( x 1 , y 1 ) , ( x2 , y 2 ) , , ( x m , y m )
Donde yi y (xi), i = 1, 2,..., m, la idea es modelar y(x) por medio de una combinacin de
n funciones base 1(x), 2(x),..., n(x). En el caso lineal suponemos que la funcin que se
ajusta a los datos es una combinacin lineal de la forma:
y ( x )=c 1 1 ( x ) +c 2 2 ( x ) ++ cn n ( x )
Entonces, los datos deben satisfacer de manera aproximada
y i=c 1 1 ( x i ) +c 2 2 ( x i ) ++ c n n ( x i ) ,i=1,2, , m.
La ultima expresin constituye un sistema de m ecuaciones con n incgnitas c1, c2,..., cn.
En el ajuste de curvas el nmero de funciones base n es generalmente menor que el
nmero de datos m, es decir, m > n. En forma matricial la condicin puede expresarse de
la siguiente forma:
][ ] [ ]
1 ( x 1) 2( x1 ) n ( x 1 )
1 ( x 2) 2( x2 ) n ( x 2 )
1( xm ) n (xm ) n ( x m )
c1
y1
c2 = y2
cn
yn
A la matriz de este sistema A = (aij) con aij = j (xi) se le denomina matriz de diseo .El
enfoque de mnimos cuadrados consiste en buscar aquel vector de coeficientes c que
minimice el residual r = yA c. Es decir, para encontrar el ajuste de mnimos cuadrados
debemos encontrar el vector de coeficientes c = (c1,..., cn) T que minimiza la suma de
cuadrados.
BIBLIOGRAFIA:
http://sgpwe.izt.uam.mx/files/users/uami/hect/material_didactico/notas-ALN-MinCuadOpt.pdf