METODOS EXPERIMENTALES Sem.

Otoo 2011
Prof.: T. Velilla


AJUSTE POR MINIMOS CUADRADOS
Uno de los tipos ms comunes e interesantes de experimento involucra la medicin de
varios valores de dos diferentes variables fsicas a fines de investigar la relacin
matemtica entre las dos variables. El ajuste de los datos a una funcin propuesta, tal como
una lnea recta, se puede realizar en forma cualitativa, es decir, a ojo, o, ms deseable, de
forma cuantitativa.
Probablemente, los experimentos ms comunes del tipo descrito son aquellos para los
cuales la relacin esperada entre las variables es lineal. Por ejemplo, si creemos que un
cuerpo est cayendo con aceleracin constante g, entonces su velocidad v debera ser una
funcin lineal del tiempo t,
v = v0 + gt
En forma ms general, consideremos un par cualquiera de variables fsicas x e y de las
cuales sospechemos que estn relacionadas por una relacin lineal de la forma:
y = A + Bx
donde A y B son constantes.
Si x e y estn relacionadas de esta manera, entonces un grfico de y versus x debera resultar
en una lnea recta de pendiente B, que intersecta al eje y en y = A.
Si medimos N diferentes valores de x y los correspondientes valores de y, y si nuestras
mediciones no estn sujetas a ninguna incerteza o error, entonces cada uno de los puntos
(x
i
, y
i
) caera exactamente sobre la lnea y = A + Bx. En la prctica existen errores, y lo
mejor que se puede esperar es que la distancia entre cada punto y la recta sea razonable
comparada con las incertezas, tal como en el caso de la siguiente figura:

El mtodo analtico de encontrar la mejor recta que se ajusta a una serie de datos
experimentales es llamado regresin lineal, o ajuste de mnimos cuadrados para una recta,
porque se busca slo minimizar la suma de los cuadrados de los residuos.
Vayamos al problema de encontrar la recta y = A + Bx que mejor se ajusta a un conjunto de
puntos (x
1
, y
1
),..., (x
N
, y
N
).
Como x es la variable independiente, supondremos que slo el error de la variable y es
significativo; adems, supondremos que todos los errores en y tiene la misma magnitud.
Si conociramos las constantes A y B, entonces, para cualquier valor x
i
podramos calcular
el valor verdadero y
i
que le corresponde:
(valor verdadero de yi) = A + B xi.
La desviacin de esta magnitud respecto al valor medido (llamada residuo) se puede
escribir entonces como:
oyi = yi (A + B xi).
Un criterio para elegir la recta que mejor se ajusta a los puntos experimentales es elegir
aquella que minimice la suma de los cuadrados de las desviaciones individuales oy
i
:

Esto significa que el valor de los parmetros A y B estar dado por las siguientes dos
condiciones:
(c/cA)[E(oyi)
2
] = -2 E (yi - A - B xi)
2
= 0
(c/cB)[E(oyi)
2
] = -2 Exi (yi - A - B xi)
2
= 0.
La resolucin simultnea de estas ecuaciones resulta en las expresiones siguientes:
A = ( Exi
2
Eyi - Exi Exi yi )/A
B = ( N Exi yi - Exi Eyi )/A
donde
A = N Exi
2
- (Exi )
2

Como vemos, la aplicacin del criterio de minimizacin de la suma de los cuadrados de las
desviaciones resulta en la obtencin de resultados objetivos para los parmetros A y B.
Adems de que este criterio es intuitivamente razonable, se puede demostrar que si la
medicin de cada y
i
est gobernada por una distribucin Gaussiana, entonces la mejor
estimacin de los parmetros A y B es aquella que minimiza la suma (oy
i
)
2
.
La desviacin estndar (error asociado a los valores medidos y
i
) est dada por:
oy = [E(oyi)
2
/ (N 2)]
1/2

El factor (N 2) obedece a razones que no demostraremos aqu, y que estn ligadas al
nmero de grados de libertad disponibles.
Usando propagacin de errores se puede obtener expresiones para los errores en las
cantidades A y B:
oA = oy (Exi
2
/A )
1/2
oB = oy (N

/A )
1/2
.
Si por alguna razn tenemos motivos para suponer que la mejor recta debe pasar por el
origen de coordenadas, o sea que es de la forma y = Bx, entonces la mejor estimacin para
la constante B es:
B = Exi yi / Exi
2

El error de B est dado en este caso por:
oB = oy / (Exi
2
)
1/2
= [E(yi - Bxi)
2
/ (N 1)]
1/2
/ (Exi
2
)
1/2

El factor de correlacin de los datos, R
2
, se calcula:

Mientras ms cercano a 1, mejor es el ajuste.
Problemas
1.
a) Use el mtodo de mnimos cuadrados para encontrar la lnea que mejor se ajusta a
los puntos (-3, 3), (-1, 4), (1, 8), y (5, 11).
b) Usando papel cuadriculado, grafique los cuatro puntos y su lnea (encuentre A y B).
c) Usando Excel, grafique los cuatro puntos y trace una lnea de tendencia. De la
ecuacin que se reporta, encuentre A y B, y compare los resultados de los tres
mtodos.

2. La poblacin en los Estados Unidos de Amrica durante el siglo XX ha seguido la
evolucin indicada en la tabla adjunta. Encuentre la recta de regresin y pronostique
el nmero de habitantes en al ao 2010.
ao
millones
de
habitantes
1900 75995
1910 91972
1920 105711
1930 123203
1940 131669
1950 150697
1960 179323
1970 203212
1980 226505
1990 249633
2000 281422

Rpta.: y = 2,0253 x - 3783,9. Para el ao 2010 se pronostica 286912 millones de
habitantes.


3. Ajuste una lnea recta a los siguientes valores de x e y:
x y
1 0,5
2 2,5
3 2,0
4 4,0
5 3,5
6 6,0
7 5,5

Rpta.: Y = 0,0714 + 0,8393 x

4. Se tom una muestra aleatoria de 8 ciudades de una cierta regin, y se determin
por los datos del censo el porcentaje de graduados en educacin superior y la media
del ingreso de cada ciudad. Los resultados son los siguientes:
CUIDAD 1 2 3 4 5 6 7 8
% graduados (X) 7,2 6,7 17 12,5 6,3 23,9 6 10,2
Ingreso (Y) 4,2 4,9 7 6,2 3,8 7,6 4,4 5,4

Relaciones estos datos mediante mnimos cuadrados.


Solucin Problema 1
Graficamos y versus x para observar si los datos se ajustan a una lnea recta; el siguiente
grfico fue construido en Excel:


Se completa la tabla de datos calculando x
i
2
y x
i
y
i
, adems de las respectivas sumas:

N = 4


x y x2 xy

-3 3 9 -9

-1 4 1 -4

1 8 1 8

5 11 25 55
SUMA 2 26 36 50

A = N Exi
2
- (Exi )
2

A = 4 *36-2^2 = 140
A= 140

A = ( Exi
2
Eyi - Exi Exi yi )/A
A = (36*16-2*0)/140
A = 5,97142857

B = ( N Exi yi - Exi Eyi )/A
y = 1.0571x + 5.9714
R = 0.954
0
2
4
6
8
10
12
-4 -2 0 2 4 6
B=(4*0-2*16)/140
B = 1,05714286


x y y calculado di mdulo di di2

-3 3 2,8001 0,1999 0,1999 0,03996001

-1 4 4,9143 -0,9143 0,9143 0,83594449

1 8 7,0285 0,9715 0,9715 0,94381225

5 11 11,2569 -0,2569 0,2569 0,06599761
SUMA 2 26 25,9998 2,3426 1,88571436


Desviacion estandar:
oy = [E(oyi)
2
/ (N 2)]
1/2

oy = 0,97100833

Error de A:

oA = oy (Exi
2
/A )
1/2

oA = 0,49239109

Error de B:

oB = oy (N

/A )
1/2

oB = 0,16413036

A manera de comparacin, en el grfico se ha incluido la ecuacin de la lnea de tendencia
lineal o lnea recta, para estos datos. Se observa que la pendiente y el intercepto
coinciden con los valores de B y A calculados, respectivamente.