Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE TECNOLOGIA
CAMPUS TIQUIPAYA Evaluación
LABORATORIO# 4
MEDIDAS DIRECTAS Y ERRORES
ESTUDIANTES: ALCOCER PRADO ALEJANDRA
ALANOCA ROSAS JHONATAN
SALAS BURGOS OSCAR J.
VALENCIA NIEVES ROGER E.
VILLEGAS GUTIERREZ MAURICIO A.
VOS ORELLANA STEF
MATERIA: FISICA 1
DOCENTE: ING.REMBERTO PORTUGAL POSTIGO
GESTION II-2021
15 de septiembre de 2021
Objetivos generales:
• Identificar las diferentes formas funcionales a partir de las cuales pueden ser
modelados un conjunto de datos experimentales.
Conclusiones
MARCO TEÓRICO
Mínimos cuadrados
Historia
El día de Año Nuevo de 1801, el astrónomo italiano Giuseppe Piazzi descubrió el planeta enano Ceres.
Fue capaz de seguir su órbita durante 40 días. Durante el curso de ese año, muchos científicos
intentaron estimar su trayectoria con base en las observaciones de Piazzi (resolver las ecuaciones no
lineales de Kepler de movimiento es muy difícil). La mayoría de las evaluaciones fueron inútiles; el único
cálculo suficientemente preciso para permitir a Franz Xaver von Zach, astrónomo alemán, reencontrar a
Ceres al final del año fue el de Carl Friedrich Gauss, por entonces un joven de 24 años (los fundamentos
de su enfoque ya los había planteado en 1795, cuando aún tenía 18 años). Sin embargo, su método de
mínimos cuadrados no se publicó sino hasta 1809, y apareció en el segundo volumen de su trabajo
sobre mecánica celeste, Theoria Motus Corporum Coelestium in sectionibus conicis solem ambientium.
El francés Adrien-Marie Legendre desarrolló el mismo método de forma independiente en 1805.
En 1829, Gauss fue capaz de establecer la razón del éxito maravilloso de este procedimiento:
simplemente, el método de mínimos cuadrados es óptimo en muchos aspectos. El argumento concreto
se conoce como teorema de Gauss-Márkov.
Definición
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.
𝑓(𝑥) = ∑ 𝑐𝑗 𝑓𝑗 (𝑥)
𝑗=1
Por tanto, se trata de hallar los m coeficientes 𝑐𝑗 que hagan que la función aproximante 𝑓(𝑥) dé la mejor
aproximación para los puntos dados (𝑥𝑘 , 𝑦𝑘 ). El criterio de "mejor aproximación" puede variar, pero en
general se basa en aquel que minimice una "acumulación" del error individual (en cada punto) sobre el
conjunto total. En primer lugar, el error (con signo positivo o negativo) de la función 𝑓(𝑥) en un solo
punto, (𝑥𝑘 , 𝑦𝑘 ), se define como:
𝑒𝑘 = 𝑦𝑘 − 𝑓(𝑥𝑘 )
pero se intenta medir y minimizar el error en todo el conjunto de la aproximación, {(𝑥𝑘 , 𝑦𝑘 }𝑛𝑘=1 En
matemáticas, existen diversas formas de definir el error, sobre todo cuando este se refiere a un
conjunto de puntos (y no solo a uno), a una función, etc. Dicho error (el error "total" sobre el conjunto
de puntos considerado) suele definirse con alguna de las siguientes fórmulas:
Error Máximo: 𝐸∞ (𝑓) = max (|𝑒𝑘 |)
𝑛 |𝑒 |
𝛴𝑘=1 𝑘
Error Medio: 𝐸𝑚 (𝑓) = 𝑛
𝛴 𝑛 (𝑒𝑘 )2
Error cuadrático medio: 𝐸𝑐𝑚 (𝑓) = √ 𝑘=1𝑛
La aproximación por mínimos cuadrados se basa en la minimización del error cuadrático medio o,
equivalentemente, en la minimización del radicando de dicho error, el llamado error cuadrático,
definido como:
𝑛 (𝑒 )2
𝛴𝑘=1 𝑘
𝐸𝑐 (𝑓) =
𝑛
ara alcanzar este objetivo, se utiliza el hecho que la función f debe poder describirse como una
combinación lineal de una base de funciones. Los coeficientes de la combinación lineal serán los
parámetros que queremos determinar. Por ejemplo, supongamos que f es una función cuadrática, lo
que quiere decir que es una combinación lineal, 𝑓(𝑥) = 𝑎𝑥 2 + 𝑏𝑥 2 + 𝑐, de las funciones 𝑓1 (𝑥) =
𝑥 2 , 𝑓2 (𝑥) = 𝑥 y 𝑓3 (𝑥) = 1 (m=3 en este caso), y que se pretende determinar los valores de los
coeficientes: 𝒂, 𝒃, 𝒄, de modo que minimicen la suma (S) de los cuadrados de los residuos:
𝑛 𝑛
2 2
𝑆 = ∑(𝑦𝑖 − 𝑓(𝑥𝑖 )) = ∑(𝑦𝑖 − 𝑎𝑥𝑖2 − 𝑏𝑥𝑖 − 𝑐)
𝑗=1 𝑗=1
Esto explica el nombre de mínimos cuadrados. A las funciones que multiplican a los coeficientes
buscados, que en este caso son: 𝑥 2 , 𝑥 y 1, se les conoce con el nombre de funciones base de la
aproximación, y pueden ser funciones cualesquiera. Para ese caso general se deduce a continuación la
fórmula de la mejor aproximación discreta (i.e. para un conjunto finito de puntos), lineal y según el
criterio del error cuadrático medio, que es la llamada aproximación lineal por mínimos cuadrados. Es
posible generar otro tipo de aproximaciones, si se toman los errores máximo o medio, por ejemplo, pero
la dificultad que entraña operar con ellos, debido al valor absoluto de su expresión, hace que sean
difíciles de tratar y casi no se usen.
La aproximación mínimo cuadrática consiste en minimizar el error cuadrático mencionado más arriba, y
tiene solución general cuando se trata de un problema de aproximación lineal (lineal en sus coeficientes
𝑐𝑗 ) cualesquiera que sean las funciones base: 𝑓𝑗 (𝑥) antes mencionadas. Por lineal se entiende que la
aproximación buscada se expresa como una combinación lineal de dichas funciones base. Para hallar
esta expresión se puede seguir un camino analítico, expuesto abajo, mediante el cálculo multivariable,
consistente en optimizar los coeficientes 𝑐𝑗 o bien, alternativamente, seguir un camino geométrico con el
uso del álgebra lineal, como se explica más abajo, en la llamada deducción geométrica. Para los Modelos
estáticos uniecuacionales, el método de mínimos cuadrados no ha sido superado, a pesar de diversos
intentos para ello, desde principios del Siglo XIX. Se puede demostrar que, en su género, es el que
proporciona la mejor aproximación.
La correlación lineal
En probabilidad y estadística, la correlación indica la fuerza y la dirección de una relación lineal y
proporcionalidad entre dos variables estadísticas. Se considera que dos variables cuantitativas están
correlacionadas cuando los valores de una de ellas varían sistemáticamente con respecto a los valores
homónimos de la otra: si tenemos dos variables (A y B) existe correlación entre ellas si al disminuir los
valores de A lo hacen también los de B y viceversa. La correlación entre dos variables no implica, por sí
misma, ninguna relación de causalidad.
La correlación, también conocida como coeficiente de correlación lineal (de Pearson), es una medida de
regresión que pretende cuantificar el grado de variación conjunta entre dos variables.
Por tanto, es una medida estadística que cuantifica la dependencia lineal entre dos variables, es decir, si
se representan en un diagrama de dispersión los valores que toman dos variables, el coeficiente de
correlación lineal señalará lo bien o lo mal que el conjunto de puntos representados se aproxima a una
recta.
De una forma menos coloquial, la podemos definir como el número que mide el grado de intensidad y el
sentido de la relación entre dos variables.
La relación entre dos variables cuantitativas queda representada mediante la línea de mejor ajuste,
trazada a partir de la nube de puntos. Los principales componentes elementales de una línea de ajuste y,
por lo tanto, de una correlación, son la fuerza, el sentido y la forma:
• La fuerza extrema según el caso, mide el grado en que la línea representa a la nube de puntos: si
la nube es estrecha y alargada, se representa por una línea recta, lo que indica que la relación es
fuerte; si la nube de puntos tiene una tendencia elíptica o circular, la relación es débil.
• El sentido mide la variación de los valores de B con respecto a A: si al crecer los valores de A lo
hacen los de B, la relación es directa (pendiente positiva); si al crecer los valores de A
disminuyen los de B, la relación es inversa (pendiente negativa).
• La forma establece el tipo de línea que define el mejor ajuste: la línea recta, la curva
monotónica o la curva no monotónica
• PROCEDIMIENTO
Xmedia 12.3825
Ymedia 6.375
b -0.40364728
a 11.3731625
1. ACTIVIDADES. -
1. Empleando el método de mínimos cuadrados determine la pendiente y la ordenada al
origen de la gráfica correspondiente a la tabla 1.
2. Determine la función empírica y calcule los datos corregidos para la recta de mínimos
cuadrados y grafique.
3. Realice la gráfica de la posición en función del tiempo con los datos de la tabla 2. ¿qué
forma tiene la gráfica?
4. Realice la gráfica de la posición en función del tiempo al cuadrado ¿qué forma tiene la
gráfica?
5. Determine la pendiente y la ordenada al origen en esta gráfica con sus respectivos
errores
6. Aplique logaritmos en base 10 a ambas columnas de la tabla 2 y registre sus datos en
una nueva tabla.
7. Repita los pasos 1 y 2 con los datos de la nueva tabla
8. Aplique logaritmos neperianos a ambas columnas de la tabla 3 y registre sus datos en
una nueva tabla.
9. Repita los pasos 1 y 2 con los datos de la nueva tabla
NOTA. Recuerde que la curva de tendencia debe ser trazada con línea punteada
Tabla # 1 Datos obtenidos de la posición y del tiempo en un experimento de movimiento
rectilíneo uniforme.
i Tiempo Desplazamiento
t (s) x(m)
1 0 0,30
2 0,02 0,44
3 0,04 0,53
4 0,06 0,64
5 0,08 0,80
6 0,10 0,93
7 0,12 1,00
8 0,14 1,16
9 0,16 1,23
10 0,18 1,35
11 0,20 1,54
𝑎 = 0,30272727
TIEMPO VS DISTANCIA
1.80
𝑏 = 5,990909
1.60
y = 5.9909x + 20.3027
𝑖 𝑥𝑖 𝑦𝑖 𝑥𝑖 𝑦𝑖 𝑥𝑖2 𝑦𝑖
R² = 0.996
𝐴 + 𝐵𝑥𝑖 𝛿𝑖2
1.40
1 0,00 0,30 0,0000 0,0000 0,0900 0,3027 7,29E-06
1.20
2 0,02 0,44 0,0088 0,0004 0,1936 0,422518 0,00030562
Distancia (m)
𝑥 = 0,3027 + 5.99𝑡
𝜎𝑦 = 0.496
𝜎𝑎 = 0.280
𝜎𝑏 = 1.273
CORRELACIÓN LINEAL
𝑟 = 0.996
i 1 2 3 4 5 6 7 8 9
Tiempo 0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80
t(s)
Posición 3,00 2,95 2,80 2,55 2,20 1,75 1,20 0,55 0,00
y(m)
∑ 𝑥𝑖2 ∑𝑦𝑖 − ∑ 𝑥𝑖 ∑ 𝑥𝑖 𝑦𝑖
𝑎= a 3,435556
𝑛 ∑ 𝑥𝑖2 − (𝛴𝑥𝑖 )2
𝑛 ∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑥𝑖 ∑ 𝑦𝑖
b= b -3,86667
𝑛 ∑ 𝑥𝑖2 − (𝛴𝑥𝑖 )2
ECUACION EMPIRICA:
x=3,44-3,87t
∑(𝛿𝑦𝑖 )2
𝜎𝑦 = √ =0,294769
𝑛−2
𝑖 ∑ 𝑥2
𝜎a = 𝜎𝑦 × √𝑛𝛴𝑥 2−(𝛴𝑥 )2
= 0,18117586
𝑖 𝑖
𝑛
𝜎b = 𝜎𝑦 × √𝑛𝛴𝑥 2−(𝛴𝑥 )2 = 0,38054542
𝑖 𝑖
CORRELACIÓN LINEAL
𝑛 ∑(𝑥𝑖 𝑦𝑖 )−∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑟= = -0,96773131
√[𝑛 ∑ 𝑥𝑖2−(∑ 𝑥𝑖 )2 ][𝑛 ∑ 𝑦𝑖2 −(∑ 𝑦𝑖 )2]]
3.00
y = -4.3939x2 - 0.3515x + 3.0255
R² = 0.9986
2.50
2.00
Posición m.
1.50
1.00
0.50
0.00
LOGARITMO
0.00 EN BASE
0.10 10: 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90
-0.50
logaritmoTiempo
(s) s.logaritmo (m)
0,000 0,477
-1,000 0,470
-0,699 0,447
-0,523 0,407
-0,398 0,342
-0,301 0,243
-0,222 0,079
-0,155 -0,260
-0,097 0,000
0.40
0.30
logaritmo de (m)
0.20
0.10
0.00
-1.2 -1 -0.8 -0.6 -0.4 -0.2 0
-0.10
-0.30
logaritmo de (s)
∑ 𝑥𝑖2 ∑𝑦 − ∑ 𝑥𝑖 ∑ 𝑥𝑖 𝑦𝑖
𝑖
𝑎= = 0,08283432
𝑛 ∑ 𝑥𝑖2 −(𝛴𝑥𝑖 )2
𝑛 ∑ 𝑥𝑖 𝑦𝑖 −∑ 𝑥𝑖 ∑ 𝑦𝑖
b= = -0,43015057
𝑛 ∑ 𝑥𝑖2 −(𝛴𝑥𝑖 )2
ECUACION EMPIRICA:
x=3,44-3,87t
∑(𝛿𝑦𝑖 )2
𝜎𝑦 = √ = 0,23070864
𝑛−2
𝑖 ∑ 𝑥2
𝜎a = 𝜎𝑦 × √𝑛𝛴𝑥 2−(𝛴𝑥 )2
= 0,12338653
𝑖 𝑖
𝑛
𝜎b = 𝜎𝑦 × √𝑛𝛴𝑥 2−(𝛴𝑥 )2 = 0,25582819
𝑖 𝑖
CORRELACIÓN LINEAL
𝑛 ∑(𝑥𝑖 𝑦𝑖 )−∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑟= = -0,53636321
√[𝑛 ∑ 𝑥𝑖2−(∑ 𝑥𝑖 )2 ][𝑛 ∑ 𝑦𝑖2 −(∑ 𝑦𝑖 )2]]
1 0 13
2 2,55 11
3 5,48 9
4 8,65 7
5 12,21 5
6 17,64 3
7 22,38 2
8 30,15 1
14.00
y = 13.946e-0.087x
R² = 0.9936
12.00
10.00
Voltaje V.
8.00
6.00
4.00
2.00
0.00
0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00
Tiempo s.
∑ 𝑥𝑖2 ∑𝑦 − ∑ 𝑥𝑖 ∑ 𝑥𝑖 𝑦𝑖
𝑖
𝑎= = 11,3731625
𝑛 ∑ 𝑥𝑖2 −(𝛴𝑥𝑖 )2
𝑛 ∑ 𝑥𝑖 𝑦𝑖 −∑ 𝑥𝑖 ∑ 𝑦𝑖
b= = -0,40364728
𝑛 ∑ 𝑥𝑖2 −(𝛴𝑥𝑖 )2
ECUACION EMPIRICA:
x=11,37-0,40t
∑(𝛿𝑦𝑖 )2
𝜎𝑦 = √ = 1,34664064
𝑛−2
𝑖 ∑ 𝑥2
𝜎a = 𝜎𝑦 × √𝑛𝛴𝑥 2−(𝛴𝑥 )2
= 0,77137004
𝑖 𝑖
𝑛
𝜎b = 𝜎𝑦 × √𝑛𝛴𝑥 2−(𝛴𝑥 )2 = 0,04901299
𝑖 𝑖
CORRELACIÓN LINEAL
𝑛 ∑(𝑥𝑖 𝑦𝑖 )−∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑟= = -0,95850161
√[𝑛 ∑ 𝑥𝑖2−(∑ 𝑥𝑖 )2 ][𝑛 ∑ 𝑦𝑖2 −(∑ 𝑦𝑖 )2]]
LOGARITMO NEPERIANO:
ln de (s) ln de (v)
0 2,564949357
0,936093359 2,397895273
1,701105101 2,197224577
2,157559321 1,945910149
2,502255288 1,609437912
2,870169051 1,098612289
3,108167703 0,693147181
3,406184923 0
1.00
0.50
0.00
0.00 0.50 1.00 1.50 2.00 2.50 3.00 3.50 4.00
ln de (s)
COEFICIENTE DE RELACION
∑ 𝑥𝑖2 ∑𝑦 − ∑ 𝑥𝑖 ∑ 𝑥𝑖 𝑦𝑖
𝑖
𝑎= = 3,01909412
𝑛 ∑ 𝑥𝑖2 −(𝛴𝑥𝑖 )2
𝑛 ∑ 𝑥𝑖 𝑦𝑖 −∑ 𝑥𝑖 ∑ 𝑦𝑖
b= = -0,6981118
𝑛 ∑ 𝑥𝑖2 −(𝛴𝑥𝑖 )2
ECUACION EMPIRICA:
x=11,37-0,40t
∑(𝛿𝑦𝑖 )2
𝜎𝑦 = √ = 0,4251796
𝑛−2
𝑖 ∑ 𝑥2
𝜎a = 𝜎𝑦 × √𝑛𝛴𝑥 2−(𝛴𝑥 )2
= 0,32587066
𝑖 𝑖
𝑛
𝜎b = 𝜎𝑦 × √𝑛𝛴𝑥 2−(𝛴𝑥 )2 = 0,13865731
𝑖 𝑖
CORRELACIÓN LINEAL
𝑛 ∑(𝑥𝑖 𝑦𝑖 )−∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑟= = -0,8992261
√[𝑛 ∑ 𝑥𝑖2−(∑ 𝑥𝑖 )2 ][𝑛 ∑ 𝑦𝑖2 −(∑ 𝑦𝑖 )2]]