Capítulo 4 (4.

4)
Nota: Conviene revisar el capítulo 17, página 374 del Libro de Chapra para complementar
los conceptos. El libro está en la plataforma Paideia, en la carpeta Bibliografía.

4.4 Ajuste de Datos

La interpolación de funciones no es la única forma de estimar a las funciones, sobre todo no

resulta eficiente si se trata de trabajar con una cantidad grande de puntos de interpolación.
Existen otras formas como el Método de Mínimos Cuadrados que veremos a continuación.

Sean x e y dos variables que están relacionadas a través de la función f(x); es decir:
y = f ( x ) y = f(x)

y se obtienen valores experimentales, de la forma:

( x1, y1 ) , ( x2 , y2 ) ,....., ( xN , yN )
de manera que,
f(xi) = yi + i , i = 1,2,3,.......,N.

Donde los i, son los errores experimentales.

Buscaremos a la función que se aproxime a f(x), y puede ser escrita en la forma:
k
F ( x ) = F ( x , c1 , c2 ,...., ck ) =  ci  i ( x ) .
i =1

Donde c1, c2, ......, ck son parámetros y i (x) son funciones seleccionadas a priori.

Nota: Veamos algunos ejemplos,

(i). Sea una relación de tipo lineal:
f ( x) = a + bx
Luego se definen a las funciones:
1 ( x ) = 1,  2 ( x ) = x, y a los parámetros: c1 = a , c2 = b
Definiéndose a la función F , como:
2
F ( x) = F ( x, c1 , c2 ) =  ci i ( x) = c11 ( x) + c2 2 ( x)
i =1

(ii). Sea una relación de tipo cuadrática:

f ( x) = a + bx + cx 2
Luego se definen a las funciones:
2
1 ( x ) = 1,  2 ( x ) = x,  3 ( x ) = x , y a los parámetros: c1 = a , c2 = b, c3 = c

Definiéndose a la función F , como:

Página 1 de 5
Elizabeth Doig
 3
F ( x) = F ( x, c1 , c2 , c3 ) =  ci i ( x) = c11 ( x) + c2 2 ( x) + c3 3 ( x)
i =1

(iii). Sea una relación de tipo mixta:

f ( x) = a cos( x) + be x
Luego se definen a las funciones:
x
1 ( x ) = cos( x ),  2 ( x ) = e , y a los parámetros: c1 = a , c2 = b

Definiéndose a la función F , como:

2
F ( x) = F ( x, c1 , c2 ) =  ci i ( x) = c11 ( x) + c2 2 ( x)
i =1

Observación sobre los errores, y construcción del método de Mínimos Cuadrados:

Luego esta función F ( xi ) , nos genera desviaciones en cada punto ( xi , yi ) , que las
representaremos como:
ei = yi − F ( xi , c1 , c2 ,......, ck ) ,

Se desea que estas desviaciones sean lo más pequeñas posibles, por lo cual se acostumbra a
determinar los ci de tal manera que se minimice a la función E ( c1 , c2 , ..., ck ) ; es decir:
N
min {E (c , c ,..., c )} = min {  ( yi − F ( xi , c , c ,...., c ))2}
1
c ,c ,...,c
2
1 2
k  k c ,c ,....,c i =1 1 1 2
2 k
k

N
Lo ideal sería que  ( yi − F ( xi , c1, c2 ,...., ck )) 2 = 0 .
i =1
Y esto lo logramos derivando respecto a cada parámetro ci , para j = 1, 2, , k ,e igualando
a cero; esto es:

{E[ c1 , ...., ck ]} 2
 N
= {   i
y − F ( x , c
i 1 2, c , ....., c k 
)  } = 0, para j = 1, 2, ,k
c j  c j i =1
Calculando la derivada y simplificando, se tiene:

F ( xi , c , c ,...., c )
( ( ))
N 1 2 k =0
  y − F xi , c1, c2 ,...., ck
i =1 i c j

( ( ))
N
  y − F xi , c1, c2 ,...., ck  j ( xi ) = 0
i =1 i

Obteniéndose el siguiente sistema lineal de k ecuaciones con k incógnitas que se denominan

las Ecuaciones Normales del Método de Mínimos Cuadrados, con parámetros
c1 , c2 , , ck :

Página 2 de 5
Elizabeth Doig
 ( )
N N
 F x ,c ,c , ,c  (x ) =  y  (x ), j = 1, 2, 3, ,k
i 1 2 k j i i j i
i =1 i =1

N N N N
 c   ( x ) ( x ) + c   ( x ) ( x ) + ..... + c   ( x ) ( x ) =  y  ( x ); j = 1, 2, , k
1 1 i j i 2 2 i j i k k i j i i j i
i =1 i =1 i =1 i =1

Aplicaciones:
Ejemplo:
Dados los siguientes datos:

i 1 2 3 4
xi 1 2 3 4
yi 7 11 17 27
Tabla 1
Obtener:
a. Un ajuste de mínimos cuadrados lineal.
b. Un ajuste de mínimos cuadrados de la forma: y = Ae Mx .

Solución:
a. Ajuste lineal:
Un ajuste lineal será de la forma: f ( x) = a + bx .

Sea la función:
y = F ( x, c1 , c2 ) = c11 ( x) + c2  2 ( x) ,

Donde 1 ( x) = 1,  2 ( x) = x , y de ahí las Ecuaciones Normales son:

j = 1, 2, N = 4
N N N
(1) Para j = 1 : c1  1 ( xi )1 ( xi ) + c2   2 ( xi )1 ( xi ) =  yi 1 ( xi )
i =1 i =1 i =1
N N N
(2) Para j = 2 : c1  1 ( xi )  2 ( xi ) + c2   2 ( xi )  2 ( xi ) =  yi  2 ( xi )
i =1 i =1 i =1

Reemplazando las expresiones para cada una de las funciones  j ( x), con j = 1, 2 , y
simplificando:
j = 1, 2, N = 4
4 4 4
(1) c1  (1)(1) + c2  ( xi )(1) =  yi (1)
i =1 i =1 i =1
4 4 4
(2) c1  (1)( xi ) + c2  ( xi )( xi ) =  yi ( xi )
i =1 i =1 i =1

Página 3 de 5
Elizabeth Doig
Esto es,
4 4
4c1 + c2  x j =  y j
j =1 j =1
4 4 2 4
c1  x j + c2  x j =  x j y j ,
j =1 j =1 j =1

4 4 2 4 4
 x j = 10 ;  x j = 30;  y j = 62;  x j y j = 188
j=1 j=1 j=1 j=1
 c   −1 
  1 =
 
c2  6.6

Por lo tanto, el ajuste lineal pedido será:

(
y = F x, c1, c2 ) = −1 + 6.6 x .

Con, estimaciones para las ordenadas:

Observándose que la suma de errores al cuadrado es grande para la magnitud de los datos,
por lo que concluimos que No es buen ajuste.

b. Ajuste de la forma y = Ae Mx :
Aplicando logaritmos a la ecuación para linealizarla, con la finalidad de aplicar el método de
Mínimos Cuadrados; esto es:
z = ln ( y ) = ln ( A ) + Mx ,
Se tendrá el siguiente conjunto de datos:

i 1 2 3 4
xi 1 2 3 4
yi 7 11 17 27
zi = ln(yi) 1.94591 2.3979 2.83321 3.29584
Tabla 2
Se define a la función:
z = F ( x, c , c ) = c  ( x ) + c  ( x ) ,
1 2 1 1 2 2
Donde:

Página 4 de 5
Elizabeth Doig
  ( x ) = 1,  ( x ) = x,
1 2
c = ln( A); c = M .
1 2
Entonces
z = F ( x, c , c ) = c + c x ,
1 2 1 2

Y haciendo uso de las Ecuaciones Normales, se construye al sistema lineal de dos ecuaciones,
con dos incógnitas:

4 4
4c1 + c2  x j = zj
j =1 j =1
4 4 4 ,
c1  x j + c2  x 2
j = xjzj
j =1 j =1 j =1

donde

4 4

x
j =1
j z j = 28.4247 ; z
j=1
j = 10.47286 ;
,
 c  1.49694
  1 =  
c 2  0.44851
luego la función pedida será:

F ( x ) = 4.468 e0.44851x .

Con:

Por lo que se puede concluir que es un mejor ajuste.

Página 5 de 5
Elizabeth Doig