Una Primera Aproximación al Cálculo de Gráficas

Regresiones y Ajustes.
M.Salazar,D.A.Bermúdez
Ingeniería de Sistemas y Telecomunicaciones,
Universidad Sergio Arboleda
11 de octubre de 2020

Resumen:
En la presente práctica se llevó a cabo una primera aproximación al concepto de regresiones y
fits, aplicados al análisis de datos obtenidos a partir de fenómenos físicos. Esto con el propósito
de interiorizar tanto sus conceptos básicos, como también su aplicación a la hora de interpretar
los distintos datos que resultan de la observación de un determinado fenómeno, mediante el
uso de tablas y papeles gráficos, y con base en métodos de ajuste de curvas lineales,
potenciales y logarítmicas. Es este laboratorio se llevó a cabo los fit de dos maneras, la primera
es de manera gráfica (mediante el uso de los papeles gráficos) el cual consiste en graficar
todos los datos experimentales en un papel idóneo, el cual linealiza los datos; por otro lado
tenemos el método de mínimos cuadrados( su definición técnica se encuentra en el apartado
de marco teórico) con el cual mediante el uso correcto de los datos se obtiene la ecuación de la
línea sin importar la gráfica que representa, esta ecuación de Fit con el fin de interpolar o
extrapolar datos.

Palabras Clave: Análisis de datos, Regresión lineal, Regresión potencial, Mínimos cuadrados,
Ajustes, Escala.

Introducción:

Como bien afirma Cole (2002), “El objeto de un análisis de regresión es investigar la relación
estadística que existe entre una variable dependiente (Y) y una o más variables
independientes”. Lo anterior con el propósito de proponer un tipo de relación funcional que se
ajuste al fenómeno físico observado en un experimento, de tal manera que sea posible predecir
tanto un punto medio entre dos datos, como una proyección que se encuentre por fuera de los
límites de lo que se logró registrar. Con esto en mente y mediante un uso adecuado de los fits
atacamos 4 problemas propuestos en la guía, en ellos (según corresponda) nos pedían un
análisis de datos y resultados, cada ejercicio tenía una serie de datos experimentales y la
incertidumbre asociada a cada medición. Debemos graficar los datos en el papel gráfico
indicado para linealizar los datos y a partir de ella utilizar el método gráfico; también se puede
usar el método de mínimos cuadrados, método empleado en cada ejercicio.

Marco Teórico:
Para poder interpretar los datos que resultan de la observación de un determinado fenómeno
físico, resulta imperativa la elaboración de tablas y gráficas con el fin de establecer una relación
entre una variable dependiente y una independiente, de tal manera que sea posible encontrar
una figura que se ajuste a la plausible relación que existe entre las anteriormente nombradas.
Para poder realizar la tabla o gráfica, es necesario entender ciertos conceptos básicos que
permitan la elaboración de una figura que logre expresar correctamente lo que indican los
datos.

Escala:

Es la relación que se debe seguir entre la unidad de un eje coordenado con respecto al otro. La
misma unidad en los dos ejes tiene un valor proporcional con respecto al otro, pero guardan el
mismo espacio.

La escala se encuentra siguiendo la fórmula:

Vd max−Vdmin.
Escala= (1).
Vimax−Vimin .

Siendo Vdmax . el valor máximo encontrado en la serie de datos obtenidos de la variable

dependiente, Vdmin .el valor mínimo encontrado en la serie de datos de la variable
dependiente, Vimax .el máximo valor encontrado en la serie de datos correspondiente a la
variable independiente y Vimin .el mínimo valor obtenido en la serie de datos que corresponde
a la variable independiente.

De esta manera, es posible encontrar una escala que permite establecer una relación
proporcional entre los datos de la variable dependiente y aquellos de la variable independiente.

Tipos de Funciones:

Según palabras de Sevilla (1987), las funciones son “relaciones matemáticas establecidas
entre los parámetros y los observables”. Sin embargo, resulta importante establecer un límite
con respecto a las que fueron utilizadas para esta práctica. Y para este proyecto se utilizaron
básicamente tres tipos principales: Las funciones lineales, las funciones potenciales y las
funciones exponenciales.

Funciones Lineales: Son aquellas funciones cuya relación entre las variables corresponde a
una línea recta y su ecuación puede ser expresada de la siguiente manera:

y=mx+b (2).

Donde m es la pendiente de la recta y b el punto de corte con el eje y .

Funciones Potenciales: Las funciones potenciales, son funciones de la forma

y=k xn (3).

donde k es un número real y n es un número racional.

Funciones Exponenciales: Son aquellas funciones donde la variable independiente se

encuentra dentro del exponente y es representada por la ecuación:

y=ak bx (4).

Donde a y b son parámetros, y k es un número positivo distinto de 1.

Estos son los tres tipos de funciones que se tendrán en cuenta para el desarrollo de esta
práctica de regresiones y fits.

Método de Regresión Lineal por Mínimos Cuadrados:

De acuerdo con lo afirmado por Mateos-Aparicio (2011) “la regresión por mínimos cuadrados
parciales se utiliza para una reducción de dimensiones del conjunto de variables explicativas”.
Este método afirma que, la suma de los cuadrados del error debería ser mínima y, por lo tanto,
resulta muy útil a la hora de establecer una relación unificadora entre los datos que resultan de
la observación de un determinado fenómeno físico.
Ahora bien, es importante resaltar que la aplicación del método de los mínimos cuadrados varía
dependiendo del tipo de función que se cree podría determinar la tendencia de los mismos, ya
que implica distintos aspectos a considerar, como las proporciones entre las variables que se
están analizando.

Función Lineal:

Para toda función cuya ecuación es y=mx+b , es necesario determinar el valor de la pendiente
m y el punto en el que la recta corta con el eje y . Para este fin, se debe completar la siguiente
tabla:

Xi Yi X i ⋅Y i X2
X1 Y1 X 1 ⋅Y 1 X 21

X2 Y2 X 2 ⋅Y 2 X 22

Xn Yn X n ⋅Y n X 2n
 n n n n

∑ (X i ) ∑ (Y i ) ∑ (X i ⋅Y i) ∑ ¿¿
i=1 i=1 i=1 i=1

Tabla 1: Método de mínimos cuadrados para funciones lineales.

Ahora bien, para obtener la pendiente m y el punto b , se deben obtener todas las sumatorias,
para efectuar las siguientes fórmulas:

n n n
n ⋅ ∑ ( xn ⋅ y n )−∑ ( xn )⋅ ∑ ( y n ) (ecuación 5).
i=1 i=1 i=1
m=
❑
n n n n
n⋅ ∑ ( y n )⋅ ∑ (x 2n)−∑ (x n )⋅ ∑ (x n ⋅ y n ) (ecuación 6).
i=1 i =1 i=1 i=1
b=
❑

Función Potencial:

Para el caso de la función potencial ( y=k xn ) el procedimiento es muy similar. Sin embargo,
algunas variaciones en los parámetros de las tablas y las ecuaciones son necesarias con el fin
de darle carácter potencial a la línea. La tabla para las funciones potenciales es la siguiente:

Xi Yi log X i log Y i logX i ⋅log Y i logX 2

X1 Y1 log X 1 log Y 1 log X 1 ⋅log Y 1 log X 21

Xi Yi log X i log Y i log X i ⋅ log Y i log X 21

Xn Yn log X n log Y n log X n ⋅ logY i log X 21

n n n n n n

∑ ( X ¿)❑ ¿ ∑ (Y n ) ∑ (log X n ) ∑ ❑(log Y n ¿ ∑ (log X ¿ ¿ n ⋅ logY ∑ ❑

n )¿ (log X ¿)❑ ¿
i=1 i=1 i=1 i=1 i=1 i=1

Tabla 2: Método de mínimos cuadrados para funciones potenciales.

Y de la misma manera que sucede con la función lineal, para obtener m y b , se deben obtener
todas las sumatorias, para efectuar las siguientes fórmulas:

n n n
n ⋅ ∑ ( log x n ⋅log y n )−∑ ( log x n )⋅ ∑ ( log y n ) (7).
i=1 i=1 i=1
m=
❑
 n n n n
2
n⋅ ∑ (log y n )⋅ ∑ (log x )−∑ (log x n )⋅ ∑ (log x n ⋅ log y n )
n (8).
i=1 i =1 i=1 i=1
b=
❑

No obstante, para la función potencial m corresponde a n y b corresponde a log( k )en la

ecuación 3.

Función Exponencial:

De la misma manera que con la función potencial, (ver ecuación 4) el procedimiento es muy
similar a los dos anteriores. Sin embargo, algunas variaciones en los parámetros de las tablas y
las ecuaciones son necesarias con el fin de darle carácter exponencial a la línea. La tabla para
las funciones exponenciales es la siguiente:

Xi Yi log X i log Y i X i ⋅log Y i logX 2

X1 Y1 log X 1 log Y 1 X 1 ⋅log Y 1 X 21

X2 Y2 log X 2 log Y 2 X 2 ⋅log Y 2 X 22

Xn Yn log X n log Y n X n ⋅ logY n X 2n

n n n n n n

∑ ( X ¿)❑ ¿ ∑ (Y n ) ∑ (log X n ) ∑ ❑(log Y n ¿ ∑ (log X ¿ ¿ n ⋅ logY ∑ ❑

n )¿ ( X ¿)❑ ¿
i=1 i=1 i=1 i=1 i=1 i=1

Tabla 3: Método de mínimos cuadrados para funciones exponenciales.

Y de la misma manera que sucede con las funciones lineal y potencial, para obtener m y b , se
deben obtener todas las sumatorias, para efectuar las siguientes fórmulas:

n n n
n ⋅ ∑ ( xn ⋅log y n )−∑ (x n )⋅ ∑ ( log y n ) (ecuación 9).
i=1 i=1 i=1
m=
❑
n n n n
2
n⋅ ∑ (x n )❑ ⋅ ∑ (log y )−∑ ( x n) ⋅ ∑ (x n ⋅log y n)
❑
n (ecuación 10).
i=1 i=1 i=1 i=1
b=
❑

Donde n=m y k =10b.

Interpolación:
Como bien afirma Hernández (2006), “La interpolación permite el cálculo de valores
intermedios de datos experimentales, los cuales no tienen una función que los represente. El
método más común para interpolar valores intermedios, es la interpolación polinomial”, la cual
consiste en determinar el polinomio de orden n que ajusta a n+1datos. Por ejemplo, una
interpolación lineal requiere 2 datos, una interpolación cuadrática requiere 3 datos y una
interpolación cúbica requiere 4 datos.

La versión lineal de la ecuación es:

y 1− y 0
y= y 0+ (x −x )(ecuación 11).
x 1−x 0 1 0

Extrapolación:

Consiste en estimar la posición de la variable dependiente, extendiendo el alcance del intervalo

más allá de lo que se observó inicialmente en el experimento, mediante la aplicación de la
función obtenida del método de mínimos cuadrados e introducir la variable independiente como
valor de x. Para el caso de esta práctica, se utilizaron las ecuaciones 2, 3 y 4.

Procedimiento:

Para el caso de este laboratorio, se tomaron como referencia los datos de 4 ejercicios teóricos
planteados en la guía y, con base en los mismos, se procedió a ingresar los datos en papel
milimetrado, papel logarítmico y papel semilogarítmico, dependiendo de la relación entre las
variables. Se elaboraron las correspondientes tablas de datos (se completaron según el caso),
las gráficas de cada ejercicio,empleando el software Microsoft Excel 2019 (con fines estéticos),
y con ellas se obtuvieron las diferentes regresiones y estimaciones necesarias para dar
solución a cada problema planteado.
Las gráficas se realizaron en cada papel gráfico con el fin de encontrar en cual se linealizan los
datos experimentales, teniendo en cuenta según el caso las incertidumbres asociadas, para de
este modo encontrar la regresión correspondiente en cada fenómeno observado. Si se
encontraba la linealización de los datos en un papel gráfico se dejaban de lado los otros, ya
que no tiene sentido realizar gráficas innecesarias.

Arreglo Experimental:

Teniendo en cuenta la cualidad del experimento llevado a cabo, el arreglo experimental se

expresó de la siguiente manera:

Graficar en: Determinar el tipo Obtener la fórmula Calcular la

 1. Papel Milimetrado. de regresión interpolación o
correspondiente al
2. Papel Logarítmico. adecuado para el extrapolación requerida
ajuste seleccionado.
3. Papel Semilogarítmico conjunto de datos. para cada ejercicio.

Resultados:
Para obtener los resultados de esta práctica empleamos dos Métodos, estos fueron:se
ingresaron los datos en los diferentes papeles gráficos,esto con el fin de observar el tipo de
función del observable. Luego empleamos el método de mínimos cuadrados ,en cada ejercicio,
para hallar la regresión correspondiente; esta regresión nos permitió la obtención de las
diferentes incógnitas planteadas en cada ítem de la guía.
Ejercicio 1:
1.2. El resultado para el punto 2 de este ejercicio correspondió a la siguiente ecuación lineal:

y=4.36 x
Debido a que en el papel milimetrado se linealizan los datos mediante mínimos cuadrados, se
encontró la regresión correspondiente al fenómeno observado, solo se realizó en este papel la
gráfica correspondiente.

Ejercicio 2:

2.2. El resultado para el segundo punto de este ejercicio correspondió a la fórmula:

y=36.69 x−629.73
 Debido a que en el papel milimetrado se linealizan los datos, mediante mínimos cuadrados se
encontró la regresión correspondiente al fenómeno observado, solo se realizó en este papel la
gráfica correspondiente. En base al fit realizado se procedió a darle solución a la incógnita
planteada en este apartado.

2.3. Si y=3000 m , x=98.9 ±10 s.

Ejercicio 3:

3.2. El resultado para el segundo punto de este ejercicio correspondió a la fórmula:

población( p)=1.03 e1.37 (tiempo±0.1 h)

Este problema, gráficamente, se soluciona en un papel semilogarítmico que fue en el cual se
logró la linealización mostrada en las diferentes gráficas.
Analisis teoria de errores tiempo-población
3.3. Los resultados obtenidos como extrapolación de los datos observados fueron:
Al obtener el fit de este ejercicio procedimos a estimar los datos faltantes para la tabla
incompleta que nos fue dada; para este fin también tuvimos en cuenta la incertidumbre en la
medición de la población asociada a su cantidad. Para calcular la incertidumbre en la medición
estimada en nuestro procedimiento, empleamos la regresión de incertidumbre vs población en
un papel milimetrado. Esta gráfica se muestra al final de este apartado, mediante la regresión
de estos datos y realizando su correspondiente fit completamos el apartado de incertidumbre
en la tabla.
X Tiempo ± 0.1 h Y Población (m) X Tiempo ± 0.1 h Y Población (m)

0.0 1±1 5.5 2006±199

0.5 2±1 6.0 3992±396

1.0 4±1 6.5 7944±788

1.5 9±1 7.0 15809±1569

2.0 17±2 7.5 31462±3124

2.5 31±3 8.0 62613±6217

3.0 67±6 8.5 124607±12373

3.5 120±10 9.0 247985±24624

4.0 260±20 9.5 493522±49006

4.5 500±50 10.0 982172±97529

5.0 1000±100
Ejercicio 4:
En este problema implementamos una gráfica conjunta para los tipos de datos según lo que
expresan ya sea en la escala milimetrada o en la logarítmica, esto con el fin de encontrar su
regresión y proceder a encontrar y/o calcular el correspondiente fit.
Esta primera gráfica corresponde a el tiempo que demora el tanque de agua en vaciarse según
el diámetro de salida de su llave; esta gráfica se encuentra en función de la altura con respecto
al tiempo para los 5 diámetros correspondientes.

Al hacer el correspondiente análisis gráfico, vemos que no se linealizan los datos por lo cual
vemos esta segunda gráfica en escala logarítmica en sus mismos términos. Con esta segunda
gráfica obtenemos los datos en una recta por lo cual realizamos las regresiones y fits
correspondientes, mostrados en la gráfica.

En esta tercera gráfica veremos el tiempo que demora el tanque de agua en vaciarse según la
altura del mismo con los diferentes diámetros de salida de su llave; esta gráfica se encuentra
en función del diámetro de salida con respecto al tiempo para las 5 alturas correspondientes.

Al hacer el correspondiente análisis gráfico, vemos que no se linealizan los datos por lo cual
vemos esta cuarta gráfica en escala logarítmica en sus mismos términos. Con esta cuarta
gráfica obtenemos los datos en una recta por lo cual realizamos las regresiones y fits
correspondientes, mostrados en la gráfica.
Conclusiones
Empleando datos obtenidos de manera empírica se hace imprescindible el uso de correcciones
o fits para definir y presentar los fenómenos detrás de este tipo de información; en este uso se
alza por mucho la adecuada implementación y coherencia de las incertidumbres asociadas al
método de medición, al instrumento y al modelo matemático que se emplea para dar forma a
los resultados de la práctica. También se logra evidenciar la importancia de la buena lectura de
gráficas y correcto uso de los papeles gráficos existentes, ya que con ellos logramos ver el
plano en el cual se encuentran nuestros datos. Al obtener la información ideal de la gráfica
podemos garantizar el fit al que queremos llegar,el obtenido en el modelo matemático o gráfico
según sea el caso (para nuestra experiencia se empleó únicamente el método de mínimos
cuadrados).

Referencias:

- Cole, J.H. (2002) “Nociones de Regresión Lineal”. Universidad Francisco Marroquín.

Recuperado de: http://fce2.ufm.edu/jhcole/Nociones.doc.

- Sevilla, M.J. (1987). “Colocación de Mínimos Cuadrados”. Instituto de Astronomía y

Geodesia: Madrid. Recuperado de: https://digital.csic.es/handle/10261/25170.

- Young, H.D. y Freedman, R. 2013. “Física Universitaria Vol:1” Mexico, Mexico: Pearson.

- Mateos-Aparicio, G. (2011). Partial least squares (PLS) methods: Origins, evolution, and

application to social sciences. Communications in Statistics - Theory and Methods.

- Hernández, Hipólito (2006). El papel de la interpolación y la predicción en el cálculo. En

Martínez, Gustavo (Ed.), Acta Latinoamericana de Matemática Educativa (pp. 786-792).

México DF, México: Comité Latinoamericano de Matemática Educativa A. C..