Artículo Científico / Quito 27 de enero del 2018

AJUSTE DE CURVAS

Paúl Cárdenas, Estudiante de la Universidad Politécnica Salesiana

1. Objetivo general

Encontrar las relaciones matemáticas más adecuadas entre cantidades físicas

medidas en el laboratorio.

2. Objetivos específicos

• Encontrar la función que ilustre lo mejor posible la correlación entre dos variables
físicas dependientes obtenidas experimentalmente.
• Interpretar los resultados experimentales a partir de las gráficas y el ajuste de
curvas por el método de regresión lineal y regresión polinómica.

3. Marco teórico

Los datos que se obtienen mediante mediciones fluctúan debido a errores aleatorios del
sistema de medición aplicado al comportamiento intrínsecamente estocástico del sistema
en observación (ver figura 1). Si a partir de la información obtenida se desea caracterizar
el comportamiento del fenómeno observado, la estrategia más apropiada es la de obtener
una función aproximada que se ajuste “adecuadamente” al comportamiento o tendencia
general de los datos, sin coincidir necesariamente con cada punto en particular.

Figura. 1 Muestra de datos con error significativo y ajuste polinomial

En el caso que se muestra en la figura 1, el ajuste es realizado mediante una recta que
tienen como propiedad, minimizar la suma de los cuadrados de los residuos.

Regresión Lineal
El ejemplo más simple de una aproximación por mínimos cuadrados es el ajuste de una
línea recta a un conjunto de parejas de datos observados (x1, y1), (x2, y2) …, (xn, yn). La
expresión matemática de la recta es:

𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝐸 [1.1]

donde a0 y a1 son coeficientes que representan la intersección con el eje de las abscisas y
la pendiente respectivamente, y E es el error o residuo entre el modelo y las
observaciones, que se puede representar reorientando la ecuación (1.1) como:
Artículo Científico / Quito 27 de enero del 2018

𝐸 = 𝑦 − 𝑎0 − 𝑎1 𝑥 [1.2]

Por lo tanto, el error es la diferencia entre el valor real y el aproximado predicho por la
ecuación lineal.

Ajuste de una Recta utilizando Mínimos Cuadrados

Esta estrategia de regresión lineal consiste en minimizar la suma de los cuadrados de los
errores:

𝑆𝑟 = ∑𝑙𝑖=1 𝐸𝑖2 = ∑𝑙𝑖=1(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2 [1.3]

Derivando la ecuación (1.3) con respecto a cada uno de los coeficientes se obtiene:
𝑑𝑆𝑟
= −2 ∑𝑛𝑖=1(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2 [1.4]
𝑑𝑎0

𝑑𝑆𝑟
= −2 ∑𝑛𝑖=1[(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )𝑥𝑖 ] [1.5]
𝑑𝑎1

Igualando las derivadas a cero (para minimizar) y resolviendo el sistema de ecuaciones

resultante se obtiene que:

𝑛 ∑ 𝑥𝑖 𝑦𝑖 −∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑎1 = [1.6]
𝑛 ∑ 𝑥𝑖2 −(∑ 𝑥𝑖 )2

𝑎0 = 𝑦̅ − 𝑎1 𝑥̅ [1.7]

Cuantificación del Error en la Regresión Lineal

Cualquier línea recta diferente a la que se obtiene con los coeficientes en (1.6) y (1.7)
genera una mayor suma de cuadrados de los residuos; por lo tanto, la línea es única y en
términos del criterio escogido, “la mejor” línea a través de los puntos. A partir de este
hecho es posible derivar algunas propiedades.
Para analizar una de estas propiedades, conviene revisar la ecuación (1.3). En esta los
residuos representan el cuadrado de la distancia vertical entre los datos y otra medida de
la tendencia central: la línea recta. Por otra parte, la ecuación (1.8) representa la diferencia
entre los datos y una aproximación simple de la medida de la tendencia central: la media.

𝑆𝑖 = ∑(𝑦𝑖 − 𝑦̅)2 [1.8]

Y la desviación estándar se calcula como:

∑(𝑦𝑖 −𝑦̅)2
𝜌=√ (𝑛−1)

Estas dos ecuaciones son análogas pudiendo extenderse para más casos en donde la
dispersión de los puntos alrededor de la recta sea de magnitud similar a lo largo del rango
entero de los datos y la distribución de estos puntos alrededor de la línea sea normal. Es
posible demostrar que, si este criterio se cumple, la regresión con mínimos cuadrados
Artículo Científico / Quito 27 de enero del 2018

proporciona la mejor (más probable) aproximación para a0 y a1. A esto se le conoce como
principio de probabilidad máxima dentro de la estadística. Además, si este criterio se
cumple, una “desviación estándar” de la línea de regresión se puede determinar mediante
la ecuación:

𝑆𝑟
𝑆𝑥⁄𝑦 = √
𝐿−2
Donde:

𝑆𝑟 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2 [1.9]

Sy/x se llama error estándar de la aproximación. La notación con subíndice “y/x” indica
que el error es para un valor predicho de y correspondiente a un valor particular de x.
Sy/x cuantifica la dispersión alrededor de la línea de regresión a diferencia de la
desviación estándar convencional, que cuantifica la dispersión alrededor de la media.
Los conceptos anteriores se pueden emplear para cuantificar la “eficiencia” del ajuste;
esto es particularmente útil cuando se compara el resultado de varias regresiones. Para
hacerlo, se regresa a los datos originales y se determina la suma de los cuadrados
alrededor de la media de la variable dependiente; a esto se le llama suma total de los
cuadrados, St. Esta es la cantidad de dispersión en la variable dependiente que existe antes
de la regresión. Después de llevar a cabo la regresión lineal, se puede calcular Sr, que es
la suma de los cuadrados alrededor de la línea de regresión. La diferencia entre las dos
cantidades (St – Sr), cuantifica la mejora en la reducción del error debido al modelo de la
línea recta. Esta diferencia se puede normalizar al error total y obtener:
𝑆𝑡−𝑆𝑟
𝑟2 = [1.10]
𝑆𝑡

En donde r es el coeficiente de correlación y r2 es el coeficiente de determinación. Para

un ajuste perfecto, Sr debería ser igual a cero y r2 igual a 1, indicando que la línea recta
explica el cien por ciento de la variabilidad. Si r2 es igual a cero, entonces el ajuste no
representa mejoría. St se obtiene mediante la siguiente fórmula:

𝑆𝑡 = 𝑆𝑦2 (𝐿 − 1)

Ajuste de Curvas con Polinomios de Orden Superior

La regresión lineal explicada en la sección anterior funciona bien si los datos de la
medición son intrínsecamente lineales o si el rango de las abscisas es pequeño. Sin
embargo, para otros casos, es posible obtener mejores resultados ajustando un polinomio
de orden superior al conjunto de datos.
El principio de los mínimos cuadrados se puede extender para ajustar un polinomio de
cualquier orden a los datos de una medición. Primero se escribe un polinomio de orden N
como:

𝑔(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛 [1.11]

La desviación de la curva de los puntos dados viene dada por:

𝑟𝑖 = 𝑦𝑖 − 𝑔(𝑥𝑖 ), 𝑖 = 1,2,3, … . , 𝐿 [1.12]

Artículo Científico / Quito 27 de enero del 2018

Donde L es el número de puntos dados. El total de los cuadrados de la desviación es:

𝑅 = ∑𝐿𝑖=1(𝑟𝑖 )2 [1.13]

Se igualan a cero las derivadas parciales de R con respecto a los coeficientes del
polinomio para minimizar a R:
𝑑𝑅
=0 𝑛 = 1,2,3, … . , 𝑁 [1.14]
𝑑𝑎𝑛

O, en forma equivalente:
𝑛+𝑘
∑𝑁 𝐿
𝑛=0[∑𝑖=1 𝑥𝑖 ]𝑎𝑛 = ∑𝑙𝑖=1 𝑥𝑖𝑘 𝑦𝑖 𝑘 = 1,2, … . . , 𝑁 [1.15]

Que se puede escribir en forma más explícita como:

𝑎0 ∑ 𝑦𝑖
𝐿 ∑ 𝑥𝑖 ∑ 𝑥𝑖2 … … … ∑ 𝑥𝑖𝑁 𝑎1 ∑ 𝑥𝑖 𝑦𝑖
[ ∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 … … … ∑ 𝑥𝑖𝑁+1 ] .. = .. [1.16]
∑ 𝑥𝑖𝑁 ∑ 𝑥𝑖𝑁+1 ∑ 𝑥𝑖𝑁+2 … … … ∑ 𝑥𝑖2𝑁 . .
[𝑎𝑁 ] [∑ 𝑥 𝑁 𝑦 ]
𝑖 𝑖

Los coeficientes an, para n= 0,1,2…,N se determinan resolviendo la ecuación (1.15)

4. Equipos herramientas, accesorios

• Banco de pruebas (motor 1.4 cc)

• Cronometro
• Cable de extensión 110v

5. Procedimiento

I. Conectar el sensor de temperatura con el cable de extensión 110v.

II. Encender en motor y empezar a acelerar hasta llegar a las 2000rpm.
III. Regulamos y mantenemos el motor a 2000rpm durante 30 minutos.
IV. Con el cronometro controlamos cada minuto durante los 30 minutos el
nivel de temperatura.
V. Apuntamos la medida de la temperatura de cada minuto durante los 30
minutos.
VI. Con los valores obtenidos construimos una gráfica.
VII. Realizamos la aproximación lineal y polinómica aprendida em clase.
Artículo Científico / Quito 27 de enero del 2018

6. Resultados obtenidos

Tabla N0 1. Datos Iniciales

Temperatura
Tiempo (min)
(C0)
Tiempo (min) vs Temperatura (C0)
0 95
101 y = -0,7177x + 110.5
1 96
100 R² = 0.9924
2 94
99
3 97
98
4 94
97
5 95
96
6 95 95
7 96 94
8 95 93
9 95 92
10 97 91
11 94 90
0 5 10 15 20 25 30 35
12 98
13 93 Fig. 2 Grafico de dispersión
14 100
15 91
16 100
17 92
18 99
19 93
20 99
21 94
22 97
23 95
24 95
25 96
26 94
27 97
28 92
29 99
30 92
Artículo Científico / Quito 27 de enero del 2018

Tabla N0 2. Regresión Lineal

𝑥𝑖 𝑦𝑖 𝑥𝑖 𝑦𝑖 𝑥𝑖2 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2 (𝑦𝑖 − 𝑦̅)2

0 95 0 0 193,7534825 13,20110869
1 96 96 1 150,2073299 6,934442689
2 94 188 4 184,7501843 21,46777469
3 97 291 9 98,57824968 2,667776689
4 94 376 16 150,43101 21,46777469
5 95 475 25 112,3898092 13,20110869
6 95 570 36 98,75947133 13,20110869
7 96 672 49 68,46162442 6,934442689
8 95 760 64 74,14119244 13,20110869
9 95 855 81 63,1532514 13,20110869
10 97 970 100 27,91300529 2,667776689
11 94 1034 121 58,05906612 21,46777469
12 98 1176 144 8,738077889 0,401110689
13 93 1209 169 53,17906859 31,73444069
14 100 1400 196 0,137810228 1,867778689
15 91 1365 225 63,4435508 58,26777269
16 100 1600 256 2,88483431 1,867778689
17 92 1564 289 31,78584876 44,00110669
18 99 1782 324 4,103590136 0,134444689
19 93 1767 361 10,96035045 31,73444069
20 99 1980 400 11,2425017 0,134444689
21 94 1974 441 0,967055892 21,46777469
22 97 2134 484 7,183665016 2,667776689
23 95 2185 529 1,805965075 13,20110869
24 95 2280 576 4,03000807 13,20110869
25 96 2400 625 13,477078 6,934442689
26 94 2444 676 5,451010868 21,46777469
27 97 2619 729 35,98039467 2,667776689
28 92 2576 784 2,762217408 44,00110669
29 99 2871 841 86,96715108 0,134444689
30 92 2760 900 8,935579692 44,00110669
465 2959 44373 9455 1634,633435 489,501045
Artículo Científico / Quito 27 de enero del 2018

Cálculos:

∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑥̅ = 𝑦̅ =
𝑛 𝑛

465 2959
𝑥̅ = 𝑦̅ =
30 30

𝑥̅ = 15.5 𝑦̅ = 98.633333

𝑛 ∑ 𝑥𝑖 𝑦𝑖− ∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑎1 = 𝑎0 = 𝑦̅ − 𝑎1 𝑥̅
𝑛 ∑ 𝑥𝑖2 −(∑ 𝑥𝑖 )2

30(44373)−(465)(2959)
𝑎1 = 𝑎0 = 98.633333 −
30(9455)−(465)2
(−0.663626 ∗ 15.5)

𝑎1 = −0.717742 𝑎0 = 110.500000

𝑦 = 𝑎1 𝑥 + 𝑎0

𝑦 = −0.717742𝑥 + 110.500000

𝑆𝑟 = ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2 𝑆𝑡 = ∑(𝑦𝑖 − 𝑦̅)2

𝑆𝑟 = 1823.911290 𝑆𝑡 = 240339.5683

𝑆𝑡 − 𝑆𝑟
𝑟2 =
𝑆𝑡
240339.5683−1823.911290
𝑟2 = 240339.5683

𝑟 2 = 0.992386

Tiempo (min) vs Temperatura (C0)

y = 0.153x2 −5.79x+ 141.558
102 R² = 0,63214
100
98
96
94
92
90
0 5 10 15 20 25 30 35

Fig.3 Grafica de dispersión

Artículo Científico / Quito 27 de enero del 2018

Tabla N0 2. Regresión Lineal

𝑥𝑖3 𝑥𝑖4 𝑥𝑖2 𝑦𝑖

1 95 95 1 218,5151535 13,20111111 1 1 95
2 96 192 4 170,6815817 7909,878906 8 16 384

3 94 282 9 205,8299298 8269,628906 27 81 846

4 97 388 16 112,9763267 7733,003906 64 256 1552

5 94 470 25 166,7014178 8269,628906 125 625 2350

6 95 570 36 125,2955255 8088,753906 216 1296 3420

7 95 665 49 109,7425208 8088,753906 343 2401 4655
8 96 768 64 76,70369407 7909,878906 512 4096 6144
9 95 855 81 81,72743236 8088,753906 729 6561 7695
10 95 950 100 69,2653486 8088,753906 1000 10000 9500
11 97 1067 121 31,41421696 7733,003906 1331 14641 11737
12 94 1128 144 62,20629553 8269,628906 1728 20736 13536
13 98 1274 169 10,04481009 7558,128906 2197 28561 16562
14 93 1302 196 55,52653486 8452,503906 2744 38416 18228
15 100 1500 225 0,070824662 7214,378906 3375 50625 22500
16 91 1456 256 64,25832466 8824,253906 4096 65536 23296
17 100 1700 289 2,895486472 7214,378906 4913 83521 28900
18 92 1656 324 31,14360042 8637,378906 5832 104976 29808
19 99 1881 361 4,567182622 7385,253906 6859 130321 35739
20 93 1860 400 9,892039542 8452,503906 8000 160000 37200
21 99 2079 441 12,76333247 7385,253906 9261 194481 43659
22 94 2068 484 0,50364204 8269,628906 10648 234256 45496
23 97 2231 529 9,048452133 7733,003906 12167 279841 51313
24 95 2280 576 2,978407908 8088,753906 13824 331776 54720
25 95 2375 625 5,97092872 8088,753906 15625 390625 59375
26 96 2496 676 17,31633715 7909,878906 17576 456976 64896
27 94 2538 729 8,288826743 8269,628906 19683 531441 68526
28 97 2716 784 43,51742976 7733,003906 21952 614656 76048
29 92 2668 841 5,356984912 8637,378906 24389 707281 77372
30 99 2970 900 100,6462019 7385,253906 27000 810000 89100
31 92 2852 961 14,0625 8637,378906 29791 923521 88412

496 2959 47332 10416 1829,91129 240339,5683 246016 6197520 993064

Artículo Científico / Quito 27 de enero del 2018

Cálculos:

∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑥̅ = 𝑦̅ =
𝑛 𝑛

465 2959
𝑥̅ = 𝑦̅ =
30 30

𝑥̅ = 15.5 𝑦̅ = 98.633333

Sistema de ecuaciones:

𝑛𝑎0 + 𝑎1 ∑ 𝑥𝑖 + 𝑎2 ∑ 𝑥𝑖2 = ∑ 𝑦𝑖

𝑎0 ∑ 𝑥𝑖 + 𝑎1 ∑ 𝑥𝑖2 +𝑎2 ∑ 𝑥𝑖3 = ∑ 𝑦𝑖 𝑥𝑖

𝑎0 ∑ 𝑥𝑖2 + 𝑎1 ∑ 𝑥𝑖3 +𝑎2 ∑ 𝑥𝑖4 = ∑ 𝑦𝑖 𝑥𝑖2

Matriz:

30 496 10416 2959 𝑎0

[ 496 10416 ] |
246016 47332 | = [ 𝑎1 ]
10416 246016 6197520 993064 𝑎2

Fig.4 Muestra la resolución de la matriz en Matlab

Artículo Científico / Quito 27 de enero del 2018

𝑎0 = 141.5579
𝑎1 = −5.7999
𝑎2 = 0.1526

𝑦 = 0.1526𝑥 2 − 5.799𝑥 + 141.5579

𝑆𝑟 = ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖2 )2 𝑆𝑡 = ∑(𝑦𝑖 − 𝑦̅)2

𝑆𝑟 = 6809.750529 𝑆𝑡 = 240339.5683

𝑆𝑡 − 𝑆𝑟
𝑟2 =
𝑆𝑡
240339.5683−6809.750529
𝑟2 = 240339.5683

𝑟 2 = 0.632137

7. Conclusiones y recomendaciones
-Se pudo observar que el ajuste de curvas presenta errores ya que este no es
necesariamente exacto.
-Se observó que el alumno debe ser el que elige y marca la mejor recta que se
ajusta mejor a las medidas.
-Existen otros métodos para hacer que una curva se ajuste a una línea recta como
el método de cambio de variable y la aplicación del logaritmo de base 10.
- En conclusión este experimento estuvo interesante porque nos permitió
aprender, como graficar, los distinto fenómenos que nos podemos encontrar, y
poderlos expresar en de una forma matemática usando formulas y ecuaciones.
- Aprendimos a ajustar las curvas para que estas, tengan una forma definida y
puedan ser expresadas matemáticamente.
- Aprendimos como linear por el método de límites cuadrados.
- Debemos tener cuidado al momento de linealizar, pues nos podríamos
confundir de variables, y debemos utilizar varios decimales.
- Podemos utilizar un sistema de matrices para resolver directamente el sistema
de ecuaciones.
- Podemos utilizar hojas de cálculo y otros programas para realizar las tablas y
cálculos.
Artículo Científico / Quito 27 de enero del 2018

8. Anexos

Fig. 5 Se muestra el encendido y calibración

Fig. 6 Se muestra el ingeniero encargado

 Artículo Científico / Quito 27 de enero del 2018

9. Referencias

[1] Problemas y ejercicios de análisis matemáticos, B. Demidovich, Ed. Mir, Moscú,

URSS, 1973, Cap 1, Pag. 7 – 19.
[2] Tópicos de calculo I, M. Tittac & L. Toro, ed. “San marcos”, Lima Perú, 1990 Cap 1.
[3] SERWAY, Raymond A. Física, Cuarta Edición. Editorial McGraw-Hill, 1996

[4] http://www.monografias.com/trabajos71/analisis-experimetno-ajuste-curvas/analisis-
experimetno-ajuste-curvas2.shtml#ixzz55QaVi2XR
[5] LEA Y BURQUE, " physics: The Nature of Things", Brooks/ Cole 1997

[6] Practica de laboratorio # 2. Realizada por Luis A Rodríguez

[7]LORD RAYLEIGH (J.W. STRUTT), “On the theory of resonance”, Trans. Roy. Soc.
(London), A 161, 77-118, 1870.
[8] Física. Elementos de Física. Sexta edición. Edel vives. Editorial Luis Vives S.A.
Barcelona (España); 193

[9]R. COURANT, “Variational methods for the solution of problems of equilibrium and
vibration”, Bull. Am. Math. 5012., 49, 1-23, 1943.
[10]W. PRAGER y J.L. SYNGE, “Approximation in elasticity based on the concept of
functions space”, QJ. Appl. Math, 5, 241-69, 1947.
[11]L.F. RICHARDSON, “The approximate arith1netical solution by finite differences of
physical problems”, Trans. Roy. Soc. (London), A210, 307-57, 1910.
[12]H. LIEBMAN, “Die angenáherte Ermjttlung: harmonischen, functionen und
konformer Abbildung”, Sitzber. Math. Physik KL Bayer Akad. Wiss. München, 3, 65-75,
1918.
[13]R.S. VARGA, Matriz Itemtive Analysis, Prentice-Hall, 1962.
[14]C.F. GAUSS, Véase Carl Friedrich Gauss Werks, Vol. VII, Góttingen, 1871.

[15]B.G. GALERKIN, “Solución en serie de algunos problemas de equilibrio elástico de

barras y placas” (ruso), Vestn. Inzh. Tech., 19, 897-908, 1915.
[16]C.B. BIEZENO y J. J. KOCH, “Over een Nieuwe Methode ter Berekening van Vlokke
Platen”, Ing. Gran, 38, 25-36, 1923.
[17]NA. PAYNE y B.M. IRONS, Comunicación particular, 1963.
[18]R.K. LIVESLEY, Matriz Methods in Structural Analysis, 2nd. ed., Pergamon Press
Artículo Científico / Quito 27 de enero del 2018

1. Shoiciro Nakamura (1992). Métodos Numéricos Aplicados con Software. Prentice

Hall Hispanoamérica.

2. Steven Chapra y Raymond Canale (1988). Métodos Numéricos para Ingenieros. McGraw-Hill

3. Burden Richard y Faires Douglas (1998). Análisis Numérico. International Thomson Editores,
S.A. de C.V.

4. Curtis Gerald (1991). Análisis Numérico. Addison Wesley Publishing Company, Inc.

5. McCracken Daniel y Dorn William (1980). Métodos Numéricos y Programación Fortran.

Editorial Limusa