Documentos de Académico
Documentos de Profesional
Documentos de Cultura
x
x
Como se muestra en la Figura 1, para cada observacin se tiene un valor terico expresado
por la ecuacin de la funcin. As, se puede hablar de un error o "desajuste" a la diferencia entre
el valor observado y el valor terico. Al sumar los errores al cuadrado, se tiene SS.
n
SS 12 22 2n i2
(1)
i 1
En el caso particular cuando los datos pueden ser descritos por una recta, y = a 1x + ao, se
requieren los coeficientes a1 y ao. Los mejores coeficientes sern aquellos que minimizan el
cuadrado de los errores, dando lugar al mtodo de mnimos cuadrados. El gradiente de SS
igualado a cero ser la solucin buscada. De la Figura 1:
i y iobs y iterica y iobs (a 1 x i a o )
(2)
SS y1 a 1 x1 a o
2 y 2 a1 x 2 a o 2 y 3 a1 x 3 a o 2 y 4 a1 x 4 a
(3)
El gradiente de SS:
SS
a 0
1
SS
SS
0
a o
(4)
y1 a1 x1 a o y 2 a1 x 2 a o y 3 a1 x 3 a o y 4 a1 x 4 a o
x1
x 2
x 3
x 4
(5.a)
y1 a1 x1 a o y 2 a1 x 2 a o y 3 a1 x 3 a o y 4 a1 x 4 a o
1
1
0
1
1
(5.b)
Las formas anteriores (5.a) y (5.b) se pueden escribir en una sola expresin matricial:
y1 a1 x1 a o y 2 a1 x 2 a o y 3 a1 x 3 a o y 4 a1 x 4 a o
x1
x2
x3
x4
1
1
0 0 (6)
1
y al transponer (6):
x1 x 2 x 3 x 4
1 1 1 1
y1 a 1 x1 a o
y a x a
0
o
1 2
2
y 3 a 1 x 3 a o 0
y 4 a 1 x 4 a o
(7)
Se puede arreglar (7) y obtener una forma condensada de la solucin para a1 y ao.
x1 x 2 x 3 x 4
1 1 1 1
y1 x1
y 2 x 2
y 3 x 3
y 4 x 4
1
1
1
a 1 0
a 0
o
(8)
(9)
At y AtA a 0
(10)
con solucin:
a At A
1 A t y
(11)
2 Ejemplos
a) Para ilustrar la aplicacin de (11) se propone los siguientes pares de valores medidos, para
la variable independiente x y el correspondiente valor de la variable dependiente y.
xi
1.0
1.8
2.0
3.0
yi
1.0
3.0
1.8
2.9
x
2.0
3 .0
1.0
At
1
1.0
3.0
y
1.8
2.9
2.0 3.0
1
1
1.8
1
1.0
3 .0
1
0.49261 0.96059
AtA
2.12315
0.96059
1 .0
At y
1
1 .8
1
2 .0
1
1.0
1.8
A
2.0
3.0
1
1
17.24
1
7.80
1
1
1
7.80
4.00
1 .0
3.0 3.0
18.7
1 1 .8
8 .7
2 .9
1 t
a1
t
A y
a A A
o
a1
17.24
a 7.80
7.80
4.00
18.7
8.7
a1
0.85468
a 0.50837
Con solucin para los coeficientes a 1 y ao, que resultan en la recta y = 0.85468 x + 0.50837.
Una grfica de la recta ajustada y de los valores observados se muestra en la Figura 2.
4
4
3.5
3
2.5
2
1.5
1
0.5
0
-0.5
-1
-0.5
0.5
1.5
2.5
3.5
b) Modelo no-lineal, observaciones originales (x, y) y transformaciones, pag. 123, Ref. [1].
Dato
1
2
3
4
5
6
7
8
9
10
x(i)
1.00000
2.00000
3.00000
4.00000
5.00000
6.00000
7.00000
8.00000
9.00000
10.00000
Ln[x(i)]
0.00000
0.69315
1.09861
1.38629
1.60944
1.79176
1.94591
2.07944
2.19722
2.30259
y(i)
148.00000
1487.00000
3807.00000
10498.00000
17551.00000
34057.00000
48905.00000
76987.00000
109193.00000
147413.00000
ln[y(i)]
4.99721
7.30452
8.24460
9.25894
9.77287
10.43579
10.79763
11.25139
11.60087
11.90099
La matriz A transpuesta
0.00000 0.69315 1.09861 1.38629 1.60944 1.79176 1.94591 2.07944 2.19722 2.30259
1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
Dato At * y1
1
158.68420
2
95.56481
Coeficientes solucin a(i)
1
2.96514
2
5.07782
13
12
11
10
9
8
7
6
5
4
0.5
1.5
2.5
Fig. 3 Ajuste de datos transformados a una forma lineal Ln [y] = 2.96514 Ln [x] + 5.07782.
Para este segundo ejemplo se observa que una transformacin logartmica en ambas variables
permite tener un problema lineal de dos coeficientes. El ajuste que se logra se puede observar en
la Figura 3. En las Figuras A.1 y A.2 se muestra el efecto de la transformacin logartmica sobre
los datos originales.
Conclusiones
En el trabajo se han presentado las ideas fundamentales para el ajuste de datos
experimentales a polinomios o formas no lineales, pero que forman un sistema lineal en los
coeficientes. Se desarroll de manera detallada el procedimiento para obtener las frmulas
matriciales generales las cuales permiten resolver este importante problema en la prctica de la
ingeniera y de la ciencia. Al tener un mayor nmero de mediciones, se aumenta la
REDUNDANCIA y se puede aplicar pruebas de hiptesis sobre los coeficientes. Tambin se
puede asignar un mayor peso o "credibilidad" que refleje la calidad de la medicin; con este
procedimiento se obtiene el resultado que se conoce como mnimos cuadrados ponderados.
6
Referencias
[1] Stephen A. DeLurgio, Forecasting Principles and Applications, McGraw-Hill International Editions,
1998.
[2] Masterton, Slowinski, Elementary Mathematical Preparation for General Chemistry, Saunders
Golden Series, 1974.
[3] V. P. Spiridonov, A. A. Lopatkin, Tratamiento Matemtico de Datos Fsico-Qumicos, Editorial MIR,
Mosc, 1973.
Apndice
4
15
x 10
10
10
10