Ajustar datos discretos (,) con una función suave es un problema complejo cuando se enfrenta a datos que oscilan bruscamente o cuando los datos son muy grandes en tamaño. Proponemos un método directo, a menudo pasado por alto, para ajustar datos discretos (,) con funciones racionales. Este método sirve como una sólida elección de ajuste de datos que resulta ser rápido y altamente preciso. Su novedad radica en escalar datos explicativos positivos al intervalo [0, 1], antes de resolver el problema lineal asociado . Una reescala se realiza una vez que se deriva la función de ajuste. Cada solución en el núcleo de A proporciona una función de ajuste racional. Entre ellas, se elige la mejor basándose en una verificación de error punto por punto. Esto evita resolver un sistema lineal no homogéneo sobredeterminado con una matriz A mal condicionada y escalada. Con grandes datos, esto puede carecer de precisión y ser computacionalmente costoso. Además, cualquier combinación lineal de al menos una solución en la base del núcleo produce una nueva función de ajuste, lo que brinda la flexibilidad de elegir la mejor función racional que se ajuste a las restricciones de problemas específicos. Probamos nuestro método con muchas variables económicas que experimentaron oscilaciones bruscas debido a los efectos de los impactos relacionados con COVID-19 en la economía. Tales datos son intrínsecamente difíciles de ajustar con una función suave. Derivar dichas funciones de modelo continuo durante un período deseado es importante en el análisis y los algoritmos de predicción de dichas variables económicas. El método se puede ampliar para modelar comportamientos de interés en otras ciencias aplicadas, como la ingeniería eléctrica, donde el método se ajustó con éxito a mediciones de parámetros de dispersión de red con alta precisión.