Ajuste de datos experimentales

por medio de mnimos cuadrados

Parte I
Salvador Acha Daza*, Diana Acha Izquierdo*

Abstract discutido con detalle en el apartado 1. Al final se

In the present work we try to show in simple
terms the curve fitting approach to experimental
data, using the concept of minimum squares. In
many engineering and science applications, models
are linear in the coefficients; which meas that an
explicit solution to the problem can be obtained.
When redundancy exists, this means a larger
number of observations than coefficients to be
determined, it can be established under appropriate
statistical considerations a significance test for the
parameters of the proposed model, this topic will be
covered in part II.
Keywords: minimum square, curve fitting.
presentan* las conclusiones del trabajo y en
apndices se extiende el material para incluir
pruebas de significacin estadstica lo cual debe
complementar el anlisis y agrega valor al modelo
obtenido bajo el criterio de los mnimos cuadrados.
DESARROLLO DE ECUACIONES PARA EL
CLCULO DE LOS COEFICIENTES
Con el fin de establecer la nomenclatura general
se considera que se tiene un conjunto de n pares de
observaciones (xi, yi). En un plano x-y se puede
visualizar la distribucin de observaciones usando
un diagrama de dispersin, figura 1.

x x
INTRODUCCIN i
Es frecuente el problema de tener un conjunto de
x
mediciones y desear ajustar los datos observados a x
funciones que describan la relacin entre la variable
dependiente y la variable independiente. El
problema original parece estar asociado al nombre
de Gauss quien trat de ajustar curvas a datos
experimentales obtenidos en observaciones
astronmicas. En nuestros das el planteamiento
Fig. 1. Diagrama de dispersin, observaciones en el
permite establecer un modelo matemtico basado en plano x-y.
optimizacin, para dar solucin al problema de
calcular los coeficientes que satisfacen el criterio de Como se muestra en la figura 1, para cada
mnimos cuadrados. El presente artculo muestra de observacin se tiene un valor terico expresado por
forma sencilla la solucin matricial del problema, la ecuacin de la funcin. As, se puede hablar de
ilustrando la forma de llegar a una expresin un error o "desajuste" a la diferencia entre el valor
cerrada de la solucin. Con ejemplos sencillos se observado y el valor terico. Al sumar los errores
tiene una comprobacin al aplicar en forma directa al cuadrado, se tiene SS.
la solucin presentada. En el apartado 1 se
desarrollan las ecuaciones para el clculo de los
coeficientes, despus en el apartado 2 se discuten
dos ejemplos, en uno se muestran las *
Programa Doctoral en Ingeniera Elctrica
transformaciones para lograr un modelo como el FIME-UANL.

Ingenieras, Enero-Marzo 2001, Vol. IV, No.10 21

 Ajuste de datos experimentales por medio de mnimos cuadrados: Parte I

n Al igualar a cero las componentes del gradiente y en

SS = 12 + 22 + ! + 2n = i2 (1) forma matricial:
i =1 [(y a1 x1 a2 ) (y 2 a1 x 2 a2 ) (y 3 a1 x 3 a2 ) (y 4 a1 x 4 a2 )] ...
1
En el caso particular cuando los datos pueden ser x1
descritos por una recta, y = a1x + ao, se requieren los
coeficientes a1 y ao. Los mejores coeficientes sern x 2 = [0]
x 3
aquellos que minimizan el cuadrado de los errores,
dando lugar al mtodo de mnimos cuadrados. El x 4
gradiente de SS igualado a cero ser la solucin (5.a)
buscada. De la figura 1:
[(y a x a ) (y a x a ) (y a x a ) (y a x a )]
1 1 1 o 2 1 2 o 3 1 3 o 4 1 4 o

i = y iobs y iterica = y iobs (a 1 x i + a o ) (2) 1

1
= [0 ]
Para el caso particular de n = 4 observaciones, la 1
suma SS del cuadrado de los errores:
1
SS = y 1 ( a x1 a o )2 + (y 2 a x 2 a o)2 +
1 1 (5.b)

... (y 3 a x 3 a o ) + (y 4 a x 4 a o ) (3)
2 2
1 1
Las formas anteriores (5.a) y (5.b) se pueden
escribir en una sola expresin matricial:
El gradiente de SS: [(y a x a ) (y a x a ) (y a x a ) (y a x a )]
1 1 1 o 2 1 2 o 3 1 3 o 4 1 4 o

SS x1 1
1
a 0 x2 = [0 0]
SS = 1 = (4) x3 1
SS 0
a o x4 1
(6)
y al transponer (6):
y las componentes del gradiente (4) se obtienen
como: y1 a1 x1 ao

SS
= 2 (y1 a1 x1 ao ) x1 2 (y 2 a1 x 2 ao ) x 2
x1 x2 x3 x4 y 2 a1 x 2 ao 0
1 1 1 =
1 y3 a1 x3 ao 0
a1
(7)

... 2( y 3 a1 x 3 a 0 ) 2 (y 4 a1 x 4 a o ) x 4
y 4 a1 x 4 ao
SS
= 2 (y1 a1 x1 ao ) (1) 2 (y 2 a1 x 2 ao ) (1)
ao
Se puede arreglar (7) y obtener una forma
...2 (y 3 a1 x3 ao ) (1) 2 (y 4 a1 x 4 ao )(1) condensada de la solucin para a1 y ao.

22 Ingenieras, Enero-Marzo 2001, Vol. IV, No.10

 Salvador Acha Daza, Diana Acha Izquierdo

y1 x1 1 1.0
1.8
x 1 x 2 x 3 x 4 y 2 x 2 1 a1 0
1 1 1 1 y = x=
3 x3 1 a o 0 2.0
y 4 x 4
1
3.0

(8) 1.0
Llamando A a la matriz que tiene la informacin de 3. 0
la medicin en variable independiente x, como At a y=
1.8
la matriz que presenta en forma de renglones las
columnas de A y al vector de informacin de 2.9
medicin en la variable dependiente y, se tiene: 1.0 1
1.8 1
A t (y A a) = 0 (9) A=
2.0 1

At y AtA a = 0 (10) 3.0 1
con solucin: 1.0 1.8 2.0 3.0
At =
(
a = At A ) 1
At y (11) 1 1 1 1
1.0 1
La dimensin de A depende de n nmero de 1.8
1 .0 1 .8 2 .0 3.0 1 17.24 7.80
observaciones y del nmero de coeficientes a At A = =
determinar. 1 1 1 1 2.0 1 7.80 4.00

EJEMPLOS 3.0 1

a) Para ilustrar la aplicacin de (11) se propone [A A]

t 1 0.49261
=
0.96059
0.96059
2.12315
los siguientes pares de valores medidos, para la
variable independiente x y el correspondiente valor 1.0
de la variable dependiente y.
1.0 1.8 2.0 3.0 3.0 18.7
At y = =
1 1 1 1 1.8 8.7
xi yi
2.9

[ ]
1.0 1.0
a1 t 1 t
1.8 3.0 a = A A A y
2.0 1.8 o
1
3.0 2.9 a1 17.24 7.80 18.7
a = 7.80 4.00 8.7
o
Los arreglos de informacin, para n = 4:

Ingenieras, Enero-Marzo 2001, Vol. IV, No.10 23

 Ajuste de datos experimentales por medio de mnimos cuadrados: Parte I

a 1 0.85468 Dato x(i) Ln[x(i)] y(i) Ln[y(i)]

a = 0.50837 1 1.00000 0.00000 148.00 4.99721
o
2 2.00000 0.69315 1487.00 7.30452
3 3.00000 1.09861 3807.00 8.24460
Con solucin para los coeficientes a1 y ao, que
resultan en la recta y = 0.85468 x + 0.50837. Una 4 4.00000 1.38629 10498.00 9.25894
grfica de la recta ajustada y de los valores 5 5.00000 1.60944 17551.00 9.77287
observados se muestra en la figura 2. 6 6.00000 1.79176 34057.00 10.43579
7 7.00000 1.94591 48905.00 10.79763
4
8 8.00000 2.07944 76987.00 11.25139
3.5
9 9.00000 2.19722 109193.00 11.60087
3
10 10.00000 2.30259 147413.00 11.90099
2.5

2 Matriz de informacin A usando Ln (x)

1.5 0.00000 1.00000
1
0.69315 1.00000
0.5
1.09861 1.00000
1.38629 1.00000
0
1.60944 1.00000
-0.5
-1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4 1.79176 1.00000
1.94591 1.00000
Fig. 2. Grfica de funcin ajustada y = 0.85468 x +
0.50837 y las mediciones. 2.07944 1.00000
2.19722 1.00000
b) Modelo no-lineal, observaciones originales (x,y) 2.30259 1.00000
y transformaciones logartmicas, pag. 123, Ref. [1].

La matriz A transpuesta
0.00000 0.69315 1.09861 1.38629 1.60944 1.79176 1.94591 2.07944 2.19722 2.30259
1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000

24 Ingenieras, Enero-Marzo 2001, Vol. IV, No.10

 Salvador Acha Daza, Diana Acha Izquierdo

Dato Aty
1 158.68420
2 95.56481
Coeficientes solucin a(i)
1 2.96514
2 5.07782

Fig. 4. Datos observados y vs. x, Ejemplo 2.

Fig. 3. Ajuste de datos transformados a una forma lineal

Ln[y] = 2.96514 Ln[x] + 5.07782.

Para este segundo ejemplo se observa que una

transformacin logartmica en ambas variables
permite tener un problema lineal de dos
coeficientes. El ajuste que se logra se puede
observar en la figura 3. En las figuras 4 y 5 se
muestran los datos originales y el efecto de la
transformacin logartmica sobre los datos Fig. 5 Datos transformados Ln[y] vs. x, Ejemplo 2.
originales.

Ingenieras, Enero-Marzo 2001, Vol. IV, No.10 25

 Ajuste de datos experimentales por medio de mnimos cuadrados: Parte I

CONCLUSIONES REFERENCIAS
En el trabajo se han presentado las ideas 1. Stephen A. DeLurgio, Forecasting Principles and
fundamentales para el ajuste de datos Applications, McGraw-Hill International
experimentales a polinomios o formas no lineales, Editions, 1998.
que forman un sistema lineal en los coeficientes. Se 2. Masterton, Slowinski, Elementary Mathematical
desarroll de manera detallada el procedimiento Preparation for General Chemistry, Saunders
para obtener las frmulas matriciales generales las Golden Series, 1974.
cuales permiten resolver este importante problema
en la prctica de la ingeniera y de la ciencia. Al 3. V. P. Spiridonov, A. A. Lopatkin, Tratamiento
tener un mayor nmero de mediciones, se aumenta Matemtico de Datos Fsico-Qumicos, Editorial
la REDUNDANCIA y se puede aplicar pruebas de MIR, Mosc, 1973.
hiptesis sobre los coeficientes y deteccin de datos
errneos. Tambin se puede asignar un mayor peso
o "credibilidad" que refleje la calidad de la
medicin; con este procedimiento se obtiene el
resultado que se conoce como mnimos cuadrados
ponderados.

26 Ingenieras, Enero-Marzo 2001, Vol. IV, No.10