Академический Документы
Профессиональный Документы
Культура Документы
MTODOS NUMRICOS
DIFERENCIACIN
Ing.
Vargas Crispin
Wilber Samuel
Aproximacin Polinomial de Newton
Supongamos que tenemos una funcin tabular y que
queremos realizar su aproximacin mediante un polinomio de
primer grado:
Punto 0 1 i n
x x0 x1 xi xn
f ( x) f x 0 f x1 f ( xi ) f ( xn )
p1 ( x) a0 a1 ( x x0 )
ING. V.C.W. 2
Aproximacin Polinomial de Newton
En donde:
x0 : Es la abscisa del punto 0
a0, a1: Constantes por determinar
x x0 a0 p( x0 ) f x0 a0 f x0
p( x1 ) f x0 f x1 f x0
x x1 a1 ( x x0 ) a1
x x0 x1 x0
Consecuentemente tendremos: a1 f x0 , x1
ING. V.C.W. 3
Aproximacin Polinomial de Newton
f x1 f x0
p1 ( x ) f x0 ( x x0 )
x x0
p1 ( x ) f x0 ( x x0 ) f x0 , x1
Para la aproximacin de un polinomio de segundo grado:
p2 ( x) a0 a1 ( x x0 ) a2 ( x x0 )( x x1 )
En donde:
x0, x1 : Son las abscisas de los puntos 0 y 1
a0, a1, a2: Constantes que debemos encontrar
ING. V.C.W. 4
Aproximacin Polinomial de Newton
x x0 a0 p2 ( x) a0 f x0
p 2 ( x ) a0 f x1 f x0 a f x , x
x x1 a1 a1 1 0 1
x1 x0 x1 x0
f x1 f x0
p ( x ) a0 a1 ( x2 x0 ) f x2 f x0 ( x2 x0 )
x x2 a 2 2 2 a2
( x1 x0 )
( x2 x0 )( x2 x1 ) ( x2 x0 )( x2 x1 )
f x2 f x0 f x1 f x0
( x2 x1 ) ( x1 x0 )
a2
( x2 x0 )
ING. V.C.W. 5
Aproximacin Polinomial de Newton
( f x2 f x0 )( x1 x0 ) ( f x1 f x0 )( x2 x1 )
a2
( x2 x0 )( x2 x1 )( x1 x0 )
a2 f x0 , x1 , x2
Finalmente tenemos:
p2 ( x) f x0 ( x x0 ) f x0 , x1 ( x1 x0 )( x x1 ) f x0 , x1 , x2
Generalizando:
pn ( x) a0 a1 ( x x0 ) a2 ( x x0 )( x x1 ) an ( x x0 )( x x1 ) ( x xn 1 )
ING. V.C.W. 6
Aproximacin Polinomial de Newton
En donde:
x0 , x1 , xn : Son las abscisas de los puntos 0, 1, 2, , n
a0 f x0 ; a1 f x0 , x1 ; a2 f x0 , x1 , x2 ;; an f x0 , x1 , xn
Entonces:
pn ( x) f x0 ( x x0 ) f x0 , x1 ( x x0 )( x x1 ) f x0 , x1 , x2
( x x0 )( x x1 ) ( x xn ) f x0 , x1 ,, xn
Polinomio de aproximacin de Newton
ING. V.C.W. 7
Aproximacin Polinomial de Newton
Ejemplo:
Determinar la aproximacin polinomial de Newton para la
informacin tabular e interpolar para x = 2.
Diferencias Divididas
Puntos x f[x] 1 Dividida 2 Dividida 3 Dividida
0 1 56
14.2
1 5 113 -0.31
4.5 0.019
2 20 181 0.081
1.68
3 40 214
Para el clculo de los coeficientes del polinomio de Newton, se construye la tabla de diferencias divididas
ING. V.C.W. 8
Aproximacin Polinomial de Newton
Ejemplo:
p1 ( x) a0 a1 ( x x0 ) f x0 f x0 , x1 ( x x0 )
f x1 f x0 113 56 57
f x0 , x1 14.2
x1 x0 5 1 4
p1 ( x) 56 14.2( x 1)
p2 ( x) a0 a1 ( x x0 ) a2 ( x x0 )( x x1 ) f x0 f x0 , x1 ( x x0 )
f x0 , x1 , x2 ( x x0 )( x x1 )
ING. V.C.W. 9
Aproximacin Polinomial de Newton
Ejemplo:
ING. V.C.W. 10
Aproximacin Polinomial de Newton
Ejemplo:
p3 ( x) a0 a1 ( x x0 ) a2 ( x x0 )( x x1 ) a3 ( x x0 )( x x1 )( x x3 )
f x1 , x2 , x3 f x0 , x1 , x2 0.081 0.51
a3 f x0 , x1 , x2 , x3
x3 x0 40 1
0.429
0.011
39
ING. V.C.W. 11
Aproximacin Polinomial de Newton
Ejemplo:
f x2 , x3 f x1 , x2 1.68 4.5
f x1 , x2 , x3 0.081
x3 x1 40 5
p3 ( x) 56 14.2( x 1) 0.51( x 1)( x 5)
0.019( x 1)( x 5)( x 20)
f (2) p3 (2) 56 14.2(2 1) 0.51(2 1)(2 5)
0.019(2 1)(2 5)(2 20)
71.7 0.969 72.67
ING. V.C.W. 12
Regresiones
Uno de los aspectos ms relevantes de la Estadstica es el anlisis
de la relacin o dependencia entre variables. Frecuentemente
resulta de inters conocer el efecto que una o varias variables
pueden causar sobre otra, e incluso predecir en mayor o menor
grado valores en una variable a partir de otra.
ING. V.C.W. 13
Regresin Lineal Simple
La estructura del modelo de regresin lineal es la siguiente:
Y 0 1 X
En esta expresin estamos admitiendo que todos los factores o
causas que influyen en la variable respuesta Y pueden dividirse
en dos grupos: el primero contiene a una variable explicativa X y
el segundo incluye un conjunto amplio de factores no controlados
que englobaremos bajo el nombre de perturbacin o error
aleatorio, , que provoca que la dependencia entre las variables
dependiente e independiente no sea perfecta, sino que est
sujeta a incertidumbre.
ING. V.C.W. 14
Regresin Lineal Simple
Esto se explica de la siguiente manera supongamos , que en el
consumo de gasolina de un vehculo (Y) influyen la velocidad (X)
y una serie de factores como el efecto conductor, el tipo de
carretera, las condiciones ambientales, etc, que quedaran
englobados en el error.
y x
y y
Ordenada en
el origen
(intercepto)
b =tgq coeficiente de regresin
q (pendiente)
a
x
ING. V.C.W. 15
Regresin Lineal Simple
Lo que en primer lugar sera deseable en un modelo de regresin
es que estos errores aleatorios sean en media cero para cualquier
valor x de X, es decir:
E / X x E 0
Por lo tanto:
En dicha expresin se observa que:
La media de , para un valor fijo , vara linealmente con .
Para un valor se predice un valor en dado por = [ / = ] = 0 + 1 , por
lo que el modelo de prediccin puede expresarse tambin Como = 0 + 1 .
El parmetro 0 es la ordenada al origen del modelo (punto de corte con el eje ) y
1 la pendiente, que puede interpretarse como el incremento de la variable
dependiente por cada incremento en una unidad de la variable independiente. Estos
parmetros son desconocidos y habr que estimarlos de cara a realizar predicciones.
ING. V.C.W. 16
Regresin Lineal Simple
Estimacin de los parmetros del modelo:
Partimos de una muestra de valores de X e Y medidos sobre n
individuos:
( x1 , y1 ), ( x2 , y2 ), , ( xn , yn )
ING. V.C.W. 17
Regresin Lineal Simple
Para un valor xi, el modelo estima un valor en Y igual a
i 0 1 xi
y
Y el valor observado en Y es igual a yi, con lo cual el error de
estimacin en ese caso vendra dado por:
ei yi yi yi ( 0 1 xi )
Entonces tomaremos como estimaciones de 0 y 1 , que notamos
por 0 y 1 , aquellos valores que hagan mnima la suma de los
errores al cuadrado, que viene dada por:
ING. V.C.W. 18
Regresin Lineal Simple
n n 2
SSE i yi ( 0 1 xi )
e 2
i 1 i 1
SS xy
0 y 1 x 1
SS xx
ING. V.C.W. 19
Regresin Lineal Simple
Siendo:
n n
SS xy (x
i 1
i x ) ( yi y ) x y
i 1
i i nx y
n 2 n
SS xx ( xi x ) i
2 2 2
x n x n x
i 1 i 1
A la recta resultante
Y 0 1 X
ING. V.C.W. 20
Regresin Lineal Simple
Ejemplo:
En un ensayo de laboratorio de Resistencia de Materiales, una muestra de concreto
fc= 210 kg/cm2, se someti al equipo de Compresin Simple, para obtener el
esfuerzo que se necesitaba para producir diferentes deformaciones unitarias, siendo
estas los resultados conseguidos:
(/2)
0.0001 14.3
0.0002 28.3 Donde:
0.0003 42.1
: Deformacin Unitaria (Adimensional)
: Esfuerzo (kg/cm2)
0.0004 55.5
0.0005 68.5
0.0006 81.2
0.0007 93.6
0.0008 105.5
0.0009 116.9
ING. V.C.W. 21
Regresin Lineal Simple
( )( ) ( )
0.0001 14.3 -0.0004 -53.022 0.02120889 0.00000016
0.07707 0.0000006
ING. V.C.W. 22
Regresin Lineal Simple
Con los datos de la tabla anterior se tiene:
SS xy 0.07707 , SS xx 6x10 -7
SS xy
1 0 y 1 x
SS xx
1 128450 0 3.097
La recta de regresin de Y sobre X es por tanto:
Y 3.097 128450 X
ING. V.C.W. 23
Coeficiente de Correlacin Lineal
Nuestro objetivo en adelante ser medir la bondad del ajuste de
la recta de regresin a los datos observados y cuantificar al
mismo tiempo el grado de asociacin lineal existente entre las
variables en cuestin. A mejor ajuste, mejores sern las
predicciones realizadas con el modelo.
ING. V.C.W. 24
Coeficiente de Correlacin Lineal
El coeficiente de correlacin lineal toma valores entre -1 y 1 y su
interpretacin es la siguiente:
Un valor cercano o igual a 0 indica respectivamente poca o
ninguna relacin lineal entre las variables.
Cuanto ms se acerque en valor absoluto a 1 mayor ser el
grado de asociacin lineal entre las variables. Un coeficiente
igual a 1 en valor absoluto indica una dependencia lineal
exacta entre las variables.
Un coeficiente positivo indica asociacin lineal positiva, es
decir, tienden a variar en el mismo sentido.
Un coeficiente negativo indica asociacin lineal negativa, es
decir, tienden a variar en sentido opuesto.
ING. V.C.W. 25
Coeficiente de Determinacin
Segn hemos visto, el coeficiente de correlacin lineal puede
interpretarse como una medida de la bondad del ajuste del
modelo lineal, concretamente, un valor del coeficiente igual a 1 o
-1 indica dependencia lineal exacta, en cuyo caso el ajuste es
perfecto.
ING. V.C.W. 26
Coeficiente de Determinacin
n
( y i y)2
SSE
R2 i 1
n
1
( y
SS yy
i y)2
i 1
R2 r 2
El coeficiente de determinacin toma valores entre 0 y 1, y
cuanto ms se aproxime a 1 mejor ser el ajuste y por lo tanto
mayor la fiabilidad de las predicciones que con l realicemos.
ING. V.C.W. 27
Coeficiente de Determinacin
Para el ejemplo anterior:
SS xy
r
SS xx SS yy
R r
2 2
0.07707
r -7
0.9995
6x10 x9910.01556
R r 2 0.99952 0.999
ING. V.C.W. 28
Regresiones No Lineales
La regresin lineal no siempre da buenos resultados, porque a veces la
relacin entre Y y X no es lineal sino que exhibe algn grado de curvatura.
La estimacin directa de los parmetros de funciones no-lineales es un
proceso bastante complicado. No obstante, a veces se pueden aplicar las
tcnicas de regresin lineal por medio de transformaciones de las
variables originales.
ING. V.C.W. 29
Regresin Logartmica
Se tiene la curva logartmica:
Y 0 1 ln X
Es tambin una recta, pero en lugar de estar referida a las
variables originales X e Y, est referida a logX y a Y.
Y 0 1 X '
ING. V.C.W. 30
Regresin Logartmica
() ()() ( ) ( )
0.0001 -9.21034037 14.3 -1.42242528 -53.022 75.4201491 2.02329366 2811.35605
ING. V.C.W. 31
Regresin Logartmica
Entonces:
Y 0 1 X '
Y 434.392 47.133 ln( x )
r 0.9632
R 0.928
ING. V.C.W. 32
Regresin Exponencial
Se tiene la curva exponencial:
Y 0 e 1 X
Tomando logaritmos para linealizar la funcin:
ln(Y ) ln( 0 ) 1 X
Y ' 0 ' 1 X
ING. V.C.W. 33
Regresin Exponencial
() ()() ( ) ( )
0.0001 14.3 2.66025954 -0.0004 -1.378 0.00055111 0.00000016 1.8982794
ING. V.C.W. 34
Regresin Exponencial
Entonces:
Y 0 e 1 X
Y 17.182e 2388.380 X
r 0.9497
R 0.902
ING. V.C.W. 35
Regresin Potencial
Se tiene la curva potencial:
Y 0 x 1
Tomando logaritmos para linealizar la funcin:
ING. V.C.W. 36
Regresin Potencial
() () ()() ( ) ( )
0.0001 14.3 -4.0000 1.1553 -0.6178 -0.598 0.3696 0.3816 0.3580
ING. V.C.W. 37
Regresin Potencial
Entonces:
Y 0 x 1
Y 98134.618 X 0.957
r 0.99985
R 0.999707
ING. V.C.W. 38
Caso Polinomial
En la ingeniera, aunque algunos datos exhiben un patrn
marcado, son pobremente representados por una lnea recta,
entonces una curva ser la ms adecuada para ajustarse a los
datos; una alternativa es ajustar polinomios a los datos mediante
regresin polinomial.
La ecuacin de un polinomio de grado n es:
n
y a0 a1 x a2 x 2
an x n
q
i
a i xi
y a0 a1 x a2 x 2 an x n e
ING. V.C.W. 39
Caso Polinomial
Donde son coeficientes y es el error. Una estrategia es
minimizar la suma de los cuadrados de los residuos ( ), entre la
y medida y la y calculada con el modelo lineal, est dada por:
Sr ( yi a0 a1 xi a2 x 2 i an xi ) 2
n
ING. V.C.W. 40
Caso Polinomial
Las derivadas parciales estn dadas por:
a0
Sr
a0
(y i a0 a1 xi a2 x 2 i an x n i ) 2
a1
Sr
a1
i 0 1 i 2
( y a a x a x 2
i a n x n
i ) 2
an
Sr
an
(y i a0 a1 xi a2 x 2 i an x n i ) 2
ING. V.C.W. 41
Caso Polinomial
Esto es:
S r 2 ( yi a0 a1 xi a2 x 2 i an x n i )
a0
S r 2 ( yi a0 a1 xi a2 x 2 i an x n i )
a1
Sr 0 Sr 0 Sr 0
a0 a1 an
ING. V.C.W. 42
Caso Polinomial
Omitiendo los pasos siguientes, reordenando, para desarrollar el
siguiente sistema de ecuaciones normales:
a0 ( m) a1 xi a2 xi an xi yi
2 n
a0 xi a1 xi a2 xi an xi yi xi
2 3 n 1
a0 xi a1 xi a2 xi an xi yi xi
2 3 4 n2 2
a0 xi a1 xi a2 xi an xi yi xi
n n 1 n2 2n n
ING. V.C.W. 43
Caso Polinomial
Podemos escribir el sistema de ecuaciones normales obtenido en
la forma:
S x a S xy
Donde:
m x x
2 n
x
x x
2
x 3
x
n 1
x
2 3 4 n2
Sx x x x
x x x x
n n 1 n2 2n
ING. V.C.W. 44
Caso Polinomial
y
a 0
a yx
1 2
a a 2 S xy yx
an yx n
Sx: Matriz de sumatorias de potencias x.
a: Vector de coeficientes. Las constantes del polinomio.
Sxy: Vector de sumatorias de potencias de x con ys.
ING. V.C.W. 45
Caso Polinomial
Ejemplo:
Para el ejercicio anterior encontrar su regresin cuadrtica:
1 0.0001 14.3 0.00000001 1E-12 1E-16 0.00143 0.000000143
2 0.0002 28.3 0.00000004 8E-12 1.6E-15 0.00566 0.000001132
3 0.0003 42.1 0.00000009 2.7E-11 8.1E-15 0.01263 0.000003789
4 0.0004 55.5 0.00000016 6.4E-11 2.56E-14 0.0222 0.00000888
5 0.0005 68.5 0.00000025 1.25E-10 6.25E-14 0.03425 0.000017125
6 0.0006 81.2 0.00000036 2.16E-10 1.296E-13 0.04872 0.000029232
7 0.0007 93.6 0.00000049 3.43E-10 2.401E-13 0.06552 0.000045864
8 0.0008 105.5 0.00000064 5.12E-10 4.096E-13 0.0844 0.00006752
9 0.0009 116.9 0.00000081 7.29E-10 6.561E-13 0.10521 0.000094689
ING. V.C.W. 46
Caso Polinomial
S x a S xy
9 0.0045 0.00000285
S x 0.0045 0.00000285 2.025E - 09
0.00000285 2.025E - 09 1.5333E - 12
605.9
S xy 0.38002
0.00026837
ING. V.C.W. 47
Caso Polinomial
S x a S xy
1
9 0.0045 0.00000285 605.9
a 0.0045 0.00000285 2.025E - 09 0.38002
0.00000285 2.025E - 09 1.5333E - 12 0.00026837
ING. V.C.W. 48
Caso Polinomial
Ejemplo:
Finalmente tenemos los coeficientes correspondientes ala
ecuacin cuadrtica :
- 0.26190476
a 146772.5108
- 18322510.8
ING. V.C.W. 49