Ciencia & Desarrollo

MÉTODOS NUMÉRICOS APLICADOS A LA INGENIERÍA

Responsable: Ing. Salomón Ortiz Quintanilla
Miembro: Ing. Jorge Segura Davila
Miembro: Ing. Romulo Cerdeña Velez

RESUMEN
Es común que los datos se dan como valores discretos, y es posible que se requiera estimar el valor de un punto
entre estos valores discretos, realizar predicciones o probar hipótesis. Además, se puede necesitar una versión
simplificada de una función complicada. Las aplicaciones para esto se conocen como ajuste de curvas, porque en
general no se conoce la curva exacta y tan solo se halla una curva aproximada. Existen dos métodos:
- Regresión por mínimos cuadrados.
- Interpolación.

ABSTRAC
It is common that the data are given like discreet values, and it is possible that you require to be considered the
value of a point among these discreet values, to carry out predictions or to prove hypothesis. One can also need a
simplified version of a complicated function. The applications for this are known like adjustment of curved. This is
because in general the exact and so alone curve is not known he/she is an approximate curve. Two methods exist:
- Regression for square minima.
- Interpolation.

I. REGRESIÓN POR MÍNIMOS CUADRADOS Donde St es la suma total de los cuadrados de

los residuos entre los datos y una sola estimación de
Regresión Lineal la medida de tendencia central (la media).

S
La regresión lineal es un técnica para S y =t donde å
St =(yi - y ) 2
determinar la mejor línea recta que pasa entre un n-1
conjunto de observaciones definidas por puntos
(x1, y1), (x2 , y2), ....(xn , yn) La ecuación puede La varianza es el cuadrado de la desviación
expresarse como: estándar.
y = ao + a1x + e St
S =
Donde:
n-1
Y Es el valor verdadero Cuantificación del Error de una Regresión
a0 y a1 son la ordenada al origen y la Lineal
Pendiente de la línea recta
Respectivamente. Se vio que la suma de los cuadrados de los
e es el error o diferencia entre el modelo residuos (Sr) representa el cuadrado de la
y las observaciones, el cual se distancia vertical entre los datos y otra medida de
representa al reordenar la ecuación tendencia central: la línea recta.
Como: e = y - a0 - a1x n

a0 + a1x es el valor pronosticado de la variable å

Sr =ei2
i=
n1
Dependiente.
å
=(yi - a 0 - a1 X ) 2
i=
1
Cuantificación del Error
Una desviación estándar para la línea de regresión
La media aritmética () de una muestra se se puede determinar
define como la suma de los datos individuales S
S y/x =r
(yi) dividida entre el número de puntos (n), o: n-2
y Donde Sy/x es llamado el error estándar del
y =i de i =
1...n estimado, la notación del subíndice “y/x" designa que
n
La desviación estándar ( Sy ) es la medida más el error es para un valor predicho de y
común del espaciamiento de una muestra alrededor correspondiente a un valor particular de x; asimismo,
de la media: si las mediciones están muy se divide entre n-2 debido a los dos datos estimado
espaciadas alrededor de la media, la desviación (ao y a1) que se usaron para calcular Sr; el error
estándar será grande; si están agrupadas cerca de estándar de la estimación cuantifica la dispersión de
los datos. Sin embargo, Sy/x cuantifica la dispersión
ella, será pequeña.
alrededor de la línea de regresión.

79
Ciencia & Desarrollo

Cuantificación de las Ventajas del Ajuste por Mínimos Cuadrados

El Coeficiente de correlación (r) cuantifica la mejora o reducción del error originado por la representación de
los datos por medio de una línea recta en vez de como un valor promedio. Antes de aplicar la regresión se calcula el
St (suma total de los cuadrados alrededor de la media). Después de obtener la ecuación de la línea de regresión se
calcula el Sr (suma de los cuadrados de los residuos alrededor de la recta de regresión), y que la magnitud de esta
cantidad depende de la escala; la discrepancia se normaliza a St para obtener:

St - S r
r =
St

r2 = coeficiente de determinación. Para un ajuste perfecto Sr = 0 y rz = 1

Un coeficiente de correlación cercano a la unidad indica un buen ajuste, mientras que si es próximo a
cero, el ajuste es pobre.

Método de Mínimos Cuadrados para el Caso Polinomial

En la ingeniería, aunque algunos datos exhiben un patrón marcado, son pobremente representados por una
línea recta, entonces una curva será la más adecuada para ajustarse a los datos; una alternativa es ajustar
polinomios a los datos mediante regresión polinomial.

Como ya hemos mencionado anteriormente, los polinomios son muy usados en los cálculos numéricos, por
sus propiedades. La ecuación de un polinomio de grado n es:
n
y =
a0 + a2 x 2 +
a1 x + an x n =
..... + åai x i
i =
0
Apliquémosle el método de mínimos cuadrados. La curva propuesta es:

yp =
a0 + a2 x 2
a1 x ++ an x n e
. . . . . ++
Donde ai son coeficientes y e es el error. Una estrategia es minimizar la suma de los cuadrados de los residuos (Sr
), entre la y medida y la y calculada con el modelo lineal, está dada por:

Sr =ei2 =(yi , medida - yi , modelo ) 2 = a1 xi - a2 xi 2 -

( yi - a0 - an xi n ) 2
..... -

Las derivadas parciales están dadas por: Esto es:

¶ ¶
S r =å a1 xi - a2 xi 2 -
( yi - a0 - an xi n )2
..... - ¶
a0
¶ ¶
a0 -2 å
Sr = a1 xi - a2 xi 2 -
(yi - a0 - an xi n )
..... -
¶ ¶ a0
¶
S r =å (yi - a0 - a1 xi - a2 xi 2 -
..... -an xi n ) 2
a1
¶ ¶
a1 ¶
-2 å
Sr = a1 xi - a2 xi 2 -
(yi - a0 - an xi n )
..... -
a1
¶

¶ ¶ Y así sucesivamente hasta la n ecuación

S r =å a1 xi - a2 xi 2 -
( yi - a0 - an xi n )2
..... -
¶an ¶an
Igualando a 0 las ecuaciones:
¶ ¶ ¶
Sr =
0 Sr =
0 ... Sr =
0
a0
¶ a1
¶ an
¶
Omitiendo los pasos siguientes, reordenando, para desarrollar el siguiente sistema de ecuaciones normales:

a0 (m) +
a1 xi +
a2 x i2 +
... +
an x in =yi
a0 xi +
a1 xi2 +
a2 x 3i +
... +
an x in +
1
=yi x i
2 3 4 n+2 2
a0 å a å
x + i
a å
x + x + ... +
1 a å
i x = å
y x 2 i n i i i
n n+
1 n+2 2n n
a0 å a å
x + x
i
+ a å x 1 + a å
... +
i å
x = y x 2 i n i i i

80
 Ciencia & Desarrollo

Todas las sumatorias son desde i = 1 hasta m (donde m como regresión polinomial.
es el número de puntos). Los coeficientes de las
incógnitas se pueden evaluar de manera directa a partir Ejemplo de determinar el mejor polinomio
de los datos observados. El sistema es lineal y puede
Un problema que se nos presenta es la determinación
resolverse por los métodos conocidos. El error estándar
de los precios proyectados de los minerales. En este
del estimado se formula como:
caso examinaremos los precios del cobre del mercado
de Londres durante un lapso de 10 años y
proyectaremos para dos años con la mejor curva de
S ajuste.
s y/x = r
m - (n +
1)
Tabla de Precios del Cobre en Ctvs $/libra:
Año 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
Esta cantidad es dividida entre m-(n+1), ya que (n+1) precio 133,198 103,894 103,224 74,974 71,38 82,294 71,566 70,647 80,734 130.106
coeficientes obtenidos de los datos (a0, a1, . . . , am) se
usaron para calcular Sr; así hemos perdido n+1 grados Solución: Para grado 2. El sistema de ecuaciones
de libertad. Podemos escribir el sistema de ecuaciones normales es
normales obtenido en la forma:
é
m åx åx2 ù
é å
a0 ù éy ù
Sx a =
Sxy ê ú ê ú
x2 åx3 úê ú
donde: å
ê x å êa1 ú=å
êyx ú
ê2 3 4 úêa2 ú ê 2 ú
Sx: Matriz de sumatorias de potencias de x. å
ê
ë x å
x å
x ú ë
û ûêå
ëyx ú û
ém åx x2
å ... åxn ù
ê 2 3 n+ 1
ú
êå x å
x å
x ... åx ú Tabla: Cálculos para análisis
ê2 3 4 n+ 2 ú
Sx ê
=å x å
x å
x ... å x ú
ê
. ú
ê ú
.
ê ú
ên n+ 1 n+2 2n ú
ê
ëå x å
x å
x ... åx ú
û

a0 ù
é é
ê
å y ù
ú
ê ú
a
ê 1 ú êå yx ú
ê ê 2ú
a2 ú êå yx ú
a =
ê úS xy =
. ú
ê ê. ú
ê ê ú Las sumatorias requeridas son:
. ú ê. ú
ê ú
an û
ê ú ê n ú
ë ê
ëå yx ûú m =
10 xi =
55 x2 =
385
a : Vector de coeficientes. Las constantes del y =
974,481 yx =
5072,069
polinomio.
Sxy : Vector de sumatorias de potencias de x con y's.
x3 =
3025 x4 =
25 333
No es necesario memorizar estas ecuaciones, pues son yx 2 =
35 398,6254
fáciles de construir para cada grado n.

Para construir el sistema para un grado, los pasos son:

Se construye el primer renglón.

El sistema de ecuaciones es:
Se construye la primera columna.
10
é 55 385 ù
éa0 ùé974,481 ù
Se llenan los renglones tomando en cuenta que
cada uno tiene n+1 columnas. ê
55 385 3 025úê
ú ú
a1 ú
= ê
5 072,069 ú
ê ê ê ú
Se escribe el vector de términos independientes ê
385 3 025 25 333úêa ú ê
35 398,625 ú
tomando en cuenta que la máxima potencia en x es ë û
ë 2 ûë û
n.
El ajustar un polinomio a una serie de datos se conoce

81
Ciencia & Desarrollo

Los factores de correlación y proyecciones para los

La solución es: dos años siguientes:

é 160,1386 ù Lineal Grado 2 Grado 4 Grado 6

ê
a =
- 25,2452 ú
ê ú Año 2005 78,2761 121,7915 233,6 519,25

ê
ë 1,9781 ú
û Año 2006 74,79 142,0426 419,43 1573,71

Coeficiente de 39,27 % 68,7 % 84,8 % 90,75 %

correlación

La ecuación de la parábola es: yp = 160,1386 25,2452

x + 1,9781 x2 La gráfica correspondiente se aprecia

El error estándar del estimado con base en la regresión

de polinomios es:

S
sy / x = r
m - (n +
1)

3431,54809
sy / x = =
22,1409
10 - (2 +1)

Los demás valores estadísticos del modelo son: La curva que mejor está prediciendo los
precios es la de cuarto grado, según se aprecia
en especial en ajustar los 4 últimos años; sin
Sumatoria de los Errores al cuadrado (Sr) = 3431.548096
embargo, a medida que aumenta el grado del
Sumatoria de los Errores a la media (St) = 6500.018555 polinomio el sistema de ecuaciones tiende a ser
más inestable, y es más probable que más
Cálculo del Desviación estándar (Sy) = 26.874231 adelante existan oscilaciones.
Cálculo del Error estándar (Sy/x) = 22.140938
Además, no es conveniente predecir para
Coeficiente de determinación (r 2) = 0.472071 muchos años adelante, pues las respuestas
Coeficiente de correlación (r) = 0.687074 serían demasiado erráticas.

II.
Se ha efectuado una simulación para diferentes grados
del polinomio, obteniendo los siguientes resultados:
Lineal y = 116,6199 3,4858 x
Grado 2: y = 160,1386 25,2452 x + 1,9781 x2
Grado 4 y = 169,381 57,277 x + 20,4536 x2 3,2716 x3
+ 0,1758 x4
Grado 6: y = 356,7043 434,68 x + 283,5 x2 87,9229 x3
+ 13,8692 x4 1,0806 x5 + 0,0331 x6
BIBLIOGRAFÍA
Chapra, Steven y Canale, Raymond. Métodos
numéricos para ingenieros. McGraw-Hill
Interamericana de México, S.A. De C.V. 4ta.
edición 2003
Gerald Curtis F.; Wheatley Patrick O. Applied
numerical analysis., 4º edición, Addison Wesley
Publishing Company. New York, 1984.
Heath, Michael T. Scientific computing McGraw-
Hill, United States of America, 1997
Hunt, B. R., Lipsman, R.L. and Rosenberg, J.
M. A Guide to MATLAB. For Beginners and
Experienced Users. Cambridge University Press.
2000.

82