Sistema de ecuaciones lineales

Sea el sistema lineal en la forma general:

𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
𝑎31 𝑥1 + 𝑎32 𝑥2 + 𝑎33 𝑥3 + ⋯ + 𝑎3𝑛 𝑥𝑛 = 𝑏3
⋮
{𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + 𝑎𝑚3 𝑥3 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚

de n ecuaciones con n incógnitas 𝑥1 , 𝑥2 , … , 𝑥𝑛 siendo 𝑎𝑖𝑗 = coeficientes constantes

numéricos, 𝑖 = 1, 2, … , 𝑛 y 𝑗 = 1,2, … , 𝑛

Este sistema se puede representar matricialmente en la forma:

𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑥1 𝑏1

𝑎21 𝑎22 𝑎23 … 𝑎2𝑛 𝑥2 𝑏2
𝑎31 𝑎32 𝑎33 … 𝑎3𝑛 𝑥3 = 𝑏3
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑎 𝑎 𝑎
( 𝑚1 𝑚2 𝑚3 … 𝑎𝑚𝑛 ) (𝑥𝑛 ) (𝑏𝑛 )

Por tanto, la ecuación matricial del sistema es AX=B.

Siendo A = matriz de coeficientes del sistema

B = vector de términos independientes

X = vector de incógnitas, que es el problema por resolver

Métodos en sistemas líneas diferentes

1. Sistema triangular superior

Sea el sistema lineal de orden 4

𝑎11 𝑎12 𝑎13 𝑎14 𝑥1 𝑏1

0 𝑎22 𝑎23 𝑎24 𝑥2 𝑏2
( 𝑎34 ) (𝑥3 ) = (𝑏3 )
0 0 𝑎33
0 0 0 𝑎44 𝑥4 𝑏4

Aplicando el método de sustitución regresiva:

𝑏4
𝑥4 =
𝑎44
 𝑏3 − 𝑎34 𝑥4
𝑎33 𝑥3 + 𝑎34 𝑥4 = 𝑏3 ⟹ 𝑥3 =
𝑎33
𝑏2 − (𝑎23 𝑥3 + 𝑎24 𝑥4 )
𝑎22 𝑥2 + 𝑎23 𝑥3 + 𝑎24 𝑥4 = 𝑏2 ⟹ 𝑥2 =
𝑎22
𝑏1 − (𝑎12 𝑥2 + 𝑎13 𝑥3 + 𝑎14 𝑥4 )
𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 + 𝑎14 𝑥4 = 𝑏1 ⟹ 𝑥1 =
𝑎11
Para poner en Matlab toca resolver en matrices
𝑏4 𝐵(1)
𝑥(4) = =
𝑎44 𝐴(4,4)
𝑏3 − (𝑎34 ) ∗ (𝑥4 ) 𝐵(3) − 𝐴(3,4: 4) ∗ 𝑋(4: 4)′
𝑥(3) = =
𝑎33 𝐴(3,3)
𝑥3
𝑏2 − (𝑎23 𝑎24 ) ∗ (𝑥 ) 𝐵(2) − 𝐴(2,3: 4) ∗ 𝑋(3: 4)′
4
𝑥(2) = =
𝑎22 𝐴(2,2)
𝑥2
𝑎
𝑏1 − ( 12 𝑎13 𝑎14 ) ∗ (𝑥3 )
𝑥4 𝐵(1) − 𝐴(1,4: 4) ∗ 𝑋(2: 4)′
𝑥(1) = =
𝑎11 𝐴(1,1)
𝑖 = 3, 2, 1
𝐵(𝑖) − 𝐴(𝑖, 𝑖 + 1: 4) ∗ 𝑥(𝑥 + 1: 4)
𝑥(𝑖) =
𝐴(𝑖, 𝑖)
Ó𝒓𝒅𝒆𝒏 𝒏
𝐵(𝑛)
𝑥(𝑛) =
𝐴(𝑛, 𝑛)
𝑖 = (𝑛 − 1), (𝑛 − 2), … ,1
𝐵(𝑖) − 𝐴(𝑖, 𝑖 + 1: 4) ∗ 𝑥(𝑥 + 1: 4)
𝑥(𝑖) =
𝐴(𝑖, 𝑖)
2. Eliminación GAUSS
Se trata de desarrollar un método para resolver un sistema lineal de la forma AX=B
a través de un sistema equivalente triangular superior de la forma UX=Y, es decir
dado el sistema de ecuaciones
 𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑥1 𝑏1
𝑎21 𝑎22 𝑎23 … 𝑎2𝑛 𝑥2 𝑏2
𝑎31 𝑎32 𝑎33 … 𝑎3𝑛 𝑥3 = 𝑏3
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
(𝑎𝑚1 𝑎𝑚2 𝑎𝑚3 … 𝑎𝑚𝑛 ) (𝑥𝑛 ) (𝑏𝑛 )

se quiere construir el sistema equivalente triangular superior (mediante operaciones

entre filas de una matriz)

𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑥1 𝑏1

0 𝑎22 𝑎23 … 𝑎2𝑛 𝑥2 𝑏2
0 0 𝑎33 … 𝑎3𝑛 𝑥3 = 𝑏3
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
( 0 0 0 … 𝑎𝑚𝑛 ) (𝑥𝑛 ) (𝑏𝑛 )

del cual calculamos la última incógnita y por sustitución regresiva el resto de las
incógnitas.

Si 𝑎𝑞𝑞 = 0, localizamos la primera fila por debajo de la fila q, por ejemplo, la fila k en la que
𝑎𝑘𝑞 ≠ 0 y procedemos a intercambiar las filas k y q.

Ejemplo 1:

Resolver el siguiente sistema por la eliminación de GAUS, considerando 4 cifras

significativas.

1.133𝑥1 + 5.281𝑥2 = 6.414

{
24.14𝑥1 − 1.210𝑥2 = 22.93

Matriz Ampliada

1.133 5.281 6.414 1.133 5.281 6.414

( | )=( | )
24.14 −1.210 22.93 0 −113.7 −113.8

Columna 1

1) 𝑎11 = 1.133 ≠ 0
24.14
2) 𝑚21 = − 1.133 = −21.31

3) 𝐹2 = 𝐹2 + 𝑚21 (𝐹1 )
0 = 24.14 − 21.31(1.133)
 −113.7 = −1.210 − 21.31(5.281)
−113.8 = 22.93 − 21.31(6.414)

Sustitución regresiva

−113.8
𝑥2 = = 1.001
−113.7

𝑥1 = 0.9953

Ejemplo 2:

Resolver el sistema:

24.14𝑥1 − 1.210𝑥2 = 22.93

{
1.133𝑥1 + 5.281𝑥2 = 6.414

Matriz Ampliada

24.14 −1.210 22.93 24.14 −1.210 22.93

( | )=( | )
1.133 5.281 6.414 0 5.3377 5.3386

Columna 1

1) 𝑎11 = 24.14 ≠ 0
1.133
2) 𝑚21 = − 24.14 = −0.0469

3) 𝐹2 = 𝐹2 + 𝑚21 (𝐹1 )
0 = 1.133 − 0.0469(24.14)
5.3377 = 5.281 − 0.0469(−1.210)
5.3386 = 6.414 − 0.0469(22.93)

Sustitución regresiva

5.3386
𝑥2 = = 1.0001
5.3377

𝑥1 = 0.9995

Se puede ver que una forma de controlar y reducir el error es usando como pivote el elemento
de mayor magnitud (desde el de la diagonal hacia abajo). Se reduce notablemente el error de
redondeo. Esto se conoce como pivoteo parcial.
Un sistema AX=B está mal condicionado si la matriz A es mal condicionada; es decir
pequeños cambios en A producen grandes cambios en la solución del sistema.

Taller

Resolver el siguiente sistema por eliminación GAUSS.

3. Gauss Jordan
Es una variación de la eliminación de Gauss mediante la cual se hacen 0 los números
que están sobre y bajo un pivote en la matriz ampliada. La solución corresponde a la
columna n+1.

Inversa de Matriz

Se obtiene a partir de la eliminación de Gauss Jordan para lo cual se forma una matriz
ampliada (de orden nx2n) en la que sus n primeras columnas corresponden a la matriz A y
las n restantes a la matriz identidad. Luego mediante operaciones de filas y matriz, le damos
la forma 𝐴𝑏 = (I|A−1 )

Factorización (𝑷𝑨 = 𝑳𝑼)

Frecuentemente no es posible escalonar una matriz solo con operaciones de eliminación entre
filas, sino que se requiere adicionalmente intercambiar filas previamente.

Para este tipo de matrices no existe la factorización 𝐴 = 𝐿𝑈; lo que se aplica es la

factorización 𝑃𝐴 = 𝐿𝑈, siendo P matriz de permutación (guarda información del cambio de
filas), L matriz triangular inferior con diagonal de 1’s y U matriz triangular superior.

Ejemplo:

Encontrar la factorización 𝑃𝐴 = 𝐿𝑈 de la matriz:

1 2 3
𝐴 = (2 4 5)
7 8 9

1 0 0 1 2 3 0 0 0
𝑃1 = (0 1 0) , 𝑈1 = 𝐴 = (2 4 5) , 𝐿1 = (0 0 0)
0 0 1 7 8 9 0 0 0
 0 0 1 7 8 9 0 0 0
𝑃2 = (0 1 0) , 𝑈2 = (2 4 5) , 𝐿2 = (0 0 0)
1 0 0 1 2 3 0 0 0

0 0 1 7 8 9 0 0 0
𝑃3 = (0 1 0) , 𝑈3 = (0 12/7 17/7) , 𝐿3 = ( 2/7 0 0)
1 0 0 0 6/7 12/7 1/7 0 0

0 0 1 7 8 9 0 0 0
𝑃4 = (0 1 0) , 𝑈4 = ( 0 12/7 17/7) , 𝐿4 = ( 2/7 0 0)
1 0 0 0 0 1/2 1/7 1/2 0

0 0 1
𝑃 = 𝑃4 = (0 1 0)
1 0 0

7 8 9
𝑈 = 𝑈4 = (0 12/7 17/7)
0 0 1/2

1 0 0
𝐿 = 𝐿4 + 𝐼 = (2/7 1 0)
1/7 1/2 1

Sistemas lineales usando la factorización 𝑷𝑨 = 𝑳𝑼

Se tiene que resolver el sistema representado por la ecuación matricial

𝐴𝑋 = 𝐵 1

𝑃𝐴 = 𝐿𝑈 2

1 ∗ 𝑃 𝑃𝐴𝑋 = 𝑃𝐵 3

𝐵1 = 𝑃𝐵

2 𝑒𝑛 3 𝐿𝑈𝑋 = 𝐵1

𝑈𝑋 = 𝑌 4

𝐿𝑌 = 𝐵1 5
Las ecuaciones 4 y 5 corresponden 2 sistemas lineales triangulares; del sistema triangular
superior 5 encontramos el vector Y. Con Y en el sistema triangular superior 4 encontramos
el vector X que es la solución del sistema lineal 1.

Nota: Se reduce notablemente el error de redondeo si en lugar de trabajar con la matriz

ampliada completa resolvemos dos sistemas triangulares.

Ajuste de Curvas

Es la representación de una función ya sea que se conozcan pocos puntos o todos los puntos
de la misma mediante un polinomio o un spline.

Interpolación polinomial

Consiste en buscar un polinomio P con el menor grado posible para el cual 𝑃(𝑥𝑖 ) = 𝑓(𝑥𝑖 ),
0 ≤ 𝑖 ≤ 𝑛; a partir de una tabla de n puntos (𝑥𝑖 , 𝑦𝑖 ). Se dice por tanto que tal polinomio P
hace una interpolación de estos datos.

1. Interpolación de Lagrange

Con n puntos se tiene un polinomio de grado n-1 que pasa por los n puntos.
Para encontrar el polinomio se emplean las siguientes formulas:
𝑛−1

𝑓(𝑥) ≅ 𝑃(𝑥) = ∑ 𝑓(𝑥𝑘 )𝐿𝑛−1,𝑘 (𝑥)

𝑘=0

siendo
∑𝑛−1
𝑗=0 (𝑥 − 𝑥𝑗 )
𝐿𝑛−1,𝑘 (𝑥) = , 𝑘≠𝑗
∏𝑛−1
𝑗=0 (𝑥𝑘 − 𝑥𝑗 )
 Ejemplo: Encontrar el polinomio interpolador de Lagrange del siguiente conjunto de
nodos.
𝑥 𝑓(𝑥)
𝑥0 = 1 5 = 𝑓(𝑥0 )
𝑥1 = 2 | 9 = 𝑓(𝑥1 )
𝑥2 = 3 15 = 𝑓(𝑥2 )
𝑥3 = 4 14 = 𝑓(𝑥3 )

𝑛 = #𝑝𝑢𝑛𝑡𝑜𝑠 = 4
𝑔𝑟𝑎𝑑𝑜 𝑑𝑒 𝑃 = 3

𝑓(𝑥) = ∑ 𝑓(𝑥𝑘 )𝐿3,𝑘 (𝑥) = 𝑓(𝑥0 )𝐿3,0 (𝑥) + 𝑓(𝑥1 )𝐿3,1 (𝑥) + 𝑓(𝑥2 )𝐿3,2 (𝑥) + 𝑓(𝑥3 )𝐿3,3 (𝑥)
𝑘=0

𝑓(𝑥) = 5 ∗ 𝐿3,0 (𝑥) + 9 ∗ 𝐿3,1 (𝑥) + 15 ∗ 𝐿3,2 (𝑥) + 14 ∗ 𝐿3,3 (𝑥)

∑3𝑗=0(𝑥 − 𝑥𝑗 )
𝐿3,𝑘 (𝑥) = , 𝑗≠𝑘
∏3𝑗=0(𝑥𝑘 − 𝑥𝑗 )

∑3𝑗=0(𝑥 − 𝑥𝑗 ) (𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) (𝑥 − 2)(𝑥 − 3)(𝑥 − 4)

𝐿3,0 (𝑥) = = =
∏3𝑗=0(𝑥𝑘 − 𝑥𝑗 ) (𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 ) (1 − 2)(1 − 3)(1 − 4)

1
𝐿3,0 (𝑥) = − (𝑥 − 2)(𝑥 − 3)(𝑥 − 4)
6
(𝑥 − 1)(𝑥 − 3)(𝑥 − 4) 1
𝐿3,1 (𝑥) = = (𝑥 − 1)(𝑥 − 3)(𝑥 − 4)
(2 − 1)(2 − 3)(2 − 4) 2
(𝑥 − 1)(𝑥 − 2)(𝑥 − 4) 1
𝐿3,2 (𝑥) = = − (𝑥 − 1)(𝑥 − 2)(𝑥 − 4)
(3 − 1)(3 − 2)(3 − 4) 2
(𝑥 − 1)(𝑥 − 2)(𝑥 − 3) 1
𝐿3,3 (𝑥) = = (𝑥 − 1)(𝑥 − 2)(𝑥 − 3)
(4 − 1)(4 − 2)(4 − 3) 6

Simplificando se tiene:
3 31
𝑓(𝑥) = − 𝑥 3 + 10𝑥 2 − 𝑥 + 12
2 2
2. Interpolación de Newton
Se utiliza para construir varios polinomios de aproximación para una misma función
calculados mediante el siguiente esquema recursivo.
 𝑃1 (𝑥) = 𝑎0 + 𝑎1 (𝑥 − 𝑥0 )
𝑃2 (𝑥) = 𝑎0 + 𝑎1 (𝑥 − 𝑥0 ) + 𝑎2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
𝑃3 (𝑥) = 𝑎0 + 𝑎1 (𝑥 − 𝑥0 ) + 𝑎2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑎3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
⋮
𝑃𝑛 (𝑥) = 𝑎0 + 𝑎1 (𝑥 − 𝑥0 ) + 𝑎2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑎3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
+ ⋯ + 𝑎𝑛 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) … (𝑥 − 𝑥𝑛−1 )
Siendo 𝑎0 , 𝑎1 , 𝑎2 , … , 𝑎𝑛 los coeficientes de Newton y 𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 son los centros.
Diferencias Divididas
Las diferencias divididas de una función f(x) se definen:
𝑓[𝑥0 ] = 𝑓(𝑥0 )
𝑓[𝑥1 ] − 𝑓[𝑥0 ] 𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑓[𝑥0 , 𝑥1 ] = =
𝑥1 − 𝑥0 𝑥1 − 𝑥0
𝑓[𝑥1 , 𝑥2 ] − 𝑓[𝑥0 , 𝑥1 ] 𝑓(𝑥1 , 𝑥2 ) − 𝑓(𝑥0 , 𝑥1 )
𝑓[𝑥0 , 𝑥1 , 𝑥2 ] = =
𝑥2 − 𝑥0 𝑥2 − 𝑥0
𝑓[𝑥1 , 𝑥2 , 𝑥3 ] − 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) − 𝑓(𝑥0 , 𝑥1 , 𝑥2 )
𝑓[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ] = =
𝑥3 − 𝑥0 𝑥3 − 𝑥0
Los coeficientes 𝑎𝑘 del polinomio 𝑃𝑛 (𝑥) se puede calcular usando diferencias
divididas de 𝑓(𝑥) mediante la ecuación 𝑎𝑘 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑘 ], 𝑘 = 0,1,2, … , 𝑛.
Ejemplo: Encontrar el polinomio interpolador de Newton del siguiente conjunto de
datos.
𝑥 𝑓(𝑥)
𝑥0 = 1 −3 = 𝑓(𝑥0 )
𝑥1 = 2 0 = 𝑓(𝑥1 )
𝑥2 = 3 | 15 = 𝑓(𝑥2 )
𝑥3 = 4 48 = 𝑓(𝑥3 )
𝑥4 = 5 105 = 𝑓(𝑥4 )
𝑥5 = 6 192 = 𝑓(𝑥 )
5

𝑃5 (𝑥) = 𝑎0 + 𝑎1 (𝑥 − 1) + 𝑎2 (𝑥 − 1)(𝑥 − 2) + 𝑎3 (𝑥 − 1)(𝑥 − 2)(𝑥 − 3)

+ 𝑎4 (𝑥 − 1)(𝑥 − 2)(𝑥 − 3)(𝑥 − 4)
+ 𝑎5 (𝑥 − 1)(𝑥 − 2)(𝑥 − 3)(𝑥 − 4)(𝑥 − 5)

𝑎0 = 𝑓[𝑥0 ] = 𝑓(𝑥0 ) = −3
 𝑓(𝑥1 ) − 𝑓(𝑥0 ) 0 − (−3)
𝑎1 = 𝑓[𝑥0 , 𝑥1 ] = = =3
𝑥1 − 𝑥0 2−1
𝑓(𝑥2 ) − 𝑓(𝑥1 )
𝑓[𝑥1 , 𝑥2 ] − 𝑓[𝑥0 , 𝑥1 ] − 3 15 − 0 − 3
𝑥2 − 𝑥1
𝑎2 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] = = = 3−2 =6
𝑥2 − 𝑥0 3−1 3−1
𝑓[𝑥2 , 𝑥3 ] − 𝑓[𝑥1 , 𝑥2 ]
𝑓[𝑥1 , 𝑥2 , 𝑥3 ] − 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] −6
𝑥3 − 𝑥1
𝑎3 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ] = =
𝑥3 − 𝑥0 4−1
𝑓(𝑥3 ) − 𝑓(𝑥2 ) 48 − 15
− 15
𝑥3 − 𝑥2
− 6 4 − 3 − 15 − 6
= 4−2 = 2 =1
3 3
𝑎4 = 0
𝑎5 = 0
Nota: Se puede calcular los coeficientes del polinomio de Newton, en forma
matricial, en diferencias divididas de la siguiente manera.

𝑥𝑘 𝑓[𝑥𝑘 ] 𝑓[, ] 𝑓[, , ] 𝑓[, , , ] 𝑓[, , , , ] 𝑓[, , , , , ]

𝑥0 𝑓[𝑥0 ]
𝑥1 𝑓[𝑥1 ] 𝑓[𝑥0 , 𝑥1 ]
𝑥2 𝑓[𝑥2 ] 𝑓[𝑥1 , 𝑥2 ] 𝑓[𝑥0 , 𝑥1 , 𝑥2 ]
𝑥3 𝑓[𝑥3 ] 𝑓[𝑥2 , 𝑥3 ] 𝑓[𝑥1 , 𝑥2 , 𝑥3 ] 𝑓[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ]
𝑥4 𝑓[𝑥4 ] 𝑓[𝑥3 , 𝑥4 ] 𝑓[𝑥2 , 𝑥3 , 𝑥4 ] 𝑓[𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ] 𝑓[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ]
𝑥5 𝑓[𝑥5 ] 𝑓[𝑥4 , 𝑥5 ] 𝑓[𝑥3 , 𝑥4 , 𝑥5 ] 𝑓[𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ] 𝑓[𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ] 𝑓[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ]
1 −3 = 𝑎0
2 0 3 = 𝑎1
3 15 15 6 = 𝑎2
4 48 33 9 1 = 𝑎3
5 105 57 12 1 0 = 𝑎4
6 192 87 15 1 0 0 = 𝑎5
Mínimos Cuadrados

Nota: La sumatoria de los 𝜖𝑖 podría ser cero por tener valores positivos y negativos, por lo
que es necesario trabajar con el error cuadrático. 𝜖𝑖2 = (𝑦𝑖 − 𝑦̂)
𝑖
2

El error total 𝐸 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂) 2

𝑖 , siendo n el número de puntos.

Como funciones de ajustes 𝑦̂ se tiene

𝑦̂ = 𝑏0 + 𝑏1 𝑥

𝑦̂ = 𝑏0 + 𝑏1 𝑥 + 𝑏2 𝑥 2

𝑦̂ = 𝑏0 + 𝑏1 𝑥 + 𝑏2 𝑥 2 + 𝑏3 𝑥 3

𝑦̂ = 𝑏0 + 𝑏1 𝑥 + 𝑏2 𝑥 2 + 𝑏3 𝑥 3 + 𝑏4 𝑥 4 + ⋯ + 𝑏𝑛 𝑥 𝑛

𝑦̂ = 𝑒 𝑏0 +𝑏1 𝑥

Ejemplo: Encontrar la curva de ajuste lineal por mínimos cuadrados del siguiente conjunto
de nodos:

𝑥 𝑦
2 8
3 15
|
4 12
6 24
8 21
5
2
𝐸 = ∑(𝑦𝑖 − 𝑦̂)
𝑖
𝑖=1

Ajuste lineal

𝑦̂ = 𝑏0 + 𝑏1 𝑥

Por lo tanto

𝐸 = ∑[𝑦𝑖 − (𝑏0 + 𝑏1 𝑥𝑖 )]2

𝑖=1
𝒃𝟎

5
𝜕𝐸
= ∑ 2[𝑦𝑖 − 𝑏0 − 𝑏1 𝑥𝑖 ](−1) = 0
𝜕𝑏0
𝑖=1

∑[𝑦𝑖 − 𝑏0 − 𝑏1 𝑥𝑖 ] = 0
𝑖=1

∑ 𝑦𝑖 − ∑ 𝑏0 − ∑ 𝑏1 𝑥𝑖 = 0

5 5 5

(∑ 1) 𝑏0 + (∑ 𝑥𝑖 ) 𝑏1 = ∑ 𝑦𝑖 1
𝑖=1 𝑖=1 𝑖=1

𝒃𝟏

5
𝜕𝐸
= ∑ 2[𝑦𝑖 − 𝑏0 − 𝑏1 𝑥𝑖 ](−𝑥𝑖 ) = 0
𝜕𝑏1
𝑖=1

∑[𝑥𝑖 𝑦𝑖 − 𝑏0 𝑥𝑖 − 𝑏1 𝑥𝑖2 ] = 0
𝑖=1

5 5 5

(∑ 𝑥𝑖 ) 𝑏0 + (∑ 𝑥𝑖2 ) 𝑏1 = ∑ 𝑥𝑖 𝑦𝑖 2
𝑖=1 𝑖=1 𝑖=1

Nota: Para curvas de ajusta de orden mayores o iguales a 2, se puede generalizar de la

siguiente manera:

5 5 5 5

(∑ 1) 𝑏0 + (∑ 𝑥𝑖 ) 𝑏1 + (∑ 𝑥𝑖2 ) 𝑏2 = ∑ 𝑦𝑖
𝑖=1 𝑖=1 𝑖=1 𝑖=1

5 5 5 5

(∑ 𝑥𝑖 ) 𝑏0 + (∑ 𝑥𝑖2 ) 𝑏1 + + (∑ 𝑥𝑖3 ) 𝑏2 = ∑ 𝑥𝑖 𝑦𝑖
𝑖=1 𝑖=1 𝑖=1 𝑖=1

5 5 5 5

(∑ 𝑥𝑖2 ) 𝑏0 + (∑ 𝑥𝑖3 ) 𝑏1 + + (∑ 𝑥𝑖4 ) 𝑏2 = ∑ 𝑥𝑖2 𝑦𝑖

𝑖=1 𝑖=1 𝑖=1 𝑖=1
 5 5 5

∑1 ∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑖=1 𝑖=1 𝑏
5 5 ( 0) = 𝑖=1
5
𝑏1
∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖 𝑦𝑖
( 𝑖=1 𝑖=1 ) ( 𝑖=1 )

𝑥𝑖 𝑦𝑖 𝑥𝑖2 𝑥𝑖 𝑦𝑖 𝑦̂𝑖 (𝑦𝑖 − 𝑦̂)

𝑖
2 (𝑦𝑖 − 16)2
2 8 4 16 10.060345 4.245021 64
3 15 9 45 12.344828 7.049938 1
4 12 16 48 14.629311 6.913276 16
6 24 36 144 19.198277 23.056544 64
8 21 64 168 23.767243 7.657634 25

∑ 23 80 129 421 48.922414 170

5 23 𝑏0 80
( )( ) = ( )
23 129 𝑏1 421

23
5𝑏0 + 23𝑏1 = 80 ⟹ 𝑏0 = 16 − 𝑏
5 1

23
23𝑏0 + 129𝑏1 = 421 ⟹ 23 (16 − 𝑏 ) + 129𝑏1 = 421
5 1

𝑏1 = 2.284483

𝑏0 = 5.491379

𝑦̂ = 5.491379 + 2.284483𝑥

Nota: Se puede medir el grado de ajuste realizado mediante el coeficiente de determinación

dado por la fórmula:

Mientras más cercano a 1 es mejor el ajuste.

∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂)
𝑖
2
𝜌2 = 1 −
∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2

𝑦̅ es la media de 𝑦
 48.922414
𝜌2 = 1 −
170

𝜌2 = 0.7122

Nota: Cuando no se conoce la función y especialmente cuando existe una tendencia en los
datos es recomendable trabajar con los mínimos cuadrados.

Los mínimos cuadrados no son interpolaciones sino tendencias solamente, por tanto, no
importa elevar el grado.

El comando el Matlab que calcula el polinomio de mínimos cuadrados es polifit.