AJUSTE POR MÍNIMOS CUADRADOS

TABLA I

COORDENADAS Y DISTANCIA DE LOS PLANETAS.

Estrella x(km) y(km) distancia(km)

Sol 0,0000 0,0000 0,0000
Mercurio 57909175,0000 0,0000 57909175,0000
Venus 105016476,0686 26090463,5043 108208930,0000
Tierra 108373301,8307 103124925,0126 149597870,0000
Marte 54198508,6723 221399262,6731 227936640,0000
júpiter -513043366,6106 585415887,4588 778412010,0000
Saturno -1410593366,2012 -213943268,7288 1426725400,0000
Urano -2600140072,6430 -1217272761,4667 2870972200,0000
Neptuno -1914382075,6939 -4070555296,3472 4498252900,0000

Fig. 1 Grafica de los puntos en geogebra.

REGRESION LINEAL
TABLA II

COORDENADAS Y DISTANCIA PARA INTERPOLAR

x y XY X^2

1 0,00E+00 0,00E+00 0,00E+00 0,00E+00

2 5,79E+07 0,00E+00 0,00E+00 3,35E+15

3 1,05E+08 2,61E+07 2,74E+15 1,10E+16

4 1,08E+08 1,03E+08 1,12E+16 1,17E+16

5 5,42E+07 2,21E+08 1,20E+16 2,94E+15

6 -5,13E+08 5,85E+08 -3,00E+17 2,63E+17

 7 -1,41E+09 -2,14E+08 3,02E+17 1,99E+18

8 -2,60E+09 -1,22E+09 3,17E+18 6,76E+18

9 -1,91E+09 -4,07E+09 7,79E+18 3,66E+18

Sumatoria -6,11E+09 -4,57E+09 1,10E+19 1,27E+19

𝑦 = 𝑏 + 𝑚𝑋
𝑛(∑𝑛𝑖=1 𝑋𝑖 𝑌𝑖 ) − ∑𝑛𝑖=1 𝑋𝑖 (∑𝑛𝑖=1 𝑌𝑖 )
𝑚= 2
𝑛 (∑𝑛𝑖=1 𝑋𝑖2 ) − (∑𝑛𝑖=1 𝑋𝑖 )

9(1,10E + 19) − (−6,11E + 09)(−4,57E + 09)

𝑚=
9(1,27E + 19) − (−6,11E + 09)2
𝑚 = 0.92
𝑏 = 𝑦̅ − 𝑚𝑥̅
∑𝑛𝑖=1 𝑌𝑖 ∑𝑛𝑖=1 𝑋𝑖
𝑏= −𝑚∗
𝑛 𝑛
−4,57E + 09 −6,11E + 09
𝑏= − (0.92) ∗
9 9
𝑏 =118539444,20

𝑦 = 118539444,20 + 0.92𝑋

Como podemos observar en as graficas la regresión lineal realizada a las coordenadas de los
planetas del sistema solar es una línea recta en la cual se podemos deducir que no se aproxima
a los puntos y existe un mayor error si se realiza con esta interpolación.
y = 0.9215x + 1E+08 COORDENADAS
1.00E+09

0.00E+00
-3.00E+09 -2.50E+09 -2.00E+09 -1.50E+09 -1.00E+09 -5.00E+08 0.00E+00 5.00E+08
-1.00E+09
EJE Y

-2.00E+09

-3.00E+09

-4.00E+09

EJE X -5.00E+09

Fig. 1 Regresión lineal en Excel.

Comprobación en Matlab

Fig. 2 Regresión lineal ecuación en matlab.

Fig. 3 Regresión lineal grafico de los puntos en matlab.

Fig. 4 Regresión lineal grafico de la ecuación en matlab.

 REGRESION POLINOMIAL

Polinómica de grado 2

1.00E+09
y= 1E-10x2 + 1.1017x
0.00E+00
-3.00E+09 -2.50E+09 -2.00E+09 -1.50E+09 -1.00E+09 -5.00E+08 0.00E+00 5.00E+08

-1.00E+09
EJE Y

-2.00E+09

-3.00E+09

-4.00E+09

-5.00E+09
EJE X

Fig. 5 Regresión polinómica de grado 2.

Al utilizar la regresion polinomial de grado 2 podemos observar que no pasa por todos los puntos pero se aproxima a la mayor
cantidad de puntos que se encuentran en en las coordenadas obtenidas.

Polinómica de grado 3
 y = -2E-18x3 - 6E-09x2 - 4.1796x COORDENADAS 2.00E+09

1.00E+09

0.00E+00
-3.00E+09 -2.50E+09 -2.00E+09 -1.50E+09 -1.00E+09 -5.00E+08 0.00E+00 5.00E+08
-1.00E+09
EJE Y

-2.00E+09

-3.00E+09

-4.00E+09

-5.00E+09
EJE X

Fig. 6 Regresión polinómica de grado 3.

Al utilizar la regresion polinomial de grado 3 vemos una mayor aproximacion a los puntos y se acercan cada vez mas a las
coordenadas obtenidas.

Polinómica de grado 4
 2.00E+09
y = 3E-27x4 + 1E-17x3 + 1E-08x2 + 1.441x
1.00E+09

0.00E+00
-3.00E+09 -2.50E+09 -2.00E+09 -1.50E+09 -1.00E+09 -5.00E+08 0.00E+00 5.00E+08
-1.00E+09
EJE Y

-2.00E+09

-3.00E+09

-4.00E+09

-5.00E+09

-6.00E+09
EJE X

Fig. 7 Regresión polinómica de grado 4.

Al utilizar la regresion polinomial de grado 4 podemos observar que la curva obtenida no pasa por muchos puntos pero se aproxima
en la parte donde se encuentra la mayor cantidad de puntos de las coordenadas obtenidas.

Polinómica de grado 5
 2.00E+09
y = -1E-36x5 - 3E-27x4 + 2E-19x3 + 4E-09x2 + 0.4747x
1.00E+09

0.00E+00
-3.00E+09 -2.50E+09 -2.00E+09 -1.50E+09 -1.00E+09 -5.00E+08 0.00E+00 5.00E+08
-1.00E+09
EJE Y

-2.00E+09

-3.00E+09

-4.00E+09

-5.00E+09

-6.00E+09
EJE X

Fig. 8 Regresión polinómica de grado 5.

Al realizar la regresion polinomial de grado 5 podemos observar que la curva obtenida pasa o se acerca por la mayor cantidad de
puntos a diferencia de las anteriores regresiones de garado menor por lo cual podemos observar que en esta curva se obtendra un
menor error en comparacion de las otras curvas obtenidas.

Polinómica de grado 6
y = -7E-45x6 - 4E-35x5 - 9E-26x4 - 8E-17x3 - 1E-08x2 + 2.8101x
R² = 0.9982 COORDENADAS
4.00E+09
y Poly. (y)
3.00E+09

2.00E+09

1.00E+09
EJE Y

0.00E+00
-3.00E+09 -2.50E+09 -2.00E+09 -1.50E+09 -1.00E+09 -5.00E+08 0.00E+00 5.00E+08
-1.00E+09

-2.00E+09

-3.00E+09

-4.00E+09

-5.00E+09
EJE X

Fig. 9 Regresión polinómica de grado 6.

Al realizar la regresion polinomial de grado 6 podemos observar que la curva obtenida no pasa o se acerca a los puntos a diferencia
de las anteriores regresiones de grado menor por lo cual podemos observar que en esta curva se obtendra un error mas grande a
comparacion de la anterior curva obtenida.

REGRESION EXPONECIAL

La idea es convertir una curva exponencial a una recta por medio de logaritmos

 Si el exponente es positivo, un número positivo elevado a otro positivo es trivialmente

positivo.
 Si el exponente es negativo, es equivalente a hacer la operación como 1 partido de la
potencia, pero con exponente positivo, que es una división de números positivos y por
tanto, positivo.
Por lo tanto, discutidos todos los casos, vemos que una base positiva al elevarla a un
exponente cualquiera siempre resulta un valor positivo. Entonces, eso implica que no se
pueden realizar logaritmos de números negativos porque no existen.

Afirmación Justificación
𝜶𝟏 𝒙
𝒚 = 𝜷𝟏 𝒆 Ecuación de un función exponencial
𝐥𝐧 𝒚 = 𝐥𝐧(𝜷𝟏 𝒆𝜶𝟏𝒙 ) Explicamos ln a ambos lados para linealizar la
función.
𝐥𝐧 𝒚 = 𝐥𝐧(𝜷𝟏 ) + 𝜶𝟏 𝒙 𝐥𝐧(𝒆) Aplicamos la propiedad de los logaritmos
respecto a la multiplicación.
𝐥𝐧 𝒚 = 𝐥𝐧(𝜷𝟏 ) + 𝜶𝟏 𝒙 Aplicamos la propiedad de los logaritmos para
𝑙𝑛(𝑒) = 1
Ŷ𝒊 = 𝒃 + 𝒎𝑿 Al linealizar los ecuación puedo compararla con
𝐥𝐧 𝒚 = 𝐥𝐧(𝜷𝟏 ) + 𝜶𝟏 𝒙 la ecuación de la recta .
𝑫𝒐𝒏𝒅𝒆:
𝐥𝐧 𝒚 = Ŷ𝒊
𝐥𝐧(𝜷𝟏 ) = 𝒃 → 𝜷𝟏 = 𝒆𝒃
𝜶𝟏 = 𝒎
𝒙=𝑿

Interpolación de LaGrange

𝐿0 =
(𝑥 − 5,79𝑥107 )(𝑥 − 1.05𝑥108 )(𝑥 − 1.08𝑥108 )(𝑥 − 5.42𝑥107 )(𝑥 + 5.13𝑥108 )
(𝑥 + 1.41𝑥109 )(𝑥 + 2.60𝑥109 )(𝑥 + 1.91𝑥109 )
(0 − 5,79𝑥107 )(0 − 1.05𝑥108 )(0 − 1.08𝑥108 )(0 − 5.42𝑥107 )(0 + 5.13𝑥108 )
(0 + 1.41𝑥109 )(0 + 2.60𝑥109 )(0 + 1.91𝑥109 )
(𝑥 − 0)(𝑥 − 1.05𝑥108 )(𝑥 − 1.08𝑥108 )(𝑥 − 5.42𝑥107 )(𝑥 + 5.13𝑥108 )
(𝑥 + 1.41𝑥109 )(𝑥 + 2.60𝑥109 )(𝑥 + 1.91𝑥109 )
𝐿1 = −
(5,79𝑥107 − 1.05𝑥108 )(5,79𝑥107 − 1.08𝑥108 )(5,79𝑥107 − 5.42𝑥107 )
(5,79𝑥107 + 5.13𝑥108 )
(5,79𝑥107 + 1.41𝑥109 )(5,79𝑥107 + 2.60𝑥109 )(5,79𝑥107 + 1.91𝑥109 )
𝐿2
(𝑥 − 0)(𝑥 − 5,79𝑥107 )(𝑥 − 1.05𝑥108 )(𝑥 − 5.42𝑥107 )(𝑥 + 5.13𝑥108 )
(𝑥 + 1.41𝑥109 )(𝑥 + 2.60𝑥109 )(𝑥 + 1.91𝑥109 )
=
(1.08𝑥108 − 5,79𝑥107 )(1.08𝑥108 − 0)(1.08𝑥108 − 1.05𝑥108 )(1.08𝑥108 − 5.42𝑥107 )
(1.08𝑥108 + 5.13𝑥108 )
(1.08𝑥10 + 1.41𝑥10 )(1.08𝑥108 + 2.60𝑥109 )(1.08𝑥108 + 1.91𝑥109 )
8 9

𝐿3
(𝑥 − 0)(𝑥 − 5,79𝑥107 )(𝑥 − 1.08𝑥108 )(𝑥 − 5.42𝑥107 )(𝑥 + 5.13𝑥108 )
(𝑥 + 1.41𝑥109 )(𝑥 + 2.60𝑥109 )(𝑥 + 1.91𝑥109 )
=−
(1.05𝑥10 − 5,79𝑥107 )(1.05𝑥108 − 0)(1.05𝑥108 − 1.08𝑥108 )(1.05𝑥108 − 5.42𝑥107 )
8

(1.05𝑥108 + 5.13𝑥108 )
(1.05𝑥10 + 1.41𝑥10 )(1.05𝑥108 + 2.60𝑥109 )(1.05𝑥108 + 1.91𝑥109 )
8 9
 𝐿4
(𝑥 − 0)(𝑥 − 5,79𝑥107 )(𝑥 − 1.08𝑥108 )(𝑥 − 1.05𝑥108 )(𝑥 + 5.13𝑥108 )
(𝑥 + 1.41𝑥109 )(𝑥 + 2.60𝑥109 )(𝑥 + 1.91𝑥109 )
=
(5.42𝑥107 − 5,79𝑥107 )(5.42𝑥107 − 0)(5.42𝑥107 − 1.08𝑥108 )(5.42𝑥107 − 1.05𝑥108 )
(5.42𝑥107 + 5.13𝑥108 )
(5.42𝑥10 + 1.41𝑥10 )(5.42𝑥107 + 2.60𝑥109 )(5.42𝑥107 + 1.91𝑥109 )
7 9

𝐿5
(𝑥 − 0)(𝑥 − 5,79𝑥107 )(𝑥 − 1.08𝑥108 )(𝑥 − 1.05𝑥108 )(𝑥 − 5.42𝑥107 )
(𝑥 + 1.41𝑥109 )(𝑥 + 2.60𝑥109 )(𝑥 + 1.91𝑥109 )
=−
(−5.13𝑥108 − 5,79𝑥107 )(−5.13𝑥108 − 0)(−5.13𝑥108 − 1.08𝑥108 )(−5.13𝑥108 − 1.05𝑥108 )
(−5.13𝑥108 − 5.42𝑥107 )
(−5.13𝑥10 + 1.41𝑥10 )(−5.13𝑥108 + 2.60𝑥109 )(−5.13𝑥108 + 1.91𝑥109 )
8 9

𝐿6
(𝑥 − 0)(𝑥 − 5,79𝑥107 )(𝑥 − 1.08𝑥108 )(𝑥 − 1.05𝑥108 )(𝑥 − 5.42𝑥107 )
(𝑥 + 5.13𝑥108 )(𝑥 + 2.60𝑥109 )(𝑥 + 1.91𝑥109 )
=
(−1.41𝑥109 − 5,79𝑥107 )(−1.41𝑥109 − 0)(−1.41𝑥109 − 1.08𝑥108 )(−1.41𝑥109 − 1.05𝑥108 )
(−1.41𝑥109 − 5.42𝑥107 )
(−1.41𝑥109 + 5.13𝑥108 )(−1.41𝑥109 + 2.60𝑥109 )(−1.41𝑥109 + 1.91𝑥109 )
𝐿7
(𝑥 − 0)(𝑥 − 5,79𝑥107 )(𝑥 − 1.08𝑥108 )(𝑥 − 1.05𝑥108 )(𝑥 − 5.42𝑥107 )
(𝑥 + 5.13𝑥108 )(𝑥 + 1.41𝑥109 )(𝑥 + 1.91𝑥109 )
=−
(−2.60𝑥109 − 5,79𝑥107 )(−2.60𝑥109 − 0)(−2.60𝑥109 − 1.08𝑥108 )(−2.60𝑥109 − 1.05𝑥108 )
(−2.60𝑥109 − 5.42𝑥107 )
(−2.60𝑥109 + 5.13𝑥108 )(−2.60𝑥109 + 1.41𝑥109 )(−2.60𝑥109 + 1.91𝑥109 )
𝐿8
(𝑥 − 0)(𝑥 − 5,79𝑥107 )(𝑥 − 1.08𝑥108 )(𝑥 − 1.05𝑥108 )(𝑥 − 5.42𝑥107 )
(𝑥 + 5.13𝑥108 )(𝑥 + 1.41𝑥109 )(𝑥 + 2.60𝑥109 )
=
(−1.91𝑥109 − 5,79𝑥107 )(−1.91𝑥109 − 0)(−1.91𝑥109 − 1.08𝑥108 )(−1.91𝑥109 − 1.05𝑥108 )
(−1.91𝑥109 − 5.42𝑥107 )
(−1.91𝑥109 + 5.13𝑥108 )(−1.91𝑥109 + 1.41𝑥109 )(−1.91𝑥109 + 2.60𝑥109 )

Polinomio interpolante de LaGrange:

𝑝(𝑥)
= −(𝑥
∗ (2598478622967312499092698931716552620529818253974319700355666619063270458589438060
∗ 𝑥7
+ 1599847614178424217171777275274379735635035769155125508915658576671037791548375419
∗ 𝑥6
+ 3274079403083805028692278871604319726306763964075469860809207386736287168644391642
∗ 𝑥5
+ 2327788261874359009138948000603197757546265460720837236693371309046948218694512293
∗ 𝑥4
+ 9095050370802809949148132504710255782866565660680928633964246168696643319298830804
∗ 𝑥3
− 1813705687837768764593428055119831916129772183058597691879240756493745709372390915
∗ 𝑥2
+ 2132925620969321062737545102060609066882745143703112960486325454637294617622664252
∗𝑥
− 6729715890988218199215665263365193564906326020447441099507750659548008532127324852
/33272762844272337472845784204424988639553876355884204235342482701642046425968822991

𝑝(𝑥)
104 8 114 7
(2.598 ∙ 10 𝑥 + 1.6 ∙ 10 149𝑥 + 3.274 ∙ 10123 𝑥 6 + 2.328 ∙ 10132 𝑥 5 + 9.095 ∙ 10139 𝑥 4 )
=− +1.81 ∙ 10 𝑥 3 + 2.133 ∙ 10157 𝑥 2 + 6.73 ∙ 10164 𝑥
3.327 ∙ 10162

𝑝(𝑥)
−(7.81 ∙ 10−59 𝑥 8 + 4.81 ∙ 10−49 𝑥 7 + 9.84 ∙ 10−40 𝑥 6 + 7.00 ∙ 10−31 𝑥 5 + 2.73 ∙ 10−23 𝑥 4
=
+5.45 ∙ 10−14 𝑥 3 + 6.41 ∙ 10−6 𝑥 2 + 2.02 ∙ 102 𝑥)
 Fig. 10 Interpolación de LaGrange en Matlab.

En la interpolación de LaGrange obtuvimos una ecuación de grado 8 y al graficarla pudimos

observar que la interpolación realizada no se aproxima a todas las coordenadas, por lo cual
podemos deducir que el error que se obtiene al realizar esta interpolación no es la más exacta
para la aproximación de los puntos.