Regresión lineal por método de mínimos

cuadrados
Se basa en el análisis estadístico de un ajuste que se hace a una serie de datos bidimensionales.

Permite conocer de manera objetiva los datos analíticos de la recta “que mejor ajusta” a una serie
de puntos en un gráfico

Útil en casos donde se requiere:

analizar pendientes,
evaluar procedimientos de calibrado
Método de los Mínimos cuadrados: Definición

 Se debe asumir que no existen errores sistemáticos,

 Toda variación está dada exclusivamente a errores aleatorios

Para una serie de datos medidos;

Variable x Variable y
1 0.0045
2 0.0088
3 0.0143
4 0.0160
5 0.0218
Método de los Mínimos cuadrados: Definición

 Se debe asumir que no existen errores sistemáticos,

 Toda variación está dada exclusivamente a errores aleatorios

Para una serie de datos medidos; Residual (y´-y)

Variable x Variable y
1 0.0045
2 0.0088
3 0.0143
4 0.0160
Se denomina “mínimos cuadrados” ya que la mejor
recta ajustaría a la menor sumatoria de los cuadrados
de los residuales obtenidos

5 0.0218
Método de los Mínimos cuadrados: Definición

Hay casos donde se puede complicar el ajuste de la “mejor recta”

 Método de los Mínimos cuadrados: Tratamiento matemático

Siempre intentaremos encontrar la mejor recta a nuestro conjunto de variables x y

Considerando que la recta tiene por fórmula:

Y = mX + n

El cálculo de los coeficientes de la regresión requiere resolver las

siguientes cantidades:

𝑺𝒙𝒙 = (𝑥𝑖 − 𝑥 )2

𝑺𝒚𝒚 = (𝑦𝑖 − 𝑦)2

𝑺𝒙𝒚 = (𝑥𝑖 − 𝑥 )(𝑦𝑖 − 𝑦)

 Método de los Mínimos cuadrados: Tratamiento matemático

Posteriormente, conociendo las variables Sxx, Syy, Sxy, se derivan 6 ecuaciones útiles para la
regresión lineal:
𝑺𝒙𝒙 = (𝑥𝑖 − 𝑥 )2

1.- Pendiente de la recta: 𝑺𝒚𝒚 = (𝑦𝑖 − 𝑦)2

𝑺𝒙𝒚 𝑺𝒙𝒚 = (𝑥𝑖 − 𝑥 )(𝑦𝑖 − 𝑦)

𝒎=
𝑺𝒙𝒙
 Método de los Mínimos cuadrados: Tratamiento matemático

Posteriormente, conociendo las variables Sxx, Syy, Sxy, se derivan 6 ecuaciones útiles para la
regresión lineal:
𝑺𝒙𝒙 = (𝑥𝑖 − 𝑥 )2

1.- Pendiente de la recta: 𝑺𝒚𝒚 = (𝑦𝑖 − 𝑦)2

𝑺𝒙𝒚 𝑺𝒙𝒚 = (𝑥𝑖 − 𝑥 )(𝑦𝑖 − 𝑦)

𝒎=
𝑺𝒙𝒙
 Método de los Mínimos cuadrados: Tratamiento matemático

Posteriormente, conociendo las variables Sxx, Syy, Sxy, se derivan 6 ecuaciones útiles para la
regresión lineal:
𝑺𝒙𝒙 = (𝑥𝑖 − 𝑥 )2

1.- Pendiente de la recta: 𝑺𝒚𝒚 = (𝑦𝑖 − 𝑦)2

𝑺𝒙𝒚 𝑺𝒙𝒚 = (𝑥𝑖 − 𝑥 )(𝑦𝑖 − 𝑦)

𝒎=
𝑺𝒙𝒙

2.- intersección:

𝑺𝒙𝒚
𝒏=𝑦− 𝑥 = 𝑦 − 𝑚𝑥
𝑺𝒙𝒙
 Método de los Mínimos cuadrados: Tratamiento matemático

Posteriormente, conociendo las variables Sxx, Syy, Sxy, se derivan 6 ecuaciones útiles para la
regresión lineal:
𝑺𝒙𝒙 = (𝑥𝑖 − 𝑥 )2

1.- Pendiente de la recta: 𝑺𝒚𝒚 = (𝑦𝑖 − 𝑦)2

𝑺𝒙𝒚 𝑺𝒙𝒚 = (𝑥𝑖 − 𝑥 )(𝑦𝑖 − 𝑦)

𝒎=
𝑺𝒙𝒙

2.- intersección:

𝑺𝒙𝒚
𝒏=𝑦− 𝑥 = 𝑦 − 𝑚𝑥
𝑺𝒙𝒙
 Método de los Mínimos cuadrados: Tratamiento matemático
Otras 4 ecuaciones corresponden a:

3.- Desviación estándar de la regresión (Sr):

𝑺𝒚𝒚 − 𝒎𝟐 𝑺𝒙𝒙 𝑺𝒙𝒙 = (𝑥𝑖 − 𝑥 )2
𝑺𝒓 =
𝑵−𝟐
𝑺𝒚𝒚 = (𝑦𝑖 − 𝑦)2

𝑺𝒙𝒚 = (𝑥𝑖 − 𝑥 )(𝑦𝑖 − 𝑦)

4.- Desviación estándar de la pendiente (Sm):
𝑺𝒓 𝟐
𝑺𝒎 =
𝑺𝒙𝒙

5.- Desviación estándar del intercepto (Sb):

𝟏
𝑺𝒃 = 𝑺𝒓
𝑵− 𝒙𝒊 𝟐 / 𝒙𝒊 𝟐

5.- Desviación estándar de los resultados de la curva de calibración (Sc):

𝑺𝒓 𝟏 𝟏 (𝒚𝒄 − 𝒚)𝟐
𝑺𝒄 = + +
𝒎 𝑴 𝑵 𝒎𝟐 𝑺𝒙𝒙
Ejemplo de aplicación:

Determinación del contenido de cafeína en bolsas de té:

Ejemplo de aplicación:

Determinación del contenido de cafeína en bolsas de té:

Tratamiento de muestra:
1.- disolución
2.- aforado
3.- alícuota (ej. 0.5 mL)
4.- lectura en equipo
Ejemplo de aplicación:

Determinación del contenido de cafeína en bolsas de té:

Tratamiento de muestra:
1.- disolución Interrogantes:
2.- aforado
3.- alícuota (ej. 0.5 mL) ¿existirá efecto matriz en el análisis químico que se desea
4.- lectura en equipo
realizar?

Si existe ¿Cómo detectarlo?

Ejemplo de aplicación:

Para identificar posible efecto matriz se requiere el uso de

un patrón (estándar)

Se miden bajo las mismas condiciones diferentes concentraciones del estándar comercial, con rangos de
concentración cercanos a lo esperado de muestra problema.
 Ejemplo de aplicación:

Para identificar posible efecto matriz se requiere el uso de

un patrón (estándar)

Se miden bajo las mismas condiciones diferentes concentraciones del estándar comercial, con rangos de
concentración cercanos a lo esperado de muestra problema.

2 curvas de calibrado:

Calibrado normal Consiste en medir directamente las concentraciones del

estándar y generar curva de calibración

Adición del estándar A la muestra problema se agregan alícuotas de estándar (misma

solución) y se mide la propiedad para obtener curva de calibración
Ejemplo de aplicación:

Para identificar posible efecto matriz se requiere el uso de

un patrón (estándar)

Calibrado normal Adición del estándar

Ejemplo de aplicación:

Para identificar posible efecto matriz se requiere el uso de

un patrón (estándar)

Se comparan las pendientes obtenidas entre ambos métodos de calibración:

Sin efecto matriz: m1 = m2 Con efecto matriz: m1 = m2