Unidad 2.2

ÍNDICE
1. Unidad 2: Interpolación y ajuste de curvas .........................................................3
Tema 2: Ajuste de Curvas: Mínimos Cuadrados ........................................................... 3
Objetivo: ........................................................................................................................ 3
Introducción: ................................................................................................................. 3
2. Información de los subtemas .............................................................................4
2.1 Subtema 1: Mínimos Cuadrados ........................................................................ 4
2.2 Subtema 2: Ajuste Lineal con Mínimos Cuadrados ............................................ 6
2.3 Subtema 3: Coeficiente de Determinación......................................................... 9
2.4 Subtema 4: Linealización y aplicación de funciones no lineales ...................... 11
3. Preguntas de Comprensión de la Unidad ..........................................................19
4. Material Complementario ................................................................................20
5. Bibliografía ......................................................................................................21
2
Ajuste de curvas: Mínimos Cuadrados
1. Unidad 2: Interpolacion y ajuste

de curvas
Tema 2: Ajuste de Curvas: Mínimos Cuadrados
Objetivo:
Obtener una curva mediante regresión lineal por mínimos cuadrados a partir de un
conjunto de datos y evaluar la confiabilidad del ajuste.
Introducción:
El método de regresión por mínimos cuadrados se utiliza cuando existen cierto tipo de
errores en los datos y se busca una curva que pase por la mayor cantidad de puntos, a
diferencia de la interpolación donde la curva pasa por todos los puntos.
Recordemos que en interpolación mientras más puntos se utilizan para hallar el
polinomio interpolado, mayor será el grado del polinomio y esto ocasiona grandes
oscilaciones.
A partir de un conjunto de puntos x,y con la gráfica de dispersión se puede determinar
el comportamiento de los datos, si existe una relación lineal, cuadrática, exponencial,
logarítmica, etc. En base a la inspección visual se puede determinar el tipo de curva
que mejor ajusta los datos, este ajuste luego será contrastado con el cálculo de valores
de coeficiente de regresión para determinar la confiabilidad del ajuste.
Grafica de dispersión x,y Ajuste de datos mediante Ajuste de datos con regresión
interpolación lineal
© Universidad Estatal de Milagro – UNEMI
Figura 1: Comparación de interpolación y regresión lineal para datos x,y

Fuente: (Chapra & Canale, 2006)
El criterio para el ajuste de curvas es el de mínimos cuadrados, esto permitirá

minimizar la diferencia entre los puntos y la curva, esto es lo que se analizará en este
compendio.
FORMATO CONTROLADO: FR0018/ v1.0 / 18-11-2019 3

2. Informacion de los subtemas

2.1 Subtema 1: Mínimos Cuadrados
Sea (x1, y1), (x2, y2), ……, (xn, yn) un conjunto de puntos en el plano xy, que se pueden
ajustar mediante una línea recta cuya ecuación es:
y = a0 + a1 x + e (1)
Esta línea recta debe ajustarse de tal forma que el error sea mínimo entre cada punto
de los datos (x,y) y la curva ajustada. Para obtener dicho ajuste se utiliza el método de
mínimos cuadrados, el objetivo de este método es medir los errores de ajuste que se
hace al conjunto de datos y encontrar los parámetros del modelo, en este caso a0 y a1
que disminuyan al máximo el error de estimación. (Sauer, 2012)
Figura 2: Mínimos Cuadrados

Fuente: https://bit.ly/3k8rFvU
Despejando el error en la ecuación 1 obtenemos:

e = y − a0 + a1 x (2)
Este error representa la diferencia entre el modelo y las observaciones para un valor
de x.
La estrategia que se sigue para mejorar el ajuste de la recta a través de los valores (x,y)
provenientes de los datos, es la suma de los errores residuales, tal como se indica en la
ecuación 3 (Chapra & Canale, 2006).
n n
 ei =  ( yi − a0 − a1 xi )
i =1 i =1
(3)
Este criterio es inadecuado puesto que como se observa en la figura 2, los errores para
cada uno de los puntos son positivos si y está encima de la curva y negativo si está
debajo, al final, aunque estos valores sean grandes las sumas y restas podrían dar
valores cercanos a cero que daría un criterio incorrecto sobre la confiabilidad de la
estimación.

Otro criterio que se podría pensar para minimizar el error, es la suma de valores
absolutos del error residual, tal como se indica en la ecuación 4. (Sauer, 2012)
n n
 e =  y −a
i =1
i
i =1
i 0 − a1 xi (4)
Este criterio también es inadecuado porque toda recta que esté al interior de las líneas
segmentadas figura 3, hará que disminuya el valor absoluto de la suma del error,
ecuación 4.
Figura 3: Suma de valores absolutos de discrepancias.

Los criterios indicados anteriormente presentan deficiencias, la estrategia que resuelve

estos inconvenientes es minimizar el error cuadrático para todos los puntos, con el
cuadrado se estima la distancia, sin importar si el punto está por debajo o por encima
de la curva estimada.
La ecuación para calcular el error por mínimos cuadrados es: (Chapra & Canale,
2006)
n n
S r =  ei2 =  ( yi − a0 − a1 xi )
2
(5)
i =1 i =1

2.2 Subtema 2: Ajuste Lineal con Mínimos Cuadrados

Para el ajuste de una recta se deben determinar los coeficientes a0 y a1, esto con la
derivada de s (ecuación de mínimos cuadrados) con respecto a cada parámetro.
(Rodríguez, 2016)
S r
= −2 ( yi − a0 − a1 xi ) (7)
a0
Sr
= −2 ( yi − a0 − a1 xi )xi (8)
a1
Para minimizar el error se utiliza el criterio de la primera derivada igualada a cero,

como las sumatorias van desde i=1 hasta n (número de puntos), las ecuaciones
quedan:
0 =  yi −  a0 −  ai xi (9)
0 =  yi xi −  a0 xi −  ai xi
2
(10)
Cada una de las sumatorias pueden ser escritas como: (Lara, 2019)
n n n n
S x =  xi S y =  yi S xy =  xi yi S xx =  xi2
i =1 i =1 i =1 i =1
Al resolver el sistema de ecuaciones se obtienen los parámetros a0 y a1
(Nieves & Dominguez, 2014)

nS xy − S x S y
a1 = (11)
nS xx − ( S x )
2
S xx S y − S xy S x
a0 = (12)
nS xx − ( S x )
2
Ejercicio 1
Ajuste los datos siguientes mediante regresión lineal por mínimos cuadrados
X 2 4 6 7 10 11 14 17 20
Y 1 2 5 2 8 7 6 9 12

Los cálculos de las sumatorias, las resolvemos en Excel
n x y xy x^2 y^2
1 2 1 2 4 1
2 4 2 8 16 4
3 6 5 30 36 25
4 7 2 14 49 4
5 10 8 80 100 64
6 11 7 77 121 49
7 14 6 84 196 36
8 17 9 153 289 81
9 20 12 240 400 144
Sx Sy Sxy Sxx Syy

91 52 688 1211 408
Tabla 1: Cálculo de las sumatorias para mínimos cuadrados

Fuente: Elaboración propia
nS xy − S x S y 9(688) − (91)(52)
a1 = a1 = =0.55768
nS xx − ( S x ) 9(1211) − ( 91)
2 2
S xx S y − S xy S x (1211)(52) − (688)(91)
a0 = a0 = = 0.13904
nS xx − ( S x ) 9(1211) − ( 91)
2 2
y = a0 + a1 x
y = 0.13904 + 0.55768x
Figura 4: Ajuste lineal de datos con mínimos cuadrados ejercicio 1

Ejercicio 2
Mediante regresión lineal por mínimos cuadrados ajuste una recta a los datos, que
corresponden a un objeto que pasa por un túnel de viento, se realizan las mediciones
de fuerza y velocidad del viento y se registran en la siguiente tabla.

V(m/s) 10 20 30 40 50 60 70 80
F(N) 25 70 380 550 610 1220 830 1450

Las sumatorias son resueltas en excel
n x y xy x^2 y^2
1 10 25 250 100 625
2 20 70 1400 400 4900
3 30 380 11400 900 144400
4 40 550 22000 1600 302500
5 50 610 30500 2500 372100
6 60 1220 73200 3600 1488400
7 70 830 58100 4900 688900
8 80 1450 116000 6400 2102500
Sx Sy Sxy Sxx Syy

360 5135 312850 20400 5104325
Tabla 2: Cálculo de las sumatorias para mínimos cuadrados ejercicio 2

nS xy − S x S y 8(312850) − (360)(5135)
a1 = a1 = =19,47
nS xx − ( S x ) 8(20400) − ( 360)
2 2
S xx S y − S xy S x (20400)(5135) − (312850)(360)
a0 = a0 = = −234, 286
nS xx − ( S x ) 8(20400) − ( 360 )
2 2
y = a0 + a1 x
y = −234, 286 + 19, 47 x
Figura 5: Ajuste lineal de datos con mínimos cuadrados ejercicio 2


2.3 Subtema 3: Coeficiente de Determinación

Para El parámetro r2, conocido como coeficiente de determinación, se utiliza para
determinar el desempeño de la estimación por regresión mediante mínimos cuadrados
o que tan bueno es un modelo. Si r2=1 significa que la función obtenida explica el 100%
de la variabilidad de los datos, por el contrario, si r 2 se acerca a cero, significa que la
función obtenida no representa la variabilidad de los datos y se debe buscar otra
función a fin de mejorar este parámetro. El coeficiente de correlación está
representado por √𝒓𝟐 , este parámetro proporciona una medida de que tan fuerte es
la relación lineal entre las variables (Chapra & Canale, 2006).
St =  ( yi − y )
2
(13)
St − S r
r2 = (14)
St
2
 
 nS xy − S x S y 
r =
2
 (15)
 nS xx − ( S x ) nS yy − ( S y )
2

2
 
Otra forma para determinar la relación lineal entro dos variables es el coeficiente de
correlación lineal de Pearson que se calcula mediante:
 xy
rxy = , − 1  rxy  1 (16)
 x y
 xy = 
xi yi
− x y (17)
n
x =  x − ( x)
2
i
2
(18)
n
y =  y − ( y)
2
i
2
(19)
n
Para valores rxy positivos implica pendiente positiva y relación proporcional, para
valores rxy negativos implica pendiente negativa y relación inversamente proporcional.
Si rxy es cercano a cero, las variables no estarán relacionadas linealmente (Rodríguez,
2011). Este valor es igual al coeficiente de determinación, solo que se calcula de otra
forma, a partir de la covarianza (x,y) y las desviaciones estándar de x y de y.
Ejercicio 3
En base a los valores obtenidos en el ejercicio 1, calcule los coeficientes de
determinación, de correlación y de Pearson:

Sx Sy Sxy Sxx Syy n

91 52 688 1211 408 9
Coeficiente de determinación
2
 
(9)(688) − (91)(52)
r2 =  
 (9)(1211) − 91 2 (9)(408) − 52 2 
 ( ) ( ) 
r 2 = 0.84113
Coeficiente de correlación
r = r 2 = 0.91713
Coeficiente de Pearson
 xy 20.277
rxy = = = 0.9171
 x y (6.030)(3.667)
Con estos valores determinamos que el modelo se ajusta al 84% de variabilidad de los
datos y que la relación lineal entre los valores x,y es de 0.9171.
Ejercicio 4
En base a los valores obtenidos en el ejercicio 2, calcule los coeficientes de
determinación, de correlación y de Pearson para el modelo:
Sx Sy Sxy Sxx Syy n
360 5135 312850 20400 5104325 8
2
 
(8)(31285) − (360)(5135)
r2 =  
 (8)(20400) − 360 2 (8)(51044325) − 5135 2 
 ( ) ( ) 
r 2 = 0.8805
Coeficiente de correlación
r = r 2 = 0.9383
Coeficiente de Pearson
 xy
rxy = = 0.9383
 x y
Con estos valores determinamos que el modelo se ajusta al 88% de variabilidad de los
datos y que la relación lineal entre los valores x,y es de 0.9383.

2.4 Subtema 4: Linealización y aplicación de funciones

no lineales
Antes de linealizar funciones, se analizará la regresión para un polinomio cuadrático y
luego en forma general para un polinomio de grado n.
El polinomio cuadrático tiene la forma:
p2 ( x ) = a0 + a1 xi + a2 xi 2
El error por mínimos cuadrados está dado por:
S r =  ei2 =  ( yi − a0 − a1 xi − a2 xi2 )
n n 2
(20)
i =1 i =1
Al derivar Sr con respecto a cada uno de los parámetros a0, a1 y a2 e igualar a cero se
obtiene un sistema de 3 ecuaciones con las incógnitas dadas por los parámetros del
polinomio, al resolver este sistema de ecuaciones podremos encontrar los valores de
dichos parámetros.
na0 + (  xi ) a1 + (  xi2 ) a2 =  yi
( x ) a + ( x ) a + ( x ) a =  x y
i 0
2
i 1
3
i 2 i i (21)
( x ) a + ( x ) a + ( x ) a =  x y
i
2
0
3
i 1
4
i 2 i
2
i
Se calcula cada una de las sumatorias en una tabla de excel y luego se resuelve el
sistema de ecuaciones.
La ecuación de mínimos cuadrados para ajustar un polinomio de grado n es:
S r =  ei2 =  ( yi − a0 − a1 xi − a2 xi2 − an xin )

n n 2
(22)
i =1 i =1
Se deriva parcialmente con respecto a cada coeficiente y se llega al sistema lineal:

na0 + (  xi ) a1 + (  xi2 ) a2 + + (  xin ) an =  yi
( x ) a + ( x ) a + ( x ) a +
i 0
2
i 1
3
i 2 + (  xin +1 ) an =  xi yi
( x ) a + ( x ) a + ( x ) a +
2 3 4
+ (  xin + 2 ) an =  xi 2 yi
i 0 i 1 i 2 (22)
( x ) a + ( x ) a + ( x ) a
i
n
0
n +1
i 1
n+2
i 2 + + (  xin + n ) an =  xi n yi
Aproximación Multilineal con mínimos cuadrados

Es frecuente tener funciones de varias variables, de la forma:
f (u, v, z ) = y = a0 + a1u + a2v + a3 z

Al emplear mínimos cuadrados se obtiene la ecuación:

n n
Sr =  ei2 =  ( yi − a0 − a1ui − a2vi − a3 zi )
2
(23)
i =1 i =1
Se deriva parcialmente con respecto a cada coeficiente a0, a1, a2 y a3, luego se iguala a
cero y se obtienen las ecuaciones:
na0 + (  ui ) a1 + (  vi ) a2 + (  zi ) a3 =  yi
( u ) a + ( u ) a + (u v ) a + (u z ) a = u y
i 0
2
i 1 i i 2 i i 3 i i
(24)
( v ) a + ( v u ) a + ( v ) a + ( v z ) a =  v y
i 0 i i 1 i
2
2 i i 3 i i
( z ) a + ( z u ) a + ( z v ) a + ( z ) a =  z y
i 0 i i 1 i i 2 i
2
3 i i
Hay otros casos donde datos no tienen una tendencia lineal, sino más bien el ajuste se
realiza mediante una función exponencial, logarítmica, etc.
Para este tipo de casos es conveniente aplicar un procedimiento mediante funciones
inversas, a fin de linealizar los datos y aplicar regresión lineal por mínimos cuadrados.
A continuación, se presenta una tabla con algunas funciones que pueden ser
linealizadas a fin de aplicar el procedimiento de mínimos cuadrados.
Ecuación no Ecuación linealizada Relación entre coeficientes

lineal
y = bx m ln( y) = m ln( x) + ln(b) y* = ln( y ), x* = ln( x), a1 = m, a0 = ln(b)
y = bemx ln( y) = mx + ln(b) y* = ln( y ), x* = x, a1 = m, a0 = ln(b)
y = b10mx log( y) = mx + log(b) y* = log( y ), x* = x, a1 = m, a0 = b
1 1 1 * 1
y= = mx + b y* = , x = , a1 = m, a0 = b
mx + b y y x
mx 1 b 1 1 1 * 1 b 1
y= = + y* = , x = , a1 = , a0 =
b+m y mx m y x m m
Tabla 3: Linealización de funciones no lineales
Fuente: (Lara, 2019)
Ejercicio 5
Emplee regresión no lineal para ajustar una parábola a los datos siguientes:
X 0.75 2 3 4 6 8 8.5
Y 1.2 1.95 2 2.4 2.4 2.7 2.6
La ecuación 21 permitirá hallar los coeficientes para el polinomio cuadrático, la

sumatorias serán calculadas en excel.

na0 + (  xi ) a1 + (  xi2 ) a2 =  yi
( x ) a + ( x ) a + ( x ) a =  x y
i 0
2
i 1
3
i 2 i i (21)
( x ) a + ( x ) a + ( x ) a =  x y
i
2
0
3
i 1
4
i 2 i
2
i
n x y x*y x^2 x^3 x^4 x^2*y

1 0.75 1.2 0.9 0.5625 0.42188 0.316406 0.675
2 2 1.95 3.9 4 8 16 7.8
3 3 2 6 9 27 81 18
4 4 2.4 9.6 16 64 256 38.4
5 6 2.4 14.4 36 216 1296 86.4
6 8 2.7 21.6 64 512 4096 172.8
7 8.5 2.6 22.1 72.25 614.125 5220.063 187.85
Sx Sy Sxy Sx2 Sx3 Sx4 Sx2y

32.25 15.25 78.5 201.81 1441.55 10965.38 511.925
Con los valores de las sumatorias, se arma el sistema de ecuaciones de acuerdo a la

ecuación 21.
 7 32.25 201.81 a0   15.25 
    
 32.25 201.813 1441.5  a1  =  78.5 
 201.813 1441.5 10965  a   511.925 
  2   
Al resolver el sistema obtenemos los valores de los parámetros:

a0 = 0.9907, a1 = 0.449, a3 = −0.0307
p2 ( x ) = a0 + a1 xi + a2 xi 2
p2 ( x) = 0.9907 + 0.449 x − 0.0307 xi 2
Para determinar el coeficiente de determinación utilizamos las fórmulas:

St =  ( yi − y )
2
(13)
S r =  ei2 =  ( yi − a0 − a1 xi − a2 xi2 )
n n 2
(20)
i =1 i =1
(yi-p2)^2 (yi-ym)^2

0.01229627 0.957602041
0.03321347 0.052244898
0.00411984 0.031887755
0.0101546 0.049030612
0.03428241 0.049030612
0.00554581 0.271887755
7.5282E-06 0.177602041
Sr St
0.09961993 1.589285714
Tabla 5: Cálculo en Excel para hallar el coeficiente de determinación
1.5892 − 0.09961
r2 = = 0.9373
1.5892
La gráfica de la estimación cuadrática es:
Figura 6: Ajuste cuadrático de los datos ejercicio 5.

Ejercicio 6
La ecuación de corriente para un circuito de carga RL serie viene dada por:
I(t) = 1 − ⅇ−t∕τ
En esta ecuación la variable independiente es el tiempo que se mide al momento de

cerrar el interruptor y la variable dependiente es la corriente a través del circuito, en
base a las mediciones proporcionadas en la tabla, estime la constante de tiempo 𝜏
para el circuito.
Fuente: (Nieves & Dominguez, 2014)

I 0.073 0.220 0.301 0.370 0.418 0.467 0.517
t (seg) 0.1 0.2 0.3 0.4 0.5 0.6 0.7

Tabla 6: Datos de corriente en función del tiempo
Fuente: (Nieves & Dominguez, 2014)
Solución
Primero se linealiza la función exponencial de acuerdo a lo que se indica en la tabla 1.
 −t 
ln( I ) = ln(1) − ln  e 
 
t
ln( I ) = ln ( e )

1
ln( I ) = t

y* = ln( I ), x = t
n x=t I y*=ln(I) xy* x^2 y*^2

-
1 0.1 0.073 0.01
2.617296 -0.26172958 6.8502375
-
2 0.2 0.22 0.04
1.514128 -0.30282555 2.29258279
-
3 0.3 0.301 0.09
1.200645 -0.3601935 1.44154845
-
4 0.4 0.37 0.16
0.994252 -0.39770091 0.98853758
-
5 0.5 0.418 0.25
0.872274 -0.43613692 0.76086166
-
6 0.6 0.467 0.36
0.761426 -0.45685561 0.57976959

-
7 0.7 0.517 0.49
0.659712 -0.46179868 0.43522046
Sx Sy Sxy Sxx Syy

- -
2.8 1.4
8.6197 2.677241 13.3488

nS xy − S x S y 7(−2.67724) − (2.8)(−8.6197)
a1 = a1 = =2.7523
nS xx − ( S x ) 7(1.4) − ( 2.8)
2 2
2
 
r =
2

 nS xx − ( S x ) nS yy − ( S y )
2

2
 
r 2 = 0.8805
Del modelo m=a1
1
m = a1 =

1 1
= =
a1 2.7523
 = 0.3633s
Ejercicio 7
En la tabla 8 se muestran los valores de volumen en pie3 y de presión en psi:
Puntos 1 2 3 4 5 6 7 8 9
v 26.43 22.40 19.08 16.31 14.04 12.12 10.51 9.15 8.00
p 14.70 17.53 20.80 24.54 28.83 33.71 39.25 45.49 52.52
Tabla 8: Datos de volumen y presión
Fuente: (Nieves & Dominguez, 2014).
Encuentre los parámetros a y b de la ecuación, aplicando mínimos cuadrados (Nieves &

Dominguez, 2014).
P = aνb
La ecuación puede ser linealizada aplicando logaritmo natural.

ln( p) = ln(a) + b ln(v)
Utilizamos las siguientes representaciones para trabajar con el modelo lineal:

y* = ln( p ), a 0 = ln(a ), a1 = b, x* = ln(v)
y * = a0 + a1 x*
Calculamos las sumatorias en base a los datos linealizados

n v p x=ln(v) y=ln(p) xy x^2 y^2

1 26.43 14.7 3.2745 2.687847 8.80136 10.72235 7.224524
2 22.4 17.53 3.10906 2.863914 8.90408 9.66626 8.202002
3 19.08 20.8 2.94864 3.034953 8.94899 8.694482 9.21094
4 16.31 24.54 2.79178 3.200304 8.93454 7.794027 10.24195
5 14.04 28.83 2.64191 3.361417 8.88056 6.979691 11.29912
6 12.12 33.71 2.49486 3.517795 8.77639 6.224311 12.37488
7 10.51 39.25 2.35233 3.669951 8.63293 5.533443 13.46854
8 9.51 45.49 2.25234 3.817493 8.59831 5.073053 14.57325
9 9.15 52.52 2.21375 3.961194 8.76911 4.900706 15.69106
Sx Sy Sxy Sxx Syy

24.0792 30.11487 79.2463 65.58832 102.2863
nS xy − S x S y 9(79.2463) − (24.079)(30.1148)
a1 = a1 = =-1.1369
nS xx − ( S x ) 9(65.5883) − ( 24.0792 )
2 2
S xx S y − S xy S x (65.5883)(30.1148) − (79.2463)(24.0792)
a0 = a0 = = 6.3879
nS xx − ( S x ) 9(65.5883) − ( 24.0792 )
2 2
Modelo linealizado
y* = 6.3879 − 1.1369 x*
Se calculan los valores a y b del modelo no lineal
a 0 = ln(a), a1 = b
b = −1.1369
a = ea0 = e6.3879
a = 594.6426
p = 594.6426v −1.1369

Figura 7: Ajuste cuadrático de los datos ejercicio 7.

2
 
r =
2

 nS xx − ( S x ) nS yy − ( S y )
2

2
 
r 2 = 0.9917

3. Preguntas de Comprension de la
Unidad
¿Cuándo se debe utilizar ajuste de curvas?
Cuando los datos x,y provienen de mediciones con error o incertidumbre, lo que se
busca con este método es obtener una curva que pase por la mayor cantidad de
puntos a diferencia de interpolación donde la curva pasa por todos los puntos.
¿Cuál es la diferencia entre coeficiente de determinación y coeficiente de

correlación?
El coeficiente de determinación r2 indica que tan bueno es el ajuste de una curva,
mientras más cercano a 1 esté mejor será el ajuste. En cambio, el coeficiente de
correlación indica que tan fuerte es la relación lineal entre dos variables.
¿Por qué se utilizan mínimos cuadrados para determinar el error de la estimación?

Porque este método nos da una medición correcta de que tan cerca están por encima
o por debajo de la curva los valores de los datos y. La diferencia entre el valor (y) de los
datos y el (y estimado) pueden ser positivos o negativos y si no se eleva al cuadrado, la
suma total podría dar un valor cercano a cero, que daría la impresión que el ajuste es
bueno cuando no necesariamente es así
n n
S r =  ei2 =  ( yi − a0 − a1 xi )
2
(5)
i =1 i =1
¿Cómo se determinan los parámetros de los modelos re regresión por mínimos

cuadrados?
Se deriva parcialmente la función Sr ecuación 5, con respecto a cada uno de los
parámetros, estas derivadas se igualan a cero y se obtiene un sistema de ecuaciones.
Para resolver el sistema primero se calculan las diferentes sumatorias de los datos x,y,
luego se resuelve el sistema de ecuaciones utilizando software computacional.
0 =  yi −  a0 −  ai xi (9)
0 =  yi xi −  a0 xi −  ai xi
2
(10)
¿Cuál es el procedimiento para ajustar curvas de funciones no lineales?

El primer paso es verificar mediante la gráfica de dispersión, la tendencia que siguen

las mediciones, hay casos donde ya se da la ecuación y se sabe si se trata de un modelo
polinomial, exponencial, logarítmico, etc. Una vez identificado el modelo no lineal, se
consulta la tabla 1 para hacer los cambios de variable que permiten linealizar el
modelo. Tercer paso es hacer los cálculos con el modelo linealizado y encontrar los
parámetros. Por último, se regresar a las variables originales del modelo aplicando
funciones inversas de logaritmos o exponentes, con esto se plantea el modelo en
términos de las variables del modelo no lineal.

4. Material Complementario
Los siguientes recursos complementarios son sugerencias para que se pueda ampliar la
información sobre el tema trabajado, como parte de su proceso de aprendizaje
autónomo:
Videos de apoyo:
Mínimos Cuadrados: https://bit.ly/3kb6YiN
Representación y ajuste de Datos: https://bit.ly/3eAs20W
Coeficiente de determinación: https://bit.ly/2IiS78Z
https://bit.ly/3laznqr
Ajuste con mínimos cuadrados: https://bit.ly/358EoKM
Ajuste de curva exponencial: https://bit.ly/36dWZEu
Mínimos Cuadrados para polinomios de cualquier grado: https://bit.ly/2U2XN9k
Bibliografía de apoyo:
▪ Burden, R., & Faires, D. (2011). Numerical Analysis. (BOOKS/COLE, Ed.) (Ninth).
Boston.
▪ Chapra, S., & Canale, R. (2006). Métodos numéricos para ingenieros. (McGrawHill,
Ed.) (Quinta). México
Links de apoyo:
Link de libros: https://bit.ly/34WB0Td

5. Bibliografía
» Chapra, S., & Canale, R. (2006). Métodos numéricos para ingenieros.

(McGrawHill, Ed.) (Quinta). México.
» Lara, O. (2019). Métodos Numéricos: Teoría y Aplicaciones. 2018.
» Nieves, A., & Dominguez, F. (2014). Métodos Numéricos aplicados a la
ingeniería. (Patria, Ed.) (Primera). México.
» Rodríguez, L. (2011). Análisis numérico básico Un enfoque algorítmico con el
soporte de Matlab. Guayaquil.
» Rodríguez, L. (2016). Análisis Numérico Básico Un enfoque algorítmico con el
soporte de Python. Guayaquil. Retrieved from
http://calicreativa.com/natunova-flores-comestibles/
» Sauer, T. (2012). Análisis Numérico. (PEARSON, Ed.) (Segunda). México.
Retrieved from http://librosysolucionarios.net/

Unidad 2.2

Cargado por

Información del documentohacer clic para expandir la información del documento

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Unidad 2.2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad 2.2

Cargado por

Copyright:

Formatos disponibles

ÍNDICE

1. Unidad 2: Interpolación y ajuste de curvas .........................................................3

Tema 2: Ajuste de Curvas: Mínimos Cuadrados ........................................................... 3

2. Información de los subtemas .............................................................................4

2.1 Subtema 1: Mínimos Cuadrados ........................................................................ 4

2.2 Subtema 2: Ajuste Lineal con Mínimos Cuadrados ............................................ 6

2.3 Subtema 3: Coeficiente de Determinación......................................................... 9

2.4 Subtema 4: Linealización y aplicación de funciones no lineales ...................... 11

3. Preguntas de Comprensión de la Unidad ..........................................................19

4. Material Complementario ................................................................................20

1. Unidad 2: Interpolacion y ajuste

Figura 1: Comparación de interpolación y regresión lineal para datos x,y

El criterio para el ajuste de curvas es el de mínimos cuadrados, esto permitirá

FORMATO CONTROLADO: FR0018/ v1.0 / 18-11-2019 3

2. Informacion de los subtemas

Figura 2: Mínimos Cuadrados

Despejando el error en la ecuación 1 obtenemos:

FORMATO CONTROLADO: FR0018/ v1.0 / 18-11-2019 4

Figura 3: Suma de valores absolutos de discrepancias.

Los criterios indicados anteriormente presentan deficiencias, la estrategia que resuelve

FORMATO CONTROLADO: FR0018/ v1.0 / 18-11-2019 5

2.2 Subtema 2: Ajuste Lineal con Mínimos Cuadrados

Para minimizar el error se utiliza el criterio de la primera derivada igualada a cero,

Al resolver el sistema de ecuaciones se obtienen los parámetros a0 y a1

(Nieves & Dominguez, 2014)

Fuente: (Chapra & Canale, 2006)

FORMATO CONTROLADO: FR0018/ v1.0 / 18-11-2019 6

Los cálculos de las sumatorias, las resolvemos en Excel

Sx Sy Sxy Sxx Syy

Tabla 1: Cálculo de las sumatorias para mínimos cuadrados

Figura 4: Ajuste lineal de datos con mínimos cuadrados ejercicio 1

FORMATO CONTROLADO: FR0018/ v1.0 / 18-11-2019 7

F(N) 25 70 380 550 610 1220 830 1450

Fuente: (Chapra & Canale, 2006)

Sx Sy Sxy Sxx Syy

Tabla 2: Cálculo de las sumatorias para mínimos cuadrados ejercicio 2

Figura 5: Ajuste lineal de datos con mínimos cuadrados ejercicio 2

FORMATO CONTROLADO: FR0018/ v1.0 / 18-11-2019 8

2.3 Subtema 3: Coeficiente de Determinación

FORMATO CONTROLADO: FR0018/ v1.0 / 18-11-2019 9

Sx Sy Sxy Sxx Syy n

FORMATO CONTROLADO: FR0018/ v1.0 / 18-11-2019 10

2.4 Subtema 4: Linealización y aplicación de funciones

La ecuación de mínimos cuadrados para ajustar un polinomio de grado n es:

S r =  ei2 =  ( yi − a0 − a1 xi − a2 xi2 − an xin )

Se deriva parcialmente con respecto a cada coeficiente y se llega al sistema lineal:

Aproximación Multilineal con mínimos cuadrados

FORMATO CONTROLADO: FR0018/ v1.0 / 18-11-2019 11

Al emplear mínimos cuadrados se obtiene la ecuación:

Ecuación no Ecuación linealizada Relación entre coeficientes

Fuente: (Chapra & Canale, 2006)

La ecuación 21 permitirá hallar los coeficientes para el polinomio cuadrático, la

FORMATO CONTROLADO: FR0018/ v1.0 / 18-11-2019 12

n x y x*y x^2 x^3 x^4 x^2*y

Sx Sy Sxy Sx2 Sx3 Sx4 Sx2y

Con los valores de las sumatorias, se arma el sistema de ecuaciones de acuerdo a la

Al resolver el sistema obtenemos los valores de los parámetros:

n x y xy x^2 x^3 x^4 x^2y

n x=t I y=ln(I) xy x^2 y*^2