Está en la página 1de 10

UNIVERSIDAD NACIONAL EXPERIMENTAL

“ANTRONIO JOSÉ DE SUCRE”


VICE-RECTORADO “LUÍS CABALLERO MEJÍAS”
NÚCLEO CHARALLAVE

DEPARTAMENTO DE MECÁNICA CHARALLAVE, FEBRERO 2006


ASIGNATURA: MECÁNICA RACIONAL/SECCIÓN:01
PROFESOR: ANDRÉS HERRERA

MÉTODO DE LOS
MÍNIMOS
CUADRADOS

AJUSTES DE RECTAS POR MINIMOS CUADRADOS

Toda función Lineal o Curvilínea se puede ajustar a un polinomio por


métodos numéricos.

Presentaremos a continuación el caso más simple: el ajuste de una función


lineal (esto es, el ajuste de una recta o de un polinomio de grado uno).

La técnica que presentaremos se conoce como “El Método de los Mínimos


Cuadrados” y se fundamenta en el hecho de que el mejor ajuste se
obtiene cuando la suma de los cuadrados de las desviaciones de la
variable dependiente alcanza su valor mínimo.

Para encontrar el valor mínimo de las desviaciones de la variable


dependiente se varían parámetros; en el caso de una recta los parámetros
libres a variar son precisamente la pendiente de la recta y el valor de la
ordenada en el origen (esto es, se harán variar m y b, las cuales hemos
considerado hasta ahora como constantes, de modo de encontrar los valores
que correspondan a la recta que mejor se ajuste a los datos
experimentales).
Consideremos la ecuación que describe a la recta buscada,

yi (teorico) = m xi + b, i = 1,2, ....., N

Note que hemos introducido índices pues estamos trabajando con un


conjunto de N puntos discretos. El problema consiste en determinar los
valores de m y b por la vía de minimizar las diferencias entre los yi (teorico) y
los yi (experimentales)

La suma de los cuadrados de las desviaciones entre los datos


experimentales y los correspondientes a la recta ajustada es,

S = Σ ( yi ( experimentales) - yi ( teórico) )2

S = Σ [ yi (experimentales) –( m xi + b )] 2 con i = 1,2,…..N

Igualando a cero las derivadas de S con respecto a las variación de m y b,


estamos aplicando la condición de extremos a la función:

dS /dm = Σ ( -2yi xi +2m xi 2 + 2b xi )=0

dS /dm = Σ ( -2yi +2m xi+ 2b )=0

Se puede demostrar por la vía de sacar la segunda derivada que éstas son
(en este caso) condiciones de mínimo necesarias y suficientes. De estas dos
relaciones se puede despejar m y b:

m = [ N Σ ( xI yI ) - Σ xI Σ yI ] / NΣ xI 2 – (Σ xI )2

b = ( Σ yI – m Σ xI ) / N

b = [ Σ yI Σ xI 2 - Σ xI Σ xI yI ] / NΣ xI 2 - (Σ xI )2
Por lo tanto hemos encontrado las expresiones (en función de los datos
experimentales) de los parámetros que dan el mejor ajuste.

En rigor, la recta que se debe trazar en el gráfico es aquella que se obtiene


mediante el método de los mínimos cuadrados: una vez determinada la
pendiente y la ordenada en el origen basta utilizar la ecuación de la recta y
obtener los valores de la ordenada que corresponden a dos valores
cualesquiera de la variable independiente.

Finalmente, enfatizamos que al hacer el ajuste de una recta en un gráfico


semilogarítmico o logarítmico se han de reemplazar las variables xI y/o yI
por sus logaritmos en el par de ecuaciones precedentes.

Note que el error en la determinación de la pendiente y la ordenada en el


origen por el método de los mínimos cuadrados, podría en principio
calcularse vía propagación de errores. Los programas comerciales que se
utilizan en los computadores personales suelen dar estos errores y también
suelen incluir otros criterios más sofisticados para revelar la calidad del
ajuste de los puntos a la recta.

AJUSTES DE CURVAS POR MINIMOS CUADRADOS

Supongamos ahora que tenemos un conjunto de puntos que mostramos en la


siguiente gráfica

De los puntos mostrados nos podemos dar cuenta que parece tener la forma
de un polinomio de segundo grado de la forma:

(1)
Esta ecuación (1) puede usarse para representar el conjunto de valores
obtenidos experimentalmente para la cual debemos determinar los valores
de a1, a2, a3, etc.

Para determinar estos valores utilizamos el siguiente procedimiento:

1. Establecer el criterio para determinar la ecuación que represente a


los valores (obtenidos experimentalmente).
2. Escribir la ecuación que expresa el error o desviación entre el valor
observado y los valores dados por la ecuación.
3. Habiendo obtenido la ecuación del error, minimizar dicho error.

EVALUACIÓN DEL ERROR

Si consideramos las parejas de datos, como se muestra en la gráfica

donde:

d = Distancia = YObservada - Y Obtenida por la ecuación

Donde:

YObservada = Valor obtenido experimentalmente.

YObtenida por la ecuación = Valor de la función evaluada en cualquier valor X

Observando la gráfica, parece que esta distancia se puede usar para


representar el error, pero habrá distancias positivas y negativas, (como se
puede observar la distancia d1 es positiva y la distancia d2 es negativa) de
modo que el error promedio para los puntos como los mostrados será
pequeño aunque los errores individuales sean grandes.

Esta dificultad podría ser resuelta usando el valor absoluto de las


distancias, sin embargo al derivar la función del valor absoluto se generan
ciertos problemas.

La solución podría ser definir el error como el cuadrado de la distancia, esto


elimina la dificultad del signo. Por esta razón el método se llama: Método de
Mínimos Cuadrados.

(2)

en donde S es la suma de los cuadrados de las diferencias entre el valor


calculado y el valor observado y por lo tanto es el valor que se debe
minimizar

(3)

Siendo el caso de que la curva supuesta es una ecuación de segundo grado,


se tiene la ecuación:

(4)

Para minimizar la función anterior, derivando parcialmente con respecto a


a1 , a2 y a3 e igualando a cero:

(5)
(Obsérvese que las variables son a 1, a 2 y a 3, mientras que Yi, X i son
constantes)

Las ecuaciones se pueden expresar de acuerdo como sigue:

(6)

Lo anterior lo podemos expresar en forma matricial:

(7)

La fórmula general para un polinomio de grado n en donde hay m parejas de


datos es:
(8)

Como se puede observar el problema consiste en lo siguiente:

1. Obtener la matriz de coeficientes.


2. Resolver el sistema de ecuaciones resultantes.

Recordando que:

1. Si n es el grado del polinomio, hay n+1 valores de la matriz de


coeficientes y n+1 ecuaciones.
2. El máximo exponente de X en los términos de la sumatoria de 2n
puede ser que los datos no representen un polinomio de 2º grado sino
que representen uno de 3º y 4º grados.

El ajuste de curvas es un procedimiento de tanteo y error, si una curva no


representa los datos, entonces se intenta con un polinomio de grado
superior.

EJEMPLO:
X Y X Y
0.00 0.0000 0.60 0.6367
0.10 0.1002 0.70 0.7586
0.20 0.2013 0.80 0.8881
0.30 0.3045 0.90 1.0265
0.40 0.4108 1.00 1.1752
0.50 0.5211
De la tabla de datos, usando Mínimos Cuadrados, determine los polinomios
de 2o, 3er y 4o grado; graficar para determinar la curva más aproximada.

SOLUCIÓN

POLINOMIO DE SEGUNDO GRADO

Primero determinamos los coeficientes de la matriz y los elementos


constantes. Los elementos de la matriz son: M =11

Los términos constantes son:

De acuerdo con esto, el sistema de ecuaciones a resolver es el siguiente:


Resolviendo por Gauss se obtienen los siguientes resultados.

a1 = 0.006727
a2 = 0.895462
a3 = 0.265963

y el polinomio de segundo grado es:

POLINOMIO DE TERCER GRADO

Para el caso del polinomio de 3er grado se requiere:

M =11

y el sistema de ecuaciones a resolver es:


cuya solución es:
a1 = - 0.000112
a2 = 1.004150
a3 = - 0.019075
a4 = 0.190032

y el polinomio queda:

POLINOMIO DE CUARTO GRADO

Repitiendo el procedimiento anterior, se obtienen los siguientes resultados

a1 = - 0.000112
a2 = 0.994595
a3 = 0.028713
a4 = 0.113563
a5 = 0.038237

Quedando el polinomio como se muestra: