INSTITUTO POLITECNICO NACIONAL

UNIDAD PROFESIONAL INTERDISCIPLINARIA DE INGENIERÍA Y

CIENCIAS SOCIALES Y ADMINISTRATIVAS

LABORATORIO DE MECÁNICA CLÁSICA

PRÁCTICA N° 4
“Ley de los mínimos cuadrados”

Profesor:
Velazco Clímaco Jesús Artemio

Alumno:
Gutiérrez Valdiviezo Claudia de Jesús
Secuencia:
1IM23
Periodo Escolar:
2019-2

06 de marzo del 2019

 INTRODUCCION
Mínimos cuadrados es una técnica de análisis numérico enmarcada dentro de la
optimización matemática, en la que, dados un conjunto de pares ordenados —variable
independiente, variable dependiente— y una familia de funciones, se intenta encontrar la
función continua, dentro de dicha familia, que mejor se aproxime a los datos (un "mejor
ajuste"), de acuerdo con el criterio de mínimo error cuadrático.
En su forma más simple, intenta minimizar la suma de cuadrados de las diferencias en las
ordenadas (llamadas residuos) entre los puntos generados por la función elegida y los
correspondientes valores en los datos. Específicamente, se llama mínimos cuadrados
promedio (LMS) cuando el número de datos medidos es 1 y se usa el método de descenso
por gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza el
residuo cuadrado esperado, con el mínimo de operaciones (por iteración), pero requiere un
gran número de iteraciones para converger.
Desde un punto de vista estadístico, un requisito implícito para que funcione el método de
mínimos cuadrados es que los errores de cada medida estén distribuidos de forma aleatoria.
El teorema de Gauss-Márkov prueba que los estimadores mínimos cuadráticos carecen de
sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribución
normal. También es importante que los datos a procesar estén bien escogidos, para que
permitan visibilidad en las variables que han de ser resueltas (para dar más peso a un dato
en particular, véase mínimos cuadrados ponderados)
La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas. Muchos otros
problemas de optimización pueden expresarse también en forma de mínimos cuadrados,
minimizando la energía o maximizando la entropía.
El coeficiente de determinación se define como la proporción de la varianza total de la
variable explicada por la regresión. El coeficiente de determinación, también llamado R
cuadrado, refleja la bondad del ajuste de un modelo a la variable que pretender explicar.
Es importante saber que el resultado del coeficiente de determinación oscila entre 0 y 1.
Cuanto más cerca de 1 se sitúe su valor, mayor será el ajuste del modelo a la variable que
estamos intentando explicar. De forma inversa, cuanto más cerca de cero, menos ajustado
estará el modelo y, por tanto, menos fiable será.
 En la expresión anterior tenemos una fracción. Así pues, vayamos por partes. En primer
lugar, analizaremos el numerador, es decir, la parte de arriba.
Para aquellos que no conozcan la expresión de la varianza,
les recomiendo que lean el artículo sobre la misma. Para
aquellos que, si la conozcan, podrán caer en la cuenta de
que es la expresión de la varianza, pero con dos diferencias
fundamentales.
La primera diferencia es que la Y lleva un circunflejo o, lo que los profesores llaman de forma
didáctica, “sombrerito”. Ese sombrerito lo que detalla es que esa Y es la estimación de un
modelo sobre lo que según las variables explicativas vale Y, pero no es el valor real de Y, sino
una estimación de Y.
En segundo lugar, faltaría dividir entre T. Que, en otros casos, se nota como N o número de
observaciones. Sin embargo, dado que la fórmula del denominador también la llevaría,
eliminamos los denominadores (parte de abajo) de ambas fórmulas para simplificar la
expresión. De esta manera es más fácil trabajar con ella.
 DESARROLLO
EQUIPO Y MATERIAL UTILIZADO:

 Generador de frecuencias.
 Bocinas.
 Cable de alimentación.
 Base inversa.
 Soporte dos gradillas.
 Pesa de 5 kg.
 Cable coaxial.
 Flexo metro
 Hilo.

PROCEDIMIENTO SEGUIDO:
1. Observe el funcionamiento del equipo y
las partes que lo componen.
2. Seleccione una frecuencia de 10 Mhz. N f(Hz)
3. Se observó como generador de frecuencia empezó a 1 15
generar nodos en el cable coaxial por medio del cable de 2 28
3 45
alimentación conectado a la bocina.
4 64
4. De la frecuencia que teníamos sacamos la distancia total de
5 80
9 nodos hasta llegar a 1 nodo.
6 85
5. Observando que a menos distancia menor número de 7 97
nodos. 8 112
6. De las medidas tomadas sacamos un total. 9 128
7. Calculamos r, m, b y λ, para poder calcular la ley empírica y
el modelo y=mx+b.

Grafica de disperción
140 128
112
120
97
100 80 85
80 64
f (Hz)

60 45
40 28
15
20
0
0 1 2 3 4 5 6 7 8 9 10
N
 n L(cm) N (x) f(Hz) (y) Nifi (Hz) Ni2 Fi2(Hz)2
1 172 1 15 15 1 225
2 2 28 56 4 784
3 3 45 135 9 2025
4 4 64 256 16 4096
5 5 80 400 25 6400
6 6 85 510 36 7225
7 7 97 679 49 9409
8 8 112 896 64 12544
9 9 128 1152 81 16384
∑Ni=45 ∑fi=654 ∑Nifi=4099 ∑Ni =285 ∑fi2=59092
2

(∑Ni)2=2025 (∑fi)2=427716

2 2
(∑ 𝑥𝑖)(∑ 𝑦𝑖) (∑ 𝑁𝑖)(∑ 𝑓𝑖)
[∑ 𝑥𝑖𝑦𝑖 − ] [∑ 𝑁𝑖𝑓𝑖 − ]
𝑛 𝑛
𝑟2 = 2 2 = 2 2
(∑ 𝑥𝑖) (∑ 𝑦𝑖) (∑ 𝑁𝑖) (∑ 𝑓𝑖)
[∑ 𝑥𝑖 2 − 𝑛 ] [∑ 𝑦𝑖 2 − 𝑛 ] [∑ 𝑁𝑖 2 − 2
𝑛 ] [∑ 𝑓𝑖 − 𝑛 ]
(𝟒𝟓)(𝟔𝟓𝟒) 2
[𝟒𝟎𝟗𝟗 − ]
9
= = 0.990147
2025 𝟒𝟐𝟕𝟕𝟏𝟔
[𝟐𝟖𝟓 − 9 ] [𝟓𝟗𝟎𝟗𝟐 − ]
9
Mis datos son confiables ya que r2≥0.985
PENDIENTE:
𝑦2 − 𝑦1 128 − 15
𝑚= = = 13.8166[𝐻𝑧]
𝑥2 − 𝑥1 9−1
𝑛 ∑ 𝑁𝑖𝑓𝑖 − ∑ 𝑁𝑖 ∑ 𝑓𝑖 9(4099) − (45)(654)
𝑚= = = 13.8166[𝐻𝑧]
𝑛 ∑ 𝑁𝑖 2 − (∑ 𝑁𝑖)2 9(285) − 2025
ORDENADA:
𝑏 = 𝑦2 − 𝑚𝑥2 = 128 − (13.8166)(9) = 3.6506[𝐻𝑧]
∑ 𝑓𝑖 − 𝑚 ∑ 𝑁𝑖 654 − 13.8166(45)
𝑏= = = 3.5836 [𝐻𝑧]
𝑛 9
LEY FISICA:

𝑦 = 𝑚𝑥 + 𝑏
𝑓 = 13.8166[𝐻𝑧]𝑁 + 3.5836 [𝐻𝑧]
 𝑉 𝑉 𝒎
𝑓 = 2𝐿 𝑁 → 2𝐿 = 13.8166[𝐻𝑧] → 𝑉 = 13.8166[𝐻𝑧](2(1.72[m])) = 𝟒𝟕. 𝟓𝟐𝟗[ 𝒔 ]

VELOCIDAD TEORICA:
2𝐿𝑓 2(1.72[𝑚])(85) 𝑚
𝑉𝑇 = = = 48.7333[ ]
𝑁 6 𝑠
ERRORES EXPERIMENTALES:

|𝑉𝑇 − 𝑉𝑒𝑥𝑝| |48.7333 − 47.529|

𝐸𝐸𝑥𝑝 = × 100% = × 100% = 2.4712%
𝑉𝑇 48.7333
Mis datos son confiables ya que EExp< 10%.
 CONCLUSION
Un diagrama de dispersión puede sugerir varios tipos de correlaciones entre las variables
con un intervalo de confianza determinado. Se puede dibujar una línea de ajuste (llamada
también "línea de tendencia") con el fin de estudiar la correlación entre las variables. Para
una correlación lineal, el procedimiento de ajuste es conocido como regresión lineal y
garantiza una solución correcta en un tiempo finito.
El diagrama de dispersión es una de las herramientas básicas de control de calidad, que
incluyen además el histograma, el diagrama de Pareto, la hoja de verificación, los gráficos de
control, el diagrama de Ishikawa y el diagrama de flujo.
El coeficiente determina la calidad del modelo para replicar los resultados, y la proporción
de variación de los resultados que puede explicarse por el modelo.
Hay varias definiciones diferentes para R² que son algunas veces equivalentes. Las más
comunes se refieren a la regresión lineal. En este caso, el R² es simplemente el cuadrado del
coeficiente de correlación de Pearson, lo cual es sólo cierto para la regresión lineal simple. Si
existen varios resultados para una única variable, es decir, para una X existe una Y, Z... el
coeficiente de determinación resulta del cuadrado del coeficiente de determinación
múltiple. En ambos casos el R² adquiere valores entre 0 y 1. Existen casos dentro de la
definición computacional de R² donde este valor puede tomar valores negativos.