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 xn )
=

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

f(x0) = 0.99749

x1 = 0.75

f(x1) = 0.68164

x2 = 0

f(x2) = 0

x3 = 0.75

f(x3) = 0.68164

x4 = 1.5

f(x4) = 0.99749

Gua de estudio Matemtica V

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 )

( 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

L1 ( x) =
=

( 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)

L2 ( x ) =

128 4 32 3 32 2 8
x +
x +
x x
243
81
27
9

( x x0 ) ( x x1 ) ( x x3 ) ( x x4 )

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

( 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

L3 ( x) =
=

( 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)

L4 ( x ) =

128 4 32 3 32 2 8
x
x +
x + x
243
81
27
9

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

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

21

Gua de estudio Matemtica V

( 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

22

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 ( x4 ) 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
128 4 32 3 32 2 8
32 4 16 3 2 2 1
+ 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) = a0 + a1 ( x x0 ) + a 2 ( x x0 )( x x1 ) + L + a n ( x x0 )( x x1 ) L( x x n1 ) (1)
m

i 1

i =1

j =0

Pn ( x ) = a 0 + ai ( ( x x j ))
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, x n ]( 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:
x +1

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

Gua de estudio Matemtica V

Segundas diferencias
divididas

Primeras diferencias
divididas

f (x )

x0

f ( x0 )

f [ x0 , x1 ] =

f ( x1 ) f ( x0 )
x1 x0

x1

f ( x1 )

f [ x1 , x2 ] =

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

x2

f ( x2 )

f (x )

Primeras diferencias
divididas
f [ x0 , x1 ] =

e3/ 2 e
1/ 2 0

f [ x0 , x1 , x2 ] =

Segundas diferencias
divididas

3/ 2

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

f [ x0 , x1 , x 2 ] =

= 2(e 3 / 2 e)
1
2

f [ x1 , x2 ] f [ x0 , x1 ]
x 2 x0

e 2 e3/ 2
1 1/ 2
2
= 2(e e 3 / 2 )

f [ x1 , x 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

24

Gua de estudio Matemtica V

25

ACTIVIDAD No. 8
1. Usando los siguientes datos, calclese f(2) con un polinomio de interpolacin
de Lagrange de segundo orden.
x
1
4
5
6
f(x) 0.000 0000 1.386 2944 1.609 4379 1.791 7595
Sugerencia: Tome los puntos x0 = 1, x1 = 4, x3 = 6.
2. Queremos hallar el valor de la funcin f ( x) = sen( x) para x = 1 usando un
polinomio interpolador de Lagrange de grado 2.
(Tome los puntos x0 = 0, x1 = 0.75, x2 = 1.5 y compare con el ejercicio resuelto
en clase)
3. .Dados los datos:
x
1.6
2
f(x) 2
8

2.5
14

3.2
15

4
8

4.5
2

a) Calcule f(2.8) con un polinomio de interpolacin de Lagrange de orden 2,

tomando los puntos x1 = 2, x3 = 3.2, x5 = 4.5.
b) Calcule f(2.8) con un polinomio de interpolacin de Lagrange de orden 3,
tomando los puntos x1 = 2, x2 = 2.5, x4 = 4 , x5 = 4.5.
4. Los datos siguientes muestran la relacin entre la temperatura y la presin de
un fluido.

T
P

10
0.5

20
1.7

30
3.4

40
5.7

50 F
8.4 Psia

a) Usando un polinomio interpolador de Lagrange de grado 1 encuentre una

formula que relacione la presin con la temperatura. Determine la presin a
una temperatura de 35 F. (Tome los puntos T1 = 20, T3 = 40)
b) Repita la parte (a) usando un polinomio interpolador de Lagrange de grado
2. (Tome los puntos T1 = 20, T2 = 30, T3 = 40)
Grafique e Interprete los resultados.
5. En los ejercicios 1-4, ajuste mediante un polinomio interpolador de Newton con
diferencias divididas y compare los resultados.

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:
n

i =1

i =1

S r = 2 = ( yi a bxi ) 2

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

(1)

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

i =1

i =1

i =1

xi y i a x i b

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
2
xi
xi a yi
n
n

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

; det( A) = n
n
n

2
2
i =1

i =1
xi xi
b xi y i
x
x

i
i

i =1
i =1
i =1
i =1

i =1

Si usamos la regla de Cramer:

n

yi

xi

i =1
n

i =1
n

xi y i x i 2
a=

i =1

i =1

det( A)

i =1

i =1

i =1

i =1
2

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

yi

n
n

xi
b=

i =1

i =1
n

xi y i
i =1

det( A)

i =1

i =1

i =1

n x i y i xi y i
n

n xi
i =1

n
xi
i =1

Gua de estudio Matemtica V

y x 2 x xy

a=
2
2
n x ( x )

; b=

28

n xy x y
n x ( x )
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

n x2

Se debe tener presente la diferencia entre el valor 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:
n

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 S r
; 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

)(

( x ) n y 2 ( y )
2

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

xy

x2

y2

( y y ) 2

7.2

4.2

30.24

51.84

17.64

4.6133

0.1708

6.7

4.9

32.83

44.89

24.01

4.5109

0.1514

17.0

7.0

119.00

289.00

49

6.6201

0.1443

12.5

6.2

77.50

156.25

38.44

5.6986

0.2514

6.3

3.8

23.94

39.69

14.44

4.429

0.3956

23.9

7.6

181.64

571.21

57.76

8.033

0.1875

6.0

4.4

26.40

36.00

19.36

4.3676

0.001

10.2

5.4

55.08

104.04

29.16

5.2276

0.0297

89.8

43.5

546.63

1292.92

249.81

x = 89.8 , y = 43.5 , xy = 546.63 , x 2 = 1292.92 , y 2 = 249.81

( y y ) 2 =1.3317
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
b=
=
= 0.20477
2
2
8 1292.92 (89.8) 2
n x ( x )

1.3317

Gua de estudio Matemtica V

30

Por tanto la ecuacin de regresin nos queda:

y = 3.1389 + 0.20477 x

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:
y = 3.1389 + 0.20477 ( 28) = 8.87246

La suma de los cuadrados de dichas desviaciones y la Desviacin estndar de la

estimacin esta dada por:
n

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

Sr
1.3317
=
= 0.4711
n2
82

El coeficiente de correlacin:
r=

(n x

n xy x y
2

)(

( x ) n y 2 ( y )
2

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

Observaciones

y=a+bx

3
2
1
0
0

10

15

20

25

30

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.

31

Gua de estudio Matemtica V

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
6
7
y
32 11.7 6.8
5
8.3
23
43
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

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

Calcule la desviacin estndar de la estimacin y el coeficiente de correlacin.

Grafique e Interprete los resultados.

15
50

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

S r = = ( yi a bxi cxi2 ) 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

(1)

n
n n 2 n 3
xi a + xi b + xi c = xi yi

i =1
i =1 i =1 i =1

(2)

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

i =1 i =1 i =1 i =1

(3)

Gua de estudio Matemtica V

33

Escribiendo el sistema de ecuaciones en forma matricial tenemos:

xi

n
n

i =1
n

i =1
n

i =1
n

i =1

i =1

xi xi2
xi2 xi3

a
i =1


n
3 b
xi =
i =1


n
4 c
xi
i =1

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:
n

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

S xy =

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

2
antes de la regresin S t = ( y y ) .
I =1

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

xy

x2

x2y

x3

x4

2,1

7,7

7,7

7,7

13,6

27,2

54,4

16

27,2

81,6

244,8

27

81

40,9

163,6

16

654,4

64

256

61,1

305,5

25

1527,5

125

625

15

152,6

585,6

55

2488,8

225

979

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

xy = 585.6

34

x 2 = 55 , x 2 y = 2488.8

Escribiendo el sistema de ecuaciones en forma matricial tenemos:

n
n
n

n
xi xi a y 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

2
3
4

2
xi xi xi c

xi y i
i =1
i =1
i =1

i =1

6 15 55 a 152.6

15 55 225 b = 585.6
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:

y = 2.47857 + 2.35929 x + 1.86071x 2

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

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

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

St = ( y y )
I =1

2
; S r = ( yi y )
i =1

Gua de estudio Matemtica V

( y y ) 2

( y y) 2

2,4786

0,14334

544,4444

6,6986

1,0028

314,4711

14,64

1,0816

140,0278

26,3029

0,80479

3,1211

41,6871

0,61953

239,2178

60,7929

1272,1111

0,09431

3,74637

2513,3933

S t = 2513.833 ;

S r = 3,74637

Desviacin estndar de la estimacin:

S xy =

Sr
3.74637
=
= 1.1175
n3
63

Coeficientes de determinacin y de correlacin:

r2 =

S t S r 2513.933 3.74637
=
= 0.99851
St
2513.933

r = 0.99925
Se observa la correlacin entre los valores de dos variables es muy fuerte.

70
60
50
40

Observaciones

30

y=a+bx+cx2

20
10
0
0

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.

35

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 5a

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