Practica minimos cuadrados.

Santiago Alberto Ramirez , Daniel Leonardo Parada, María Camila Vasquez.

Universidad Tecnológica de Pereira.
Pereira, Risaralda.

Resumen – Se pretende realizar la descripción general de un

código hecho en Matlab donde se realizarán ecuaciones, cálculos
y gráficos los cuales se analizaran y se responderán una serie de
preguntas.

Palabras claves – Base, circuito, colector, emisor, transistor.

Abstract—During this laboratory, the different polarizations of the

BJT transistors in DC circuits will be studied, as well as the
identification of the emitter, the base and the collector of this
device. In addition, the operations in cut, saturation and the active
region. Where the comparison of the data is carried out
theoretically with the experiments.

Keywords— Base, circuit, collector, emitter, transistor.

I. INTRODUCTION
El presente trabajo de laboratorio se refiere al análisis de bases
de datos, los cuales serán utilizados para calcular el parámetro
Alpha y beta por medio de los métodos de los mínimos Gráfica 2. Dispersión y modelo lineal con el vector X1
cuadrados. Se pretende hacer una estimación de distribución
para los datos generalizando para casos lineales y casos
cuadráticos.
II. RESULTADOS Y ANALISIS

2. Dispersión de los datos y modelo lineal con parámetros

α y β.

Gráfica 3. Dispersión y modelo lineal con el vector X2.

Grafica 1. Dispersión y modelo lineal con el vector X.

 Gráfica 4. Dispersión y modelo lineal con el vector X4.
Gráfica 7.Estimación de los datos del vector X2.

3. Relación entre los puntos reales a los estimados.

Gráfica 5. Estimación de los datos del vector X. Gráfica 8. Estimación de los datos del vector X4.

4. Procedimiento matricial para el caso lineal usando el

paradigma

̂ = (𝑨𝑻 𝑨)−𝟏 𝑨𝑻 𝒃
𝑾

Gráfica 6. Estimación de los datos del vector X1.

 Gráfica 9. Método matricial para el vector X.

Gráfica 12. Método matricial para el vector X4.

5. Inferir los parámetros de un modelo cuadrático

Gráfica 10. Método matricial para el vector X1.

Gráfica 13. Modelo cuadrático para vector X.

Gráfica 11. Método matricial para el vector X2.

Gráfica 13.1. Modelo cuadrático para vector X_Geogebra

 Con la grafica 13.1 se puede observar que los parámetros
obtenidos para el ajuste de curvas esta correcto, el error
presentado en la grafica 13 es debido a problemas de Matlab
con la naturaleza de los datos presentados, lo mismo ocurre
para Grafica 14, grafica 13 del punto 4.

Gráfica 16. Modelo cuadrático para vector X4.

6. coeficientes de correlación

Para X

-Coeficiente de correlación para dispersión de

Gráfica 14. Modelo cuadrático para vector X1.
datos=-0.9344

- Coeficiente de correlación para dispersión de datos

con primer Y estimado =-1

- Coeficiente de correlación para dispersión de datos

segundo Y estimado=-1

- Coeficiente de correlación para dispersión de datos

tercer Y estimado=-0.9979

Para X1

-Coeficiente de correlación para dispersión de

datos=0.8249

- Coeficiente de correlación para dispersión de datos

con primer Y estimado =1

- Coeficiente de correlación para dispersión de datos

Gráfica 15. Modelo cuadrático para vector X2.
segundo Y estimado=1

- Coeficiente de correlación para dispersión de datos

tercer Y estimado=0.9775

Para X2
-Coeficiente de correlación para dispersión de
datos=0.9802

- Coeficiente de correlación para dispersión de datos

con primer Y estimado =1

- Coeficiente de correlación para dispersión de datos

segundo Y estimado=1

- Coeficiente de correlación para dispersión de datos

tercer Y estimado=0.9887

Para X4
Grafica 1. Dispersión y modelo lineal con muestra del vector
-Coeficiente de correlación para dispersión de
X.
datos=0.9802

- Coeficiente de correlación para dispersión de datos

con primer Y estimado =1

- Coeficiente de correlación para dispersión de datos

segundo Y estimado=1

- Coeficiente de correlación para dispersión de datos

tercer Y estimado=0.9887

Gráfica 2. Dispersión y modelo lineal con muestra del vector

X1
III. PREGUNTAS.

1. Qué puede concluir a partir de los valores de los

coeficientes de correlación calculados
Para cada uno de los casos.

-Para X hay una dependencia lineal de pendiente negativa y

las dos variables se correlacionan en sentido inverso, además
se afirma que coeficiente de correlación es menos uno
hablamos de que tiene una correlación negativa perfecta con la
cual existe una relación perfecta entre ambas variables.

-Para X1, X2, X4 las dos variables existentes tienen una

relación lineal perfecta con pendiente positiva y con
correlación en sentido directo al ser igual a uno se afirma que
tiene una correlación positiva perfecta por lo cual se supone
una determinación absoluta entre las dos variables.

2. Dispersión de los datos y modelo lineal con parámetros Gráfica 3. Dispersión y modelo lineal con muestra del vector
α y β con muestra. X2.
Gráfica 4. Dispersión y modelo lineal con muestra del vector
X4. Gráfica 10. Método matricial con muestra para el vector X1.

4. Procedimiento matricial para el caso lineal usando el

paradigma

̂ = (𝑨𝑻 𝑨)−𝟏 𝑨𝑻 𝒃
𝑾

Gráfica 11. Método matricial con muestra para el vector X2.

Gráfica 9. Método matricial con muestra para el vector X.

Gráfica 12. Método matricial con muestra para el vector X4.

5. Inferir los parámetros con muestra de un modelo
cuadrático

Gráfica 15. Modelo cuadrático con muestra para vector X2.

Gráfica 13. Modelo cuadrático con muestra para vector X.

Gráfica 16. Modelo cuadrático con muestra para vector X4.

3. En el caso de tener que calcular los parámetros de un

modelo exponencial qué técnica
Aplicaría para poder aplicar directamente el método de
mínimo cuadrados.

Se puede convertir el modelo exponencial a una recta por

medio de logaritmos
Gráfica 14. Modelo cuadrático con muestra para vector X1.
Si tenemos la ecuación exponencial

𝑌 = 𝑎𝑏 𝑥

Procedemos a tomar logaritmos a ambos lados

𝐿𝑛(𝑌) = 𝐿𝑛(𝑎𝑏 𝑥 )

Por propiedades de los logaritmos tenemos

𝐿𝑛(𝑌) = 𝐿𝑛(𝑎)+Ln⁡(𝑏 𝑥 )
𝐿𝑛(𝑌) = 𝐿𝑛(𝑎) + 𝑥𝐿𝑛(𝑏)

Esto expresa Log y como una función de x con:

y= Ln(Y)
β= Ln(a) 𝑌 = 𝑎𝑏 𝑥
α= Ln(a)

∑𝑛𝑖=1 𝐿𝑛(𝑦𝑖 )⁡(𝑥𝑖 − )

α=
∑𝑛𝑖=1( (𝑥𝑖 − )
IV. CONCLUSIONES.

β = Ln − Ln(b)
de donde

Ln(a) = Ln − Ln(b)

Asi,
V. BIBLIOGRAFIA.
𝑎 = 𝑒 Ln − Ln(b)
 [1] ” Estadística” EE6B3, Departamento de
α = 𝐿𝑛(𝑏) Ingeniería Electrónica, Universidad Tecnológica
𝑏 = 𝑒α de Pereira, 2019.

[2] R. L. Boylestad, L. Nashelsky. Teoria de Cicuitos y

Por lo que: dispositivos electrónicos, PEARSON EDUCACIÓN, México,
2009.