Ajuste de curvas

APLICACIÓN DE METODOS NUMERICOS

CAPITULO IV
AJUSTE DE CURVAS

1. INTRODUCCION
1.1. Generalidades
Los datos casi siempre son valores discutidos a lo largo de un continuo.
Se requiere una estimación en puntos entre los valores discutidos.
Dos procedimientos generales para el ajuste de curvas.
a) Los datos pueden tener un grado significativo de error, entonces se
derivará una sola ecuación que represente la tendencia general de los
datos.
Uno de los procedimientos es “regresión” por mínimos cuadrados.

b) Los datos son muy precisos, el procediendo es ajustar a una curva o una
serie de curvas que pasan directamente a través de cada uno de los
puntos.
Generalmente todos los datos se originan de tablas; ejemplo: densidad del
agua, capacidad calorífica en función de la temperatura.
El procedimiento se denomina “Interpolación”.

Interpolación lineal
Interpolación curvilínea

1.2. Revisión estadística

a) Media aritmética
_
Y 
 Yi
n

b) Desviación estándar
2
 _ 

 Yi  Y 

  n-1 : Grados de libertad
Sy 
n 1
c) Varianza

Ing. Héctor G. Bolaños Sosa Pag .1

Ajuste de curvas

 Yi  2

 Yi 2

n No se requiere el cálculo del promedio
Sy 2 
n 1
2
 _ 

 Yi  Y 

 
Sy 2 
n 1
d) Coeficiente de Variación
Sy
CV  _
Y
e) Histograma
Se usa para la distribución de los datos

f) Estimación de los intervalos de confianza

_ Sy
Limite  Y  t ( / 2, n  1)
n
Ejemplo:
Las mediciones del coeficiente de expansión térmico para un acero estructural
fueron las que se detallan a continuación.
Los valores estarán en (x10-6 Pulg/(pulgºF)
Generar 25 valores en el rango: 6.395 y 6.775

Solución:

>> E1=6.395+(6.775-6.395)*rand(25,1)
>> E=fprintf('%4.3f\n',E1)
6.756 6.685 6.629 6.549 6.417
6.483 6.568 6.696 6.750 6.529
6.626 6.402 6.745 6.743 6.704
6.580 6.707 6.676 6.551 6.399
6.734 6.564 6.462 6.735 6.448

>> media=mean(E) >> varian=var(E)

media = varian =
6.6055 0.0147

>> des_sta=std(E)
des_sta =
0.1210
>> hist(E)

Ing. Héctor G. Bolaños Sosa Pag .2

Ajuste de curvas

Obs
3

0
6.35 6.4 6.45 6.5 6.55 6.6 6.65 6.7 6.75 6.8 6.85
coeficiente

>> histfit(E)

10

0
6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 7

1.3. Regresión por mínimos cuadrados

El ejemplo más simple es mediante el ajuste de un conjunto de pares de
observaciones: (x1,Y1), (X2,Y2),…,(Xn,Yn) a una línea recta:

Y  a o  a1 X  e (1)
ao : Itercepto
a1 : pendiente
e : error o residuo
Y

X
e  Y  a o  a1 X (2)
El error es la discrepancia entre el valor real y el valor aproximado.
La mejor estrategia para un mejor ajuste; es minimizar la suma de los
cuadrados de los residuos entre la “Y” medida y la “Y” calculada con el
modelo lineal.
n n n
SR  
i 1
ei2   Yi,medida  Yi,modelo  2  Yi  a o  a1 X  2
i 1 i 1
(3)

n: Total de puntos

Ing. Héctor G. Bolaños Sosa Pag .3

Ajuste de curvas

1.3.1. Ajuste por mínimos cuadrados de una línea recta

Para determinar los coeficientes ao y a1, de la ecuación (3) es
diferenciando respecto a cada coeficiente.
n
S R
a o
 2
i 1

 Yi  a o  a1 X i 
n
S R
a1
 2
i 1

  Yi  a o  a1 X i  X i 
Ambas derivadas se fijan igual a cero, para obtener un mínimo:
0 Y   a   a X
i o 1 i

0  Y X   a X   a
i i o i 1Xi
2

Si hacemos  a  na o o

Obtenemos las ecuaciones normales:

0  Y  na   a X
i o 1 i 0 Y X   a X   a X i i o i 1 i
2

   X a   Y   X a    X a   Y X
(4) 2
(5)
nao i 1 i i o i 1 i i

Resolviendo estas dos ecuaciones simultaneas, se tiene:

 
Multiplicando la ecuación (4) por  X i y la ecuación (5) por n:
 n  X a    X   X a    X  Y
i 0 i i 1 i i

n   X a  n   X  a  n  Y X
i o i
2
1 i i

Luego de las operaciones el sistema queda:

   X  a     X  Y
i
2
1 i i

n   X a  n Y X
i
2
1 i i

Resolviendo para a1:

  X  a  n X a   X  Y n Y X
i
2
1 i
2
1 i i i i

a     X   n   X       X  Y   Y X
2 2
1  
i i i i i i

n Y X   X  Y i i i i
a  (6)
n X    X 
1 2
2
i i

Resolviendo para a0; despejando de la ecuación (4):

nao    
X i a1  Yi

ao 
 Y    X a   Y   X
i i 1 i i
a1
(7)
n n n
_ _
a o  Y  X a1 (8)
1.3.2. Cuantificación del error de una regresión lineal
La desviación estándar para la línea de regresión se puede determinar:
SR
Sx/ y  (12)
n2
El denominador es n-2, debido a los datos estimados (a 0 y a1), que se
usaron para calcular SR, tiene dos grados de libertad.

Ing. Héctor G. Bolaños Sosa Pag .4

Ajuste de curvas

Yi ðYi ð ao ð a1 X ð

l
in ea
nl
sio
gre
R e
Y ðao ða1X

Xi
La suma Total de los cuadrados alrededor de la media, esta magnitud
representa el error residual asociado con la variable dependiente antes
de la regresión, la ecuación es:
n 2
 _
ST  
i 1
 Yi,medida  Y 
 
(9)

La suma de cuadrados de los residuos alrededor de la línea de

regresión, caracteriza el error residual después de la regresión, la
ecuación es:
n n
SR  
i 1
e i2   Y  a
i 1
i o  a1 X  2 (10)

La diferencia entre ST y SR cuantifica la mejora o reducción de error.

S  SR
r2  T (11)
ST
Donde r2 es conocido como el coeficiente de determinación
Donde r, es el coeficiente de correlación

Ejemplo
Sean los siguientes valores de “X” y de “Y”, ajustar a una línea recta.
>> Y=[0.5 2.5 2 4 3.5 6 5.5]' >> X=[1:7]'
Y= X=
0.5000 1
2.5000 2
2.0000 3
4.0000 4
3.5000 5
6.0000 6
5.5000 7
Solución:

>> n=length(X) >> promx=mean(X)

n= promx =
7 4
>> promy=mean(Y)
>> n=length(X) promy =
n= 3.4286
7
>> sumy=sum(Y) >> sumxy=sum(X.*Y)

Ing. Héctor G. Bolaños Sosa Pag .5

Ajuste de curvas

sumy = sumxy =
24 119.5000
>> sumx=sum(X) >> sumx2=sum(X.^2)
sumx = sumx2 =
28 140

Luego aplicamos las ecuaciones (7) y (8):

a1 
n Y X   X Y
i i i i
_ _
a o  Y  X a1
n X    X 
2
i
2
i
>> a0=promy-a1*promx
a0 =
>> nu=n*sumxy-sumx*sumy
0.0714
nu =
164.5000
>> de=n*sumx2-(sumx).^2
de =
196
>> a1=nu/de
a1 =
0.8393

Luego la ecuación de ajuste por mínimos cuadrados es:

Y  0.0714  0.8393 X
Graficando los valores observados y la curva de ajuste:
>> yajus=0.0714+0.8393*X >> Y=[0.5 2.5 2 4 3.5 6 5.5]'
yajus = Y=
0.9107 0.5000
1.7500 2.5000
2.5893 2.0000
3.4286 4.0000
4.2679 3.5000
5.1072 6.0000
5.9465 5.5000

AJUSTE LINEAL
6

3
Y

1
Obs
Ecua
0
1 2 3 4 5 6 7
X

Estimación de los errores

Ing. Héctor G. Bolaños Sosa Pag .6

Ajuste de curvas

n n n 2
 _
SR  
i 1
e i2   Yi  a o  a1 X  2
i 1
ST  
i 1
 Yi,medida  Y 
 
>> Sr=((Y-0.0714-0.8393*X).^2) >> st=(Y-promy).^2
Sr = st =
0.1687 8.5765
0.5625 0.8622
0.3473 2.0408
0.3265 0.3265
0.5897 0.0051
0.7971 6.6122
0.1994 4.2908
>> Sr=sum((Y-0.0714-0.8393*X).^2) >> st=sum((Y-promy).^2)
Sr = st =
2.9911 22.7143

La desviación estándar es:

SR
Sx/ y 
n2
>> sxy=sqrt(Sr/(n-2))
sxy =
0.7734

Cálculo de lo coeficientes de determinación y correlación:

S  SR
r2  T
ST
>> r2=(st-Sr)/st
r2 =
0.8683
>> r=sqrt(r2)
r=
0.9318
El 86.8% de los datos originales son explicados por el modelo lineal

1.3.3. Usando funciones de Matlab

a) Para determinar los coeficientes de la regresión lineal se usa la
función polyfit.
Sintaxis:
p = polyfit(x,y,n)
Encuentra los coeficientes del polinomio p(x) de grado n.
El resultado es un vector fila de n+1, conteniendo los coeficientes de
orden descendente

>> p=polyfit(X,Y,1)
p=
0.8393 0.0714

b) Para predecir los valores, según la ecuación lineal se usa la función

polyval.
Sintaxis
y = polyval(p,x)
Devuelve el valor del polinomio de grado n, evaluado en X

>> Y1=polyval(p,X)

Ing. Héctor G. Bolaños Sosa Pag .7

Ajuste de curvas

Y1 =
0.9107
1.7500
2.5893
3.4286
4.2679
5.1071
5.9464

>> x=[1:7]' >> p = polyfit(x,y,1)

x= p=
1 0.8393 0.0714
2
3 >> f = polyval(p,x)
4 f=
5 0.9107
6 1.7500
7 2.5893
>> y=[0.5 2.5 2 4 3.5 6 5.5]' 3.4286
y= 4.2679
0.5000 5.1071
2.5000 5.9464
2.0000
4.0000
3.5000
6.0000
5.5000

1.3.4. Importando datos

Desde hoja de cálculo
Para efectuar importación de datos desde Excel, se utiliza el comando
xlsread. Este comando importa los datos de una hoja de cálculo a una
variable tipo array.
Sintaxis:
Nombre variable=xlsread(‘nombre_archivo’,’nombre de hoja’,’rango’)

La hoja de datos debe estar en el directorio que se está trabajando.

Ejemplo: Importar datos de una hoja de cálculo de nombre DATOS_1,

para la variable x e y.
y=0.5 2.5 2 4 3.5 6 5.5
x= 1 2 3 4 5 6 7
Luego determinar la ecuación de ajuste y la gráfica

>> x=xlsread('DATOS_1','A4:A10') >> y=xlsread('DATOS_1','b4:b10')

x= y=
1 0.5000
2 2.5000
3 2.0000
4 4.0000
5 3.5000
6 6.0000
7 5.5000

Ing. Héctor G. Bolaños Sosa Pag .8

Ajuste de curvas

>> p=polyfit(x,y,1) >> f=polyval(p,x)

p=
0.0714 f=

0.9107
1.7500
2.5893
3.4286
4.2679
5.1071
5.9464

>> plot(x,y,'o',x,f),grid
AJUSTE
6

3
Y

1 datos
Ajuste

0
1 2 3 4 5 6 7
X

Desde archivo txt

a. En Excel cree la tabla y almacénela con formato tipo texto delimitado
con tabulaciones. Elija algún nombre. Ejemplo T.txt
b. En MATLAB cargue la tabla T y úsela como una matriz:

>> load T.txt;

>> A=T
Ejemplo: Importar datos desde un archivo .txt

>> load T1.txt >> x=A(:,1) >> y=A(:,2)

>> A=T1 x= y=

A= 1 10

Ing. Héctor G. Bolaños Sosa Pag .9

Ajuste de curvas

2 20
1 10 3 30
2 20 4 40
3 30 5 50
4 40
5 50

1.3.5. Usando la herramienta Toolbox de Matlab

La herramienta Curve Fitting Toolbox, provee una Interface Gráfica del
Usuario (GUIs) y la línea de comando funciona para ajustar los datos a
una curva. Esta herramienta realiza análisis exploratorio de datos,
preproceso y postproceso de los datos.
Se puede comparar los diferentes modelos. Se puede realizar análisis de
regresión usando la biblioteca de modelos lineales y no lineales, inclusive
con modelos definidos por el usuario. Esta herramienta también soporta
técnicas de modelamiento noparamétrico como son la interpolación a
suavizado.

Pasos:
a) Estando en Matlab, ir a Start ( parte inferior izquierda)
b) Ir a Toolboxes
c) Ir a Curve Fitting
d) Ir a Curve Fitting Tools
Aparece la siguiente ventana (GUI)

Procedimiento
a) Ingreso de datos
Seleccionar los datos que están en las variables
Importar los datos . Dar click a create data set

Ing. Héctor G. Bolaños Sosa Pag .10

Ajuste de curvas

b) Ajuste de datos
Seleccionar New Fit
Escoger un tipo de modelo de ajuste. Type of Fit
Seleccionar los datos de salida . Tableo f Fits

c) Ejecutar el ajuste
Dar click en Apply

d) Guardar la sesión
Ir a: File/save session
También se puede generar un archivo script

Linear model Poly1:

f(x) = p1*x + p2
Coefficients (with 95% confidence bounds):
p1 = 0.8393 (0.4636, 1.215)
p2 = 0.07143 (-1.609, 1.752)

Goodness of fit:
SSE: 2.991 (Sr suma de los cuadrados de los residuos)
R-square: 0.8683 ( Coeficiente de determinación)
Adjusted R-square: 0.842
RMSE: 0.7734 (Representa la desv. Std. de la regresión)

1.4. Linearización de relaciones No Lineales

En algunos casos los datos se pueden usar transformaciones para expresar
los datos a una forma lineal

1.4.1. Modelo exponencial

Ing. Héctor G. Bolaños Sosa Pag .11

Ajuste de curvas

Y  e   t
ln Y  ln    t
a) Generar una tabla en Excel con los datos experimentales que se
muestran en la tabla adjunta, luego grabarlos en formato txt.

Tabla.- Comportamiento de secado de café a 46ºC

t( hr) % H2O
0 105
1 71
2 62
3 48
4 32
5 29
6 21
7 15
8 13
9 11
10 9

b) Haciendo el análisis con la herramienta toolsbox (curve fitting), se

estableció la siguiente ecuación exponencial:

Y  e   t Y  101.4e 0.2635t
Donde :
Y : Humedad ( %H2)
α : Intercepto
β : tasas de secado (razón de cambio)
t : Tiempo de secado, en horas

c) Graficar la ecuación exponencial del secado de café:

SECADO DE CAFE A 46ºc

120

100

80
%H2O

60

40

20

0
0 1 2 3 4 5 6 7 8 9 10
t (hr)

c) Graficar la ecuación semilogaritmica

En este caso se obtiene una línea recta. La ecuación linearizada es:

ln Y  ln    t

Ing. Héctor G. Bolaños Sosa Pag .12

Ajuste de curvas

ln Y  ln(101.4)  ( 0.2635)t
ln Y  4.6191  0.2635t

>> a >> tabla=[t,Y1,Y]

a= tabla =
101.4000 0 4.6191 101.4000
>> b 1.0000 4.3556 77.9115
b= 2.0000 4.0921 59.8639
-0.2635 3.0000 3.8286 45.9969
4.0000 3.5651 35.3420
>> Y1=log(a)+b.*t; 5.0000 3.3016 27.1553
>> Y=exp(Y1) 6.0000 3.0381 20.8650
7.0000 2.7746 16.0318
8.0000 2.5111 12.3181
9.0000 2.2476 9.4647
10.0000 1.9841 7.2723

semilogy(t,Y),grid
3
SECADO DE CAFE
10

2
10
%H2O

1
10

0
10
0 1 2 3 4 5 6 7 8 9 10
t (hr)

1.4.2. Modelo Potencial

Y  X 
ln Y  ln    ln X
El crecimiento bacterial se da de acuerdo a la siguiente data

x Y
1 0.7
2 1.7
3 3.4
4 5.7
5 8.4

a) Graficar los datos no trasformados

b) Graficar los datos transformados

Ing. Héctor G. Bolaños Sosa Pag .13

Ajuste de curvas

CRECIMEINTO BACTERIAS
18

16

14

12

10
cell/ml

0
1 2 3 4 5 6 7
t (hr)

>> loglog(x,y),grid
CRECIMEINTO BACTERIAL
2
10

1
10
cell/ml

0
10

-1
10
0
10
t (hr)

1.5. Regresión de polinomios

El criterio de ajuste de mínimos cuadrados, se puede extender a polinomios
de orden superior.
Y  ao  a1 x  a2 x 2  e
Así la suma de los cuadrados de los residuos (Sr) es:

 Y  a 
n n


2
SR  e i2  i o  a1 X i  a 2 X i2
i 1 i 1
Derivando e igualando a cero, obtienen las siguientes ecuaciones normales:

 
n
S R
 2 Yi  a o  a1 X i  a 2 X i2
a o i 1

  
n
S R
 2 X i Yi  a o  a1 X i  a 2 X i2
a1 i 1

 
n
S R
a 2
 2
i 1

X i2 Yi  a o  a1 X i  a 2 X i2

Ing. Héctor G. Bolaños Sosa Pag .14

Ajuste de curvas

Estas ecuaciones se igualan a cero y se reordenan:

  X a    X a   Y
( n) a o  i 1 i
2
2 i

  X a    X a    X a   X Y
i 0 i
2
1
3
i 2 i i

  X a    X a    X a   X Y
i
2
0
3
i 1 i
4
2
2
i i

Esas tres ecuaciones con tres incógnitas se pueden resolver por cualquier
técnica, ya estudiadas.
El error estándar de la regresión es :
SR
Sx/ y 
n  ( m  1)
n: Número de datos
m: orden del polinomio
Ejemplo:
Ajustar a un polinomio de segundo orden los datos de la siguiente tabla.
>> load seg_orde.txt
>> data=seg_orde
data =
0 2.1000
1.0000 7.7000
2.0000 13.6000
3.0000 27.2000
4.0000 40.9000
5.0000 61.1000

Solución
a) Encontrando los coeficientes

m2
n6
x i  15  x  979
4
i

_ y i  152.6  x y  585.6
i i
x  2 .5
_ x 2
i  55  x y  2488.8
2
i i
y  2 .5
x 3
i  225
 xi  15

Reemplazando en las ecuaciones normales:

(6)a o  15 a1   55 a 2  152.6
15 a 0   55 a1   225 a 2  585.6
 55 a 0   225 a1   979 a 2  2488.8
Resolviendo el sistema:
> A=[6 15 55;15 55 225;55 225 979] >> a=bicg(A,b)
A= bicg converged at iteration 3 to a
6 15 55 solution with relative residual 3.5e-011
15 55 225 a=
55 225 979 2.4786
>> b=[152.6 585.6 2488.8]' 2.3593
b= 1.8607
1.0e+003 * Entonces los coeficientes son:
0.1526 a o  2.4786
0.5856 a1  2.3593
2.4888
a 2  1.8607

Ing. Héctor G. Bolaños Sosa Pag .15

Ajuste de curvas

La ecuación polinómica será:

Y  2.4786  2.3593 X  1.8608 X 2

b) Generando una tabla de valores observados y calculados

>> ycal=2.4786+2.3593.*x+1.8607.*x.^2 >> datos2=[x,y,ycal]

ycal = datos2 =
2.4786 0 2.1000 2.4786
6.6986 1.0000 7.7000 6.6986
14.6400 2.0000 13.6000 14.6400
26.3028 3.0000 27.2000 26.3028
41.6870 4.0000 40.9000 41.6870
60.7926 5.0000 61.1000 60.7926

c) Graficando
AJUSTE SEGUNDO ORDEN
70

60

50

40
y

30

20

10
obsr
calc
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
x

d) Estimación de los errores

Suma total de los cuadrados

 Y  a 
n n
n
 _
2 SR   e i2  i o  a1 X  a 2 X 2 2

ST    Yi,medida  Y 
 
i 1 i 1
i 1 >> Sr=(y-2.4786-2.3593*x-
>> St=(promy-y).^2 1.8706*x.^2).^2
544.4444 Sr =
314.4711 0.1433
140.0278 0.9831
3.1211 1.1655
239.2178 0.6530
1272.1111 0.8938
>> St=sum((promy-y).^2); 0.0036
>> fprintf('%8.4f\n',St) >> Sr=sum((y-2.4786-2.3593*x-
2513.3933 1.8706*x.^2).^2)
Sr =
3.8423

Ing. Héctor G. Bolaños Sosa Pag .16

Ajuste de curvas

Desviación standard del estimado o de la correlación:

SR 3.8423
Sx/ y    1.1317
n  (m  1) 6  (2  1)
Coeficiente de determinación:
S  S R 2513.3933  3.8423
r2  T   0.9985
ST 2513.3933
Coeficiente de correlación:
r = 0.9992

1.6. Regresión lineal múltiple

Una regresión lineal múltiple es el caso “y” en una función lineal de dos o más
variables independientes.

Y  a0  a1 x1  a 2 x 2  e
Así la suma de los cuadrados de los residuos (Sr) es:

n n
SR   i 1
ei2   Y
i 1
i  a o  a1 X 1i  a 2 X 2i  2

Derivando e igualando a cero, obtienen las siguientes ecuaciones normales:

n
S R
a o
 2
i 1

 Yi  a o  a1 X 1i  a 2 X 2i 
n
S R
a1
 2
i 1

X 1i  Yi  a o  a1 X 1i  a 2 X 2i 

n
S R
a 2
 2
i 1

X 2i  Yi  a o  a1 X 1i  a 2 X 2i 

Estas ecuaciones se igualan a cero y se reordenan:

  X a    X a   Y
( n) a o  1i 1 2i 2 i

  X a    X  a    X X  a   X Y
1i 0
2
1i 1 1i 2i 2 1i i

  X a    X X a    X a   X Y
2i 0 1i 2i 1
2
2i 2 2i i

Esas tres ecuaciones con tres incógnitas se pueden resolver por cualquier
técnica, ya estudiadas.
El sistema se puede expresar de la siguiente manera.



n X 1i X 2i
 a  
  o    Y 
i



 X 1i X 2
1i X X 1i 2i   a1   
2  a  
 X Y 
1i i

 X 2i X X 1i 2i X 2i   2    X Y 
2i i

El error estándar de la regresión es :

SR
Sx/ y 
n  ( m  1)
m : Número de variables independientes
Ejemplo:
Ajustar a un polinomio de segundo orden los datos de la siguiente tabla.
>> x1=[0 2 2.5 1 4 7];

Ing. Héctor G. Bolaños Sosa Pag .17

Ajuste de curvas

>> x2=[0 1 2 3 6 2]
>> y=[5 10 9 0 3 27]

Solución
a) Encontrando los coeficientes
>> sumy=sum(y) >> sumx12=sum(x1.^2) >> sum1sum2=sum(x1.*x2)
sumy = sumx12 = sum1sum2 =
54 76.2500 48
>> sumx1=sum(x1) >> sumx22=sum(x2.^2) >> sumx1y=sum(x1.*y)
sumx1 = sumx22 = sumx1y =
16.5000 54 243.5000
>> sumx2=sum(x2) >> sumx2y=sum(x2.*y)
sumx2 = sumx2y =
14 100

m2
n6
x 1  16.5 x 1 x2  48

 y  54 x 2  14 x 1y  243.5

x 2
1  76.25 x 2 y  100

x 2
2  54

Reemplazando en las ecuaciones normales:

 6 16.5 14  a o   54 
16.5 76.25 48  a   243.5
  1   
 14 48 54 a 2   100 
  

Resolviendo el sistema:

>> M=[6 16.5 14;16.5 76.25 48;14 48 Entonces los coeficientes son:
54]; >> ao=Co(1)
>> b=[54 243.5 100]'; ao =
>> Co=bicg(M,b) 5.0000
bicg converged at iteration 3 to a >> a1=Co(2)
solution with relative residual 9.5e- A1 =
016 4.0000
Co = >> a2=Co(3)
5.0000 a2 =
4.0000 -3
-3.0000
La ecuación polinómica será:

Y  5  4X1  3X 2
b) Generando una tabla de valores observados y calculados
>> Ycalc=ao+a1.*x1+a2.*x2; > data=[x1;x2;y;Ycalc]'
>> Ycalc' data =
ans = 0 0 5.0000 5.0000
5.0000 2.0000 1.0000 10.0000 10.0000
10.0000 2.5000 2.0000 9.0000 9.0000
9.0000 1.0000 3.0000 0 0
0 4.0000 6.0000 3.0000 3.0000
3.0000 7.0000 2.0000 27.0000 27.0000

Ing. Héctor G. Bolaños Sosa Pag .18

Ajuste de curvas

27.0000

c) Graficando

30

25

20

15
y

10

0
6
8
4
6
2 4
2
x2 0 0
x1

Usando toolboox

>> x1
x1 =
0 2.0000 2.5000 1.0000 4.0000 7.0000
>> x2
x2 =
0 1 2 3 6 2
>> y
y=
5 10 9 0 3 27

Surface fitting tool

Ing. Héctor G. Bolaños Sosa Pag .19

Ajuste de curvas

Ing. Héctor G. Bolaños Sosa Pag .20