajo sobre mecnica celeste, Theoria Motus Corporum Coelestium in sctionibus conicis solem ambientium. Mnimos cuadrados es una tcnica de optimizacin matemtica que, dada una serie de mediciones, intenta encontrar una funcin que se aproxime a los datos minimizando la suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos generados por la funcin y los correspondientes en los datos. Un requisito implcito para que funcione el mtodo de mnimos cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria. El teorema de Gauss-Markov prueba que los estimadores mnimos cuadrticos carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin es importante que los datos recogidos estn bien escogidos, para que permitan visibilidad en las variables que han de ser resueltas (para dar ms peso a un dato en particular, vase mnimos cuadrados ponderados). 3.2.1. Mnimos cuadrados y anlisis de regresin lineal: El ejemplo mas simple de una aproximacin por mnimos cuadrados es ajustar una lnea recta a un conjunto de observaciones definidas por puntos: ( x1 , y1 ), ( x 2 , y 2 ),L, ( x n , y n ) . La expresin matemtica para la lnea recta es

y = a + bx +
Donde los coeficientes a y b son que representan la pendiente y la interseccin con el eje y respectivamente. es el error o diferencia entre el modelo y las observaciones. As el error o residuo puede expresarse como:

= y a bx
Luego la suma de los cuadrados de dichas desviaciones estara dada por:

S r = 2 = ( yi a bxi ) 2
i =1 i =1

Gua de estudio Matemtica V

27

La obtencin de los valores de los coeficientes, tales que esta suma sea mnima es un problema que se puede resolver recurriendo a la derivacin parcial de la funcin en trminos de a y b e igualando a cero:
n n S r = 2( yi a bxi ) ( 1) = 2 ( yi a bxi ) = 0 a i =1 i =1

n n yi a b xi = 0 na + xi b = yi i =1 i =1 i =1 i =1 i =1 n n n
n n S r = 2( yi a bxi ) ( xi ) = 2 ( yi a bxi ) xi = 0 b i =1 i =1

(1)

xi y i a x i b
i =1 i =1

i =1

xi2

n n n 2 = 0 xi a + xi b = xi yi (2) i =1 i =1 i =1

De esta forma se obtienen dos ecuaciones llamadas ecuaciones normales del modelo que pueden ser resueltas por cualquier mtodo. Escribiendo el sistema de ecuaciones en forma matricial tenemos: n n n n xi a y i n xi 2 n n i =1 2 1 i = i =1 = n xi = n n ; det( A) = n n n xi 2 2 i =1 i =1 xi xi b xi y i x i xi i =1 i =1 i =1 i =1 i =1 Si usamos la regla de Cramer:

xi y i
a=
i =1

i =1 n

yi

xi xi 2
i =1 i =1 n

det( A)

y i xi 2 xi xi y i
i =1 i =1 n i =1

n xi 2 xi i =1 i =1
n

i =1 2

n
n

xi x i y i
b=
i =1 i =1

i =1 n

yi
= n xi y i xi y i
i =1 i =1 i =1 n n n

det( A)

n xi
i =1

n xi i 1 =

Gua de estudio Matemtica V

28

y x 2 x xy a= 2 2 n x ( x )

; b=

n xy x y n x ( x )
2 2

Otra forma de calcular los coeficientes es a partir de las medias aritmticas de las observaciones:

x=

x
n

y=

y
n

a = y bx ; b =

xy n x y
2

n x2

Se debe tener presente la diferencia entre el valor de obtenido con la ecuacin de regresin y el valor de Y observado. Mientras es una estimacin y su bondad en la estimacin depende de lo estrecha que sea la relacin entre las dos variables que se estudian. Esta diferencia se conoce como error en la estimacin, este error se puede medir a partir de la Desviacin estndar de la estimacin:
S xy = Sr ( yi a bxi ) 2 , Donde S r = n2 i =1

Como esta medida trata de resumir la disparidad entre lo observado y lo estimado, es decir, trata de medir la diferencia promedio entre lo observado y lo estimado esperado de acuerdo al modelo, puede considerarse como un indicador del grado de precisin con que la ecuacin de regresin, describe la relacin entre las dos variables. No es posible comparar con las relaciones de variables dadas en distinta unidad de medida. Es necesario entonces calcular una medida que interprete o mida mejor el grado de relacin entre las variables: Coeficientes de determinacin y de correlacin: El coeficiente de determinacin es la relacin entre la variacin explicada y la variacin total. Este Coeficiente de correlacin mide la fuerza de la relacin entre las variables. Su valor siempre estar 0 < r < 1
St St ; donde S t es el error residual asociado con la variable dependiente St antes de la regresin. Una presentacin alternativa es la siguiente: r2 =

r=

(n x

n xy x y
2 2

( x ) n y 2 ( y )

)(

Criterios: 0 a 0.2 Correlacin muy dbil, despreciable 0.2 a 0.4 Correlacin dbil. baja 0.4 a 0.7 Correlacin moderada

Gua de estudio Matemtica V

29

0.7 a 0.9 Correlacin fuerte, alta, importante 0.9 a 1.0 Correlacin muy fuerte, muy alta La correlacin entre los valores de dos variables es un hecho. El que lo consideremos satisfactorio o no, depende de la interpretacin. Otro problema que representa la correlacin es cuando se pregunta si una variable, de algn modo causa o determina a la otra. La correlacin no implica causalidad. Si las variables x e y estn correlacionadas, esto puede ser por que x causa a y, o porque y causa a x o porque alguna otra variable afecta tanto a x como y, o por una combinacin de todas estas razones; o puede ser que la relacin sea una coincidencia. Ejemplo: Se toma una muestra aleatoria de 8 ciudades de una regin geogrfica de 13 departamentos y se determina por los datos del censo el porcentaje de graduados en educacin superior y la mediana del ingreso de cada ciudad, los resultados son los siguientes: % de Graduados (x): 7.2 6.7 17.0 12.5 6.3 23.9 Mediana Ingreso (y): 4.2 4.9 7.0 6.2 3.8 7.6 6.0 10.2 4.4 5.4

x
1 2 3 4 5 6 7 8 7.2 6.7 17.0 12.5 6.3 23.9 6.0 10.2 89.8

y
4.2 4.9 7.0 6.2 3.8 7.6 4.4 5.4 43.5

xy
30.24 32.83 119.00 77.50 23.94 181.64 26.40 55.08 546.63

x2
51.84 44.89 289.00 156.25 39.69 571.21 36.00 104.04 1292.92

y2
17.64 24.01 49 38.44 14.44 57.76 19.36 29.16 249.81

y
4.6133 4.5109 6.6201 5.6986 4.429 8.033 4.3676 5.2276

)2 (y y
0.1708 0.1514 0.1443 0.2514 0.3956 0.1875 0.001 0.0297 1.3317

x = 89.8 , y = 43.5 , xy = 546.63 , x 2 = 1292.92 , y 2 = 249.81 )2 = (y y y x 2 x xy 43.5 1292.92 89.8 546.63 = = 3.1389 a= 2 2 8 1292.92 (89.8) 2 n x ( x ) n xy x y 8 546.63 89.8 43.5 = 0.20477 b= = 2 2 8 1292.92 (89.8) 2 n x ( x )

Gua de estudio Matemtica V

30

Por tanto la ecuacin de regresin nos queda:

= 3.1389 + 0.20477 x y
Esta ecuacin permite estimar el valor de para cualquier valor de x, por ejemplo: Una ciudad que tiene un porcentaje de graduados a nivel superior del 28% la mediana de ingreso para la ciudad ser:

= 3.1389 + 0.20477(28) = 8.87246 y

La suma de los cuadrados de dichas desviaciones y la Desviacin estndar de la estimacin esta dada por:

S r = ( yi a bxi ) 2 = 1.3317 , S xy =
i =1

1.3317 Sr = = 0.4711 42 n2

El coeficiente de correlacin:

r=

(n x

n xy x y
2 2

( x ) n y 2 ( y )

)(

8 546.63 89.8 43.5 (8 1292.92 (89.8) 2 )(8 249.81 (43.5) 2 )

r = 0.9485

Se observa que la correlacin entre los valores de las dos variables es muy fuerte.
9 8 7 6 5 4 3 2 1 0 0 5 10 15 20 25 30 Observaciones y=a+bx

Grafica de dispersin elaborada en Excel

EXCEL - fx-570ES 991 ES En el apndice 5 se muestra la hoja de clculo en EXCEL y se explica como trabajar en la calculadora con el modo de REGRESION LINEAL.

Gua de estudio Matemtica V

31

ACTIVIDAD No. 9 1. Los datos siguientes muestran la relacin entre la temperatura y la presin de un fluido. Usando regresin lineal encuentre una formula que permita determinar la presin a una temperatura de 35: T 10 20 30 40 50 60 70 P 0.5 2.5 2.0 4.0 3.5 6.0 5.5 Calcule la desviacin estndar de la estimacin y el coeficiente de correlacin. Grafique e Interprete los resultados. 2. Demuestre que los datos que se indican a continuacin no se ajustan a una lnea recta. x 1 2 3 4 5 y 0.5 1.7 3.4 5.7 8.4 Calcule la desviacin estndar de la estimacin y el coeficiente de correlacin. Grafique e Interprete los resultados. 3. Se quiere resolver un problema de hiptesis relacionado con la cada del paracaidista de la actividad No. 5, en la cual se dio el siguiente modelo matemtico terico: c t gm donde m=98.1 Kg, g=9,8 m/s2 y el coeficiente de m v(t ) = 1 e c arrastre c=12.5 kg/s. Un modelo emprico alternativo para la velocidad del paracaidista esta dado por: gm t v(t ) = c 3.75 + t Compruebe la veracidad de esos modelos matemticos. Esto podra hacerse al medir la velocidad real del paracaidista con valores conocidos del tiempo y comparar estos resultados con las velocidades predichas por cada modelo. Velocidades medidas del paracaidista en m/s 1 2 3 4 5 6 7 8 9 10 x 10 16.3 23 27.5 31 35.6 39 41.5 42.9 45 y 11 46 12 13 45.5 46 14 49 15 50

Calcule la desviacin estndar de la estimacin y el coeficiente de correlacin. Grafique e Interprete los resultados.

Gua de estudio Matemtica V

32

3.2.2. Regresin Polinomial: En muchos casos una curva es ms adecuada para ajustar los datos. El procedimiento de mnimos cuadrados puede extenderse fcilmente para ajustar un polinomio de grado superior un conjunto de observaciones definidas por puntos: ( x1 , y1 ), ( x 2 , y 2 ),L, ( x n , y n ) . Por ejemplo, supongamos que ajustamos un polinomio de segundo grado o cuadrtico:

y = a + bx + cx 2 +
Donde los coeficientes a, b y c son lo coeficientes a determinar y es el error o diferencia entre el modelo y las observaciones. En este caso el error o residuo puede es:

= y a bx cx 2
Luego la suma de los cuadrados de dichas desviaciones estara dada por:
n n

S r = = ( yi a bxi cxi2 ) 2
2

i =1

i =1

Recurriendo a la derivacin parcial de la funcin en trminos de a, b y c e igualando a cero:

n S r = 2 ( yi a bxi cxi2 ) = 0 a i =1 n S r = 2 ( yi a bxi cxi2 ) xi = 0 b i =1 n S r = 2 ( yi a bxi cxi2 ) xi 2 = 0 c i =1

De esta forma se obtienen tres ecuaciones normales del modelo.

n n n 2 na + xi b + xi c = yi i =1 i =1 i =1 n n n 2 n 3 xi a + xi b + xi c = xi yi i =1 i =1 i =1 i =1 n n 2 n 3 n 4 xi a + xi b + xi c = xi2 yi i =1 i =1 i =1 i =1

(1)

(2)

(3)

Gua de estudio Matemtica V

33

Escribiendo el sistema de ecuaciones en forma matricial tenemos:

n
n

xi
i =1 n i =1 n

xi xi2 xi2 xi3

i =1 i =1 i =1 n

a i =1 n 3 b xi = i =1 n 4 c xi i =1
n

xi2

i =1 n x y i i i =1 n 2 xi y i i =1

yi

Resolviendo se obtienen los coeficientes a, b y c. Desviacin estndar de la estimacin:

S xy = Sr )2 ( yi a bxi cxi2 ) 2 = ( yi y , Donde S r = n3 i =1 i =1

Coeficientes de determinacin y de correlacin: El coeficiente de determinacin es la relacin entre la variacin explicada y la variacin total. Su valor siempre estar 0 < r < 1
r2 = St S r ; donde S t es el error residual asociado con la variable dependiente St
n I =1

2 antes de la regresin S t = ( y y ) .

Este Coeficiente de correlacin mide la fuerza de la relacin entre las variables.

r= St S r St

Ejemplo: Los datos siguientes muestran la relacin entre la distancia recorrida (m) y la velocidad alcanzada por un cuerpo (m/s2). Usando regresin polinomial encuentre una formula que permita determinar la velocidad a una distancia de 4.5 m:

x v

0 1 2 2.1 7.7 13.6

3 27.2

4 40.9

5 61.1

Calcule la desviacin estndar de la estimacin y el coeficiente de correlacin. Grafique e Interprete los resultados. Solucin:

Gua de estudio Matemtica V

34

x
0 1 2 3 4 5 0 1 2 3 4 5 15

y
2,1 7,7 13,6 27,2 40,9 61,1 152,6

xy
0 7,7 27,2 81,6 163,6 305,5 585,6

x2
0 1 4 9 16 25 55

x2y
0 7,7 54,4 244,8 654,4 1527,5 2488,8

x3
0 1 8 27 64 125 225

x4
0 1 16 81 256 625 979

x = 15 , y = 152.6 x 3 = 225 , x 4 = 979

xy = 585.6

x 2 = 55 , x 2 y = 2488.8

Escribiendo el sistema de ecuaciones en forma matricial tenemos: n n n 2 yi n x x a i i i=1 i =1 i =1 n n n n xi xi2 xi3 b = xi yi i =1 i =1 i =1 i =1 n n n n 2 3 4 2 x c xi xi i xi y i i =1 i =1 i =1 i =1

6 15 55 a 152.6 15 55 225 b = 585.69 55 225 979 c 2488.8

Resolviendo este sistema de ecuaciones se tiene a = 2.47857 , b = 2.35929 , c = 1.86071 Por tanto la ecuacin de regresin es:
= 2.47857 + 2.35929 x + 1.86071x 2 y

El valor de la velocidad estimado para x = 4.5 m es:

= 2.47857 + 2.35929(4.5) + 1.86071(4.5) 2 = 50.775 m/s y

Calculando el error residual asociado con la variable dependiente antes de la regresin y la suma de los cuadrados de las desviaciones:

)2 S t = ( y y ) 2 ; S r = ( yi y
I =1

i =1

Gua de estudio Matemtica V

35

1 2 3 4 5
2,4786 6,6986 14,64 26,3029 41,6871

( y y)2
544,4444 314,4711 140,0278 3,1211 239,2178 2513,3933

)2 (y y
0,14334 1,0028 1,0816 0,80479 0,61953 3,74637

S r = 2513.833 ;

S r = 3,74637

Desviacin estndar de la estimacin:

S xy =
3.74637 Sr = = 1.1175 63 n3

Coeficientes de determinacin y de correlacin:

r2 = S t S r 2513.933 3.74637 = = 0.99851 2513.933 St

r = 0.99925

Se observa la correlacin entre los valores de dos variables es muy fuerte.

70 60 50 40 30 20 10 0 0 2 4 6 Observaciones y=a+bx+cx2

Grafica de dispersin elaborada en Excel EXCEL - fx-570ES 991 ES En el apndice 6 se muestra la hoja de clculo en EXCEL y se explica como trabajar en la calculadora con el modo de REGRESION POLINOMIAL.

Gua de estudio Matemtica V

36

ACTIVIDAD No. 10 1. Emplee la regresin por mnimos cuadrados para ajustar a una lnea recta: x 1 2 3 4 5 6 7 8 9 y 1 1.5 2 3 4 5 8 10 13 a) Adems de la pendiente y la interseccin, calcule el error estndar de la estimacin y el coeficiente de correlacin. Grafique los datos y la lnea recta. Evale el ajuste. b) Vuelva a hacer el clculo del inciso (a), pero usando regresin polinomial para ajustar los datos a una parbola. Compare los resultados con los obtenidos en (a) 2. Los datos siguientes representan el crecimiento bacterial en un cultivo lquido durante cierto nmero de das. dia 0 4 8 12 16 20 -6 cantidad x10 67 84 98 125 149 185 Encuentre la ecuacin de mejor ajuste (recta o parbola) a la tendencia de datos. Grafique en cada caso e interprete los resultados. Pronostique la cantidad de bacterias despus de 40 das. 3. Un objeto se suspende en un tnel de viento y se mide la fuerza para varios niveles de velocidad del viento. A continuacin estn tabulados los resultados v (m/s) 10 20 30 40 50 60 70 80 F (N) 25 70 380 550 610 1220 830 1450 Encuentre la ecuacin de mejor ajuste (recta o parbola) a la tendencia de datos. Grafique en cada caso e interprete los resultados. 4. Usando regresin polinomial para ajustar a una parbola los datos del ejercicio No 2 de la actividad No 9. Compare los resultados con los obtenidos anteriormente. 5. Disee hojas de clculo para aplicar la regresin lineal y la polinomial. Tome algunos de los ejercicios propuestos y vare algn o varios de los valores de y. Anote sus observaciones con respecto al cambio de la desviacin estndar y el coeficiente de correlacin. Ofrecer en estos casos la ecuacin de regresin un ajuste adecuado?

APENDICE No 5

Autor: Ing. Neptali Franco

Presione [1] para seleccionar A, presione [=] A Usando la calculadora fx-570ES 991 ES Presiona las teclas [ Mode ], [ 3 ] para trabajar en STAT. Seleccione 2 para trabajar con REGRESION LINEAL. Ingrese los datos:
X Y 1 7.2 4.2 2 6.7 4.9 3 17 7 4 12.5 6.2 5 6.3 3.8 6 23.9 7.6 7 6 4.4 8 10.2 5.4 Presione [AC] , [shift] , [STAT] , [7] para buscar los coeficientes de la ecuacin de regresin y=A + Bx

3.138938806
Presione [shift] , [STAT] , [7] , [2] para

seleccionar B, presione [=] B 0.2047715985

Presione [shift] , [STAT] , [7] , [3] para

seleccionar r, presione [=] r 0.9485249968

APENDICE No 6
Autor: Ing. Neptali Franco

Presione [AC] , [shift] , [STAT] , [7] para buscar los coeficientes de la ecuacin de regresin y=A + Bx Cx2

Presione [1] para seleccionar A, presione [=] A 2.478571429

Presione [shift] , [STAT] , [7] , [2] para

Usando la calculadora fx-570ES 991 ES Presiona las teclas [ Mode ], [ 3 ] para trabajar en STAT. Seleccione 3 para trabajar con REGRESION POLINOMIAL-2do orden. Ingrese los datos:
0 1 2 3 4 5 X 0 1 2 3 4 5 Y 2.1 7.7 13.6 27.2 40.9 61.1

seleccionar B, presione [=] B 2.359285714

Presione [shift] , [STAT] , [7] , [3] para

seleccionar C, presione [=] C 1.860714286