Ajuste por Mínimos Cuadrados

Santiago Cornejo, David Díaz

Departamento de Ciencias Exactas, Universidad de las Fuerzas Armadas-ESPE

Sangolquí, 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
ingeniería mecatrónica, dando soluciones a distintas
problemáticas que se le presentan al ingeniero en su
entorno laboral.

I. INTRODUCCION

Existen numerosas leyes físicas en las que se sabe de
antemano que dos magnitudes x e y se relacionan a través
de una ecuación 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 aproximación por
mínimos cuadrados es el ajuste de una línea recta a un
conjunto de parejas de datos observadas: (x1,y1),
(x2,y2), ...,(xn,yn). La expresión matemática de una línea
recta es:
y  a 0  a1 x  E (1)
Figura 1-Interpolación Lineal
Matemáticamente el problema de interpolación es
que dado un conjunto de puntos en la gráfica de una
función, encontrar una función interpolante...“[1]”
en donde a0 y a1 son coeficientes que representan la
intersección 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
ecuación 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” línea a través

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

 E  (y
i 1
i
i 1
i  a 0  a1 xi )
(2)
 Otro criterio seria minimizar la suma de los valores Los errores que se dan en los coeficientes a y b,
absolutos de las diferencias, esto es: también se pueden calcular directamente
n n

 Ei    y i  a0  a1 xi  n ε
i 1 i 1 (3) Δa 
2
n
 n

n Σ x   Σ xi 
2
i
Una tercera estrategia en el ajuste de una línea 1  1 
óptima es el criterio de mínimas.

En este método la línea se escoge de tal manera que ε

minimice la distancia máxima a la que se encuentra un Δb 
punto de la línea recta. El riesgo que se corre con esta n
estrategia es que puede influir de manera indebida, un
punto externo, lo que haría que el error sea mucho más
grande...“[1]”
IV. COEFICIENTE DE CORRELACION
Existe una estrategia, que hace a un lado las
El coeficiente de correlación es otro parámetro para
restricciones anteriores, consiste en minimizar la suma de
el estudio de una distribución bidimensional, que nos
los cuadrados de los residuos Sr
indica el grado de dependencia entre las variables x e y. El
coeficiente de correlación r es un número que se obtiene
n n
S r   E i    y i  a 0  a1 xi  mediante la fórmula:
2 2
n  Σx i yi    Σx i  Σy i 
i 1 i 1 r
(4) n  Σx   Σ x   n  Σy    Σy  
2
i i
2 2
i i
2

La ventaja al utilizar esta estrategia es mayor, pero,

hay que tener en cuenta que la línea a la cual se ajusta, es
única para el conjunto de datos dado. Su valor puede variar entre 1 y -1.

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

existiendo una correlación que es perfecta e inversa.
III. OBTENCION DE LOS COEFICIENTES
Si r = 0 no existe ninguna relación entre las variables.
El método de mínimos cuadrados determina los
valores de los parámetros a y b de la recta que mejor se Si r = 1 todos los puntos se encuentran sobre la recta
ajusta a los datos experimentales. Sin detallar el existiendo una correlación que es perfecta y directa. .“[1]”
procedimiento, se dará aquí simplemente el resultado:

LINEALIZACIÓN DE RELACIONES NO
n  Σx i y i    Σx i  Σy i 
V.
a LINEALES
n  Σx i2    Σx i 
2

Si los datos no se les pueden aplicar un modelo

lineal, es necesario utilizar otro tipo de regresión como la

b
 Σy i   a  Σx i  polinomial, o utilizar transformaciones para expresar los
datos en una forma que sea compatible con la regresión
n lineal.. “[1]”

A. Modelo Exponencial
Donde n es el número de medidas y Σ representa la
suma de todos los datos que se indican. Los errores en las y   1e 1 x
medidas, se traducirán en errores en los resultados de a y b. (5)
  1 y 1
Donde son constantes. Este modelo es muy
usado en la ingeniería para caracterizar unidades que
1 1
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: Estas ecuaciones se igualan a cero y se reordenan
para desarrollar el siguiente conjunto de ecuaciones
normales:
ln y  ln  1   1 x ln e

ln e  1
Pero con

ln y  ln  1  1 x
(6)

Así una grafica de ln y contra x dará una línea recta

Donde todas las sumatorias van desde i = 1 hasta n.
1 Observe que las tres ecuaciones anteriores son lineales y
tienen tres incógnitas: a0, a1 y a2. Los coeficientes de las
con una pendiente y una intersección con el eje de las
incógnitas se evalúan de manera directa, a partir de los
ln  1 datos observados. En este caso, observamos que el
problema de determinar un polinomio de segundo grado
ordenadas igual a . por mínimos cuadrados es equivalente a resolver un
sistema de tres ecuaciones lineales simultáneas. En la parte
B. Regresión Polinomial tres se estudiaron las técnicas para resolver tales
ecuaciones. El caso bidimensional se extiende con facilidad
El procedimiento de mínimos cuadrados se puede a un polinomio de m-ésimo grado como sigue
extender fácilmente al ajuste de datos con un polinomio de
grado superior, ejemplo uno de grado 2. “[2]” y  a 0  a1 xi  a 2 xi2  .....  a m x m  e
y  a 0  a1 xi  a 2 xi2  e
En este caso, el error estándar se formula como
(7)
sigue:
Para esta ecuación la suma de los cuadrados de los
residuos.

S r    y i  a0  a1 xi  a 2 xi2 
n
2
S y / x=
√ Sr
n−(m+1)

i 1
C. Mínimos Cuadrados General
(8)
Siguiendo el procedimiento de regresión lineal a
partir de este punto, llegaremos a un sistema de tres Los tipos anteriores de regresión lineal se pueden
ecuaciones lineales resumir en el siguiente modelo general de mínimos
cuadrados. .“[1]”

y  a 0 z 0  a1 z1  a 2 z 2  .....  a m z m  e

Se expresa la anterior ecuación 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 z11 ... z m1 
 z z12 ... z m 2 
 z   02
 . . . . 
 
 z 0n z1n ... z mn 

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

es el número de datos. Como n >= m+1, normalmente [z]
no es una matriz cuadrada.
Los métodos de solución que mas se aplican en este
caso son
a. Métodos de descomposición LU, incluyendo
eliminación de Gauss.
b. Método de Cholesky
c. Método de la matriz inversa.

VI. APLICACIÓN A AL INGENIERIA

MECATRONICA 2) Ejemplo de aplicación
La fuerza F de tracción sobre un muelle y el alargamiento l
Existen numerosas leyes físicas en las que se sabe de que experimenta éste están ligadas a través de una ley
antemano que dos magnitudes x e y se relacionan a través lineal:
de una ecuación lineal
y = ax + b F
donde las constantes b (ordenada en el origen) y a l=
(pendiente) dependen del tipo de sistema que se estudia y, a k
menudo, son los parámetros que se pretende encontrar.

1) Implementación en Matlab: Para el algoritmo del programa con ordenada en el origen cero y donde el inverso de la
se sigue el siguiente diagrama de flujo. pendiente (K) es una característica propia de cada muelle:
la llamada constante elástica del mismo.

El método más efectivo para determinar los parámetros a y

b se conoce como técnica de mínimos 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 gráficamente,
deberían caer sobre una línea recta. Sin embargo, los
errores experimentales siempre presentes hacen que no se
hallen perfectamente alineados (ver Fig. 1). El método de
mínimos cuadrados determina los valores de los
parámetros a y b de la recta que mejor se ajusta a los datos
experimentales. Sin detallar el procedimiento, se dará aquí
simplemente el resultado:
 n  Σx i y i    Σx i  Σy i 
a (1)
 
n Σx i2   Σx i 
2

b
 Σy i   a  Σx i  (2)
n

donde n es el número de medidas y  representa la suma

de todos los datos que se indican.
Los errores en las medidas, se traducirán en errores en los
resultados de a y b. Se describe a continuación un método
para calcular estos errores. En principio, el método de
mínimos cuadrados asume que, al fijar las condiciones
experimentales, los valores yi de la variable independiente
se conocen con precisión absoluta (esto generalmente no es
así, pero lo aceptamos como esencial en el método). Sin
embargo, las mediciones de la variable x, irán afectadas de
sus errores correspondientes, si  es el valor máximo de independiente o y ) y se han anotado los alargamientos (l
todos estos errores, entonces se tiene: variable dependiente o x)
n ε
Δa  Cargas Lecturas
2
n
 
n sucesivas F(yi) sucesivas (xi)
n Σ x i2   Σ x i  L
1  1  gramos mm
(3) 200 60
400 120
ε 500 150
Δb  700 210
n 900 260
1000 290

La pendiente de la recta se escribirá a±∆a

Los distintos datos que se necesitan son:

, y la ordenada en el origen b ±∆b .. n 6

xi 1090
El coeficiente de correlación es otro parámetro para el xi2 236300
estudio de una distribución bidimensional, que nos indica
el grado de dependencia entre las variables x e y. El yi 3700
coeficiente de correlación r es un número que se obtiene yi2 2750000
mediante la fórmula: xiyi 806000
 0,2
n  Σx i y i    Σx i  Σy i  con lo cual aplicando las expresiones [1] , [2], [3] y [4]
r ( 4)
n  Σx   Σ x   n  Σy    Σy  
2
i i
2 2
i i
2
n ( ∑ xi y i ) −( ∑ x i )( ∑ y i )
a= 2
n ( ∑ x i2 ) −( ∑ x i )
Su valor puede variar entre 1 y -1.
6 ( 806000 )−( 1090 ) ( 3700 )
Si r = -1 todos los puntos se encuentran sobre la recta a=
existiendo una correlación que es perfecta e inversa. 6 ( 236300 )−( 2750000 )2
Si r = 0 no existe ninguna relación entre las variables.
Si r = 1 todos los puntos se encuentran sobre la recta
existiendo una correlación que es perfecta y directa. a=3.4959
Ejemplo: Supongamos un muelle sometido a tracción, se
ha cargado el muelle con diferentes pesos (F, variable
 ( ∑ y i )−a ( ∑ x i )
b=
n

3700−3.4959(1090)
b=
6

b=−18.4153

Δ a= √n ε

√∑
n n 2
n
1
x− 2
i (∑ )
1
x ❑
i

Δ a=0.00102217
Figura 2-Ingreso de datos (pares
ordenados)

ε
Δ b=
√n
Δ b=0.08164966

F=3.4959 x +(−18.4153 ∓0.08)

No se debe olvidar que se persigue el valor de la constante

elástica del muelle:
F
Ka
l

Utilizando el program en Matlab obtendremos:

Figura 3-Ingreso de matriz de

interpolación
 conjunto de parejas de datos con los cuales se pueda
aproximar la mejor línea, dependiendo de la regresión
lineal que presente

Hemos visto a lo largo del documento, que el éxito

del método de mínimos cuadrados está en minimizar los
errores residuales al mínimo valor que se pueda, para eso
tenemos criterios de mejor ajuste que sirven para dicha
acción

REFERENCIAS
[1] Steven C. Chapra y Reymond Canale: Métodos Numéricos
Figura 4-Grafica del ajuste de la curva para Ingenieros

[2] Gerald Curtis F.; Wheatley Patrick O. Applied numerical

analysis, 4º edición, Addison Wesley Publishing Company. New
CONCLUSIONES York, 1984.
Este método se puede implementar siempre y cuando
se tengan valores exactos, es decir deben existir un