UNIDAD Nº 3.

AJUSTE DE CURVAS
REGRESIÓN CON CUADRADOS MÍNIMOS
El ajuste de curvas es un proceso mediante el cual, dado un conjunto de N pares de puntos {xi,
yi} (siendo x la variable independiente e y la dependiente), se determina una función matemática
f(x) de tal manera que la suma de los cuadrados de la diferencia entre la imagen real y la
correspondiente obtenida mediante la función ajustada en cada punto sea mínima:

a) Datos que muestran un error significativo. b) Ajuste polinomial oscilando más allá del rango
de los datos. c) Resultados más satisfactorios mediante el ajuste por mínimos cuadrados.

Generalmente, se escoge una función genérica f(x) en función de uno o más parámetros y se
ajusta el valor de estos parámetros de la manera que se minimice el error cuadrático, ε. La forma
más típica de esta función ajustada es la de un polinomio de grado M; obteniéndose para M = 1
un ajuste lineal (o regresión lineal):

para M = 2 un ajuste parabólico:

REGRESIÓN LINEAL
El ejemplo más simple de una aproximación por mínimos cuadrados es ajutar una línea recta a
un conjunto de observaciones definidas por puntos: (x1, y1), (x2, y2),…, (xn, yn). La expresión
matemática para la línea recta es

y = a0 + a 1x + e

donde a0 y a1 son coeficientes que representan la intersección con el eje y y la pendiente,

respectivamente, e es el error, o diferencia, entre el modelo y las observaciones, el cual se
representa al reordenar la ecuación como: e = y – a0 – a 1x Así, el error o residuo es la
discrepancia entre el valor verdadero de y y el valor aproximado, a0 + a 1x, que predijo la
ecuación lineal.

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 1

Criterio para un “mejor” ajuste

Una estrategia para ajustar una “mejor” línea a través de los datos será minimizar la suma de
los errores residuales de todos los datos disponibles, como sigue:

donde n = número total de puntos.

Sin embargo, éste es un criterio inadecuado, como lo muestra en la figura, la cual presenta el
ajuste de una línea recta de dos puntos. Obviamente, el mejor ajuste es la línea que une los
puntos. Sin embargo, cualquier línea recta que pase a través del punto medio que une la línea
(excepto una línea perfectamente vertical) da como resultado un valor mínimo de la ecuación
igual a cero, debido a que los errores se cancelan.

Ejemplo de algunos criterios para “el mejor ajuste” que son inadecuados para la regresión: a)
minimizar la suma de los residuos, b) minimizar la suma de los valores absolutos de los residuos
y c) minimizar el error máximo de cualquier punto individual.

Por lo tanto, otro criterio lógico podría ser minimizar la suma de los valores absolutos de las
discrepancias:

El gráfico b muestra por qué este criterio también es inadecuado. Para los cuatro puntos dados,
cualquier línea recta que esté dentro de las líneas punteadas minimizará el valor absoluto de la
suma. Así, este criterio tampoco dará un único mejor ajuste. Una tercera estrategia para ajustar
una mejor línea es el criterio minimax. En esta técnica, la línea se elige de manera que minimice

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 2

la máxima distancia a que un punto se encuentra de la línea. Como se ilustra en la figura c, tal
estrategia es inadecuada para la regresión, ya que da excesiva influencia a puntos fuera del
conjunto; es decir, a un solo punto con un gran error. Deberá observarse que el principio
minimax es, en algunas ocasiones, adecuado para ajustar una función simple a una función
complicada (Carnahan, Luther y Wilkes, 1969). La estrategia que supera las deficiencias de los
procedimientos mencionados consiste en minimizar la suma de los cuadrados de los residuos
entre la y medida y la y calculada con el modelo lineal.

Este criterio tiene varias ventajas, entre ellas el hecho de que se obtiene una línea única para
cierto conjunto de datos. Antes de analizar tales propiedades, presentaremos una técnica para
determinar los valores de a0 y a1 de la ecuación.

Ajuste de una línea recta por mínimos cuadrados

Para determinar los valores de a0 y a1, la ecuación y = a0 + a 1x + e se deriva con respecto a cada
uno de los coeficientes:

Observe que hemos simplificado los símbolos de la sumatoria; a menos que se indique otra cosa,
todas las sumatorias van desde i = 1 hasta n. Al igualar estas derivadas a cero, se dará como
resultado un Sr mínimo. Si se hace esto, las ecuaciones se expresan como:

Ahora, si observamos que ∑a0 = na0, expresamos las ecuaciones como un conjunto de dos
ecuaciones lineales simultáneas, con dos incógnitas (a0 y a1):

Éstas se llaman ecuaciones normales, y se resuelven en forma simultánea

Este resultado se utiliza conjuntamente con la ecuación anterior para

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 3

Ejemplo: Ajuste a una línea recta los valores x y y en las dos primeras columnas de la tabla:

Por lo tanto, el ajuste por mínimos cuadrados es y = 0.07142857 + 0.8392857x

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 ajustamos un polinomio de segundo
grado o cuadrático:

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

Al seguir el procedimiento de la sección anterior, obtenemos la derivada de la ecuación anterior

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

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 4

Estas ecuaciones se igualan a cero y se reordenan para desarrollar el siguiente conjunto de
ecuaciones normales:

donde 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 evalúan 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:

El error estándar se formula como sigue:

Ejemplo: Ajustar a un polinomio de segundo grado los datos dados en las dos primeras columnas
de la tabla:

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 5

 REGRESIÓN LINEAL MÚLTIPLE
Una extensión útil de la regresión lineal es el caso en el que y es una función lineal de dos o más
variables independientes. Por ejemplo, y podría ser una función lineal de x1 y x2, como en

y = a0 + a 1x 1 + a 2x 2 + e

En particular tal ecuación es útil cuando se ajustan datos experimentales donde la variable sujeta
a estudio es una función de otras dos variables. En este caso bidimensional, la “línea” de
regresión se convierte en un “plano”

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 6

Como en los casos anteriores, los “mejores” valores para los coeficientes se determinan al
realizar la suma de los cuadrados de los residuos

y derivando con respecto a cada uno de los coeficientes desconocidos

Los coeficientes que dan la suma mínima de los cuadrados de los residuos se obtienen al igualar
a cero las derivadas parciales y expresando el resultado en forma matricial:

Ejemplo: Los siguientes datos se calcularon con la ecuación y = 5 + 4x 1 – 3x2:

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 7

Utilizando regresión múltiple obtenemos:

Las sumatorias requeridas para la ecuación se calculan en la tabla. El resultado es

Que se resuelve mediante un método como el de eliminación de Gauss, obteniéndose

a0 = 5 a1 = 4 a 2 = –3

Que es consistente con la ecuación original, de la cual se obtienen los datos.

INTERPOLACIÓN
Con frecuencia se encontrará con que tiene que estimar valores intermedios entre datos
definidos por puntos. El método más común que se usa para este propósito es la interpolación
polinomial. Recuerde que la fórmula general para un polinomio de n-ésimo grado es f(x) = a0 +
a 1x + a 2x2 + · · · + a nxn.

Dados n + 1 puntos, hay uno y sólo un polinomio de grado n que pasa a través de todos los
puntos. Por ejemplo, hay sólo una línea recta (es decir, un polinomio de primer grado) que une
dos puntos (figura a). De manera similar, únicamente una parábola une un conjunto de tres
puntos (figura b).

La interpolación polinomial consiste en determinar el polinomio único de n-ésimo grado que se

ajuste a n + 1 puntos. Este polinomio, entonces, proporciona una fórmula para calcular valores
intermedios. 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.
Nosotros analizaremos dos alternativas que son muy adecuadas para implementarse en
computadora: los polinomios de Newton y de Lagrange.

INTERPOLACIÓN POLINOMIAL DE NEWTON EN DIFERENCIAS DIVIDIDAS

Esta es una de las formas más populares y útiles. Antes de presentar la ecuación general,
estudiaremos las versiones de primero y segundo grados por su sencilla interpretación visual.

Interpolación lineal

La forma más simple de interpolación consiste en unir dos puntos con una línea recta. Dicha
técnica, llamada interpolación lineal, se ilustra de manera gráfica en la figura. Utilizando
triángulos semejantes:

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 8

Reordenando la ecuación tenemos:

Que es una fórmula de interpolación lineal. La notación f1(x) designa que éste es un polinomio
de interpolación de primer grado. Observe 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 a la primer derivada. En generacuanto menor sea el intervalo entre los datos, mejor será
la aproximación. Esto se debe al hecho de que, conforme el intervalo disminuye, una función
continua estará mejor aproximada por una línea recta.

Ejemplo: Estime el logaritmo natural de 2 mediante interpolación lineal. Primero, realice el

cálculo por interpolación entre ln 1 = 0 y ln 6 = 1.791759. Después, repita el procedimiento, pero
use un intervalo menor de ln 1 a ln 4 (1.386294). Observe que el valor verdadero de ln 2 es
0.6931472.

Solución: Usamos la interpolación lineal para ln(2) desde x0 = 1 hasta x1 = 6 obteniendo:

Así, usando el intervalo más corto el error relativo porcentual se reduce a et = 33.3%. Ambas
interpolaciones se muestran en la figura junto con la función verdadera

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 9

Interpolación cuadrática

En el ejemplo anterior el error resulta de aproximar una curva mediante una línea recta. En
consecuencia, una estrategia 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 es:

Aplicando propiedad distributiva:

Agrupando términos:

Para encontrar b0 se evalúa con x = x0 para obtener:

Reemplazándose en la ecuación original y evaluándose en x = x1 para tener:

Por último, las ecuaciones anteriores se sustituyen en la ecuación original, después se evalúa en
x = x2 y (luego de algunas manipulaciones algebraicas) se resuelve:

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 10

Observe que, como en el caso de la interpolación lineal, b1 todavía representa la pendiente de
la línea que une los puntos x0 y x1. Así, los primeros dos términos de la ecuación son equivalentes
a la interpolación lineal de x0 a x1. El último término, b2(x – x0)(x – x1), determina la curvatura de
segundo grado en la fórmula.

Ejemplo:

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 11

Forma general de los polinomios de interpolación de Newton

El análisis anterior puede generalizarse para ajustar un polinomio de n-ésimo grado a n + 1

datos. El polinomio de n-ésimo grado es:

Como se hizo antes con las interpolaciones lineales y cuadráticas, los puntos asociados con datos
se utilizan para evaluar los coeficientes b0, b1,..., bn. Para un polinomio de n-ésimo grado se
requieren n + 1 puntos: [x0, f(x0)], [x1, f(x1)],..., [xn, f(xn)]. Usamos estos datos y las siguientes
ecuaciones para evaluar los coeficientes:

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:

La segunda diferencia dividida finita, que representa la diferencia de las dos primeras diferencias
divididas, se expresa en forma general como:

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 12

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

Lo cual da origen al polinomio:

que se conoce como polinomio de interpolación de Newton en diferencias divididas. Debe

observarse que no se requiere que los datos utilizados en la ecuación estén igualmente
espaciados o que los valores de la abscisa estén en orden ascendente.

Ejemplo:

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 13

Errores de la interpolación polinomial de Newton

Observe que la estructura de la ecuación del polinomio de interpolación de Newton es similar a

la expansión de la serie de Taylor en el sentido de que se van agregando términos en forma
secuencial, para mostrar el comportamiento de orden superior de la función. Estos términos son
diferencias divididas finitas y, así, representan aproximaciones de las derivadas de orden
superior. En consecuencia, como ocurrió con la serie de Taylor, si la función verdadera es un
polinomio de n-ésimo grado, entonces el polinomio de interpolación de n-ésimo grado basado
en n + 1 puntos dará resultados exactos. También, como en el caso de la serie de Taylor, es
posible obtener una formulación para el error de truncamiento. Recuerde que el error de
truncamiento en la serie de Taylor se expresa en forma general como:

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 14

 POLINOMIOS DE INTERPOLACIÓN DE LAGRANGE
El polinomio de interpolación de Lagrange es simplemente una reformulación del polinomio de
Newton que evita el cálculo de las diferencias divididas, y se representa de manera concisa
como:

Donde:

donde Π designa el “producto de”. Por ejemplo, la versión lineal (n = 1) es:

y la versión de segundo grado es:

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 15

Ejemplo:

CALCULO NUMÉRICO LIC. PROF. PONTI PAMELA 16