MARCO TEORICO

El método de mínimos cuadrados tiene una larga historia que se remonta a los principios del siglo
XIX. En junio de 1801, Zach, un astrónomo que Gauss había conocido dos años antes, publicaba las
posiciones orbitales del cuerpo celeste Ceres, un nuevo “pequeño planeta” descubierto por el
astrónomo italiano G. Piazzi en ese mismo año. Desafortunadamente, Piazzi sólo había podido
observar 9 grados de su órbita antes de que este cuerpo desapareciese tras del sol. Zach publicó
varias predicciones de su posición incluyendo una de Gauss que difería notablemente de las demás.
Cuando Ceres fue redescubierto por Zach en diciembre de 1801
estaba casi exactamente en donde Gauss había predicho.

Aunque todavía no había revelado su método, Gauss había

descubierto el método de mínimos cuadrados. En un trabajo
brillante logró calcular la órbita de Ceres a partir de un número
reducido de observaciones, de hecho, el método de Gauss requiere
sólo un mínimo de 3 observaciones y todavía es, en esencia, el
utilizado en la actualidad para calcular las órbitas.

¿QUÉ SON LOS MÍNIMOS CUADRADOS?

Es un procedimiento de análisis numérico en la que, dados un conjunto de datos (pares ordenados y

familia de funciones), se intenta determinar la función continua que mejor se aproxime a los datos
(línea de regresión o la línea de mejor ajuste), proporcionando una demostración visual de la
relación entre los puntos de los mismos. En su forma más simple, busca minimizar la suma de
cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos generados por la
función y los correspondientes datos.
Este método se utiliza comúnmente para analizar
una serie de datos que se obtengan de algún
estudio, con el fin de expresar su comportamiento
de manera lineal y así minimizar los errores de la
data tomada.

DEFINICIÓN:
Su expresión general se basa en la ecuación de una recta y = mx + b. Donde m es la pendiente y b el
punto de corte, y vienen expresadas de la siguiente manera:
El método de mínimos cuadrados calcula a partir de los N pares de datos experimentales (x, y), los
valores m y b que mejor ajustan los datos a una recta. Se entiende por el mejor ajuste aquella recta
que hace mínimas las distancias d de los puntos medidos a la recta.
Teniendo una serie de datos (x, y), mostrados en un gráfico o gráfica, si al conectar punto a punto
no se describe una recta, debemos aplicar el método de mínimos cuadrados, basándonos en su
expresión general:

Cuando se haga uso del método de mínimos cuadrados se debe buscar una línea de mejor ajuste que
explique la posible relación entre una variable independiente y una variable dependiente. En el
análisis de regresión, las variables dependientes se designan en el eje y vertical y las variables
independientes se designan en el eje x horizontal. Estas designaciones formarán la ecuación para la
línea de mejor ajuste, que se determina a partir del método de mínimos cuadrados.

DESARROLLO EXPERIMENTAL

Ya leídas y entendidas las indicaciones para esta práctica, procedí a realizar el siguiente montaje
experimental, haciendo uso de la tabla proporcionada para el cálculo de los datos necesarios…

1
 x{s} y{m}
1 1.5
2 2
3 4
5 4.6
6 4.7
8 8.5
9 8.8
10 9.9
11 11
12 12.5
13 12.9
14 14.8
15 15
Datos a utilizar.

Procedimiento:

X Y X*Y X^2
1 1.5 1.5 1
2 2 4 4
3 4 12 9

2
 5 4.6 23 25
6 4.7 28.2 36
8 8.5 68 64
9 8.8 79.2 81
10 9.9 99 100
11 11 121 121
12 12.5 150 144
13 12.9 167.7 169
14 14.8 207.2 196
15 15 225 225
SUMATORIA
S 109 110.2 1185.8 1175
Cálculo de datos.

∑ x =109 ∑ y =110.2 ∑ ( xy ) =1185.8 ∑ x2=1175

13∗(1185.8 )−109∗110.2
m=
13∗1175−(109)2
m=1. 0028

110.2∗1175−109∗1185.8
b=
13∗1175−(109)2
b=0. 0686

y=1.0028 x +0.0686

3
 Grafica con el comportamiento de la recta ob-
tenida.
16
14
f(x) = 1.00282852091927 x + 0.0685916322922804
12
10
8
6
4
2
0
0 2 4 6 8 10 12 14 16

  Tiempo Distancia
1 0.2 13.7
2 0.4 8.2

4
 3 0.6 14.5
4 0.81 22.6
5 1.2 32.5
6 1.4 44.2
7 1.6 57.77
8 1.8 90.1
9 2.22 109
10 2.4 129.7
n=1
0
Datos a utilizar.

Tiempo Distancia log X log Y log X*log Y log X^2

1 0.2 13.7 -0.698970004 1.136720567 -0.79453358 0.488559067
2 0.4 8.2 -0.397940009 0.913813852 -0.363643092 0.158356251
3 0.6 14.5 -0.22184875 1.161368002 -0.257648039 0.049216868
4 0.81 22.6 -0.091514981 1.354108439 -0.123921208 0.008374992
5 1.2 32.5 0.079181246 1.511883361 0.119712808 0.00626967
6 1.4 44.2 0.146128036 1.645422269 0.240442324 0.021353403
7 1.6 57.77 0.204119983 1.761702368 0.359598657 0.041664967
8 1.8 90.1 0.255272505 1.954724791 0.498987494 0.065164052

5
 9 2.22 109 0.346352974 2.037426498 0.705668728 0.119960383
10 2.4 129.7 0.380211242 2.112939976 0.803363532 0.144560588
n=1
0 12.63 522.27 0.000992242 15.59011012 1.188027624 1.10348024
Cálculo de datos (log10).

∑ log X=9.992 x 10−3 ∑ logY =15.59 ∑ log X∗log Y =1.188 ∑ log X 2 =1.103

10∗ (1.188 )−9.992 x 10−3∗15.59

m=
10∗1.103−(9.992 x 10−3 )2
m=1.0752

−3
15.59∗1.103−9.992 x 10 ∗1.188
b= −3 2
10∗1.103−(9.992 x 10 )
b=1.5589

y=1. 0752 x+1.5589

6
 Comportamiento de la recta en terminos de
log10.
2.5

2
f(x) = 1.07521709094549 x + 1.55890432483447
1.5

0.5

0
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6

En base a la ecuación de la recta obtenemos el ajuste de curva

kx
y= AB
lob B ( y )=log B ¿

lob B ( y )=log B A+ log B ¿

lob B ( y )=kx + log B A

log B y=v log B A=L

v=kx + L
y=1. 0752 x+1.5589
L=1.5589

ln A=1.5589 A=e 1.5589 A=4.7536

1.0752x
y=4.7536 e

kx
y= AB

7
 X Y
1 1.1
2 3.8
3 8.6
4 16
5 24.5
6 35.8
7 50
8 63.3
9 81
Datos a utilizar.

X Y log X log Y log X*log Y log X^2

1 1.1 0 0.041392685 0 0
2 3.8 0.301029996 0.579783597 0.174532254 0.09061906
3 8.6 0.477121255 0.934498451 0.445869074 0.22764469
4 16 0.602059991 1.204119983 0.724952466 0.36247623
5 24.5 0.698970004 1.389166084 0.970985424 0.48855907
6 35.8 0.77815125 1.553883027 1.20915602 0.60551937
7 50 0.84509804 1.698970004 1.435796221 0.7141907
8 63.3 0.903089987 1.80140371 1.626829653 0.81557152
9 81 0.954242509 1.908485019 1.821157534 0.91057877
45 284.1 5.559763033 11.11170256 8.409278645 4.21515941
Cálculo de datos (log10).

∑ log X=5.5598 ∑ log Y =11.1117 ∑ log X∗log Y =8.4093 ∑ log X 2 =4.2151

9∗( 8.4093 )−5.5598∗11.1117

m= 2
9∗4.2151−(5.5598)
m=1.9792

11.1117∗4.2151−5.5598∗8.4093
b= 2
9∗4.2151−(5.5598)

8
 b=¿0.012

Chart Title
2.5

2
f(x) = 1.97923773166629 x + 0.0119566429024247
1.5

0.5

0
0 0.2 0.4 0.6 0.8 1 1.2

y=1. 9792 x+ 0.012

kx
y= AB
lob B ( y )=log B ¿

lob B ( y )=log B A+ log B ¿

lob B ( y )=kx + log B A

log B y=v log B A=L

v=kx + L
y=1. 9792 x+ 0.012

9
 L=0.012

ln A=0.012

A=e 0.012
A=1.012

y= AB kx
1.9792 x
y=1.012 e

COCLUSIONES

El método de mínimos cuadrados sirve para intercalar valores, dicho en otras palabras, se usa para
buscar valores desconocidos usando como referencia otras muestras del mismo evento.
El método consiste en acercar una línea o una curva, según se escoja, lo más posible a los puntos
determinados por la coordenada [x, f(x)], que normalmente corresponden a muestras de algún
experimento.
Cabe aclarar que este método, aunque es sencillo de implantar no es del todo preciso, pero si
proporciona una interpolación aceptable.
Como se comentó previamente se puede usar una recta o una curva como base para calcular nuevos
valores.

BIBLIOGRAFIA
https://personal.us.es/sergio/PDocente/lectura.pdf
https://miprofe.com/minimos-cuadrados/

10