UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS

CENTRO DE INVESTIGACION

Informe Final
(Tercer trimestre, Septiembre del 2017)

Palabra clave: Mnimos cuadrados, aproximacin, error.

I. DATOS PRELIINARES
1.0. TITULO DEL PROYECTO:
aproximacin funcional.
2.0. AUTOR
3.0. RESOLUCION DE APROBACION:
4.0. TIPO DE INVESTIGACION
5.0. AREA DE INVESTIGACION
Sub area
6.0. LINEA DE INVESTIGACION
Programa
7.0. LUGAR DE EJECUCION
8.0. DURACION DEL PROYECTO
9.0. FECHA DE INICIO
10.0. FECHA DE TRMINO
11.0. OBJETIVO
Mostrar los aspectos del mtodo de Mnimos cuadrados en la aproximacin funcional.
Enfoques del mtodo de Mnimos cuadrados en la
Mg. Amado Malca Villalobos
RES. N -2016- D/FACFyM
Basica
Matemtica
Geometra
Matemtica aplicada
Investigacion Basica
FACFyM UNPRG
12 meses
Septiembre del 2016
Septiembre del 2017

Pgina 1
II. CUERPO DEL INFORME
Summary
The present work was carried out with the objective of showing the different aspects of
the method of least squares in the functional approach. Which are points of view from the
different tools that science provides us to face a scientific problem.
To do this, we take advantage of the basic idea of Cartesian geometry, which tells us that
the shortest distance from a point to a straight line is the length of the straight
perpendicular line that joins the point with the line. This concept of orthogonality
generalizes the idea of perpendicularity in a vector space. And the idea of a straight line is
seen from the point of view of a vector that is finally conceived as a difference from the
endpoint minus the initial point.
In the development begins with the geometric approach that is more immediate since the
idea is explored in the Cartesian geometry, as seen in the secondary. Then it is focused
via the tools of linear algebra in a vector space with internal product, in which the concept
of distance (metric) is used, and we look for the shortest distance of a function f partially
known by a function of a vector space Of finite dimension, with the idea of making the
problem more affordable. Then the mathematical analysis is used, to minimize the error
committed when approaching the unknown function by one of this space. Finally the
statistical approach is given. Completing with it some points of view that show the
problem of the approximation of a more affordable function.
The natural conclusion is that the problem of functional approximation, it is possible to
observe it under different looks that are equivalent, and the most important thing is that in
this case the result is unique. According to whoever wants to explain the solution to such
problem of projecting the partially known function.
Key words: Least squares, approximation, error.
I. Resumen
Se realizo el presente trabajo de investigacin, con el objetivo de mostrar los diferentes
aspectos del mtodo de Mnimos cuadrados en la aproximacin funcional. Los cuales
son puntos de vista desde las diferencias herramientas que la ciencia nos provee para
enfrentar un problema cientfico.
Para ello se aprovecha la idea bsica de la geometra cartesiana a que nos dice que la
distancia ms corta de un punto a una recta es la longitud de la lnea recta perpendicular
que une el punto con la recta. Este concepto de orotgonalidad generaliza la idea de
perpendicularidad en un espacio vectorial. Y la idea de lnea recta se ve bajo el punto de
vista de un vector que finalmente se concibe como una diferencia del punto final menos
el inicial.
En el desarrollo se empieza con el enfoque geometrico que es mas inmediato puesto se
explora la idea en la geometra cartesiana, con lo visto en la secundaria. Luego se enfoca
via las herramientas del algebra lineal en un espacio vectorial con producto interno, ene
el cual se utiliza el concepto de distancia (mtrica), y se busca la distanci mas corta de
una funcin f parcialmente conocida por una funcin de un espacio vectorial de
dimensin finita, con la idea de hacer mas aequible el problema. Luego se usa el anlisis
matematico, para minimizar el error cometido al aproximar la funcin desconocida por
una de este espacio. Finalmente se da el enfoque estadstico. Completando con ello
algunos puntos de vista que muestran el problema de la aproximacin de una funcin
ms asequible.
La conclusin natural es que el problema de aproximacin funcional, es posible
observarlo bajo diferentes miradas que son equivalentes, y lo ms importante es que en
este caso el resultado es nico. De acuerdo a la explicacin que se quiera dar.
Palabra clave: Mnimos cuadrados, aproximacin, error.
Programa rea Lnea de investigacin
Investigacion Basica Matemtica Matemtica aplicada

Pgina 2
2.0. INTRODUCCION
En esta investigacin se recurri fundamentalmente a la experiencia personal, en el
dictado de las clases, y en las inquietudes que quedan pendientes al momento de hacer
una investigacin en que se necesita conocer el modelo que rige tal o cual fenmeno
fsico, biolgico, econmico o de alguna otra ndole.
En todos estos asectos hay un comn denominador, no se conoce la funcin, y ms aun
de ella si bien se conoce el dominio y el rango de tal funcin. Pero se desconoce tal regla
de correspondencia, solo podemos obtener alguna parte de ella por medicin directa o
indirecta. Para ello se usan diversos instrumentos metrologicos, de acuerdo al fenmeno
a medir.
El problema enfocado aqui es el de dada una informacin finita de n puntos
correspondientes a una funcin, aproximarla a alguna expresin funcional dada de
antemano, en la cual el objetivo es conocer las constantes que determinan la mejor
aproximacin, y que el error cometido sea el menor posible.
En el primer captulo del informe se explora los antecedentes histricos del mtodo, y se
va descubriendo que la preocupacin por el problema que nos atae es de mucho mas
antes, y se ha ido dando los diferentes acercamientos a tal situacin, en una primera
visin del problema solo vemos una admiracin por tal fenmeno y las ganas de
describirlo mediante algn modelo matemtico; En ello vemos el motor de desarrollo de
las ciencias, con el nimo de entender, modelar y explicar tal situacin.
En el segundo captulo del informe se explora uno de los enfoques de este problema, el
ms bsico. El geomtrico que tiene que ver con lo que se nos ensea en la secundaria,
sobre la geometra euclidiana primero y luego sobre la geometra cartesiana, que
simplemente es la algebrizacion de la geometra. Aqu se explora la idea de la distacia
mas corta de un punto a una recta en el plano euclidiano.
Con las ideas del capitulo dos podemos hacer un ensayo de generalizacin, a los
espacios vectoriales provistos de una distancia que define a partir de un producto interno,
en ello se han usado las herramientas del algebra lineal.
En la tercera parte se utilizan las herramientas del anlisis matemtico de varias
variables, lo cual nos da una metodologa interesante y que desemboca en la solucin de
un sistema de ecuaciones lineales, donde para resolver necesitamos ir al algebra lineal
numrica.
Finalmente usamos las herramientas estadsticas para la determinacin de ltal
aproximacin, pero lo comn de todo ello es que debemos tener la idea de que tipo de
funcin usaremos para la aproximacin. Que puede ser lineal, polinomial, potencial,

Pgina 3
exponencial, trigonomtrica, logartmica o una combinacin de ellas. Segn sea el caso
se usara alguna metodologa diferente.

3.0. MATERIAL Y METODOS

Para el desarrollo del presente trabajo se utilizaron lo aprendido en los diferentes aos
de dictar clases. Las funciones son un elemento repetitivo y fundamental en el estudio
de la matemtica aparece cuando menos lo imaginas, el problema est que situaciones
reales se conoce parcialmente la funcin por sus resultados.
En cuanto al uso de las TIC, se uso el Geogebra, que es un software libre para usarlo en
cualquier momento y en cualquier plataforma. Adems es una herramienta muy verstil,
con la cual se puede hacer muchas graficas de la forma que uno quiera. Tambin se uso
el editor de ecuacin Mathtype, herramienta muy verstil para formulas matemticas, y
por su puesto el editor de Windows.

Pgina 4
4.0. RESULTADOS

Capitulo 01
ASPECTO HISTRICO DEL MTODO DE MNIMOS CUADRADOS EN LA
APROXIMACIN FUNCIONAL.

Ya usado por los chinos tres siglos antes de Cristo en casos particulares, el inventor del mtodo
general fue Isaac Newton, que no lo quiso publicar, Euler no lo recomendaba, Legendre lo
consideraba un mtodo ordinario y Gauss lo calificaba como comn. Hoy en da lo llamamos
Mtodo de Eliminacin de Gauss. Por qu se asoci el nombre de Gauss a este mtodo? Cosas de
los primeros informticos que la usaron en los primeros ordenadores digitales. Nos cuenta muy
detalladamente en 41 pginas la historia de este mtodo Joseph F. Grcar, How Ordinary
Elimination Became Gaussian Elimination, ArXiv, Submitted on 14 Jul 2009.
Siglos antes de Cristo ya se resolvan ciertos problemas que hoy formularamos como un sistema
lineal de 2 por 2, o 3 por 3, aunque se utilizaban procedimientos propios para cada problema.
Segn Grcar, el primer uso demostrado del mtodo de eliminacin de Gauss aparece el s. III a.C.
en China, desde donde se transfiri a Babilonia y Grecia. Por ejemplo, se usa en la solucin del
problema 19 en el libro I de laAritmtica de Diofanto. Desde entonces ha aparecido en varios
fuentes, como en el libro Aryabhata que escribi el hind Aryabhatiya en el s. V d.C.

Isaac Newton fue quien present por primera vez el mtodo en su formulacin moderna, aunque
no lo quiso publicar. Entre 1650 y 1750 hay 35 fuentes slo en Inglaterra en las que aparece
descrito el mtodo. La mayora de los libros de lgebra del s. XVIII apuntaban que el mtodo fue
inventado por Newton (el mtodo de Newton para la resolucin de sistemas de ecuaciones lineales
simultneas). Por ejemplo, Hammond en su The elements of algebra, en 1752, nos presenta El
mtodo para resolver problemas que contienen cuatro ecuaciones y cuatro incgnitas de Newton
(The Method of resolving Questions, which contain four Equations, and four unknown Quantities).

Por qu el mtodo de eliminacin de incgnitas se populariz con Gauss? Para Grcar, todo nuevo
mtodo necesita un problema que resolver. Gauss lo utiliz en el marco del mtodo de mnimos
cuadrados, de gran utilidad en la resolucin de mltiples problemas prcticos, como por ejemplo la
determinacin de la rbitas astronmicas, Gauss lo aplic al asteroide Ceres, o en geodesia y
cartografa. La zorra de Gauss (que como la zorra borra sus huellas con el rabo) utiliz el
mtodo de eliminacin para la resolucin de muchsimos problemas, sin indicar los detalles. Por
qu? Para qu indicar los detalles si era un mtodo comn (ampliamente conocido, segn Gauss,
claro).

Pgina 5
Desde Gauss hasta la llegada de los ordenadores, el mtodo se public una docena de veces, segn
Grcar. Destaca Myrick Hascall Doolittle, calculista manual que lleg a resolver sistemas de 41
ecuaciones con 41 incgnitas, a mano, con el mtodo de eliminacin entre 1873 y 1911. Los
clculos a mano son largos, por ejemplo, Alan Turing en 1946 necesit dos semanas para resolver
un sistema de 18 ecuaciones y 18 incgnitas. Doolittle ya indica en 1878 que es necesario
mecanizar el procedimiento de eliminacin y a partir de 1890 empez a usar una mquina para
calcular sumas. El primer algoritmo pensado para una mquina lo desarroll Andr-Louis
Cholesky, geodsico militar, durante la I Guerra Mundial, para resolver problemas de mnimos
cuadrados (cuyas matrices de coeficientes son simtricas y definidas positivas).Prescott Crout,
profesor de matemticas en el MIT (Massachusetts Institute of Technology) aplic el mtodo de
eliminacin a problemas de ingeniera elctrica en 1941. Su algoritmo fue el ltimo publicado
pensado slo para hacer clculos a mano.

El uso de matrices en la resolucin de sistemas lineales es muy moderno. Las matrices se

inventaron en matemticas (lgebra abstracta, entonces) por Eisenstein (1852), Cayley (1858),
Laguerre (1867), Frobenius (1878) y Sylvester (1881), con objeto de entender la teora de
determinantes, formas cuadrticas, y sus aplicaciones en la resolucin de ecuaciones diferenciales
ordinarias. Fuera de la matemtica abstracta, las matrices no fueron usadas hasta que Heisenberg
las utiliz para su mecnica cuntica matricial en 1925. Prcticamente todas las presentaciones de
mtodos de resolucin de sistemas lineales obviaban el uso de matrices. Salvo contadsimas
excepciones, como Otto Toeplitz, que us matrices triangulares de dimensin infinita, o Tadeusz
Banachiewicz, que calcul la rbita de Plutn antes de su descubrimiento.

Quizs la primera presentacin de la eliminacin de Gauss utilizando matrices es del genial John
Von Neumann y su colaborador Herman Goldstine en 1947. Ms an, su presentacin inclua la
estimacin de los errores en el clculo de la inversa de matrices, el concepto de nmero de
condicin (ratio entre los valores singulares de mayor y menos mdulo). Este trabajo marca el
nacimiento del lgebra lineal numrica como actualmente.

El mtodo de eliminacin recibi el apelativo de mtodo de eliminacin de Gauss a partir de la

II Guerra Mundial, quizs en referencia a unas citas de Chauvenet (1868) elimination of unknown
quantities from the normal equations . . . according to Gauss, y Liagre (1879) limination des
inconnues entre les quations du minimum (quations normales) mediante les coefficients
auxiliaires de Gauss. Von Neumann (1947) aparentemente es el ltimo gran matemtico que
habl del mtodo de eliminacin (como haran Lacroix o el propio Gauss) sin hacer una referencia
al mtodo como eliminacin de Gauss.
Pgina 6
El da de Ao Nuevo de 1801, el astrnomo italiano Giuseppe Piazzi descubri el planeta
enano Ceres. Fue capaz de seguir su rbita durante 40 das. Durante el curso de ese ao, muchos
cientficos intentaron estimar su trayectoria con base en las observaciones de Piazzi (resolver
las ecuaciones no lineales de Kepler de movimiento es muy difcil). La mayora de las
evaluaciones fueron intiles; el nico clculo suficientemente preciso para permitir a Franz Xaver
von Zach, astrnomo alemn, reencontrar a Ceres al final del ao fue el de Carl Friedrich Gauss,
por entonces un joven de 24 aos (los fundamentos de su enfoque ya los haba planteado en 1795,
cuando an tena 18 aos). Sin embargo, su mtodo de mnimos cuadrados no se public sino hasta
1809, y apareci en el segundo volumen de su trabajo sobre mecnica celeste, Theoria Motus
Corporum Coelestium in sectionibus conicis solem ambientium. El francs Adrien-Marie
Legendre desarroll el mismo mtodo de forma independiente en 1805.
En 1829, Gauss fue capaz de establecer la razn del xito maravilloso de este procedimiento:
simplemente, el mtodo de mnimos cuadrados es ptimo en muchos aspectos. El argumento
concreto se conoce como teorema de Gauss-Mrkov.

Mnimos cuadrados es una tcnica de anlisis numrico enmarcada dentro de laoptimizacin

matemtica, en la que, dados un conjunto de pares ordenados variable independiente, variable
dependiente y una familia de funciones, se intenta encontrar lafuncin continua, dentro de dicha
familia, que mejor se aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio
de mnimo error cuadrtico.
En su forma ms simple, intenta minimizar la suma de cuadrados de las diferencias en las
ordenadas (llamadas residuos) entre los puntos generados por la funcin elegida y los
correspondientes valores en los datos. Especficamente, se llama mnimos cuadrados
promedio (LMS) cuando el nmero de datos medidos es 1 y se usa el mtodo de descenso por
gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza el residuo
cuadrado esperado, con el mnimo de operaciones (por iteracin), pero requiere un gran nmero de
iteraciones para converger.
Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de
mnimos cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria.
El teorema de Gauss-Mrkov prueba que los estimadores mnimos cuadrticos carecen de sesgo y
que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin
es importante que los datos a procesar estn bien escogidos, para que permitan visibilidad en las

Pgina 7
variables que han de ser resueltas (para dar ms peso a un dato en particular, vase mnimos
cuadrados ponderados).
La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos otros
problemas de optimizacin pueden expresarse tambin en forma de mnimos cuadrados,
minimizando la energa o maximizando la entropa.

Pgina 8
 Capitulo 02
ASPECTO GEOMETRICO DEL MTODO DE MNIMOS CUADRADOS EN LA
APROXIMACIN FUNCIONAL

En este captulo analizaremos la geometrizacion del mtodo de mnimos cuadrados. Empecemos

considerando un plano en el cual se tiene una lnea recta y un punto fuera de ella.

Problema: Hallar un punto en la recta que est ms cerca del punto dado

De todos los puntos de la recta en mencin, hay que buscar aquellos que estn a la menor distancia
posible del punto P, fuera de la recta.

Para ello hay que tener en cuenta algunos teoremas importantes de la geometra de un triangulo.
1. La suma de los tres ngulos interiores de un triangulo es de 180.

R A + R B + R C = 180
Demostracin
Para la demostracin solo se traza una paralela al segmento BC, que pase por A.

De donde vemos que los ngulos A, B y C, suman 180.

Pgina 9
Tambin tenemos lo siguiente:
En todo triangulo, a mayor ngulo se opone mayor lado. Y viceversa.

Sea: BC > AC , entonces RG > RH

De los cuales se deduce el principal teorema, respecto de los lados de un triangulo.

En todo triangulo, un lado es menor que la suma de los otros dos pero mayor que su diferencia.

Si BC > AC > AB , entonces: BC < AC + AB y BC > AC - AB

Este resultado es fundamental en el manejo de tringulos, pues prcticamente es el que nos da la
existencia de un triangulo cualquiera.
Como resultado de ello, tenemos un resultado importante:
La distancia ms corta entre dos puntos es el segmento de recta que los une.

Ahora veamos algunas lneas notables de un triangulo

un principio fundamental de la existencia de un triangulo.

En todo triangulo, un lado cualquiera es siempre menor que la suma de las longitudes de
los otros dos.
Altura: Es la recta perpendicular trazada desde un vrtice al lado opuesto.

Pgina 10
Bisectriz: Es la recta que parte de un vrtice y que divide al ngulo en dos ngulos iguales.

Mediana: Es la recta que une el vrtice con el punto medio del lado opuesto.

Mediatriz: Es la recta perpendicular a un lado, trazada desde su punto medio M.

Ahora veremos el problema que nos atae: Buscar un punto de la recta dada, que estee mas cerca
del punto P.

Este punto se encuentra trazando una lnea perpendicular a la recta, el punto de interseccin a ella
ser el punto indicado. Que estee mas cerca del punto dado P.

Pgina 11
Para ello veremos algunos teoremas respecto de las lneas que pasan por P, que pueden ser
perpendiculares, oblicuas y/o paralelas.

Teorema: Si desde un punto exterior a una recta se trazan a esta la perpendicular y una oblicua, se
verifica que la oblicua es mayor que la perpendicular.

PB > PA
Esto por que el triangulo APB es rectngulo recto en A, luego B y P son angulos agudos; y como
en todo triangulo a mayor angulo se opone mayor lado, por lo tanto: PB > PA

Teorema: Si desde un punto exterior a una recta se trazan a esta la perpendicular y varias oblicuas,
se verifica que:
i) Las oblicuas cuyos pies equidistan del pie de la perpendicular son iguales.
ii) De dos oblicuas cuyos pies no equidistan del pie de la perpendicular, ser mayor aquella cuyo
pie se aparte mas del pie de la perpendicular.

Si CA = AB , entonces PC = PB

Si CA < AB , entonces PC < PB

Pgina 12
Estos teoremas nos dicen que la distancia mas corta desde un punto exterior a una recta, esta dado
por la perpendicuar a esta recta trazado desde este punto P, exterior a ella.
Bajo este supuesto geomtrico tenemos la proyeccin ortogonal de P sobre la recta. Ahora
podemos ver este problema en el contexto del algebra lineal. Pues tenemos el espacio de funciones
de R en R, de dimensin infinita. Y la recta simboliza un subespacio vectorial de dimensin finita.
Asi que para encontrar una funcin que mejor se aproxime a una funcin dada f, debemos
proyectar en forma ortogonal sobre el subespacio.

Donde tenemos que Z es ortogonal a U, entonces tenemos que:

Z = V - rU y Z , U = 0
De donde tenemos que U ,U r = U ,V
Asi AE = rU
U ,V
E = A+ U
U ,U
Lo que nos da el efecto deseado.

Pgina 13
 Capitulo 03
ASPECTO ALGEBRAICO DEL MTODO DE MNIMOS CUADRADOS EN LA
APROXIMACIN FUNCIONAL

En este captulo se explotara la idea de mejor aproximacin que se establecer mas adelante con
el objeto de obtener el til mtodo de mnimos cuadrados, usado para ajustar curvas a una serie de
datos experimentales.
Sea V un espacio vectorial de dimensin finita con el producto interno ( g| g) y sea W un
subespacio de el. Tmese un vector (arbitrario) fijo v V . Se dice que el vector vw W es la
mejor aproximacin del vector v por vectores de W si
v - vw v - w , " w W
Al recordar que la norma de la diferencia entre dos vectores es la distancia entre ellos, la definicin
anterior establece que el vector vw W es la mejor aproximacin del vector v W por vectores
de W si el es el vector de W mas prximo a v. Es decir, de entre todos los vectores del subespacio
W, el vector vw W es el vector cuya distancia a v es la menor posible.
Veanse un par de casos concretos, en los que la geometra del problema ayuda a descubrir al vector
vw .

Sea V = R 2 con el producto interno canonico, y sea W el subespacio de V representado

geomtricamente por el eje x. Para un vector arbitario v R 2 es fcil ver (de la figura siguiente)
que el vector vw - la mejor aproximacin de v por vectores de W es la proyeccin ortogonal del

vector v sobre el eje x, pues es claro que la distancia ms corta de v a W es v - vw .

Esto est claro en virtud al captulo anterior desarrollado en este trabajo.

Una situacin similar se presenta en el caso del espacio vectorial R 3 con el producto interno
canonico, siendo W un plano que pasa por el origen: la proyeccin ortogonal del vector v R 3
sobre W da la mejor aproximacin del vector v por vectores de W.

Pgina 14
Ahora regresaremos al caso general. Para ello usaremos algunas herramientas del algebra lineal,
especficamente el complemento ortogonal de un subespacio.
Sea V un espacio con producto interno y sea W un subespacio de el. Al conjunto
W ^ = {v W / (v | w)= 0, " w W }
Se le llama el complemento ortogonal de W. El cual tambin es un subespacio de V.
Donde se tiene el siguiente resultado

Teorema: Sea (V , (. | .)) un espacio vectorial de dimensin finita con producto

interno y sea W un subespacio de V. Entonces V = W W ^ .

Es decir cualquier vector de V se puede escribir como combinacin lineal de un vector de W ms

un vector de W ^ .

Aqu se exhibira el vector que mejor aproxima a un vector v V por vectores de W. En ese
teorema se vio que siendo V un espacio vectorial de dimensin finita con producto interno y W un
subespacio de V, entonces V se podra presentar como la suma directa de W y su complemento
ortogonal. Es decir, se podra escribir V = W W ^ . De modo que todo vector v e V podra ser
escrito como

v = w1 + w2 (1)
en donde w1 W y w2 W . Al vector w1 W se le llama proyeccin ortogonal del vector v
^

sobre el espacio W.
Se afirma que el vector w1 W es precisamente el vector del anlisis anterior. Es decir, que es la
mejor aproximacin de v por vectores de W.
En efecto, se probar a continuacin que
v - w1 v - w , " w W

Segn la expresin (1) se tiene que para cualquier vector w W

2 2 2 2
v - w = w1 + w2 - w | w1 + w2 - w = w1 + w2 + w - (w1 | w)
Pero
w1 | w w1 | w w1 w
y entonces

Pgina 15
 2 2 2 2 2 2
v - w w2 + w1 + w - 2 w1 w = w2 + ( w1 - w )
2 2
w2 = v - w1

Es decir,
v - w1 v - w " w W
lo que prueba la afirmacin.

Se tiene entonces demostrado el siguiente teorema:

Teorema 1
Sea V un espacio vectorial de dimensin finita con producto interno ( | ) y sea W un subespacio
de V. Dado un vector v V , el vector vw W dado por
k
vw = i= 1
v | ui ui
en donde b = {u1 , u2 , u3 ,L , uk } es una base ortonormal de W, da la mejor aproximacin de v por
vectores de W en el sentido de que
v - vw v - w " w W

Este es el enfoque ene el algebra lineal.

Pgina 16
 Capitulo 04
MOSTRAR EL ASPECTO ANALTICO DEL MTODO DE MNIMOS CUADRADOS EN LA
APROXIMACIN FUNCIONAL.

En este captulo se explotara la idea de mejor aproximacin que se establecer mas adelante con
el objeto de obtener el til mtodo de mnimos cuadrados, usado para ajustar curvas a una serie de
datos experimentales.
Las herramientas a utilizar sern las del anlisis matemtico, de donde usaremos las derivadas
parciales de una funcin real de varias variables. El problema a analizar es dada una funcin
desconocida, de la cual solo se conocen algunos valores de ella, encontrar una funcion que mejor
la aproxima.
Esta funcin que es la mejor aproximacin de f, segn su distribucin en el plano, puede ser:
Polinomio de grado : () = 0 +1 +2 2 + + .
Exponencial: () = ( )
Logartmica: () = + ( )
+
Racional: () = +

Trigonomtrica: () = + () + ()
Tambin se puede utilizar una combinacin de ellas, segn se crea conveniente. El trabajo estar
en hallar los coeficientes de la funcin, para ello se analizara la funcin que acumula los errores
entre los valores reales de la funcin y la funcin que los aproxima. Adems para no darnos con la
sorpresa de que se anulen estos, por los signos cambiados., se trabajara con los cuadrados de tales
errores.
As el problema queda como sigue:
Dado un conjunto de n puntos
( , )
{ = ( ), = 1: , + } donde 1 < 2 < 3 < <

Que representan los valores conocidos de la funcin = ()

Hallar una funcin = (), que mejor aproxime a estos datos.

Es decir que el error sea el mnimo posible. Entonces la funcin a analizar ser, la funcin error dada por:

Pgina 17


(1 , 2 , 3 , , ) = (( ) )2
=1
Donde 1 , 2 , 3 , , son las constantes a hallar en g, que en este caso sern las incgnitas. Por lo que
tendremos que recurrir a las derivadas parciales, por ser E una funcin de m variables.
Ahora resolveremos el sistema:

( )
= 2 [(( ) ) ]=0
1 1
=1

( )
= 2 [(( ) ) ]=0
2 2
=1
.

( )
= 2 [(( ) ) ]=0
m m
=1
Lo cual resulta un sistema de m ecuaciones, con m incognitas. Lo ideal es que este sistema sea un
Sistema de Ecuaciones Lineales (SEL), que ser desarrollado con metodologias del algebra lineal
numrica.
Veamos algunos casos particulares:
Caso 01: () = ax + b, a0
La funcin error con las variables a y b ser: (a, b) = =1(a + b )2
Hallando las derivadas parciales respectivas tenemos:


= 2 [(a + b ) ] = 0

=1


= 2 [(a + b )] = 0

=1
De donde obtenemos el SEL:

[axi2 + bxi xi ] = 0
=1

[a + b ] = 0
=1
Arreglandola adecuadamente, para que parezca un SEL

a xi2 + xi = xi
=1 =1 =1

a + b 1 =
=1 =1 =1
De donde tenemos que
n ni=1( xi ) (ni=1 )(ni=1 )
a=
(ni=1 xi2 ) (ni=1 )2
(ni=1 xi2 )(ni=1 ) (ni=1 xi )(ni=1 )
b=
(ni=1 xi2 ) (ni=1 )2
De donde tenemos la mejor aproximacin lineal, y adems es nica, por nuestra teora de las derivadas.
() = ax + b, a0
Caso 2: () = x m + 1 x m1 + + 2 x 2 +1 x + 0
Pgina 18
La funcin error con las variables a y b ser:

(a, b) = ( xim + 1 xim1 + + 2 xi2 +1 + 0 )2

=1

Hallando las derivadas parciales respectivas tenemos:

= 2 [( xim + 1 xim1 + + 2 xi2 +1 + 0 )1] = 0
0
=1


= 2 [( xim + 1 xim1 + + 2 xi2 +1 + 0 ) ] = 0
1
=1


= 2 [( xim + 1 xim1 + + 2 xi2 +1 + 0 )xi2 ] = 0
2
=1
.


= 2 [( xim + 1 xim1 + + 2 xi2 +1 + 0 )xin ] = 0

=1
De donde obtenemos el SEL:

m m1 2
xi + 1 xi + + 2 xi + 1 + 0 1 =
=1 =1 =1 =1 =1 =1

m+1 m 3 2
xi + 1 xi + + 2 xi + 1 xi + 0 =
=1 =1 =1 =1 =1 =1

m+2 m+1
xi + 1 xi + + 2 xi + 1 xi + 0 xi = xi2
4 3 2

=1 =1 =1 =1 =1 =1
. ..

xi2m + 1 xi2m1 ++ 2 xim+2 + 1 xim+1 + 0 xim = xim

=1 =1 =1 =1 =1 =1
De donde se obtiene el siguiente SEL, el cual es un sistema de m+1 incgnitas con m+1
ecuaciones.
AX = B
Donde
X = [ 1 . 2 1 0 ]

=1 xim =1 xim1 =1 xi2 =1 x1i =1 1

=1
=1 xim+1 =1 xim =1 xi3 =1 xi2 =1 x1i
=1
A= =1 xim+2 =1 xim+1 =1 xi4 =1 xi3 =1 xi2 = =1 xi2
..
.
=1 xi2m1 =1 xi2m2 =1 xim+1 =1 xim =1 xim1
[ =1 xim ]

[ =1 xi2m =1 xi2m1 =1 xim+2 =1 xim+1 =1 xim ]
Ahora vemos que A es una matriz simtrica, la cual tiene sus propias formas de resolver en forma
numrica. Lo cual ser materia de otros trabajos.

Caso 3: () = ( )

Pgina 19
En este caso tenemos para hallar las constantes consideradas haremos un pequeo cambio en la
estructura de esta funcin, por una equivalente. Tomando logaritmos, que puede ser el neperiano o
el decimal.
En nuestro caso ser el logaritmo neperiano o natural:
= ( )
ln() = ln() + ()
En esta nueva ecuacin no necesitaremos
{(1 , 1 ), (2 , 2 ), (3 , 3 ), , (1 , 1 ), ( , )}
Sino los pares ordenados en la forma de: , ( , ln( ))
Luego de lo cual hallaremos = ln() = ln(), con los mtodos del caso 1:
n ni=1(ln( )xi ) (ni=1 )(ni=1 ln( ))
a = ln(d) =
(ni=1 xi2 ) (ni=1 )2
(ni=1 xi2 )(ni=1 ln( )) (ni=1 ln( )xi )(ni=1 )
b = ln(c) =
(ni=1 xi2 ) (ni=1 )2

Luego de ello, se calculan los valores de d y del siguiente modo:

d = ea y = eb
Obteniendo de esta forma lo requerido:
= () = ( )

Caso 4: = (, ) = + +
En este caso obviamente necesitaremos ternas de nmeros como datos, de la forma siguiente:
{(1 , 1 , 1 ), (2 , 2 , 2 ), (3 , 3 , 3 ), , (1 , 1 , 1 ), ( , , )}
De donde la funcin error, con el mismo formato inicial, nos quedara como una suma de cuadrados
de expresiones lineales:

(a, b, c) = (( , ) ) = ( + b + )2
2

=1 =1
Hallando las derivadas parciales con respecto a las variables a, b y c, y luego igualando a cero
cada una de ellas, tenemos:


= 2 [(a + b + ) ] = 0

=1


= 2 [(a + b + ) ] = 0

=1


= 2 [(a + b + )1] = 0
c
=1

De donde tenemos que aplicando las sumatorias:

Pgina 20


a xi2 + ( ) + = ( )
=1 =1 =1 =1

a ( ) + yi2 + = ( )
=1 =1 =1 =1

a + + 1 =
=1 =1 =1 =1

De donde podemos ver que tenemos un sistema de tres ecuaciones con tres incgnitas, claramente
desarrollable.
=1 xi2 =1( ) =1 =1( ) =1( ) =1
= | =1( ) =1 yi2 =1 | 1 = | =1( ) =1 yi2 =1 |
=1 =1 =1 1 =1 =1 =1 1
=1 xi2 =1( ) =1 =1 xi2 =1( ) =1( )
2 = |=1( ) =1( ) =1 | 3 = | =1( ) =1 yi2 =1( ) |
=1 =1 =1 1 =1 =1 =1
Donde tenemos que:
1 2 3
a= = =

1 2 3
As tenemos finalmente que: = (, ) = + +

Caso 5: = (, ) = 2 + 2 + +
En este caso trataremos ternas de nmeros como datos, de la forma siguiente:
{(1 , 1 , 1 ), (2 , 2 , 2 ), (3 , 3 , 3 ), , (1 , 1 , 1 ), ( , , )}
De donde la funcin error, con el mismo formato inicial, nos quedara como una suma de cuadrados
de expresiones cuadrticas:

(a, b, c, d) = (( , ) ) = (axi2 + byi2 + + d )2

2

=1 =1
Hallando las derivadas parciales con respecto a las variables a, b y c, y luego igualando a cero
cada una de ellas, tenemos:


= 2 [(axi2 + byi2 + + d )xi2 ] = 0

=1


= 2 [(axi2 + byi2 + + d )yi2 ] = 0

=1


= 2 [(axi2 + byi2 + + d ) ] = 0
c
=1


= 2 [(axi2 + byi2 + + d )1] = 0

=1

De donde tenemos que aplicando las sumatorias:

Pgina 21


a xi4 + xi2 yi2 + xi3 + xi2 = xi2

=1 =1 =1 =1 =1

a xi2 yi2 + yi4 + yi3 + yi2 = yi2 )

=1 =1 =1 =1 =1

a xi3 + yi3 + xi2 yi2 + = )

=1 =1 =1 =1 =1

a xi2 + yi2 + + 1 = )
=1 =1 =1 =1 =1
De donde resulta un sistema de cuatro ecuaciones con cuatro incgnitas, resoluble como un SEL.
Usando el mtodo ms adecuado de acuerdo con la matriz de coeficientes.

Pgina 22
5.0. CONCLUSIONES
Lo mejor que se puede hacer sobre un tema en particular es recurrir a los antecedentes histricos,
lo que nos da en la mayora de veces un enfoque mejorado de lo que se requiere investigar. A
partir de lo cual podemos seguir en base a la experiencia y no seguir andando en el camino ya
trillado.

El enfoque geomtrico nos da una visin del problema bastante simple el cual puede utilizarse para
todo publico, dado que esta es una investigacin de temas de la realidada en que vivimos. Por ello
ser necesario dar explicaciones para que se vea la relevamncia de tal investigacin.

El enfoque algebraico y el analtico son caminos especializados del mismo problema, por ello
estan hechos al detalle, con la suficiente claridad para aquel versado en tales temas.

Por ultimo en enfoque estadstico es usado pr los especialistas en tal problema de investigacin,
dado que la informacin que se tiene sobre un fenmeno en particular es demasiada, entonces es
importante el concurso de tales especialistas.

Todo alumno que quiera modelar la realidad en cual nivel educativo, se va a enfrentar con la
realidad de construir una funcin que modele tel o cual fenmeno real. Por ello es necesario que se
empape de tales mtodos.

6.0. REFERENCIAS BIBLIOGRAFICAS

Carrillo, A., & Llamas, I. (2005). Cabri Gomtre II plus. Madrid: RA-MA.

Ruiz, J. (2013). Las TIC en la enseanza y aprendizaje de las matemticas. Bogot: Ediciones de
la U.

Wooton, W., Beckenbach, E., & Fleming, F. (1985). Geometria Analitica Moderna. Mexico:
Publicaciones Cultual S. A. .

V. A. Uspenski.Triangulo de Pascal, Editorial MIR, Moscu 1978

E. T. Bell. Historia de las Matemticas, Segunda Edicion en Espaol, Editorial Fondo de

Cultura Economica. Mexico 1995.

Lages Lima, E. (2009). Curso de analise vol. 2. Rio de Janeiro: Impa.

Mendenhall, W. (2010). Estadistica Matematica con aplicaciones. Mexico: Cengage.

Newton, I. (2011). Principios matematicos de la Filosofia Natural. Madrid: Tecnos.

Pgina 23
Pea, D. (2012). Regresion y diseo de experimentos. Madrid: Alianza editorial.

Seeley, R. (2010). Calculo de una y varias variables. Mexico: Trillas.

Sestier, A. (1990). Diccionario enciclopedico de las Matematicas. Mexico: Valle.

Strang, G. (2014). Linear Algebra and its aplications. Ohio: Limusa.

Yves Lequain, A. (2013). Elementos de lgebra. Rio de Janeiro: Impa.

Lambayeque, Septiembre del 2017.

Mg. Amado Malca Villalobos

Docente ASODE de la UNPRG

Pgina 24