4.3 Aproximacin por mnimos cuadrados.

Como ya hemos dicho anteriormente la bsqueda de un modelo matemtico que repre-

sente lo mejor posible a unos datos experimentales puede abordarse, entre otras, de las
dos formas siguientes:
1. Mediante interpolacin (vista anteriormente);
2. mediante la obtencin de una curva, y = (x), que se aproxime a los datos sin que,
necesariamente, pase por ellos.

El caso 2 es el que a continuacin abordamos. Para precisar el mtodo a utilizar hemos

de tener en consideracin dos aspectos de importancia:

Qu clase de funcin usaremos?

Cul es el criterio de aproximacin que se utiliza?

En la prctica habitualmente se usan funciones polinmicas de grado bajo, o bien de ti-

po exponencial, potencial, e incluso en la actualidad funciones tipo spline o polinomios
a trozos. En cuanto al criterio a considerar para obtener el modelo concreto consiste,
geomtricamente, en hacer mnima la suma de los cuadrados de las longitudes (distan-
cia eucldea) Li (ver Figura 4.9).

3.5

2.5

1.5

-1 1 2 3 4 5

Figura 4.9

22
As, el problema quedara planteado en los trminos siguientes:
Dados los datos {( x i ,yi ) i = 1,2, ,N } hallar (x) que verifique:

N
(y i (xi ))
2
= Mnima (4.18)
i =1

La expresin (4.18) depender de parmetros a, b,... segn la forma de (x) que se han
de obtener a partir del requisito impuesto. Adems, una solucin del problema anterior
recibe el nombre de ajuste mnimos cuadrados de los datos.
Dependiendo del modelo de funcin (x) utilizado aparecen distintos tipos de ajuste.

A) MODELOS LINEALES
Los modelos lineales son aquellos que utilizan funciones (x) de la forma:
(x) = a1 q1 (x) + a2 q2 (x) + + am qm (x) (4.19)

donde ai i = 1,,,,,m (normalmente, m<<N=nmero de datos) son los parmetros a de-

terminar en el problema de ajuste, y qi (x) i = 1,,,,,m son funciones linealmente inde-
pendientes de cierto espacio de funciones (polinomios, spline, etc.).
Como casos particulares de ajustes de este tipo tenemos:
1. Ajuste lineal (recta de mnimos cuadrados) si utilizamos: (x) = a + bx .

2. Ajuste polinomial si utilizamos el modelo: (x) = a 0 + a1 x + + ak x k (llamado

cuadrtico o cbico para k=2 3).
3. Ajuste con spline lineal (1 nodo interior x*) si utilizamos el modelo:
(x) = a 0 + a1 x + a3 (x x*)+
El nodo puede ser o no
uno de los nodos xk
B) MODELOS NO LINEALES
Los modelos lineales son aquellos que utilizan funciones (x) que no son lineales res-
pecto los parmetros del ajuste. Algunos modelos clsicos son:
bx
1. Ajuste exponencial cuando usamos el modelo: (x) = ae .
2. Ajuste potencial si se toma (x) = ax b .
1
3. Ajuste racional si se considera un modelo del tipo: (x) = .
a + bx

23
4.3.1 Ajuste Lineal clsico.
Consideramos un modelo de la forma (x) = a + bx con a, b ctes a determinar. En tal
caso hemos de conseguir hacer mnima la funcin de a y b siguiente:

N
( yi a bx i )
2
F(a,b) = (4.20)
i =1

Teorema 4.1

Si los nodos xi i = 1, ,N no todos son iguales, entonces el mnimo de F(a,b) se ob-

tiene para los valores de a y b que son solucin del S.E.L. siguiente:

( x )b =
Na +
N
i =1 i
N
y
i =1 i



( x )a + ( x )b =
(4.21)
N N 2 N
x y
i =1 i i =1 i i =1 i i

Observacin 4.4

El S.E.L (4.21) puede representarse, matricialmente, como sigue:

Observe que el modelo est asociado a las funciones bsicas {1,x} (linealmente inde-
pendientes);
1. Formamos la matriz asociada a ellas (1 columna para cada funcin) y a los nodos
( xi ):
1 x1
1 x 2
M =


1 x N

y1

2. Entonces, (4.21) coincide con el sistema matricial: ( t
)
a
M M =M
b
t y2


yN

La tcnica descrita en la observacin anterior puede aplicarse, de forma ms general,

para un ajuste polinomial , mediante spline, o de la forma (4.19) sin ms que modificar
la matriz M y el vector de incgnitas.

24
Para precisar esto, se tendr:
1. Para el modelo de spline lineal (x) = a 0 + a1 x + a3 (x x*)+ se tiene:

1 x1 (x1 x*)+ y1
1 x 2 a
(x2 x*)+ 1 y
M = el sistema es: M t M a2 = M t 2

a3
1 x N (xN x*)+ yN

2. Si el modelo fuese (x) = a 0 + a1 x 2 entonces:

1 x12 y1
y2
1 x22 a
M = el sistema es: M tM = M t
b

1 x 2N yN

3. En general, si (x) = a1 q1 (x) + a2 q2 (x) + + am qm (x) entonces:

M = q1 q2 qm el sistema es:
en los nodos en los nodos en los nodos

a1 y1
a y
M tM 2 = M t 2


am yN

Ejemplo 4.8

La longitud de una varilla, L, est ligada a la temperatura, T, por el modelo lineal

L = a + bT . Calculamos el ajuste lineal mnimos cuadrados para datos:
Ti (grados) 20 40 50 60
Li (mm.) 1000.22 1000.65 1000.9 1001.05

25
En este caso la matriz se forma para las funciones {1, T } ; es decir:
1 20
1 40
M = de donde el sistema ser:
1 50

1 60

1 20 1000.22
1 1 1 1 1 40 a 1 1 1 1 1000.65
=
20 40 50 60 1 50 b 20 40 50 60 1000.9

1 60 1001.05

4a + 170b = 4002.82
es decir: cuya solucin es: a = 999.804, b = 0.0212.
170a + 8100b = 170138.4
Por lo tanto,
L(T ) = 999.804 + 0.0212T

Ejemplo 4.9

Ajuste por mnimos cuadrados los datos:

xi 1 2 3 4 5
yi 2 3 5 7 3

usando un spline lineal del tipo: (x) = a1 + a2 x + a3 (x 4)+ (el espacio considerado
es: S(1,0;{1,4,5}) .
Solucin
Formamos la matriz M; es decir.
1 1 0
1 2 0 5 15 1 a1 20

M = 1 3 0 el sistema es: 15 55 5 a = 66 cuya solucin es:
1 4 0 2
1 5 1 a3 3
1 5 1

a1 = 0, a2 = 1.7, a3 = 5.5 . Por lo tanto, el ajuste es: (x) = 1.7x 5.5(x 4)+

26
cuya grfica es:

Figura 4.10 Ajuste con el spline lineal (x) = 1.7x 5.5(x 4)+

27