Ajuste por Mnimos Cuadrados

Santiago Cornejo, David Daz

Departamento de Ciencias Exactas, Universidad de las Fuerzas Armadas-ESPE
Sangolqu, Ecuador
secornejo@espe.edu.ec, dadiaz6@espe.edu.ec

Abstract - This paper aims to expose some of the

applications that the curve fitting by least squares in
mechatronics engineering , providing solutions to
various problems that are presented to the engineer in
their working environment .
Resumen El presente documento tiene por objetivo
exponer algunas de las aplicaciones que tiene el ajuste
de curvas pro minimos cuadrados dentro de la
ingeniera mecatrnica, dando soluciones a distintas
problemticas que se le presentan al ingeniero en su
entorno laboral.
I.

INTRODUCCION

Existen numerosas leyes fsicas en las que se sabe de

antemano que dos magnitudes x e y se relacionan a travs
de una ecuacin lineal

y=ax+b
Donde las constantes b (ordenada en el origen) y a
(pendiente) dependen del sistema que se estudia.
El ejemplo mas simple de una aproximacin por
mnimos cuadrados es el ajuste de una lnea recta a un
conjunto de parejas de datos observadas: (x1,y1),
(x2,y2), ...,(xn,yn). La expresin matemtica de una lnea
recta es:

y a 0 a1 x E

(1)

Figura 1-Interpolacin Lineal

Matemticamente el problema de interpolacin es

que dado un conjunto de puntos en la grfica de una
funcin, encontrar una funcin interpolante...[1]
en donde a0 y a1 son coeficientes que representan la
interseccin con el eje de las abscisas y la pendiente,
respectivamente y E es el error o residuo entre el modelo y
las observaciones, que se puede representar reordenando la
ecuacin anterior como:

E=Y a 0+ x 1 x
Definimos, de esta manera al error como la diferencia
entre el valor real de y el valor aproxima

II.

CRITERIO PARA UN MEJOR AJUSTE

Una estrategia que obtiene la mejor lnea a travs

de los puntos debe minimizar la suma de los errores
residuales, como en:
n

E (y
i 1

i 1

a 0 a1 xi )
(2)

Otro criterio seria minimizar la suma de los valores

absolutos de las diferencias, esto es:
n

i 1

Los errores que se dan en los coeficientes a y b,

tambin se pueden calcular directamente

Ei y i a0 a1 xi
i 1

(3)

a
n

En este mtodo la lnea se escoge de tal manera que

minimice la distancia mxima a la que se encuentra un
punto de la lnea recta. El riesgo que se corre con esta
estrategia es que puede influir de manera indebida, un
punto externo, lo que hara que el error sea mucho ms
grande...[1]
Existe una estrategia, que hace a un lado las
restricciones anteriores, consiste en minimizar la suma de
los cuadrados de los residuos Sr
n

S r E i y i a 0 a1 xi
2

i 1

i 1

(4)
La ventaja al utilizar esta estrategia es mayor, pero,
hay que tener en cuenta que la lnea a la cual se ajusta, es
nica para el conjunto de datos dado.

III.

OBTENCION DE LOS COEFICIENTES

n x xi
1
1

Una tercera estrategia en el ajuste de una lnea

ptima es el criterio de mnimas.

IV.

2
i

COEFICIENTE DE CORRELACION

El coeficiente de correlacin es otro parmetro para

el estudio de una distribucin bidimensional, que nos
indica el grado de dependencia entre las variables x e y. El
coeficiente de correlacin r es un nmero que se obtiene
mediante la frmula:

n x i yi x i y i

n x x n y y
2
i

2
i

Su valor puede variar entre 1 y -1.

Si r = -1 todos los puntos se encuentran sobre la recta
existiendo una correlacin que es perfecta e inversa.
Si r = 0 no existe ninguna relacin entre las variables.

El mtodo de mnimos cuadrados determina los

valores de los parmetros a y b de la recta que mejor se
ajusta a los datos experimentales. Sin detallar el
procedimiento, se dar aqu simplemente el resultado:

n x i y i x i y i
2
n x i2 x i

y i a x i
n

Si r = 1 todos los puntos se encuentran sobre la recta

existiendo una correlacin que es perfecta y directa. .[1]

V.

LINEALIZACIN DE RELACIONES NO
LINEALES

Si los datos no se les pueden aplicar un modelo

lineal, es necesario utilizar otro tipo de regresin como la
polinomial, o utilizar transformaciones para expresar los
datos en una forma que sea compatible con la regresin
lineal.. [1]

A. Modelo Exponencial
Donde n es el nmero de medidas y representa la
suma de todos los datos que se indican. Los errores en las
medidas, se traducirn en errores en los resultados de a y b.

y 1e 1 x
(5)

 1 y 1
Donde
son constantes. Este modelo es muy
usado en la ingeniera para caracterizar unidades que

aumentan (
positivo) o disminuyen (
negativo), a
una velocidad que es directamente proporcional a sus
propias magnitudes.
Utilizando el modelo exponencial, se linealiza al
aplicar e logaritmo natural:

ln y ln 1 1 x ln e

Estas ecuaciones se igualan a cero y se reordenan

para desarrollar el siguiente conjunto de ecuaciones
normales:

ln e 1
Pero con

ln y ln 1 1 x
(6)
As una grafica de ln y contra x dar una lnea recta

1
con una pendiente

y una interseccin con el eje de las

ln 1
ordenadas igual a

B. Regresin Polinomial
El procedimiento de mnimos cuadrados se puede
extender fcilmente al ajuste de datos con un polinomio de
grado superior, ejemplo uno de grado 2. [2]

y a 0 a1 xi a 2 xi2 e
(7)
Para esta ecuacin la suma de los cuadrados de los
residuos.

S r y i a0 a1 xi a 2 xi2
n

i 1

(8)
Siguiendo el procedimiento de regresin lineal a
partir de este punto, llegaremos a un sistema de tres
ecuaciones lineales

Donde todas las sumatorias van desde i = 1 hasta n.

Observe que las tres ecuaciones anteriores son lineales y
tienen tres incgnitas: a0, a1 y a2. Los coeficientes de las
incgnitas se evalan de manera directa, a partir de los
datos observados. En este caso, observamos que el
problema de determinar un polinomio de segundo grado
por mnimos cuadrados es equivalente a resolver un
sistema de tres ecuaciones lineales simultneas. En la parte
tres se estudiaron las tcnicas para resolver tales
ecuaciones. El caso bidimensional se extiende con facilidad
a un polinomio de m-simo grado como sigue

y a 0 a1 xi a 2 xi2 ..... a m x m e
En este caso, el error estndar se formula como
sigue:

S y / x=

Sr
n(m+1)

C. Mnimos Cuadrados General

Los tipos anteriores de regresin lineal se pueden
resumir en el siguiente modelo general de mnimos
cuadrados. .[1]

y a 0 z 0 a1 z1 a 2 z 2 ..... a m z m e
Se expresa la anterior ecuacin de manera matricial:

Y Z A E
Donde [Z]es una matriz de los valores calculados de
las funciones en z en los valores medidos de las variables
independientes:

z 01
z
02
.

z 0n

z11
z12
.
z1n

...

z m1

... z m 2
.
.

... z mn

Donde m es el nmero de variables en el modelo y n

es el nmero de datos. Como n >= m+1, normalmente [z]
no es una matriz cuadrada.
Los mtodos de solucin que mas se aplican en este
caso son
a. Mtodos de descomposicin LU, incluyendo
eliminacin de Gauss.
b. Mtodo de Cholesky
c. Mtodo de la matriz inversa.
VI.

APLICACIN A AL INGENIERIA
MECATRONICA

2) Ejemplo de aplicacin

Existen numerosas leyes fsicas en las que se sabe de

antemano que dos magnitudes x e y se relacionan a travs
de una ecuacin lineal
y = ax + b
donde las constantes b (ordenada en el origen) y a
(pendiente) dependen del tipo de sistema que se estudia y, a
menudo, son los parmetros que se pretende encontrar.
1)

Implementacin en Matlab: Para el algoritmo del programa

se sigue el siguiente diagrama de flujo.

La fuerza F de traccin sobre un muelle y el alargamiento l

que experimenta ste estn ligadas a travs de una ley
lineal:

l=

F
k

con ordenada en el origen cero y donde el inverso de la

pendiente (K) es una caracterstica propia de cada muelle:
la llamada constante elstica del mismo.
El mtodo ms efectivo para determinar los parmetros a y
b se conoce como tcnica de mnimos cuadrados.
Consiste en someter el sistema a diferentes condiciones,
fijando para ello distintos valores de la variable
independiente x, y anotando en cada caso el
correspondiente valor medido para la variable dependiente
y. De este modo se dispone de una serie de puntos
(x1,y1), .... (xn,yn) que, representados grficamente,
deberan caer sobre una lnea recta. Sin embargo, los
errores experimentales siempre presentes hacen que no se
hallen perfectamente alineados (ver Fig. 1). El mtodo de
mnimos cuadrados determina los valores de los
parmetros a y b de la recta que mejor se ajusta a los datos
experimentales. Sin detallar el procedimiento, se dar aqu
simplemente el resultado:

n x i y i x i y i

n x i2 x i

y i a x i

(1)

(2)

donde n es el nmero de medidas y representa la suma

de todos los datos que se indican.
Los errores en las medidas, se traducirn en errores en los
resultados de a y b. Se describe a continuacin un mtodo
para calcular estos errores. En principio, el mtodo de
mnimos cuadrados asume que, al fijar las condiciones
experimentales, los valores yi de la variable independiente
se conocen con precisin absoluta (esto generalmente no es
as, pero lo aceptamos como esencial en el mtodo). Sin
embargo, las mediciones de la variable x, irn afectadas de
sus errores correspondientes, si es el valor mximo de
todos estos errores, entonces se tiene:

independiente o y ) y se han anotado los alargamientos (l

variable dependiente o x)

n x i2 x i
1
1

Cargas
sucesivas F(yi)

gramos
200
400
500
700
900
1000

(3)
b

La pendiente de la recta se escribir

, y la ordenada en el origen b

aa

..

El coeficiente de correlacin es otro parmetro para el

estudio de una distribucin bidimensional, que nos indica
el grado de dependencia entre las variables x e y. El
coeficiente de correlacin r es un nmero que se obtiene
mediante la frmula:

n x i y i x i y i

n x x n y y
2
i

2
i

Los distintos datos que se necesitan son:

n
6
1090
xi
236300
xi2
3700
yi
2750000
yi2
806000
xiyi
0,2

con lo cual aplicando las expresiones [1] , [2], [3] y [4]

( 4)

a=

Su valor puede variar entre 1 y -1.

Si r = -1 todos los puntos se encuentran sobre la recta
existiendo una correlacin que es perfecta e inversa.
Si r = 0 no existe ninguna relacin entre las variables.
Si r = 1 todos los puntos se encuentran sobre la recta
existiendo una correlacin que es perfecta y directa.
Ejemplo: Supongamos un muelle sometido a traccin, se
ha cargado el muelle con diferentes pesos (F, variable

Lecturas
sucesivas (xi)
L
mm
60
120
150
210
260
290

a=

n ( xi y i ) ( x i )( y i )
2

n ( x i2 ) ( x i )

6 ( 806000 )( 1090 ) ( 3700 )

6 ( 236300 )( 2750000 )2

a=3.4959

b=
b=

( y i )a ( x i )
n
37003.4959(1090)
6

b=18.4153

a=

2
i

( )
x

a=0.00102217

b=

Figura 2-Ingreso de datos (pares

ordenados)

b=0.08164966

F=3.4959 x +(18.4153 0.08)

No se debe olvidar que se persigue el valor de la constante
elstica del muelle:

Ka

F
l

Utilizando el program en Matlab obtendremos:

Figura 3-Ingreso de matriz de

interpolacin

conjunto de parejas de datos con los cuales se pueda

aproximar la mejor lnea, dependiendo de la regresin
lineal que presente
Hemos visto a lo largo del documento, que el xito
del mtodo de mnimos cuadrados est en minimizar los
errores residuales al mnimo valor que se pueda, para eso
tenemos criterios de mejor ajuste que sirven para dicha
accin

REFERENCIAS
Figura 4-Grafica del ajuste de la curva

CONCLUSIONES
Este mtodo se puede implementar siempre y cuando
se tengan valores exactos, es decir deben existir un

[1] Steven C. Chapra y Reymond Canale: Mtodos Numricos

para Ingenieros
[2] Gerald Curtis F.; Wheatley Patrick O. Applied numerical
analysis, 4 edicin, Addison Wesley Publishing Company. New
York, 1984.