“INSTITUTO POLITECNICO NACIONAL”

ESCUELA SUPERIOR DE INGENIERIA

MECANICA Y ELECTRICA

INGENIERIA EN CONTROL Y AUTOMATIZACION

ANALISIS NUMERICO

“POLINOMIO DE INTERPOLACION DE NEWTON

CON DIFERENCIAS DIVIDIDAS”

Alumno: Hernández Barragán Jesús Maximiliano

Profesor: JIMENEZ GUZMAN MIGUEL

Grupo: 3AV1
Interpolación:
La interpolación polinomial es la base de muchos tipos de integración numérica
y tiene otras aplicaciones teóricas. En la práctica a menudo tenemos una tabla
de datos {(xi ,yi), i = 0, 1, 2,...,n}, obtenida por muestreo o experimentación.
Suponemos que los datos corresponden a los valores de una función f
desconocida (a veces es conocida, pero queremos cambiarla por una función
más sencilla de calcular).
El “ajuste de curvas” trata el problema de construir una función que aproxime
muy bien estos datos (es decir, a f). Un caso particular de ajuste de curvas es
la interpolación polinomial: En este caso se construye un polinomio P(x) que
pase por los puntos de la tabla. La interpolación polinomial consiste en estimar
f(x ∗ ) con P(x ∗ ) si x∗ no está en la tabla pero se puede ubicar entre estos
valores.
Aunque hay uno y sólo un polinomio de n-ésimo grado que se ajusta a n + 1
puntos, existe una gran variedad de formas matemáticas en las cuales puede
expresarse este polinomio.
Interpolación lineal
La forma más simple de interpolación consiste en unir dos puntos con una línea
recta. Dicha técnica es conocida como interpolación lineal.

f ( x1 ) −f ( x 0 )
f 1 ( x )=f ( x0 ) + ( x−x 0)
x 1−x 0
La fórmula de interpolación lineal.
La notación f1(x) designa que éste es un polinomio de interpolación de primer
grado. Se observa que además de representar la pendiente de la línea que une
los puntos, el término [ f(x1) – f(x0)] / (x1 – x0) es una aproximación en
diferencia dividida finita.
Además, entre más pequeño sea el intervalo entre los datos a analizar mejor
será nuestra aproximación.

Interpolación cuadrática
Una técnica para mejorar la estimación consiste en introducir alguna curvatura
a la línea que une los puntos. Si se tienen tres puntos como datos, éstos
pueden ajustarse en un polinomio de segundo grado (también conocido como
polinomio cuadrático o parábola). Una forma particularmente conveniente para
ello será:

f 2 ( x )=b 0 +b1 ( x−x 0 ) +b2 ( x−x 0 ) ( x−x 1) (1)

Una manera simple puede usarse para determinar los valores de los
coeficientes.
Para encontrar b 0, en la ecuación anterior se evalúa con x=x 0

b 0=f ( x 0 )

Sustituyendob 0=f ( x 0 ) en (1) y proseguimos a evaluar x=x 1 podremos obtener

b1

f ( x 1 ) =f ( x 0 ) +b1 ( x−x 0 ) +b 2 ( x−x 0 ) ( x−x 1 )

f ( x 1 ) =f ( x 0 ) +b1 ( x 1−x 0 )

f ( x1 ) −f ( x 0 )
b 1=
( x 1−x 0 )
Para el ultimo coeficiente se sustituyen los valores de b 0 y b 1 en la formula (1),
prosiguiendo con evaluar x=x 2 para hallar b 2

f ( x1 ) −f ( x 0 )
f ( x 2 ) =f ( x 0 )+ ( x−x 0 )+ b2 ( x−x 0 )( x−x1 )
( x 1−x 0 )

f ( x1 ) −f ( x 0 )
f ( x 2 ) =f ( x 0 )+ ( x2 −x0 ) + b2 ( x2− x0 ) ( x 2−x 1 )
( x 1−x 0 )
∴

f ( x 2 )−f ( x 1 ) f ( x 1) −f ( x 0 )
−
x2− x1 x 1−x 0
b 2=
x2 −x0

Quedando el polinomio cuadrático de la siguiente manera:

f ( x 2 )−f ( x 1) f ( x1 ) −f ( x 0 )
−
f ( x1 ) −f ( x 0 ) x 2−x 1 x1 −x0
f 2 ( x )=f ( x 0) + ( x −x 0) + ( x−x 0 )( x−x1 )
( x 1−x 0 ) x 2−x 0
INTERPOLACIÓN POLINOMIAL DE NEWTON
EN DIFERENCIAS DIVIDIDAS

El polinomio de interpolación de Newton en diferencias divididas es una de las

formas más populares y útiles de llevar a cabo en la práctica.

Al símbolo f [x 0 , x 1 ,... xn] se le llama diferencia divida de f.

El comportamiento anterior puede generalizarse para ajustar un polinomio de

n-ésimo grado a n + 1 datos. El polinomio de n-ésimo grado es:

f n(x)=b 0+b 1(x – x 0)+· ··+b n( x – x 0)(x – x 1)· ·· (x – x n – 1)

Para un polinomio de n-ésimo grado se requieren n + 1 puntos:

[ x 0 , f ( x 0)],[ x 1 , f (x 1)], ... ,[xn , f (xn)]. Usamos estos datos y las siguientes
ecuaciones para evaluar los coeficientes.

b 0=f (x 0)
b 1=f [ x 1 , x 0]
b 2=f [ x 2 , x 1 , x 0]
·
·
·
bn=f [xn , xn – 1 ,· · · , x 1 , x 0 ]

donde las evaluaciones de la función colocadas entre paréntesis son

diferencias divididas finitas. Por ejemplo, la primera diferencia dividida finita en
forma general se representa como

f (x ¿¿ i)−f ( x j)
f [ x i , x j ]= ¿
xi −x j

La segunda diferencia dividida finita, que representa la diferencia de las dos

primeras diferencias divididas, se expresa en forma general de la siguiente
manera

f ( x ¿ ¿ i , x j)−f (x j , x k )
f [ x i , x j , x k ]= ¿
xi −x k

En forma similar, la n-ésima diferencia dividida finita sera de la forma:

 f ( x n , x n−1 ,… , x 1)−f ( x n−1 , x n−2 , … , x 0 )
f [ x n , x n−1 , … , x 1 , x 0 ]=
x n−x 0

El nombre “diferencia divida” viene del hecho de que cada f [xk , xk +1 , ... , xk + j]
se puede expresar como un cociente de diferencias.
El teorema indica que cada diferencia dividida se puede calcular en términos de
otras “diferencias” previamente calculadas. El ejemplo que sigue es un caso
particular para mostrar cómo se aplica el teorema.
Para no perder el hilo cuando estamos calculando el valor de los coeficientes
para el polinomio de Newton que está basado en diferencias dividas, se
pretende realizar una tabla guía, para denotar el comportamiento de ellas:
i Xi f (Xi)
0 X 0 f (X 0 ) f [x 1 , x 0 ] f [x 2 , x1 , x0 ] f [x 3 , x2 , x1 , x 0] f [x 4 , x 3 , x 2 , x 1 , x 0 ]

1 X 1 f (X 1 ) f [x 2 , x1 ] f [x 3 , x2 , x1 ] f [x 4 , x 3 , x 2 , x 1 ]

2 X 2 f (X 2 ) f [x 3 , x2 ] f [x 4 , x 3 , x 2 ]

3 X 3 f (X 3 ) f [x 4 , x 3 ]

4 X 4 f ( X 4)

Estas diferencias sirven para evaluar los coeficientes en las ecuaciones,

bn=f [xn , xn – 1 ,· · · , x 1 , x 0 ]
los cuales se sustituirán en la ecuación
f n(x)=b 0+b 1(x – x 0)+· ··+b n( x – x 0)(x – x 1)· ·· (x – x n – 1)
para obtener el polinomio de interpolación.

f n(x)=f (x 0)+( x – x 0)f [x 1, x 0]+( x – x 0)( x – x 1) f [x 2 , x 1, x 0 ]

+· ··+( x – x 0)(x – x 1)· ··( x – x n – 1)f [ x n , x n – 1, · ·· , x 0]

que se le atribuye el nombre como polinomio de interpolación de Newton en

diferencias divididas.
EJEMPLO:

Rendimiento de un proceso productivo en función de la temperatura.

En una planta química se sintetiza un producto que es utilizado posteriormente
como conservante de productos enlatados. El rendimiento del proceso depende
de la temperatura. Se dispone de los siguientes datos.
Con los datos de la tabla construye un polinomio de interpolación de Newton de
diferencias dividas.

Se considera un rendimiento óptimo el que va de 38.5 a 45, por lo que la planta

trabaja a 175 ◦C. Si la temperatura de trabajo cae a 162 ◦C por una avería,
¿será el proceso satisfactorio hasta que sea reparada?
R= Si, porque trabajando a 62° la temperatura se mantiene en el rango óptimo.

Solucion:
Definimos el polinomio:

f 5 ( x )=b 0+ b 1 ( x – x 0 ) +b 2 ( x – x 0 ) ( x – x 1 )+ b 3 ( x – x 0 ) ( x – x 1 )( x – x 2 ) +b 4 ( x – x 0 ) ( x – x 1 ) ( x – x 2 )( x – x 3
Donde:

b 0=f (x 0)
b 1=f [ x 1 , x 0]
b 2=f [ x 2 , x 1 , x 0]
b 3=f [x 3 , x 2, x 1 , x 0 ]
b 4=f [ x 4 , x 3 , x 2 , x 1 , x 0]
b 5=f [x 5 , x 4 , x 3 , x 2 , x 1 , x 0]
i Xi f (Xi)
0 X0 f (X 0 ) f [x 1 , x 0 ] f [x 2 , x1 , x0 ] f [x 3 , x2 , x1 , x 0] f [x 4 , x 3 , x 2 , x 1 , x 0 ] f [x 5 , x 4 , x 3 , x 2 , x 1 , x 0 ]

1 X1 f (X 1 ) f [x 2 , x1 ] f [x 3 , x2 , x1 ] f [x 4 , x 3 , x 2 , x 1 ] f [x 5 , x 4 , x 3 , x 2 , x 1 ]

2 X2 f (X 2 ) f [x 3 , x2 ] f [x 4 , x 3 , x 2 ] f [x 5 , x 4 , x 3 , x 2 ]

3 X3 f (X 3 ) f [x 4 , x 3 ] f [x 5 , x 4 , x 3 ]

4 X4 f (X 4) f [x 5 , x 4 ]

5 X5 f (X 5 )

i Xi f (Xi)

0 150 35.5 0.23 0.0175 −0.0012 4.3333 × 10−5 1.10832× 10−6

1 160 37.8 0.58 −0.0185 5.3333 ×10−4 9.874925 ×10−5

2 170 43.6 0.21 −0.0025 4.4833 × 10−3

3 180 45.7 0.16 0.132

4 190 47.3 2.8

5 200 50.1
f ( x 0 ) =35.5 45.7−43.6
f ( x 3 , x2 ) = =0.21
180−170

37.8−35.5
f ( x1 , x0 )= =0.23
160−150
47.3−45.7
f ( x 4 , x 3 )= =0.16
190−180

43.6−37.8
f ( x2 , x1 )= =0.58 50.1−47.3
170−160 f ( x 5 , x 4 )= =2.8
200−190

0.58−0.23
f [ x 2 , x 1 , x 0 ]= =0.0175
170−150

0.21−0.58
f [ x 3 , x 2 , x 1 ]= =−0.0185
180−160

0.16−0.21
f [ x 4 , x 3 , x 2 ]= =−0.0025
190−170

2.8−0.16
f [ x 5 , x 4 , x 3 ]= =0.132
200−180

−0.0185−0.0175
f [ x3 , x2 , x1 , x0 ] = =−0.0012
180−150

−0.0025−(−0.0185)
f [ x 4 , x 3 , x 2 , x 1 ]= =5.3333× 10−4
190−160
 0.132−(−0.0025)
f [ x 5 , x 4 , x 3 , x 2 ]= =4.4833 ×10−3
200−170

5.3333× 10−4 −(−0.0012)

f [ x 4 , x 3 , x 2 , x 1 , x 0 ]= =4.3333× 10−5
190−150

4.4833 ×10−3−5.3333 ×10−4 −5

f [ x 5 , x 4 , x 3 , x 2 , x 1 ]= =9.874925 ×10
200−160

9.874925 ×10−5−4.3333 ×10−5 −6

f [ x 5 , x 4 , x 3 , x 2 , x 1 , x 0 ]= =1.10832× 10
200−150

Este polinomio es la forma de cómo debemos sustituir nuestros valores:

f n(x)=f (x 0)+ f [ x 1 , x 0 ]( x – x 0)+f [x 2 , x 1, x 0]( x – x 0)(x – x 1)
+· ··+ f [ x n , x n – 1 ,· ·· , x 0 ](x – x 0)( x – x 1)· ··( x – x n – 1)

Sustituyendo:

f ( x )=35.5+ 0.23 ( x – 150 ) +0.0175 ( x – 150 ) ( x – 160 ) −0.0012 ( x – 150 ) ( x – 160 )( x – 170 ) +0.00004333 ( x – 15

Interpolando para 162:

f ( 162 )=35.5+ 0.23 ( 162 – 150 )+ 0.0175 ( 162 – 150 )( 162 – 160 )−0.0012 ( 162 – 150 ) ( 162 – 160 )( 162 – 170 ) +0.

R=38.973

CODIGO:
%Interpolación de Newton con Diferencias Divididas

clear;
clc;
fprintf('Polinomio de Interpolación de Newton con Diferencias
Divididas\n\n');
x=[introducir los valores para x separados por un espacio];
y=[introducir los valores para y separados por un espacio];
xa=x;
ya=y;
d=zeros(length(y));
d(:,1)=y';
for k=2:length(x)
for j=1:length(x)+1-k
d(j,k)=(d(j+1,k-1)-d(j,k-1))/(x(j+k-1)-x(j));
end
end
for w=1:length(x)
ds=num2str(abs(d(1,w)));
if w>1
if x(w-1)<0
sg1='+';
else
sg1='-';
end
end
if d(1,w)<0
sg2='-';
else
sg2='+';
end
if w==1
acum=num2str(d(1,1));
elseif w==2
polact=['(x' sg1 num2str(abs(x(w-1))) ')' ];
actual=[ds '*' polact];
acum=[acum sg2 actual];
else
polact=[polact '*' '(x' sg1 num2str(abs(x(w-1))) ')' ];
actual=[ds '*' polact];
acum=[acum sg2 actual];
end
end
fprintf('***** Valores de x y y *****\n\n');
disp(xa);
disp(ya);
fprintf('Polinomio de interpolación de Newton es:\n \t%s \n\n',acum);
x=input('Digite un valor a interpolar: ');
if x>max(xa)|x<min(xa)
fprintf('Punto fuera de rango. El resultado puede ser equivocado
\n');
end
xinterp=x;
yinterp=eval(acum);
fprintf('\nEl valor de la interpolación es: %.8g\n',yinterp);

EJECUCIONES:
Ejemplo 1
Ejemplo manual:

Conclusión:
La interpolación es de gran utilidad cuando se desea estimar nuevos datos
intermedios a partir de los ya existentes ósea ajustar a una función, y en el
caso del método de Newton en diferencias divididas se nos presenta una
manera muy sencilla y rápida de aproximar un polinomio que se ajuste a
nuestros datos, dependiendo el número de datos que tengamos es como mejor
decidiremos a que orden el polinomio será ajustado. Presenta las ventajas de
que cuando se agregan más datos de muestra estos para ser incluidos al
polinomio ya no tenemos que comenzar de cero los cálculos sino más bien
tomando como referencia este último además lo que respecta a las diferencias
divididas finitas que constituyen los coeficientes del polinomio estas se van
calculando eficazmente mediante las diferencias de orden inferior que ayudan
para estimar el valor de las diferencias de orden mayor,

“INSTITUTO POLITECNICO NACIONAL”

 ESCUELA SUPERIOR DE INGENIERIA
MECANICA Y ELECTRICA

INGENIERIA EN CONTROL Y AUTOMATIZACION

ANALISIS NUMERICO

“POLINOMIO DE INTERPOLACION DE
LAGRANGE”

Alumno: Hernández Barragán Jesús Maximiliano

Profesor: JIMENEZ GUZMAN MIGUEL

Grupo: 3AV1

POLINOMIOS DE INTERPOLACIÓN DE LAGRANGE

 Interpolación significa estimar el valor desconocido de una función en un punto,
tomando una medida ponderada de sus valores conocidos en puntos cercanos
al dado.
El polinomio de interpolación de LaGrange se comprende como una
reformulación del polinomio de Newton el cual evita el cálculo de las diferencias
divididas, y se representa de manera general y precisa como:

n
f n = ∑ Li ( x ) f ( x i )
i=0

Teniendo la forma general para llevar a cabo la estructura del polinomio se

prosigue a calcular los valores de Lidonde se recurre a la siguiente ecuación
que depende del número de datos que se tengan a realizar.
n
x−x j
Li ( x ) = ∏
j =0 xi −x j
j ≠i

El polinomio Interpolador Lineal es el más sencillo y necesita que sean

proporcionados únicamente dos puntos

( x−x 1 ) ( x−x 0 )
f 1 ( x )= f ( x0)+ f (x 1)
x 0 −x1 x 1−x 0

El polinomio Interpolador Cuadrático necesita que le sean proporcionados 3

puntos. Su expresión está dada por:

( x−x 1 ) (x−x 2 ) ( x−x 0 ) ( x−x 2) ( x−x 0 ) ( x−x 1 )

f 2 ( x )= f ( x0 ) + f ( x 1) +
(x 0−x 1 )(x 0−x 2) ( x1 −x0 )(x 1−x 2) ( x ¿ ¿ 2−x0 )( x ¿ ¿ 2−x 1)f ( x 2 ) ¿ ¿

.
.
.

Por lo tanto, se puede llegar a una forma expandida de orden n para el polinomio
de LaGrange:
f ( x )=f ( x 0 ) L0 ( x )+ f ( x 1 ) L1 ( x )+ f ( x 2) L2 ( x ) + …+ f ( x n ) Ln ( x )

Ejemplo
En una planta se bombea esencia de trementina, 60 ◦C, desde la base de una
columna de fraccionamiento hasta un gran tanque de almacenamiento
descubierto. La columna opera a 1,29 atmósferas.
En la siguiente tabla se representan los datos relativos los litros por hora que
puede bombear la bomba en función de la potencia en watios a la que es
necesario que trabaje:

Se desea saber si la bomba será capaz de impulsar un caudal de 1000 l/h de

trementina hasta el tanque de almacenamiento trabajando a un máximo de 373 w.

Nuestro polinomio quedara de la siguiente manera:

f ( x )=f ( x 0 ) L0 ( x )+ f ( x 1 ) L1 ( x )+ f ( x 2) L2 ( x ) + f ( x3 ) L3 ( x )

Sustituyendo valores :

f ( x )=365 L0 ( x )+361.6 L1 ( x ) +370.64 L2 ( x ) +379.68 L3 ( x )

Calculamos L0 ( x ) , L1 ( x ) , L2 ( x ) y L3 ( x )

( x−700)(x−900)(x−1100) ( x−700)(x−900)( x−1100)

L0 ( x ) = =
(−200 )(−400 ) (−600 ) −48000000

( x−500)( x −900)( x−1100) (x−500)( x−900)( x−1100)

L1 ( x ) = =
( 200 )(−200 ) (−400 ) 16000000

( x−500)( x −700)(x −1100) (x−500)( x−700)(x−1100)

L2 ( x ) = =
( 400 ) (200 )(−200 ) −16000000

( x−500)(x−700)( x−900) (x−500)( x−700)( x−900)

L3 ( x ) = =
( 600 ) ( 400 ) ( 200 ) −48000000

El polinomio de Lagrange nos queda de la siguiente manera:

 ( x−700 ) ( x−900 ) ( x−1100 ) ( x−500 ) ( x−900 ) ( x−1100 )
f ( x )=365 [ −48000000 ]+361.6 [ 16000000 ]+¿

( x−500 ) ( x−700 ) ( x−1100 ) ( x −500 )( x−700 )( x−900 )

370.64 [ −16000000 ]
+379.68 [ −48000000 ]

Cuando impulsa un caudal de 1000 l/h emplea:

( 1000−700 ) ( 1000−900 )( 1000−1100 ) (1000−500 ) ( 1000−900 )( 1000−1100 )

f ( 1000 ) =365 [ −48000000 ]
+361.6 [ 16000000 ]
( 1000−500 )( 1000−700 ) (1000−1100 ) ( 1000−500 ) ( 1000−700 )( 1000−900 )
+370.64 [ −16000000
+379.68 ] [ −48000000 ]
f ( 1000 ) =375.9375 w

CODIGO:
function [yi,pol]=lagrange(xs,ys,x)
n=length(xs);
 if length(ys)~=n
error('x e y deben ser de la misma longitud');
end
yi=0;
pol='0';
for i=1:n
producto=ys(i);
termino=num2str(ys(i));
for j=1:n
if i~=j
producto=producto*(x-xs(j))/(xs(i)-xs(j));
termino=strcat(termino,'*(x-',num2str(xs(j)),...
')/(',num2str(xs(i)),'-',num2str(xs(j)),')');
end
end
yi=yi+producto;
pol=strcat(pol,'+',termino);
end
fprintf('\n El polinomio de Lagrange es: \n%s\n',pol);
fprintf('\nEl valor a interpolar es: %d\n',x);
fprintf('La interpolación es: %.4f\n',yi);
end

EJECUCIONES:
Ejemplo 1:
Ejemplo manual:

Conclusión:
El método de interpolación de Lagrange nos aporta una manera práctica para
estimar valores desconocidos dentro del rango de nuestros datos proporcionados
creando un polinomio que mejor se ajuste a nuestras necesidades, en lo que
corresponde al grado de este polinomio depende de la cantidad de datos que se
tenga, de manera que si existe una gran cantidad de ellos el grado del polinomio
aumentara y con ello la dificultan para su cálculo respectivamente además cuanto
más crece de grado el polinomio las aproximaciones que se esperan se vuelven
más inexactas ocasionando un margen de error mas grande.
Un inconveniente que se tiene con este método es que si ya hemos calculado un
polinomio que se adapte a nuestros datos y surge la necesidad de que se
agregue un nuevo dato el polinomio que se obtuvo previamente es de nula utilidad
ya que se tendría que volver a recalcular todo con el nuevo dato desde el principio
en ese sentido se hace una tarea tediosa.
 “INSTITUTO POLITECNICO NACIONAL”

ESCUELA SUPERIOR DE INGENIERIA

MECANICA Y ELECTRICA

INGENIERIA EN CONTROL Y AUTOMATIZACION

ANALISIS NUMERICO

“REGRESION LINEAL Y POLINOMIAL POR

MINIMOS CUADRADOS”

Alumno: Hernández Barragán Jesús Maximiliano

Profesor: JIMENEZ GUZMAN MIGUEL

Grupo: 3AV1

AJUSTE DE CURVAS
Para determinar una ecuación que relacione variables, un primer paso es
recolectar datos que muestran los valores correspondientes de las variables en
consideración.
Se presenta una lista de varios tipos de curvas de aproximación y sus ecuaciones,
con el propósito de tener una referencia de cómo se deben construir las
ecuaciones pertinentes para cada grado:
Línea recta: y=a0 +a1 x

Curva cuadrática: y=a0 +a1 x+ a2 x 2

Curva cubica: y=a0 +a1 x+ a2 x 2 +a 3 x 3

Curva cuartica: y=a0 +a1 x+ a2 x 2 +a 3 x 3+ a4 x 4

Curva de grado n : y=a0 +a1 x+ a2 x 2 +…+ an x n

Para decidir que curva debe utilizarse es necesario obtener diagramas de

dispersión de variables.

APROXIMACIÓN POR RECTAS QUE PASAN POR EL ORIGEN

A continuación, efectuaremos el cálculo de la pendiente de la recta que pasa por
el origen que mejor se aproxima a un conjunto de valores (x1, y1), (x2, y2), (x3,
y3) … (xi, yi), experimentales.
Este procedimiento es de gran importancia debido a que en las experiencias
muchas veces las magnitudes físicas dependen linealmente, como, por ejemplo,
la intensidad de corriente eléctrica es directamente proporcional a la diferencia de
potencial en los elementos óhmicos. En reiteradas ocasiones, nos será útil
encontrar la pendiente de la recta que mejor aproxime los datos experimentales,
debido a que tendrá un importante significado físico. En los casos en los que la
relación entre las variables no es lineal, muchas veces se puede linealizar las
relaciones para llevarlas a este caso. Podemos expresar la relación lineal entre
ambas magnitudes de la siguiente forma:
y=a ⋅ x
En donde a es la pendiente de la recta, o sea, el valor que deseamos hallar.
Cuando tratemos datos provenientes de una experiencia, debido a los errores
experimentales, generalmente los datos experimentales no satisfacen
exactamente dicha ecuación, sino que estarán próximos a la recta, pero no
perfectamente alineados.
La pendiente de la recta que minimiza la suma de las distancias al cuadrado de
los valores experimentales a la recta (la recta que en cierto modo más se
aproxima a los valores experimentales y por ende comete el menor error) tiene
como pendiente:
 n

∑ xi y i
1
a= n

∑ x 2i
1

REGRESIÓN LINEAL POR MÍNIMOS CUADRADOS

En este método se pretende trazar la recta que más se acerque al conjunto de datos
otorgados, a la cual se le llama “línea recta de regresión”, expresada matemáticamente
como:
y=a0 +a1 x+ e

Donde:
a 0 es el intercepto, a 1 es la pendiente y e nos indica el error entre el modelo y
las observaciones, es decir, el residuo.
De tal forma para poder decir que obtuvimos la mejor recta de ajuste posible es
porque la suma de todos los cuadrados de los residuos de la y medida y la y modelada
es lo más pequeña posible, explicado de otro modo se busca minimizar la
suma del error, esto se logra con la siguiente expresión:
n n
2 2
Sr=∑ e i =∑ ( yi , medida − y i ,modelada )
i=i i=1

Teniendo en mente que y i ,modelada =a0 + a1 x i, y sustituyendo en la expresión

anterior nos queda de la siguiente forma
n
Sr=∑ ( y i ,medida −a0 −a1 xi )2
i=1

Para de alguna manera poder minimizar la suma de los cuadrados de los

residuos es importante el encontrar los valores de a 0 y a 1. Para hallar esos
valores, será indispensable el calcular las derivadas parciales de cada de una
de las variables que se tienen.
Para a 0 el desarrollo de la derivada parcial quedaría como se indica a
continuación:
n
∂ Sr 2
=∑ −2 ( y i−a0−a1 x i )
∂ a0 i=1

Para a 1 el desarrollo de la derivada parcial quedaría como se indica a

continuación:
n
∂ Sr
=∑ −2 ( y i−a0−a1 x i ) xi
∂ a1 i=1
Al igualar estas derivadas a cero, se tiene como resultado un Sr mínimo.
Quedando las ecuaciones expresadas como:
n n n

∑ yi −∑ a0 −∑ a1 xi =0
i=1 i=1 i=1

n n n

∑ yi x i−a 0 ∑ x i−a 1 ∑ x 2i =0
i=1 i=1 i=1

Si establecemos queΣa0=na 0, podemos expresar las ecuaciones como un

conjunto de dos ecuaciones lineales simultáneas, con dos incógnitas (a 0 y a 1):

n n

∑ yi −n a0 −∑ a1 xi =0
i=1 i=1

n n n

∑ yi x i−a 0 ∑ x i−a 1 ∑ x 2i =0
i=1 i=1 i=1

Despejamos las ecuaciones anteriores:

n n

∑ yi =n a0 +∑ a1 x i … . Ecuacion (1)
i=1 i=1

n n n

∑ yi x i=a 0 ∑ x i +a1 ∑ x 2i … . Ecuacion(2)

i=1 i=1 i=1

Resolvemos el sistema que se generó y nos da las equivalencias de a 0 y a 1

 n ∑ x i y i − ∑ x i ∑ yi
a 1= 2
n ∑ xi2−( ∑ x i )

a 0=
∑ y i −a ∑ x i
1
n n

Las cuales las sustituimos dentro de nuestra ecuación para obtener la línea recta
de regresión:
y=a0 +a1 x+ e

El error se da en términos de la suma de los cuadrados de la diferencia entre el

valor muestral y el valor calculado con la recta de regresión:

e=∑ ( y ¿ ¿ i−¿ a0 −a1 xi )2 ¿ ¿

Para fines prácticos es conveniente realizar la siguiente tabla para hallar los
valores de los coeficientes de la recta buscada:
i Xi Yi Xi∗Yi X i2 Error
1
2
3
⋮
n
∑
EJEMPLO:
El pentóxido de dinitrógeno gaseoso puro reacciona en un reactor intermitente
según la reacción
estequiométrica

Calculamos la concentración de pentóxido de dinitrógeno existente en ciertos

instantes, obteniendo los siguientes datos:

Si lo tenemos en el reactor un tiempo máximo de 35 minutos (2100 segundos),

¿cuál es la concentración de pentóxido de dinitrógeno?
R=0.81693

Para nuestro caso la línea recta a la cual se ajustarán los datos es de la siguiente
manera:
y=a0 +a1 x

Hacemos la tabla:
i Xi Yi Xi∗Yi X i2
1 0 5.5 0 0
2 200 5.04 1008 4000
3 400 4.36 1744 160000
4 650 3.45 2242.5 422500
5 1100 2.37 2607 1210000
6 1900 1.32 2508 3610000
7 2300 0.71 1633 5290000
∑ 6550 22.75 11742.5 10696500
Usaremos las siguientes formulas:
n ∑ x i y i−∑ x i ∑ yi
a 1= 2
n ∑ xi2−( ∑ x i )

a 0=
∑ y i −a ∑ x i
1
n n

Sustituimos valores:
7 ( 11742.5 )−(6550)(22.75)
a 1=
7 (10696500 )−( 6550 )2

a 1=−0.0020897

22.75 6550
a 0=
7 (
−(−0.0020897 )
7 )
a 0=5.2053

Por lo tanto, la línea recta nos queda:

y=5.2053−0.0020897 x

La otra forma que podemos calcular los valores es:

y i=a0 +a1 xi

y i=a0 +a1 xi (x i )

Expresamos como sumatorias y ∑ a 0=n a0 :

n n
n a 0+ ∑ a1 x i=∑ y i
i=1 i=1
 n n n

∑ a0 x i +∑ a1 x 2i =∑ y i xi
i=1 i=1 i=1

[ ] n

∑ xi ∑ x
i=1
n ∑ xi
i=1
n

i=1

Sustituimos valores:
2
i
¿

7 6550 a0
= 22.75
[ 6550 10696500 a1 11742.5 ][ ] [ ]

−1
a0 = 22.75 7 6550
[][ a1 11742.5 6550 10696500 ][ ]
¿

a 0=5.2053
a 1=−0.0020897
y=5.2053−0.0020897 x

Para 2100 segundos nos da:

y=5.2053−0.0020897 ( 2100 )
y=0.81693
que es la concentración del pentóxido de dinitrógeno en ese lapso.

Conclusión:
El método de regresión lineal por mínimos cuadrados nos presenta una forma
muy sencilla y fácil de encontrar un modelo que se adapte mejor a nuestros
datos, es evidente que presenta la ventaja de que puede hacer una estimación
del comportamiento de alguna variable en un determinado punto o momento
haciendo que este procedimiento sea un buen instrumento de cálculos
predecibles para distintas áreas de estudio. Una desventaja seria que solo
toma en cuenta

REGRESIÓN POLINOMIAL POR MÍNIMOS CUADRADOS

A continuación, se estudiará el método de regresión polinomial mediante el
método de mínimos cuadrados, pero antes se debe de entender que este es un
método más general, ya que se puede ajustar todos los puntos sin importar
cuantos sean, a un polinomio del grado que se requiera o guste, incluyendo el
de grado uno.
En la rama de ingeniería, aunque algunos datos exhiben un patrón marcado,
son restringidos por una línea recta, entonces, una curva podrá ser más
adecuada para ajustarse a los datos en casos especiales. Por lo tanto, la
alternativa más factible para esto es ajustar un polinomio a los datos mediante
regresión polinomial.
El procedimiento de mínimos cuadrados se puede extender fácilmente al ajuste
de datos con un polinomio de grado superior. Por ejemplo, suponga que
ajustaremos un polinomio de segundo grado o cuadrático :

y=a0 +a1 x i+ a2 x i2 +e

Ahora, el objetivo de aplicar este método es encontrar un polinomio que te

ajuste todos los datos, pero para esto, tomemos en cuenta la forma general de
expresar un polinomio, la cual es

P ( x ) =a0 +a 1 x i+ a2 xi2 +…+ an x in

De la siguiente expresión
n
2
Sr=∑ ( y i , medida− y i, modelada )
i=1

Donde y i ,modelada será nuestro polinomio deseado.

De manera general para cualquier ajuste polinomial, tendríamos que

y i ,modelada =a0 + a1 x i +a2 xi2 +…+ am xim

De igual manera, al sustituir esta nueva equivalencia dentro de la fórmula,
obtenemos la siguiente expresión generalizable:
n
2
Sr=∑ ( y i ,medida −( a0+ a1 xi +a 2 x i2+ …+a m x im ))
i=1

Pero para nuestro caso particular que deseamos ajustar a un polinomio de

segundo grado ( y=a 0+a 1 x+ a 2 x 2+ e) tenemos la siguiente ecuación:
n
2
Sr=∑ ( y i ,medida −( a0+ a1 xi +a 2 x i2) )
i=1

n
2
[
Sr=∑ y 2i −2 y i ( a0 +a1 xi + a2 x i2 ) + ( a0 +a1 x i+ a2 x i2 )
i=1
]
n
¿ ∑ ( y 2i ¿−2 y i a0−2 y i xi a1 −2 y i x 2i a2 + a20 +a21 x2i +a 22 x i4 +2 a0 a1 x i+2 a 0 a 2 x i2+ 2a 1 x i a 2 x 2i ) ¿
i=1
Obtenemos las derivadas parciales para cada incógnita:
n
∂ Sr
=∑ (¿−2 y i +2 a0 +2 a1 xi +2 a2 x i2 )¿
∂ a0 i=1
n
∂ Sr
=∑ ¿ ¿
∂ a1 i=1
n
∂ Sr
=∑ ¿ ¿
∂ a2 i=1

Igualando a cero:
n

∑ (¿−2 y i +2 a0 +2 a1 x i+2 a 2 x i2)=0¿

i=1

∑ (¿−2 y i x i+2 a 1 x 2i + 2a 0 x i +2 x i a2 x2i )=0 ¿

i=1

∑ (¿−2 y i x 2i +2 a 2 x i4 +2 a0 xi2 +2 a1 xi x 2i )=0¿

i=1

Aplicando linealidad, despejando, ordenando y estableciendo Σ a0=n a0 para el

anterior se tiene el siguiente arreglo de ecuaciones:
n n n
n a 0+ ∑ a1 x i + ∑ a 2 x i2=∑ y i
i=1 i=1 i=1

n n n n

∑ a0 x i +∑ a1 x 2i +∑ a2 x3i =∑ y i x i
i=1 i=1 i=1 i=1

n n n n

∑ a0 x i2 +∑ a 1 x 3i +∑ a2 xi 4=∑ y i xi2
i=1 i=1 i=1 i=1

Una vez teniendo el sistema de ecuaciones se procede a resolverlo y para eso

se aplica un sistema de operaciones matriciales que nos facilitara el trabajo:

n n

[ ]
n ∑ x i ∑ x2i
i=1 i=1
n n n

∑ x i ∑ x 2i ∑ x 3i ¿
i=1 i=1 i=1
n n n

∑ x 2i ∑ x 3i ∑ x 4i
i=1 i=1 i=1
 Y se procede de la siguiente manera.

¿
Para fines prácticos es conveniente realizar la siguiente tabla para llenar las
matrices:
i Xi Yi X i2 X i3 X i4 Xi∗Yi X 2 i∗Yi
1
2
3
⋮
n
∑

Una vez que tengamos los valores correspondientes para a 0 , a1 , a2 se sustituyen

en nuestro polinomio de referencia y con ello habremos encontrado el
polinomio que se adapte a nuestros datos:

p(x )=a0 + a1 x i +a2 x i2

Forma general:
Para regresión polinomial mediante mínimos cuadrados este método puede hacerse
generalizable de tal manera que existe otro procedimiento para encontrar las
ecuaciones, sin necesidad de hacer los cálculos y el álgebra correspondiente. El
objetivo será encontrar m+1 ecuaciones, dependiendo del grado del polinomio a
ajustar.
Ejemplo:
Tenemos una serie de datos, los cuales se nos pide que los ajustemos a un polinomio
de grado 3.
La forma general de expresar un polinomio de dicho grado es:

P ( x ) =a0 +a 1 x i+ a2 x2i +a 3 x 3i

Observemos que el polinomio al ser de grado 3, indica que obtendremos 4 ecuaciones

simultaneas, la primera de ellas será el polinomio que deseamos ajustar igualado a y i.
Eso será para todos los polinomios, por lo tanto, tenemos que

a 0+ a1 x i +a2 x 2i + a3 x 3i = y i … Ecuación 1
 El siguiente paso será multiplicar por x iambos lados de la ecuación 1.

x i (a¿¿ 0+ a1 x i +a2 x 2i + a3 x 3i )= y i xi ¿

a 0 x i +a1 x2i +a 2 x 3i +a3 xi4= y i x i … Ecuación 2

Se repite el paso anterior pero ahora para la ecuación 2.

x i (a¿¿ 0 x i +a1 x2i +a 2 x 3i +a3 xi4 )=( y ¿ ¿ i xi )x i ¿ ¿

a 0 x 2i + a1 x3i +a 2 x 4i + a3 x 5i = y i x 2i … Ecuación 3

Y por último para la ecuación 4 se hará lo mismo, pero ahora con la ecuación 3.

x i (a¿¿ 0 x 2i + a1 x3i +a 2 x 4i + a3 x 5i )=( y ¿¿ i x2i )x i ¿ ¿

a 0 x 3i +a1 xi4 +a2 x5i + a3 x 6i = y i x 3i … Ecuación 4

Y así obtenemos el sistema de ecuaciones correspondiente a un polinomio de grado 3.

a 0+ a1 x i +a2 x 2i + a3 x 3i = y i

a 0 x i +a1 x2i +a 2 x 3i +a3 xi4= y i x i

a 0 x 2i + a1 x3i +a 2 x 4i + a3 x 5i = y i x 2i

a 0 x 3i +a1 xi4 +a2 x5i + a3 x 6i = y i x 3i

Este sistema de ecuaciones se expresa en términos de sumatorias y se establece

Σ a0=n a0
n n n n
n a 0+ ∑ a1 x i + ∑ a 2 x 2i +∑ a3 x 3i =∑ y i
i=1 i=1 i=1 i=1

n n n n n
2 3 4
∑ a0 x i +∑ a1 x +∑ a2 x + ∑ a3 x =∑ y i xi
i i i
i=1 i=1 i=1 i =1 i=1

n n n n n

∑ a0 x +∑ a 1 x +∑ a2 x +∑ a 3 x =∑ y i xi2
2
i
3
i
4
i
5
i
i=1 i=1 i=1 i=1 i=1

n n n n n

∑ a0 x 3i +∑ a1 x 4i +∑ a2 x 5i +∑ a 3 x 6i =∑ yi x 3i
i=1 i=1 i=1 i=1 i=1

Para fines prácticos es conveniente realizar la siguiente tabla para llenar las
matrices:
i Xi Yi X i2 X i3 X i4 X i5 X i6 Xi∗Yi X 2 i∗Yi X 3 i∗Yi
1
2
3
⋮
n
∑

El sistema de ecuaciones se puede resolver con operaciones matriciales lo cual nos

quedaría:

n n n

∑ x i ∑ x ∑ x 3i 2

[ ]
n i
n i=1 i=1 i =1
n n n
∑ xi ∑ x 2i ∑ x 3i ∑ x 4i
i=1
i=1 i=1 i=1
n
n n n
¿
2
∑ x ∑ x 3i ∑ xi4 ∑ x 5i
i
i=1
n i=1 i=1 i =1
3 n n n
∑ x ∑ x 4i ∑ x 5i ∑ x 6i
i
i=1
i=1 i=1 i=1

¿
Una vez que tengamos los valores correspondientes para a 0 , a1 , a2 y a3 se
sustituyen en nuestro polinomio de referencia y con ello habremos encontrado
el polinomio que se adapte a nuestros datos:
p ( x ) =a0 +a 1 x i +a2 xi2 +a 3 x i3
Ejemplo:
En determinado proceso se realizaron una serie de 20 mediciones para
monitorear la temperatura. Se desea encontrar los parámetros del polinomio de
segundo grado, que mejor se ajusta a esa serie de datos, y cuál es el valor de
la variable dependiente, cuando el valor de la variable independiente es de 20.
i Tiempo(s) ºC
1 0 10,08
2 0.5 12,03
3 1 11,38
4 1.5 18,81
5 2 20,53
6 2.5 28,5
7 3 31,38
8 3.5 38,4
9 4 48,39
1 4.5 60,6
0
1 5 66,66
1
1 5.5 82,61
2
1 6 91,37
3
1 6.5 105,44
4
1 7 122,53
5
1 7.5 137,77
6
1 8 152,74
7
 1 8.5 172,65
8
1 9 188,84
9
2 9.5 207.77
0

Nuestro polinomio será de la forma:

P ( x ) =a0 +a 1 x i+ a2 x2i

Construimos la tabla:
i Xi Yi X i2 X i3 X i4 Xi∗Yi X 2 i∗Yi
1 0 10,08 0 0 0 0 0
2 0. 12,03 0.25 0.125 0.0625 6.015 3.0075
5
3 1 11,38 1 1 1 11.38 11.38
4 1. 18,81 2.25 3.375 5.0625 28.215 42.3225
5
5 2 20,53 4 8 16 41.06 82.12
6 2. 28,5 6.25 15.625 39.0625 71.25 178.125
5
7 3 31,38 9 27 81 94.14 282.42
8 3. 38,4 12.25 42.875 150.0625 134.4 470.4
5
9 4 48,39 16 64 256 193.56 774.24
1 4. 60,6 20.25 91.125 410.0625 272.7 1227.15
0 5
1 5 66,66 25 125 625 333.3 1666.5
1
1 5. 82,61 30.25 166.375 915.0625 454.355 2498.9525
2 5
1 6 91,37 36 216 1296 548.22 3289.32
3
1 6. 105,44 42.25 274.625 1785.0625 685.36 4454.84
4 5
1 7 122,53 49 343 2401 857.71 6003.97
5
1 7. 137,77 56.25 421.875 3164.0625 1033.275 7749.5625
6 5
1 8 152,74 64 512 4096 1221.92 9775.36
7
1 8. 172,65 72.25 614.125 5220.0625 1467.525 12473.9625
8 5
1 9 188,84 81 729 6561 1699.56 15296.04
9
2 9. 207.77 90.25 857.375 8145.0625 1973.815 18751.2425
0 5
∑ 95 1608.48 617.5 4512.5 35166.625 11127.76 85030.915

Las ecuaciones a resolver:

n n n
n a 0+ ∑ a1 x i + ∑ a 2 x i2=∑ y i
i=1 i=1 i=1

n n n n

∑ a0 x i +∑ a1 x 2i +∑ a2 x3i =∑ y i x i
i=1 i=1 i=1 i=1

n n n n

∑ a0 x i +∑ a 1 x +∑ a2 xi =∑ y i xi2
2 3
i
4

i=1 i=1 i=1 i=1

Sustituimos valores:

20 95 617.5 a0 1608.48
[ 95 617.5 4512.5 a1
617.5 4512.5 35166.625 a 2
= 11127.76
85030.915 ][ ] [ ]
Y se procede de la siguiente manera.
−1
a0 20 95 617.5 1608.48
[ ][a 1 = 95
a2
617.5 4512.5
617.5 4512.5 35166.625 ][
∗ 11127.76
85030.915 ]
a0 0.37077 −0.15194 0.01298 1608.48
[ ][a 1 = −0.15194
a2
0.08826 −8.658∗10−3 ∗ 11127.76
0.01298 −8.658∗10−3 9.1136∗10−4 85030.915 ][ ]
Se tiene que:
a 0=9.8471
a 1=1.6003
a 2=2.0396

El polinomio de segundo grado nos queda:

P ( x ) =9.8471+1.6003 x +2.0396 x 2

Y para 20 s nos da como resultado:

857.6931°C

Conclusión:
Este método nos proporciona una forma generalizable para calcular el
polinomio de cualquier grado que mejor se ajuste a nuestros datos, como bien
sabemos estos procedimientos nos permiten estimar un valor nuevo dentro de
un rango de muestra, una ventaja que tienes es que cuando mayor sea el
grado del polinomio menor será el error de aproximación, un inconveniente de
esto es que cuando mayor sea el grado de dicho polinomio crecen los cálculos
que deben llevarse a cabo haciéndolo un proceso tedioso. Como vimos el
conjunto de ecuaciones que nos genera el método depende del grado del
polinomio y en este caso recurrimos a implementarlas a un sistema de
ecuaciones matriciales que nos facilitan más el cálculo de los coeficientes que
acompañan al polinomio.