Ciencia & Desarrollo

MTODOS NUMRICOS APLICADOS A LA INGENIERA

Responsable: Ing. Salomn Ortiz Quintanilla
Miembro: Ing. Jorge Segura Davila
Miembro: Ing. Romulo Cerdea Velez

RESUMEN
Es comn 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 hiptesis. Adems, se puede necesitar una versin
simplificada de una funcin 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 mtodos:
Regresin por mnimos cuadrados.
Interpolacin.

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.

Donde St es la suma total de los cuadrados de

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

I. REGRESIN POR MNIMOS CUADRADOS

Regresin Lineal

S
S y =t donde
n-1

La regresin lineal es un tcnica para

determinar la mejor lnea recta que pasa entre un
conjunto de observaciones definidas por puntos
(x1, y1), (x2 , y2), ....(xn , yn) La ecuacin puede
expresarse como:
y = ao + a1x + e

La varianza es el cuadrado de la desviacin

estndar.

St
S =
n-1

Donde:
Y
a0 y a1

Cuantificacin del Error de una Regresin

Lineal

Es el valor verdadero
son la ordenada al origen y la
Pendiente de la lnea recta
Respectivamente.
e
es el error o diferencia entre el modelo
y las observaciones, el cual se
representa al reordenar la ecuacin
Como: e = y - a0 - a1x
a0 + a1x es el valor pronosticado de la variable
Dependiente.

Se vio que la suma de los cuadrados de los

residuos (Sr) representa el cuadrado de la
distancia vertical entre los datos y otra medida de
tendencia central: la lnea recta.
n

Sr =
ei2

i=
n1

=
(yi - a 0 - a1 X ) 2

i=
1

Cuantificacin del Error

Una desviacin estndar para la lnea de regresin

se puede determinar

La media aritmtica () de una muestra se

define como la suma de los datos individuales
(yi) dividida entre el nmero de puntos (n), o:

y
y =i
n

St =
(yi - y ) 2

S y/x

S
=r
n-2

Donde Sy/x es llamado el error estndar del

estimado, la notacin del subndice y/x" designa que
el error es para un valor predicho de y
correspondiente a un valor particular de x; asimismo,
se divide entre n-2 debido a los dos datos estimado
(ao y a1) que se usaron para calcular Sr; el error
estndar de la estimacin cuantifica la dispersin de
los datos. Sin embargo, Sy/x cuantifica la dispersin
alrededor de la lnea de regresin.

de i =
1...n

La desviacin estndar ( Sy ) es la medida ms

comn del espaciamiento de una muestra alrededor
de la media: si las mediciones estn muy
espaciadas alrededor de la media, la desviacin
estndar ser grande; si estn agrupadas cerca de
ella, ser pequea.
79

Ciencia & Desarrollo

Cuantificacin de las Ventajas del Ajuste por Mnimos Cuadrados

El Coeficiente de correlacin (r) cuantifica la mejora o reduccin del error originado por la representacin de
los datos por medio de una lnea recta en vez de como un valor promedio. Antes de aplicar la regresin se calcula el
St (suma total de los cuadrados alrededor de la media). Despus de obtener la ecuacin de la lnea de regresin se
calcula el Sr (suma de los cuadrados de los residuos alrededor de la recta de regresin), y que la magnitud de esta
cantidad depende de la escala; la discrepancia se normaliza a St para obtener:

St - S
r =
St

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

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

Mtodo de Mnimos Cuadrados para el 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.
Como ya hemos mencionado anteriormente, los polinomios son muy usados en los clculos numricos, por
sus propiedades. La ecuacin de un polinomio de grado n es:
n

y =
a0 +
a1 x +
a2 x 2 +
..... +
an x n =
ai x i

i =
0

Apliqumosle el mtodo de mnimos cuadrados. La curva propuesta es:

yp =
a0 +
a1 x ++
a2 x 2
. . . . . ++
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, est dada por:

Sr =
ei2 =
(yi , medida - yi , modelo ) 2 =
( yi - a0 a1 xi - a2 xi 2 ..... an xi n ) 2
Esto es:

Las derivadas parciales estn dadas por:

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

a0

a0

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

a1

a1

Sr =
-2
(yi - a0 a1 xi - a2 xi 2 ..... an xi n )

a0

Sr =
-2
(yi - a0 a1 xi - a2 xi 2 ..... an xi n )

a1
Y as sucesivamente hasta la n ecuacin

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

an

an
Igualando a 0 las ecuaciones:

Sr =
0 ...

a1

Sr =
0

a0

Sr =
0

an

Omitiendo los pasos siguientes, reordenando, para desarrollar el siguiente sistema de ecuaciones normales:

a0 (m) +
a1
xi +
a2
x i2 +
... +
an
x in
a0
a0
a0

=
yi

1
xi +
a1
xi2 +
a2
x 3i +
... +
an
x in +
=
yi x i
2

4
i

n+
2
i

x +
a
x +
a
x +
... +
a
x
=
y x

x +
a
x
+
a
x
+
... +
a
x =
y x

n+
1

n+
2
i

80

2n
i

Ciencia & Desarrollo

Todas las sumatorias son desde i = 1 hasta m (donde m

es el nmero de puntos). Los coeficientes de las
incgnitas se pueden evaluar de manera directa a partir
de los datos observados. El sistema es lineal y puede
resolverse por los mtodos conocidos. El error estndar
del estimado se formula como:

s y/x

como regresin polinomial.

Ejemplo de determinar el mejor polinomio
Un problema que se nos presenta es la determinacin
de los precios proyectados de los minerales. En este
caso examinaremos los precios del cobre del mercado
de Londres durante un lapso de 10 aos y
proyectaremos para dos aos con la mejor curva de
ajuste.

S
= r
m - (n +
1)

Tabla de Precios del Cobre en Ctvs $/libra:

Ao

Esta cantidad es dividida entre m-(n+1), ya que (n+1)

coeficientes obtenidos de los datos (a0, a1, . . . , am) se
usaron para calcular Sr; as hemos perdido n+1 grados
de libertad. Podemos escribir el sistema de ecuaciones
normales obtenido en la forma:

1996

1997

1998

1999 2000 2001 2002

2003

2004

precio 133,198 103,894 103,224 74,974 71,38 82,294 71,566 70,647 80,734 130.106

Solucin: Para grado 2. El sistema de ecuaciones

normales es

m
x
x2
y
a0

x
x2
x3
a
=
yx

3
4
2

a2
x
x
x
yx

Sx a =
Sxy
donde:
Sx: Matriz de sumatorias de potencias de x.

Sx

1995

m
x
x2
...
xn

2
3
n+
1
x
x
x
...
x

2
3
4
n+
2
x
x
x
...
x

n+
1
n+
2
2n
x
x
x
...
x

Tabla: Clculos para anlisis

a0

yx
a

a2
yx

a =

S xy =

.
.

.
.

n
an

yx

Las sumatorias requeridas son:

m =
10

a : Vector de coeficientes. Las constantes del

polinomio.
Sxy : Vector de sumatorias de potencias de x con y's.

xi =
55
x2 =
385
y =
974,481
x3 =
3025

No es necesario memorizar estas ecuaciones, pues son

fciles de construir para cada grado n.

yx =
5072,069
x4 =
25 333

yx 2 =
35 398,6254

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

Se construye el primer rengln.

El sistema de ecuaciones es:

Se construye la primera columna.

10
55

55
385

385 3 025

Se llenan los renglones tomando en cuenta que

cada uno tiene n+1 columnas.
Se escribe el vector de trminos independientes
tomando en cuenta que la mxima potencia en x es
n.
El ajustar un polinomio a una serie de datos se conoce
81

a0
385
974,481

3 025
a1
=
5 072,069

25 333
35
398,625
a

Ciencia & Desarrollo

Los factores de correlacin y proyecciones para los

dos aos siguientes:

La solucin es:

160,1386

a =
25,2452

1,9781

Lineal

Grado 2

Grado 4

Grado 6

Ao 2005

78,2761

121,7915

233,6

519,25

Ao 2006

74,79

142,0426

419,43

1573,71

39,27 %

68,7 %

84,8 %

90,75 %

Coeficiente de
correlacin

La ecuacin de la parbola es: yp = 160,1386 25,2452

x + 1,9781 x2

La grfica correspondiente se aprecia

El error estndar del estimado con base en la regresin

de polinomios es:

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

3431,54809
sy / x =
=
22,1409
10 - (2 +
1)
La curva que mejor est prediciendo los
precios es la de cuarto grado, segn se aprecia
en especial en ajustar los 4 ltimos aos; sin
embargo, a medida que aumenta el grado del
polinomio el sistema de ecuaciones tiende a ser
ms inestable, y es ms probable que ms
adelante existan oscilaciones.

Los dems valores estadsticos del modelo son:

Sumatoria de los Errores al cuadrado (Sr) = 3431.548096

Sumatoria de los Errores a la media

(St) = 6500.018555

Clculo del Desviacin estndar

(Sy) = 26.874231

Clculo del Error estndar

(Sy/x) = 22.140938

Coeficiente de determinacin

(r 2) = 0.472071

Coeficiente de correlacin

(r)

Adems, no es conveniente predecir para

muchos aos adelante, pues las respuestas
seran demasiado errticas.

= 0.687074

II.
Se ha efectuado una simulacin para diferentes grados
del polinomio, obteniendo los siguientes resultados:

BIBLIOGRAFA
Chapra, Steven y Canale, Raymond. Mtodos
numricos para ingenieros. McGraw-Hill
Interamericana de Mxico, S.A. De C.V. 4ta.
edicin 2003
Gerald Curtis F.; Wheatley Patrick O. Applied
numerical analysis., 4 edicin, Addison Wesley
Publishing Company. New York, 1984.
Heath, Michael T. Scientific computing McGrawHill, 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.

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

82