Introduccion: Regresion Por Minimos Cuadrados

REGRESION POR MINIMOS CUADRADOS
1. INTRODUCCION
Mínimos cuadrados es una técnica de análisis numérico enmarcada dentro de la
optimización matemática, en la que, dados un conjunto de pares ordenados -
variable indepentiente, variable dependiente- y una familia de funciones, se intenta
buscar 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.
2. GENERACION DE MODELOS POR MÍNIMOS CUADRADOS

Los Modelos de Regresión establecen la relación cuantitativa entre una variable de
interés y una variable predictiva. Estos modelos son muy utilizados en el campo de
la ingeniería, y su estudio conforma un área de investigación clásica dentro de la
disciplina de la Estadística. Por ejemplo, podría ser de interés encontrar la ecuación
de una recta o de una curva, con el objetivo de explicar la altura de un árbol (y), a
partir del diámetro del mismo. Cuando se pretende estudiar la relación entre una
variable de interés o variable dependiente con otra variable predictiva o
independiente, puede utilizarse la aproximación por mínimos cuadrados para
encontrar la recta o la curva que más de ajusta al conjunto de puntos definidos por
las parejas ordenadas de las variables en estudio. Es decir, al utilizar la aproximación
por mínimos cuadrados, la intención es encontrar entre muchas posibilidades, la
recta o la curva que mejor se ajuste a los datos observados. Veamos las siguientes
parejas ordenadas:
2.1. RECTA DE AJUSTE (AJUSTE LINEAL)

La expresión matemática para la línea recta es
y = a0 + a1 x + e (*)
donde a0 y a1 son coeficientes que representan la intersección con el eje y la

pendiente, respectivamente, e es el error, o diferencia, entre el modelo y las
observaciones, el cual se representa al reordenar la ecuación (*) como
e = y – a0 – a1x
una estrategia ajustar una mejor línea a través de los datos será minimizar la
suma de los errores residuales de todos los datos disponibles, como sigue:
Sr= ∑𝑛𝑖=1 𝑒𝑖 2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2 (**)
Para determinar los valores apropiados de a0 y a1 la ecuación (**) se deriva con

respecto a cada uno de sus coeficientes:
𝑆𝑟𝑎̇ 0 = -2∑𝑛𝑖=1(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 ) = 0
𝑆𝑟𝑎̇ 1 = -2∑𝑛𝑖=1[(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )𝑥𝑖 ] = 0
Estas se llaman ecuaciones normales que expresadas de manera matricial son:

𝑛 ∑ 𝑥𝑖 𝑦𝑖 −∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑎1 = 𝑛 ∑ 𝑥𝑖 2 −(∑ 𝑥𝑖 )2
y 𝑎0 = 𝑦̅ − 𝑎𝑖 𝑥̅
Donde 𝑦̅ y 𝑥̅ son las medias de “y” y “x”.

De manera matricial podemos plantearlo de la siguiente manera:
𝑦1 1 𝑥1 𝑎0
Y=[ ⋮ ] A=[ ⋮ ⋮] U=[𝑎 ]
1
𝑦𝑛 1 𝑥2
Luego la recta que da el mejor ajuste, se obtiene cuando la matriz U está dada
por:
U=(𝐴𝑡 𝐴)−1 𝐴𝑡 𝑌
2.1.1. CUANTIFICACIÓN DEL ERROR EN LA REGRESIÓN LINEAL

Cualquier otra línea diferente a la calculada dará como resultado una
suma mayor de los cuadrados de los residuos. Así, la línea es única y, en
términos de nuestro criterio elegido, es la mejor línea a través de los
puntos. Varias propiedades de este ajuste se observan al examinar mas
de cerca la forma en que se calcularon los residuos. Recuerde que la
suma de los cuadrados se define como
Sr= ∑𝑛𝑖=1 𝑒𝑖 2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2
2.1.1.1. ERROR ESTÁNDAR DE LA ESTIMACIÓN ( 𝑆𝑦 )

𝑥
𝑦
𝑆𝑦 se le llama error estándar de la estimación. El subíndice " "
𝑥 𝑥
designa que el error es para un valor predicho de “y”
correspondiente a un valor particular de “x”.
El error estándar de la estimación cuantifica la dispersión de los
datos y específicamente cuantifica la dispersión de los datos
alrededor de la línea de regresión. Se define como
𝑆𝑟
𝑆𝑦 = √
𝑥 𝑛−2
Donde “n” es el numero de datos y “𝑆𝑟 ” la sumatoria de los

cuadrados de las diferencias o residuos.
Esto se puede generalizar de la siguiente manera
𝑆𝑟
𝑆𝑦 = √
𝑥 𝑛 − (𝑚 + 1)
Donde “m” es el grado del polinomio
2.1.1.2. COEFICIENTE DE DETERMINACION(𝑟 2 ) Y

COEFICIENTE DE CORRELACION (𝑟)
El coeficiente de determinación se define de la siguiente manera
𝑆𝑡 − 𝑆𝑟
𝑟2 =
𝑆𝑡
Donde 𝑆𝑡 representa al error residual asociado con la variable
dependiente “y” antes de la regresión. Después de realizar la
regresión, calculamos 𝑆𝑟 , es decir, la suma de los cuadrados de
los residuos alrededor de la línea de regresión. Esto caracteriza
el error residual que queda después de la regresión. La
diferencia entre estas dos cantidades 𝑆𝑡 − 𝑆𝑟 , cuantifica la
mejora o reducción del error por describir los datos en términos
de una línea recta en vez de un valor promedio. Como la
magnitud de esta cantidad depende de la escala, la diferencia se
normaliza a 𝑆𝑡 . El coeficiente de correlación es la raíz cuadrada
del coeficiente de determinación y también indica lo mismo. En
un ajuste perfecto, 𝑆𝑟 = 0 y 𝑟 = 𝑟 2 = 1, significa que la línea
explica el 100% de la variabilidad de los datos. Si 𝑟 = 𝑟 2 = 0,
𝑆𝑡 = 𝑆𝑟 el ajuste no representa ninguna mejora.
Esto se cumple para cualquier grado de polinomio con el cual se
desee ajustar los datos.
2.1.1.3. INTERVALOS DE CONFIANZA

En estadística, se llama intervalo de confianza a un par de
números entre los cuales se estima que estará cierto valor
desconocido con una determinada probabilidad de acierto.
2.2. PARABOLA QUE MEJOR AJUSTA (AJUSTE CUADRATICO)

suponga que ajustamos un polinomio de segundo grado o cuadrático de la
forma:
y=𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑒
en este caso la suma de los cuadrados de los residuos es:
Sr= ∑𝑛𝑖=1 𝑒𝑖 2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 )2 (***)
Al seguir el mismo procedimiento anterior, obtenemos las derivadas parciales

de la ecuación (***) con respecto a cada uno de sus coeficientes.
𝑆𝑟𝑎̇ 0 = -2∑𝑛𝑖=1(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 ) = 0
𝑆𝑟𝑎̇ 1 = -2∑𝑛𝑖=1 𝑥𝑖 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 ) = 0
𝑆𝑟𝑎̇ 2 = -2∑𝑛𝑖=1 𝑥𝑖 2 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 ) = 0
Desarrollando las ecuaciones normales obtenidas se hallan los valores de los

coeficientes.
En forma matricial seria de la siguiente manera:
𝑦1 1 𝑥1 𝑥1 2 𝑎0
Y=[ ⋮ ] A=[ ⋮ ⋮ ⋮ ] U=[𝑎1 ]
𝑦𝑛 1 𝑥𝑛 𝑥𝑛 2 𝑎2
Luego la parábola que da el mejor ajuste, se obtiene cuando la matriz U está

dada por:
2.3. CURVA QUE MEJOR AJUSTA (AJUSTE CUBICO)

Suponga que ajustamos un polinomio de tercer grado o cubico de la forma:
y=𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3 + 𝑒
en este caso la suma de los cuadrados de los residuos es
Sr= ∑𝑛𝑖=1 𝑒𝑖 2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − 𝑎3 𝑥𝑖 3 )2 (****)
Al seguir los procedimientos anteriores, obtenemos las derivadas parciales de

la ecuación (****) con respecto a cada uno de sus coeficientes.
𝑆𝑟𝑎̇ 0 = -2∑𝑛𝑖=1(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − 𝑎3 𝑥𝑖 3 ) = 0
𝑆𝑟𝑎̇ 1 = -2∑𝑛𝑖=1 𝑥𝑖 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − 𝑎3 𝑥𝑖 3 ) = 0
𝑆𝑟𝑎̇ 2 = -2∑𝑛𝑖=1 𝑥𝑖 2 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − 𝑎3 𝑥𝑖 3 ) = 0
𝑆𝑟𝑎̇ 3 = -2∑𝑛𝑖=1 𝑥𝑖 3 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − 𝑎3 𝑥𝑖 3 ) = 0
Desarrollando las ecuaciones normales obtenidas se hallan los valores de los

coeficientes.
En forma matricial seria de la siguiente manera:
𝑎0
𝑦1 1 𝑥1 𝑥1 2 𝑥1 3 𝑎1
Y=[ ⋮ ] A= [ ⋮ ⋮ ⋮ ⋮ ] U=[𝑎 ]
2
𝑦𝑛 1 𝑥𝑛 𝑥𝑛 2 𝑥𝑛 3 𝑎3
Luego la curva que da el mejor ajuste, se obtiene cuando la matriz U está dada
por:
EJERCICIOS APLICADOS A LA INGENIERÍA

Realice un ajuste lineal, ajuste cuadrático y un ajuste cubico para los datos mostrados
en la tabla siguiente.
x 0 1 3 4 5 6
y 1 2 4 6 9 10
Al final compare cual de los modelos se ajusta mejor a los datos donde x es la variable
independiente.
Sol
 Realizando un ajuste lineal
La ecuación de la recta tendrá la forma de:
y=𝑎0 + 𝑎1 𝑥
para encontrar los coeficientes apropiados realizamos los pasos indicados en la parte
teórica
De acuerdo con los datos observados las matrices Y, A y U son:
1 1 0
2 1 1
4 1 3 𝑎0
Y= A= U=[𝑎 ]
6 1 4 1
9 1 5
[10] [1 6]
La matriz U está dada por

utilizaremos el programa MATLAB para la solución del problema
ubicamos los datos de la variable independiente y dependiente en el MATLAB.
Dichos datos lo guardaremos en una variable llamada “tabla”

Luego separamos en variables distintas los valores de “x” y “y” de la variable tabla
creada anteriormente de la siguiente manera:
Posteriormente vamos a la opcion APPS y click en “curve fitting” ubicamos nuestras
variables creadas “x” y “y” y le pediremos que ajuste los datos con una recta.
La ecuación de la recta seria

y=0.4161 + 1.553𝑥
el programa nos indica que los coeficientes están en un intervalo de confianza del 95%
además nos indica que Sr=2.634, 𝑆𝑦 = 0.8114, lo cual indica que la dispersión de los
𝑥
datos alrededor de la recta es de 0.8114, 𝑟 2 = 0.9511 lo cual indica que con el modelo
se explicó el 95.1% de la incertidumbre original.
 Realizando un ajuste cuadrático

La ecuación de la parábola tendrá la forma de
y=𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2
teórica
1 1 0 0
2 1 1 1 𝑎0
4 1 3 9
Y= A= U=[𝑎1 ]
6 1 4 16 𝑎2
9 1 5 25
[10] [1 6 36]

utilizaremos el programa MATLAB para la solución del problema.

creada anteriormente de la siguiente manera
variables creadas “x” y “y” y le pediremos que ajuste los datos con una parábola.
La ecuación de la parábola sería
y=1 + 0.7143𝑥 + 0.1429𝑥 2

𝑥
datos alrededor de la parábola es de 0.6172, 𝑟 2 = 0.9717 lo cual indica que con el
modelo se explicó el 97,7% de la incertidumbre original.
 Realizando un ajuste cúbico

La ecuación de la curva tendrá la forma de
y=𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3
teórica
1 1 0 0 0
2 1 1 1 1 𝑎0
4 1 3 9 27 𝑎1
Y= A= U=[𝑎 ]
6 1 4 16 64 2
9 1 5 25 125 𝑎3
[10] [1 6 36 216]


creada anteriormente de la siguiente manera
variables creadas “x” y “y” y le pediremos que ajuste los datos con una cubica.
La ecuación de la cubica sería

y=1.1957 − 0.0647𝑥 + 0.4798𝑥 2 − 0.0362𝑥 3
𝑥
datos alrededor de la curva es de 0.6802, 𝑟 2 = 0.9656 lo cual indica que con el modelo
Conclusiones
Ahora, ¿Cuál de los modelos es el que mejor se ajusta a los datos del ejemplo?
Definitivamente el modelo cubico porque en el ajuste lineal, la sumatoria de los
cuadrados de la diferencia es 2.63, en el ajuste cuadrático es de 1.14; mientras que en
el ajuste cubico es de 0.9255.
2.
En un nuevo proceso artesanal de fabricación de cierto artículo que está implantado, se
ha considerado que era importante ir anotando periódicamente el tiempo medio (medido
en minutos) que se utiliza para realizar una pieza (variable y) y el número de días desde
que se empezó dicho proceso de fabricación (variable x). Con ello, se pretende analizar
cómo los operarios van adaptándose al nuevo proceso, mejorando paulatinamente su
ritmo de producción conforme van adquiriendo más experiencia en él. A partir de las
cifras recogidas, que aparecen en la tabla adjunta. Ajuste los datos tomados mediante
un polinomio de grado uno, dos y tres.
x 10 20 30 40 50 60 70
y 35 28 23 20 18 15 13
Sol
 Ajustando mediante un polinomio de grado 1
y=𝑎0 + 𝑎1 𝑥
teórica
1 1 0
2 1 1
4 1 3 𝑎0
Y= A= U=[𝑎 ]
6 1 4 1
9 1 5
[10] [1 6]

Posteriormente vamos a la opción APPS y click en “curve fitting” ubicamos nuestras

variables creadas “x” y “y” y le pediremos que ajuste los datos con una recta.
y=35.57 − 0.3464𝑥
𝑥
datos alrededor de la recta es de 1.969, 𝑟 2 = 0.9345 lo cual indica que con el modelo se
explicó el 93.45% de la incertidumbre original.

y=𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2
teórica
1 1 0 0
2 1 1 1 𝑎0
4 1 3 9
Y= A= U=[𝑎1 ]
6 1 4 16 𝑎2
9 1 5 25
[10] [1 6 36]


variables creadas “x” y “y” y le pediremos que ajuste cuadrático.

y=40.86 − 0.6988𝑥 + 0.004405𝑥 2
𝑥
datos alrededor de la parábola es de 0.8797, 𝑟 2 = 0.9869 lo cual indica que con el
modelo se explicó el 98,7% de la incertidumbre original.
 Realizando un ajuste cubico

y=𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3
teórica
1 1 0 0 0
2 1 1 1 1 𝑎0
4 1 3 9 27 𝑎1
Y= A= U=[𝑎 ]
6 1 4 16 64 2
9 1 5 25 125 𝑎3
[10] [1 6 36 216]

variables creadas “x” y “y” y le pediremos que ajuste los datos con un polinomio cúbico.
La ecuación de la cúbica sería

y=44.86 − 1.154𝑥 + 0.01774𝑥 2 − 0.0001111𝑥 3
𝑥
datos alrededor de la curva es de 0.378, 𝑟 2 = 0.9976 lo cual indica que con el modelo
Conclusiones
Definitivamente el modelo cubico porque en el ajuste lineal, la sumatoria de los
cuadrados de la diferencia es 19.39, en el ajuste cuadrático es de 3.095; mientras que
en el ajuste cubico es de 0.4286.
3
Una barra redondeada de aleación de acero con un diámetro de 0.5 pulgadas y una
longitud de 3.2 pulgadas se somete a tensión obteniéndose los resultados mostrados
en la tabla siguiente. Grafique la relación esfuerzo-deformación. Luego ajuste dichos
datos mediante un polinomio de primer grado, segundo grado y tercer grado. Finalmente
determine el módulo de Young y la deformación correspondiente a una carga de 8.225
libras con el modelo matemático más conveniente obtenido previamente.
Carga(libras) Deformación(pulgadas)
2 0.001128
4 0.002254
6 0.00338
8 0.004508
10 0.005636
12 0.006766
Sol
Primero debemos hallar el cuadro de esfuerzo(σ)-deformación(ꜫ ) sabiendo que:
𝐹𝑢𝑒𝑟𝑧𝑎 𝑉𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑜𝑛𝑔𝑖𝑡𝑢𝑑
σ= Á𝑟𝑒𝑎
, ꜫ= 𝐿𝑜𝑛𝑔𝑖𝑡𝑢𝑑 𝑖𝑛𝑖𝑐𝑖𝑎𝑙
donde el área de la sección transversal es:

𝐴 = 𝜋 ∗ 0.252 = 0.196𝑝𝑢𝑙𝑔.2
La longitud inicial de la barra es:
𝐿0 = 3.2𝑝𝑢𝑙𝑔.
Realizando los cálculos indicados con el programa EXCEL, obtenemos la siguiente

tabla:
Esfuerzo Deformación
10.20408163 0.0003525
20.40816327 0.000704375
30.6122449 0.00105625
40.81632653 0.00140875
51.02040816 0.00176125
61.2244898 0.002114375
 Ajustando mediante un polinomio de grado 1
y=𝑎0 + 𝑎1 𝑥
teórica
1 1 0
2 1 1
4 1 3 𝑎0
Y= A= U=[𝑎 ]
6 1 4 1
9 1 5
[10] [1 6]
ubicamos los resultados obtenidos del esfuerzo y deformación en MATLAB

variables creadas “x” y “y” y le pediremos que ajuste los datos con un polinomio lineal.

y=0.009669 + 28960𝑥
el programa nos indica que los coeficientes estan en un intervalo de confianza del 95%
además nos indica que Sr=0.0007925, 𝑆𝑦 = 0.01408, lo cual indica que la dispersión de
𝑥
los datos alrededor de la recta es de 0.01408, 𝑟 2 = 1 lo cual indica que con el modelo
se explicó el 100% de la incertidumbre original.

y=𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2
teórica
1 1 0 0
2 1 1 1 𝑎0
4 1 3 9
Y= A= U=[𝑎1 ]
6 1 4 16 𝑎2
9 1 5 25
[10] [1 6 36]


variables creadas “x” y “y” y le pediremos que ajuste los datos con un polinomio
cuadrático.

y=−0.03258 + 29050𝑥 − 36450𝑥 2
además nos indica que Sr=0.00002791, 𝑆𝑦 = 0.00305, lo cual indica que la dispersión
𝑥
de los datos alrededor de la parábola es de 0.00305, 𝑟 2 = 1 lo cual indica que con el
modelo se explicó el 100% de la incertidumbre original.

y=𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3
teórica
1 1 0 0 0
2 1 1 1 1 𝑎0
4 1 3 9 27 𝑎1
Y= A= U=[𝑎 ]
6 1 4 16 64 2
9 1 5 25 125 𝑎3
[10] [1 6 36 216]


y=0.009752 + 28960𝑥 + 71.96𝑥 2 + 0.9575𝑥 3
el programa nos indica que los coeficientes estan en un intervalo de confianza del 95%
ademas nos indica que Sr=0.0007955, 𝑆𝑦 = 0.01994, lo cual indica que la dispersión de
𝑥
los datos alrededor de la curva es de 0.01994, 𝑟 2 = 1 lo cual indica que con el modelo
se explicó el 100% de la incertidumbre original.
Conclusiones
Definitivamente el modelo cuadrático porque en el ajuste lineal, la sumatoria de los
cuadrados de la diferencia es 0.0007925, en el ajuste cúbico es de 0.0007955; mientras
que en el ajuste cuadrático es de 0.00002791. También podríamos decir que el acero
todavía no ha llegado al punto de fluencia ya que hasta el momento presenta un
comportamiento lineal.
Para calcular el módulo de Young(E) debemos saber que se define como la pendiente
de la parte lineal de la curva esfuerzo-deformación.
𝑙𝑏
E=28960𝑝𝑢𝑙𝑔.2
Finalmente determine el módulo de Young y la deformación correspondiente a una carga

de 8.225 libras con el modelo matemático más conveniente obtenido previamente.
Utilizaremos la ecuación cuadrática para determinar la deformación correspondiente
8.225
para un esfuerzo de 𝜎 = 0.196 = 41.96
𝜎
Sabemos que E= ꜫ, entonces
ꜫ =0.001
Finalmente, la deformación será
ΔL=0.001*3.2
ΔL=0.0032pul.
Una varilla de acero redondeada de calidad 36 con un diámetro de 0.5 pulgadas y una
longitud nominal de dos pulgadas se somete a tensión hasta la ruptura siguiendo el
procedimiento de prueba ASTM E-8. Los datos de carga y deformación se proporcionan
en la siguiente tabla:
Carga(Kips) Desplazamiento(pulg.)
0 0
2.75 0.00096
4.07 0.00141
7.12 0.00242
7.14 0.01691
7.34 0.04196
7.53 0.04599
7.91 0.05847
8.28 0.07117
8.56 0.08301
8.79 0.09557
8.98 0.10878
9.15 0.12207
9.25 0.13372
9.35 0.14741
9.44 0.18199
7.87 0.29814
Utilizando un programa de hoja de cálculo u otro, determine:

a. Un diagrama esfuerzo-deformación.
b. Ajuste los puntos hasta el límite de proporcionalidad mediante una regresión lineal,
cuadrática y cúbica.
c. Determine el módulo de elasticidad utilizando una recta de ajuste.
d. Aproxime el esfuerzo para una deformación de 0.0006.
Sol
Primero debemos hallar el cuadro de esfuerzo(σ)-deformación(ꜫ ) sabiendo que:
𝐹𝑢𝑒𝑟𝑧𝑎 𝑉𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑜𝑛𝑔𝑖𝑡𝑢𝑑
σ= Á𝑟𝑒𝑎
, ꜫ= 𝐿𝑜𝑛𝑔𝑖𝑡𝑢𝑑 𝑖𝑛𝑖𝑐𝑖𝑎𝑙
donde el área de la sección transversal es:

𝐴 = 𝜋 ∗ 0.252 = 0.196𝑝𝑢𝑙𝑔.2
La longitud inicial de la barra es:
𝐿0 = 2𝑝𝑢𝑙𝑔.
Realizando los cálculos indicados con el programa EXCEL, obtenemos la siguiente

tabla:
Esfuerzo(Ksi) Deformación
0 0
14.03061224 0.00048
20.76530612 0.000705
36.32653061 0.00121
36.42857143 0.008455
37.44897959 0.02098
38.41836735 0.022995
40.35714286 0.029235
42.24489796 0.035585
43.67346939 0.041505
44.84693878 0.047785
45.81632653 0.05439
46.68367347 0.061035
47.19387755 0.06686
47.70408163 0.073705
48.16326531 0.090995
40.15306122 0.14907
a)
La grafica esfuerzo-deformación será
Esfuerzo-Deformación
60
50
40
Esfuerzo(Ksi)
30
20
10
0
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16
Deformación
b)
Como podemos observar el límite de proporcionalidad es el punto
(0.00121,36.32653061)
 Ajustando mediante un polinomio de grado 1 hasta el límite de proporcionalidad.

y=𝑎0 + 𝑎1 𝑥
teórica
𝑦1 1 𝑥1
𝑦2 1 𝑥2
⋮ ⋮ ⋮ 𝑎0
Y= ⋮ A= U=[𝑎 ]
⋮ ⋮ 1
𝑦16 1 𝑥16
[𝑦17 ] [1 𝑥17 ]


Posteriormente vamos a la opcion APPS y click en “curve fitting” ubicamos nuestras variables
creadas “x” y “y” y le pediremos que ajuste los datos con un polinomio lineal.

y=−0.1971 + 30030𝑥
𝑥
datos alrededor de la recta es de 0.276, 𝑟 2 = 0.9997 lo cual indica que con el modelo se

y=𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2
teórica
𝑦1 1 𝑥1 𝑥 21
𝑦2 1 𝑥2 𝑥22 𝑎0
⋮ ⋮ ⋮ ⋮
Y= ⋮ A= U=[𝑎1 ]
⋮ ⋮ ⋮ 𝑎2
𝑦16 1 𝑥16 𝑥 216
[𝑦17 ] [1 𝑥17 𝑥 217 ]


variables creadas “x” y “y” y le pediremos que ajuste los datos con un polinomio
cuadrático.

y=0.001316 + 28680𝑥 + 1105000𝑥 2
además nos indica que Sr=0.00009509, 𝑆𝑦 = 0.009751, lo cual indica que la dispersión
𝑥
de los datos alrededor de la parábola es de 0.009751, 𝑟 2 = 1 lo cual indica que con el
modelo se explicó el 100% de la incertidumbre original.

y=𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3
teórica
𝑦1 1 𝑥1 𝑥 21 𝑥 31
𝑦2 1 𝑥2 𝑥22 𝑥32 𝑎0
⋮ ⋮ ⋮ ⋮ ⋮ 𝑎1
Y= ⋮ A= U=[𝑎 ]
⋮ ⋮ ⋮ ⋮ 2
𝑦16 1 𝑥16 𝑥 216 𝑥 316 𝑎3
[𝑦17 ] [1 𝑥17 𝑥 217 𝑥 317 ]


y=−0.1971 + 30030𝑥 + 36.88𝑥 2 + 0.4173𝑥 3
además nos indica que Sr=0.1523, 𝑟 2 = 0.9998 lo cual indica que con el modelo se
Conclusiones
Definitivamente el modelo cuadrático porque en el ajuste lineal, la sumatoria de los
cuadrados de la diferencia es 0.1523, en el ajuste cúbico es de 0.1523; mientras que en
el ajuste cuadrático es de 0.00009509.
c)
El módulo de Young según el ajuste lineal seria de
E=30030Ksi
d)
Usaremos el modelo cuadrático ya que es el que mejor ajusta los datos
y=0.001316 + 28680𝑥 + 1105000𝑥 2

y(0.0006)=17.607Ksi
x 2 3 7 4 8 12
y 5 8 8 9 10 11
Utilizando aproximación por minimos cuadrados, la recta y la curva que mejor se ajustan a los
datos dados son:
Y=5.7571+0.4571x

Introduccion: Regresion Por Minimos Cuadrados

Cargado por

Copyright:

Formatos disponibles

Introduccion: Regresion Por Minimos Cuadrados

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Introduccion: Regresion Por Minimos Cuadrados

Cargado por

Copyright:

Formatos disponibles

REGRESION POR MINIMOS CUADRADOS

2. GENERACION DE MODELOS POR MÍNIMOS CUADRADOS

2.1. RECTA DE AJUSTE (AJUSTE LINEAL)

donde a0 y a1 son coeficientes que representan la intersección con el eje y la

Sr= ∑𝑛𝑖=1 𝑒𝑖 2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2 (**)

Para determinar los valores apropiados de a0 y a1 la ecuación (**) se deriva con

𝑆𝑟𝑎̇ 1 = -2∑𝑛𝑖=1[(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )𝑥𝑖 ] = 0

Estas se llaman ecuaciones normales que expresadas de manera matricial son:

Donde 𝑦̅ y 𝑥̅ son las medias de “y” y “x”.

2.1.1. CUANTIFICACIÓN DEL ERROR EN LA REGRESIÓN LINEAL

2.1.1.1. ERROR ESTÁNDAR DE LA ESTIMACIÓN ( 𝑆𝑦 )

Donde “n” es el numero de datos y “𝑆𝑟 ” la sumatoria de los

Donde “m” es el grado del polinomio

2.1.1.2. COEFICIENTE DE DETERMINACION(𝑟 2 ) Y

2.1.1.3. INTERVALOS DE CONFIANZA

2.2. PARABOLA QUE MEJOR AJUSTA (AJUSTE CUADRATICO)

Al seguir el mismo procedimiento anterior, obtenemos las derivadas parciales

𝑆𝑟𝑎̇ 1 = -2∑𝑛𝑖=1 𝑥𝑖 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 ) = 0

𝑆𝑟𝑎̇ 2 = -2∑𝑛𝑖=1 𝑥𝑖 2 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 ) = 0

Desarrollando las ecuaciones normales obtenidas se hallan los valores de los

Luego la parábola que da el mejor ajuste, se obtiene cuando la matriz U está

2.3. CURVA QUE MEJOR AJUSTA (AJUSTE CUBICO)

Sr= ∑𝑛𝑖=1 𝑒𝑖 2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − 𝑎3 𝑥𝑖 3 )2 (****)

Al seguir los procedimientos anteriores, obtenemos las derivadas parciales de

𝑆𝑟𝑎̇ 1 = -2∑𝑛𝑖=1 𝑥𝑖 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − 𝑎3 𝑥𝑖 3 ) = 0

𝑆𝑟𝑎̇ 2 = -2∑𝑛𝑖=1 𝑥𝑖 2 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − 𝑎3 𝑥𝑖 3 ) = 0

𝑆𝑟𝑎̇ 3 = -2∑𝑛𝑖=1 𝑥𝑖 3 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 − 𝑎2 𝑥𝑖 2 − 𝑎3 𝑥𝑖 3 ) = 0

Desarrollando las ecuaciones normales obtenidas se hallan los valores de los

EJERCICIOS APLICADOS A LA INGENIERÍA

La matriz U está dada por

Dichos datos lo guardaremos en una variable llamada “tabla”

La ecuación de la recta seria

 Realizando un ajuste cuadrático

La matriz U está dada por

Dichos datos lo guardaremos en una variable llamada “tabla”

La ecuación de la parábola sería

y=1 + 0.7143𝑥 + 0.1429𝑥 2

 Realizando un ajuste cúbico

utilizaremos el programa MATLAB para la solución del problema.

Dichos datos lo guardaremos en una variable llamada “tabla”

La ecuación de la cubica sería

La matriz U está dada por

Posteriormente vamos a la opción APPS y click en “curve fitting” ubicamos nuestras

 Realizando un ajuste cuadrático

La matriz U está dada por

Dichos datos lo guardaremos en una variable llamada “tabla”

La ecuación de la parábola sería

 Realizando un ajuste cubico

Dichos datos lo guardaremos en una variable llamada “tabla”

La ecuación de la cúbica sería

donde el área de la sección transversal es:

Realizando los cálculos indicados con el programa EXCEL, obtenemos la siguiente

Dichos datos lo guardaremos en una variable llamada “tabla”

La ecuación de la recta seria

 Realizando un ajuste cuadrático

La matriz U está dada por

Dichos datos lo guardaremos en una variable llamada “tabla”

La ecuación de la parábola sería