Professional Documents
Culture Documents
AJUSTE DE CURVAS
1. Objetivo general
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.
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.
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
𝑛 ∑ 𝑥𝑖 𝑦𝑖 −∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑎1 = [1.6]
𝑛 ∑ 𝑥𝑖2 −(∑ 𝑥𝑖 )2
𝑎0 = 𝑦̅ − 𝑎1 𝑥̅ [1.7]
∑(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
𝑆𝑡 = 𝑆𝑦2 (𝐿 − 1)
𝑔(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛 [1.11]
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]
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
5. Procedimiento
6. Resultados obtenidos
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 = 1823.911290 𝑆𝑡 = 240339.5683
𝑆𝑡 − 𝑆𝑟
𝑟2 =
𝑆𝑡
240339.5683−1823.911290
𝑟2 = 240339.5683
𝑟 2 = 0.992386
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
Matriz:
𝑎0 = 141.5579
𝑎1 = −5.7999
𝑎2 = 0.1526
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
9. Referencias
[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
[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.
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.