“Universidad nacional

Santiago Antúnez de
Mayolo”

“Facultad de ciencias del

ambiente”
“Escuela profesional de ingeniería
sanitaria”

Importancia del método de mínimos

cuadrados en física
Integrantes:

HUARAZ-2019

IMPORTANCIA DEL MÉTODO DE MÍNIMOS CUADRADOS

I. OBJETIVOS
 Introducir al estudiante mediante un ejemplo práctico al análisis de datos
experimentales por el método de mínimos cuadrados.
 OBJETIVOS ESPECIFICOS

 Encontrar la función que ilustre lo mejor posible la correlación entre dos variables
físicas dependientes obtenidas experimentalmente.
 Graficar los valores obtenidos en el laboratorio y seleccionar el papel adecuado
para mostrar la relación entre variables de manera simple.
 Interpretar los resultados experimentales a partir de las gráficas y el ajuste de
curvas por el método de mínimos cuadrados

II. MARCO TEÓRICO

Mínimos cuadrados: Es una técnica de análisis numérico encuadrada dentro de la
optimización matemática, en la que, dados un conjunto de pares (o ternas, etc), se intenta
encontrar la función 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
ordenadas (llamadas residuos) entre los puntos generados por la función y los
correspondientes 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 recogidos 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.
Ajuste de curvas lineal: Alineación, encontrando patrones o modelos adecuados para
encontrar la tendencia de una disposición de datos en diferentes observaciones de tiempo.
Se utiliza en diseños de tipo experimental porque permiten establecer relaciones
funcionales que intentan predecir y las relaciones funcionales.
Para la lineal se requiere:
• Graficados.
• Datos secuenciados y ordenados.
• Interés por establecer la tendencia que permita conocer la forma real de curva.
Yc = a + bx
Mientras que en un laboratorio se comparan los resultados de los experimentos con las
fórmulas teóricas, es decir, comprobamos si las medidas concuerdan con los valores que
predice la teoría. Como hemos visto, las mediciones siempre están afectadas por errores
y para determinar con precisión el grado de concordancia es preciso efectuar cálculos
estadísticos. Esta tarea no siempre es fácil y en ciertos experimentos el análisis
matemático de los datos puede ser muy complejo. Sin embargo, para los casos sencillos
existen fórmulas sencillas de gran utilidad práctica, como es el método de los mínimos
cuadrados. Puede emplearse para aproximar un conjunto de datos por funciones bastante
generales, pero para el caso más simple que estudiaremos en este curso, la función que
ajustaremos será una recta. También puede utilizarse tomado logaritmos para aproximar
otras funciones como por ejemplo, 𝑌 = 𝑎 𝑒 𝑏 𝑥 o 𝑌 = 𝑎 𝑋 𝑏

Aunque una teoría nos asegure que la relación entre dos magnitudes 𝑌 = 𝑎 + 𝑏 𝑋 es
lineal, en la práctica, la dispersión que causan los errores experimentales hace que no se
encuentren exactamente dispuestos a lo largo de una recta, como muestra la Fig. 1. El
método de mínimos cuadrados calcula a partir de los N pares de datos experimentales (X
i ,Y i) los valores de la pendiente b y del punto de corte con el eje a que mejor ajustan los
datos a una recta. Como se muestra en la Fig. 1, se entiende por el mejor ajuste aquella
recta que hace mínimas las distancias d1, d2, ⋯, dn, de los puntos medidos a la recta.
 fig.1a fig.2b

No vamos a deducir aquí las fórmulas para la pendiente y el punto de corte que
pueden encontrarse en cualquier texto de tratamiento de datos experimentales, sino
que vamos a explicar cómo emplearlas mediante un ejemplo sencillo (2). No son
necesarios potentes ordenadores ni sofisticados método de cálculo, pues en el
laboratorio de prácticas no se emplean más de 10-20 datos por práctica que pueden
analizarse sin dificultad empleando una humilde calculadora. Para ilustrar el
procedimiento, los gráficos y tablas que lo acompañan se han hecho a mano alzada
deliberadamente para mostrar la sencillez del procedimiento. Las ecuaciones que hay
que utilizar para ajustar mediante el método de mínimos cuadrados un conjunto de
i=1,2,⋯,N datos experimentales agrupados en parejas (X i ,Y i ) de medidas que
deberían disponerse a lo largo de la recta 𝑌 = 𝑎 + 𝑏 𝑋 son:

𝑛
(∑𝑛𝑖=1 𝑦𝑖 )(∑𝑖=1 𝑥𝑖2 ) − (∑𝑛𝑖=1 𝑥𝑖 )(∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 )
a= 2
𝑁(∑𝑛𝑖=0 𝑥𝑖2 ) − (∑𝑛𝑖=0 𝑥𝑖 )
Y la pendiente:
𝑁(∑𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖 𝑦𝑖 )−(∑𝑖=1 𝑥𝑖 )(∑𝑖=1 𝑦𝑖 )
𝑏= 2
𝑁(∑𝑛 2 𝑛
𝑖=0 𝑥𝑖 )−(∑𝑖=0 𝑥𝑖 )

Que aunque parecen complicadas pueden manejarse fácilmente si procedemos con

orden.

[(𝑌𝑠 −𝐴𝑠 −B( )𝑋𝑚 )]^2

𝑠

𝑆𝑦 = √ 𝑵−𝟐
𝑚

𝑁
𝑆𝐵 = 𝑆𝑦 √
𝑁(𝑋 2 )(𝑚2 )−(𝑋)2 (𝑚2 )
 𝑋 2 (𝑚2 )
𝑆𝐴 = 𝑆𝑦 √
𝑁(𝑋 2 )(𝑚2 )−(𝑋)2 (𝑚2 )

2
𝑑𝑉
𝑆𝑉0𝑋 = √( 0𝑋 ) 𝑆𝐵 2
𝑑𝐵

𝑆𝑉0𝑋 = √(−𝐵 −2 )2 𝑆𝐵 2

𝑆𝑉0𝑋 = √(𝐵 −4 ) 𝑆𝐵 2

𝑉0𝑋 = (𝑉0𝑋 ± 𝑆𝑉0𝑋 )𝑚

𝑠
𝑆𝑉
𝐸𝑃 % = ( 0𝑋 × 100) %
𝑉0𝑋

III. MATERIALES Y EQUIPOS

IV. PROCEDIMIENTO EXPERIMENTAL
 V. ANALISIS DE DATOS

N X(cm) 𝒕1 𝒕2 t3 t4 t5 t6 t7 t8 t8 t10 tp
1
2
3
4
5
6
7
8
9
10

5.1 análisis de los datos utilizando el método de mínimos cuadrados.

N
X(m) T(s) XT(m/s) X^2(cm2) (T-A-BX)^2
1
2
3
4
5
6
7
8
9
10
∑

A=
B=

VI. RESULTADOS
VII. DISCUSIÓN Y RECOMENDACIONES
 La importancia de los métodos numéricos ha aumentado de forma drástica en
la enseñanza de la ingeniería y la ciencia, lo cual refleja el uso actual y sin
precedentes de las computadoras.
  El desarrollo de un programa siempre es importante en el aprendizaje de
métodos numéricos. La presentación de resultados calculados con gráficos
utilizando algún software, por ejemplo, MATLAB, motiva a los alumnos para
aprender métodos matemáticos y numéricos que de otra forma podrían
resultar tediosos.
 Debemos tener cuidado al momento de linealizar, pues nos podríamos
confundir de variables, y debemos utilizar varios decimales
 Podemos utilizar un sistema de matrices para resolver directamente el sistema
de ecuaciones.
 Podemos utilizar hojas de cálculo y otros programas para realizar las tablas y
cálculos.

VIII. CONCLUSIONES
 Es el mejor método para obtener un ajuste lineal a una serie de datos.
en base para la identificación de componentes de tendencia de una
serie de tiempo.

IX. REFERENCIAS BIBLIOGRAFICAS

 https://es.slideshare.net/arturosanchezpadilla1/mtodo-de-
mnimos-cuadrados-39818851
 https://www.academia.edu/9047237/INFORME_DE_LABOR
ATORIO_DE_FISICA_N_2_DATOS_PERSONALES
 https://www.academia.edu/24828999/UNMSM_LABORAT
ORIO_DE_F%C3%8DSICA_I_-_INFORME_N_2

X. ANEXOS