MCSO

MÉTODO DE MÍNIMOS CUADRADOS DE SEGUNDO ORDEN (MCSO)

Regresión Polinomial
El ajuste de datos usando un modelo lineal es excelente cuando los datos sigan
una tendencia lineal. Sin embargo, en muchas ocasiones los datos no siguen esta
tendencia lineal. Considérese como ejemplo la siguiente colección de diez datos. Si se
grafica esta colección de datos, se obtiene lo siguiente:

De la gráfica no resulta claro cómo se pueda describir esta colección de datos con
una fórmula empírica lineal. Se puede forzar una línea recta sobre esta colección de
datos llevando a cabo el análisis de regresión, haciendo ciegamente los cálculos
matemáticos usuales para obtener el "mejor ajuste" lineal. Sin embargo, la fórmula
así obtenida tal vez no será de mucha utilidad para estimar lo que ocurrirá con otros
valores no graficados. Si nos hacemos a la idea de que esta colección de datos puede
ser mejor descrita por un modelo no-lineal, entonces un primer paso hacia esta
dirección consistiría en utilizar un polinomio de grado m:

(1)

En el método anterior se desarrolló un procedimiento para obtener la ecuación de

una línea recta por medio del criterio de mínimos cuadrados. En ingeniería, aunque
algunos datos exhiben un patrón marcado, como el que se advierte en la figura 17.8,
son pobremente representados por una línea recta, entonces, una curva podrá ser
más adecuada para ajustarse a los datos. Como se analizó en la sección anterior, un
método para lograr este objetivo es utilizar transformaciones. Otra alternativa es
ajustar polinomios a los datos mediante regresión polinomial.

Página 1 de 4
Métodos Numéricos-MTS
 MCSO

El procedimiento de mínimos cuadrados del método anterior (Mínimos Cuadrados

Lineales) se puede extender fácilmente al ajuste de datos con un polinomio de grado
superior. Por ejemplo, suponga que ajustamos un polinomio de segundo grado o
cuadrático:

(2)

Para este caso, la suma de los cuadrados de los residuos es:

(3)

Al seguir el procedimiento del método anterior, se obtiene la derivada de la ecuación

(3) con respecto a cada uno de los coeficientes desconocidos del polinomio:

Página 2 de 4
Métodos Numéricos-MTS
 MCSO

Estas ecuaciones se igualan a cero y se reordenan para obtener el siguiente

conjunto de ecuaciones normales:

Nota: todas las sumatorias van desde i = 1 hasta n.

Observe que las tres ecuaciones anteriores son lineales y tienen tres incógnitas: a0,
a1 y a2. Los coeficientes de las incógnitas se calculan de manera directa, a partir de
los datos observados. En este caso, observamos que el problema de determinar un
polinomio de segundo grado por mínimos cuadrados es equivalente a resolver un
sistema de tres ecuaciones lineales simultáneas (sistema de 3x3). Las técnicas para
resolver este tipo de sistemas de ecuaciones ya fueron vistas.

El caso de segundo grado se extiende con facilidad a un polinomio de m-ésimo

grado como sigue:

El análisis anterior se puede extender fácilmente a este caso más general. Así, se
reconoce que la determinación de los coeficientes de un polinomio de m-ésimo grado
es equivalente a resolver un sistema de m + 1 ecuaciones lineales simultáneas.

El error en la regresión polinomial se puede cuantificar mediante el Error Estándar

de Estimación (Sy/x), que ahora es:

=
/
−( + )

Donde m es el grado del polinomio y n el número de datos.

Todos los demás cálculos como la Desviación Estándar (Sy), el Coeficiente de

Determinación (r2) y el Coeficiente Correlación(r) se calculan de la misma manera que
en Mínimos Cuadrados Lineales:

Página 3 de 4
Métodos Numéricos-MTS
 MCSO

Desviación Estándar (Sy)

=
−

Donde: = ∑( − )

Los Coeficientes de Determinación (r2) y Correlación(r) respectivamente:

= ∗ %

Página 4 de 4
Métodos Numéricos-MTS