PLAN DE INVESTIGACIN

PLANTEAMIENTO DEL PROBLEMA

Existen numerosas leyes fsicas en las que se sabe de antemano que dos magnitudes x e y se
relacionan a travs de una ecuacin lineal donde las constantes b (ordenada en el origen) y a
(pendiente) dependen del tipo de sistema que se estudia y, a menudo, son los parmetros
que se pretende encontrar.

FORMULACION DEL PROBLEMA

Cmo una ecuacin lineal depende de una variable independiente? y Cuanto es
error entre el modelo y las observaciones?
JUSTIFICACION
En este tipo de aproximacin se trata de encontrar la ecuacin de una curva
que, aunque no pase por todos los puntos, tenga pocas variaciones, es decir sea suave
y pase lo ms cerca posible de todos ellos, para ello es necesario aplicar el criterio
de mnimos cuadrados. Antes de aplicar este criterio, debe escogerse la forma de la curva
que se va a ajustar al conjunto de puntos dado y su ecuacin puede obtenerse desde un
conocimiento previo del problema, es decir por su interpretacin

fsica

en

forma

arbitraria observando que ecuacin conocida describe aproxima-damente a esta curva.

OBJETIVO GENERAL
Codificacin de minimos cuadrados aplicados a datos experimentales en fisica y otras areas.
OBJETIVOS ESPECFICOS
-Aprender a codificar en matlab.
-Entendimiento de los minimos cuadrados en matlab.
-Llevarlos todo al programacin mediante matlab como herramienta neceara para el estudiante
universitario.
-Aplicar los minimos cuadrados a datos experimentales o fenomenos fisicos y llevarlo mediante
un modelo matematico.
Regresin lineal
La expresin matemtica de una recta es:

y = a0 + a1x + E
(1)
en donde a0 y a1 son coeficientes que representan la interseccin con el eje de las ordenadas y la
pendiente, respectivamente y E es el error o residuo entre el modelo y las observaciones. Reordenando, se puede calcular el error como
(2)

E = y - a0 - a1x

es decir, es la diferencia entre el valor real de y y el valor aproximado, a0 + a1x que predice la
ecuacin lineal.
Una forma de obtener un mejor ajuste es minimizar la suma de cuadrados de los residuos,
Sr, de la siguiente manera:
n

i =1

i =1

Sr = Ei2 = ( yi a0 a1x i )2

(3)

Para encontrar los valores de a0 y a1 que minimicen la ecuacin (5.50) se debe derivar esta
ecuacin con respecto a los coeficientes indicados, es decir:

n
S r
= 2 (y i a 0 a1x i )
a 0
i =1
n
S r
= 2 (y i a 0 a1x i )x i ]
a1
i =1

(4)

(5)

Para generar un mnimo, se igualan estas derivadas a cero y se expresan como un

conjunto de dos ecuaciones lineales con dos incgnitas a0 y a1.
na0 + xia1= yi

(6)

xia0 + xi2a1= xi yi
Si se resuelve este sistema se obtiene:
n xy
x y
a = i i i i
1
2
n x i ( x i ) 2

(7)

a0 = y a1x

(8)

donde: y y x son las medias aritmticas de y y x respectivamente.

El error estndar de aproximacin Sy/x, que indica el error para los valores predichos de y
correspondientes a los valores particulares de x y permite cuantificar la dispersin alrededor de la
lnea de regresin, se calcula mediante la siguiente ecuacin:
Sy / x =

Sr
n2

(9)

Para cuantificar la eficiencia del ajuste, que es particularmente til en la comparacin de

varias regresiones, se utilizan el coeficiente de determinacin r2 y el de correlacin r, que es la raz
cuadrada del coeficiente anterior.
El coeficiente de determinacin se calcula como sigue:
r2 =

St Sr
St

(10)

donde:
2
St = ( yi y ) es la cantidad de dispersin en la variable dependiente que existe antes de

la regresin.
La diferencia entre las dos cantidades cuantifica la mejora en la reduccin del error debido al
modelo de la lnea recta.
Para un ajuste perfecto Sr = 0 y r2 =1, as la lnea recta explica un 100 % de la variabilidad.

Ao de la Promocin de la Industria Responsable y Compromiso Climtico

UNIVERSIDAD NACIONAL DE
ANCASH
SANTIAGO ANTNEZ DE MAYOLO

FACULTAD DE CIENCIAS

TRABAJO DE INVESTIGACION:
EL AJUSTE DE DATOS POR MINIMOS
CUADRADOS PARA DATOS EXPERIMENTALES.
TRABAJO DEL PLAN DE TESIS PRESENTADO
POR:
SALVADOR GARCIA Irvin Ivan