Cuadrados mínimos: Regresión Lineal

section*{BIBLIOGRAFÍA}

Todo lo que sigue esta extraido de:

section*{Salvador Gil - Experimentos de Fisica de bajo costo usando Tics - UNSAM - Bs As -

2016}

John R. Taylor - An introduction to error analysis The Study of uncertainties in physical

measurements 2^{ text {nd }} ed. - University Science Books - California - 1997

AJUSTE LINEAL DE DATOS

• El tratamiento estadístico de los errores casuales es fundamental para entender problemas

más interesantes en mediciones físicas.

• Uno de los problemas más comunes e interesantes es el de un conjunto de mediciones de

dos variables físicas para estudiar su relación

• Probablemente los experimentos mas importantes sean aquellos donde la relación esperada
sea del tipo lineal.

• Medimos las cantidades x e y. Con la hipótesis de que:

y=m cdot x+b

AJUSTE LINEAL DE DATOS

• Queremos determinar la densidad de un material homogéneo.

• Hipótesis: delta= m/V

• Planteo del experimento: Vamos a medir con balanza la masa de la muestra contenida en un
recipiente de vidrio de masa mo, y los volúmenes se medirán volcando agua en el recipiente de
vidrio. (haciendo la diferencia con un volumen de referencia)

includegraphics[max width= textwidth]{2025_05_04_e75d36a99bc908b0a8f7g-04}

G1: La imagen muestra un cilindro naranja con algunas bolas grises en el fondo. En el cilindro
se ven las letras "V1" y "m1", que probablemente indican volumen y masa. Las bolas están en
la parte inferior, representando tal vez partículas o elementos dentro del volumen del cilindro.

• Replanteo de la hipótesis: delta= {m+m_0} / {V}

includegraphics[max width= textwidth, center]{2025_05_04_e75d36a99bc908b0a8f7g-04(1)}

g2: La imagen muestra un cilindro de color naranja etiquetado con "V2" en la parte superior.
Dentro del cilindro, hay varias esferas grises agrupadas. En la parte inferior del cilindro, cerca
de la base, hay otra etiqueta que dice "m2". Las esferas parecen distribuirse de manera
desordenada en el espacio dentro del cilindro.

• Medimos un conjunto de valores:

times (m_1, m_2, m_3, m_4, m_{5}, ldots . ., m_{N} )

times ( V_1, V_2, V_3, V_4, V_5, ldots ldots, V_N)

¿QUÉ ESPERARÍAMOS?}

includegraphics[max width= textwidth]{2025_05_04_e75d36a99bc908b0a8f7g-05}

g3: La imagen es un gráfico de dispersión sobre un fondo de color beige con un patrón de
líneas. El gráfico tiene un eje vertical etiquetado como "M (g)" y un eje horizontal etiquetado
como "V (cm³)". Estos ejes parecen representar la masa en gramos y el volumen en
centímetros cúbicos, respectivamente. En el gráfico, hay varios puntos negros distribuidos de
forma lineal. Estos puntos siguen una línea discontinua ascendente que atraviesa el gráfico de
abajo a la izquierda hacia arriba a la derecha. Cerca de esta línea, hay una ecuación de línea
recta escrita como "y = m.x + b", que es la forma estándar de la ecuación de una recta en el
plano cartesiano.

LO QUE OCURRE

includegraphics[max width= textwidth]{2025_05_04_e75d36a99bc908b0a8f7g-06}

g4: La imagen es un gráfico de dispersión en un fondo de color beige. - **Ejes**: El eje vertical
está etiquetado como "M (g)" y el eje horizontal como "V (Cm³)". - **Puntos**: Hay una serie
de puntos negros ubicados en forma ascendente desde la parte inferior izquierda hacia la parte
superior derecha. - **Línea**: Hay una línea discontinua que atraviesa los puntos, indicando
una tendencia lineal. - **Fórmula**: En la parte derecha, está la ecuación de una línea recta:
"y = m.x + b". - **Etiquetas**: Hay dos etiquetas de color naranja con texto. Una a la izquierda
con "m₀" apuntando hacia los pequeños valores en el eje vertical, y otra en el centro del gráfico
indicando "δ", señalando un intervalo en la dispersión de los puntos alrededor de la línea de
tendencia.

HIPÓTESIS

• Si damos por seguro que x e y están relacionados linealmente. El problema interesante es

encontrar la ecuación de la recta que mejor se ajuste al conjunto de datos medidos.

• Este método analítico para encontrar la recta de mejor ajuste se llama regresión lineal o
método de cuadrados mínimos para regresión lineal.

includegraphics[max width= textwidth, center]{2025_05_04_e75d36a99bc908b0a8f7g-07}

g5: La imagen muestra un gráfico cartesiano con un eje horizontal marcado como "x" y un eje
vertical marcado como "y". Sobre la gráfica, hay una serie de puntos negros que representan
datos. Cada punto tiene barras de error verticales y horizontales, indicando la incertidumbre o
variabilidad en ambas direcciones.

AJUSTE DE CURVAS

En el ajuste de una función teórica, dependiente de M parámetros a_i, y = f(x; a1; a2; …; aM), a
un conjunto de N puntos experimentales (x_i; y_i).

• el número de puntos experimentales medidos es mayor que el número de parámetros a

ajustar, N>M ; el ruido en los valores xi es mucho menor que el ruido en los valores yi, por lo
que se considera que los primeros no tienen ruido y toda la incerteza se debe a los segundos

El ruido de la magnitud y cumple las hipótesis del ruido aleatorio y puede ser considerado
gaussiano;

se ha elegido la función teórica y=f(x) correcta y no se tratará de ajustar algo que no tiene
sentido.

AJUSTE LINEAL

• Se basa en minimizar la diferencia entre los valores estimados por la función lineal y los
valores medidos

y=a x+b

• El método de mínimos cuadrados da como mejor estimación de los parámetros m (pendiente

de la recta) y b (ordenada en el origen) aquellos que minimizan la suma de los cuadrados de las
distancias de los puntos experimentales a la recta.

sum (ax_i +b-y_i)^{2} = mínimo

includegraphics[max width= textwidth]{2025_05_04_e75d36a99bc908b0a8f7g-09}

g6: La imagen muestra un gráfico de dispersión con un eje x y un eje y. Hay varios puntos
negros distribuidos en el gráfico. Una línea recta atraviesa los puntos, representando una línea
de mejor ajuste con la ecuación \(y = (mx + b)\). Hay líneas punteadas horizontales y verticales
que muestran la distancia \(d_i\) entre un punto específico \((x_i, y_i)\) y la línea de ajuste. El
error se muestra como \(d_i = (mx_i + b) - y_i\).

CÁLCULO DE LAS CONSTANTES

• Tenemos un set de valores sujetos a ruido gaussiano.

• Asumiendo que solo hay error apreciable en la variable y y todos son oy:

valor experimental: y_{i}

valor predicción: y=a x_{i}+b

Prob_{A, B} (y_{i} ) propto 1/sigma_{y}} e^{-{ (y_{i}-a x_{i}-b )^{2}} / {2 sigma_{y}^{2}}}

Prob_{A, B} (y_1, y_2, ldots y_{N}) = prod Prob_{A, B} (y_i)

Prob_{A, B} (y_1, y_2, ldots y_N ) propto 1/ sigma_{y} e^{- { chi^{2}} / {2}}

chi^{2}= sum frac{ (y_{i}-a x_{i}-b )^{2}}{ sigma_{y}{ }^{2}}

includegraphics[max width= textwidth]{2025_05_04_e75d36a99bc908b0a8f7g-10}

g7: La imagen muestra un gráfico de dispersión con una línea de regresión sobre una gráfica de
coordenadas en dos dimensiones, con los ejes rotulados como "x" y "y". A lo largo de la línea
de regresión hay varios puntos de datos negros representados como círculos.

Cada punto tiene asociados intervalos de confianza verticales que se extienden por encima y
por debajo de los puntos. A la derecha de estos, hay diagramas adicionales mostrando
distribuciones de probabilidad en forma de campana, también conocidas como curvas de
Gauss, con una sombra azul hacia arriba y abajo del punto. En estas curvas de distribución se
indica el porcentaje del área con texto reducido, con números como 34.1%, 13.6%.

AJUSTE LINEAL POR CUADRADOS MÍNIMOS

• Se basa en minimizar la diferencia entre los valores estimados por la función lineal y los
valores medidos

y=a x+b

• El método de mínimos cuadrados da como mejor estimación de los parámetros m (pendiente

de la recta) y b (ordenada en el origen) aquellos que minimizan la suma de los cuadrados de las
distancias de los puntos experimentales a la recta.

sum (a x_{i}+b-y_{i} )^{2} = mínimo

{ partial chi^{2}} / { partial a} = 1 / { sigma_{y}^{2}} { partial sum (a x_{i}+b-y_{i} )^{2}} / { partial

a}=0 { partial sum (a x_{i}+b-y_{i} )^{2}} / { partial a} = 0
{ partial chi^{2}} / { partial b} = 1/{ sigma_{y}{ }^{2}} { partial sum (a x_{i}+b-y_{i} )^{2}} / { partial
b}=0 { partial sum (a x_{i}+b-y_{i} )^{2}} / { partial b} =0

REGRESIÓN LINEAL

• Fórmulas

a= { sum x_{i} sum y_{i}-n sum x_{i} y_{i}} / { ( sum x_{i} )^{2}-n sum x_i^{2}} & Delta a=
sqrt{ frac{n sigma^{2}}{n sum x_{i}{ }^{2}- ( sum x_{i} )^{2}}}

b= { sum x_i sum x_i y_i - sum y_{i} sum x_{i}{ }^{2}}{ ( sum x_{i} )^{2}-n sum x_{i}{ }^{2}} &

Delta b= sqrt{ frac{ sigma^{2} sum x_{i}{ }^{2}}{n sum x_{i}{ }^{2}- ( sum x_{i} )^{2}}}

sigma_{y}= sqrt{ frac{1}{N-2} sum (y_{i}-b-a x_{i} )^{2}}

includegraphics[max width= textwidth, center]{2025_05_04_e75d36a99bc908b0a8f7g-12}

g8: La imagen muestra un gráfico de regresión lineal con varios elementos destacados. En el
gráfico, hay un eje horizontal etiquetado como "x" y un eje vertical etiquetado como "y". Se
ven varios puntos negros dispersos sobre el gráfico, representando datos. Tres líneas rectas
atraviesan el gráfico, cada una con un color distinto: 1. Línea negra: etiquetada como "a0",
parece representar la mejor línea de ajuste para los datos puntos. 2. Línea azul: etiquetada
como "a1", muestra una línea de ajuste distinta a la negra. 3. Línea roja: etiquetada como "a2",
otra variación de la línea de ajuste.

En el eje vertical, hay varias intersecciones: - "b0" en la línea negra. - "b1" en la línea azul. -
"b2" en la línea roja. El gráfico también muestra una ecuación de línea recta \( y = (mx + b) \) y
se señala una distancia marcada como \( d_i = (mx_i + b) - y_i \), que representa la distancia
vertical entre un punto de datos y la línea de ajuste negra. Las líneas punteadas horizontales y
verticales desde los puntos de datos indican cómo estos se apartan de la línea de regresión.

Este gráfico parece ilustrar cómo diferentes líneas de ajuste pueden variar dependiendo de los
coeficientes y cómo estos intentan minimizar esas distancias.

COEFICIENTE DE CORRELACIÓN

• Y nos indica el grado de dependencia entre las variables x e y .

• Este valor establece una medida de la relación que existe entre la variable respuesta y la recta
de regresión hallada.

• Puede tomar cualquier valor entre 1 y-1. r tiene el mismo signo que la pendiente.

• Mientras mayor el valor absoluto de r mayor la fuerza de la asociación.

 • El valor de r no depende de las unidades de medición y trata a X e Y simétricamente. Esto
quiere decir que si ajustamos Y=mX+b o X= mY+b , en ambos casos obtendremos el mismo
coeficiente de correlación, pero no la misma pendiente.

• Cuando r=0 , no existe correlación lineal.

Delta a= frac{a}{R} sqrt{ frac{1-R^{2}}{N-2}}

<Error de la pendiente

TRABAJO PRÁCTICO N° 3

Plano inclinado

OBJETIVO

• Estudiar el movimiento de un móvil sobre un plano inclinado. Y determinar sus parámetros

cinemáticos.

HIPÓTESIS Y MODELO

• Identificamos las fuerzas involucradas: El movimiento esta dictado por la fuerza gravitatoria,
el rozamiento de la bolita contra el plano y la inercia del cuerpo.

• La gravedad : es la responsable principal de la aceleración (su proyección a lo largo del

plano).

a propto g cdot sen( phi)

• El rozamiento: podría ser importante , pero estimamos que el valor es aproximadamente

constante

Fr= mu cdot N cdot cos ( phi)

• Inercia del cuerpo: No se trata de una partícula.

MONTAJE EXPERIMENTAL

• Bolita de acero o vidrio.

• Cinta métrica.

• Celular o cámara.

• Plano inclinado.
includegraphics[max width= textwidth, center]{2025_05_04_e75d36a99bc908b0a8f7g-17}

GENERANDO EL MODELO DE ACUERDO A LA TÉCNICA

• La aceleración del móvil es constante.

• La trayectoria es rectilínea.

• Nuestro sistema de referencia tiene origen en el punto donde se suelta la bolita.

• Soltaremos la bolita sin imprimirle velocidad inicial.

RECOMENDACIONES

• Anotar la distancia entre marcas y la altura del soporte.

• Hacer un esquema del montaje donde detallen las cantidades medidas.

• No hacer vibrar la mesa donde se hacen las mediciones.

Elegir una inclinación no muy baja ni muy alta.

VELOCIDAD VS TIEMPO

• La velocidad instantánea se aproxima como:

v_{i}= frac{x_{i+1}-x_{i}}{t_{i+1}-t_{i}}= frac{ Delta x_{i}}{t_{i+1}-t_{i}}

• Esta velocidad corresponde al tiempo:

bar{t}_{i}= frac{t_{i+1}+t_{i}}{2}

includegraphics[max width= textwidth]{2025_05_04_e75d36a99bc908b0a8f7g-20}

TRATAMIENTO DE DATOS

• Se calcularan los promedios de cada tiempo.

Se graficara x en función de t para verificar la forma de la tendencia.

Se graficara x en función de t² para obtener la pendiente de la recta aplicando cuadrados
mínimos.

Calcular errores de t^{2} .

x= frac{1}{2} a t^{2}

Obtener el valor de a a partir de la pendiente de la regresión.

includegraphics[max width= textwidth, center]{2025_05_04_e75d36a99bc908b0a8f7g-21}

Obtener la incerteza en el valor de a.

includegraphics[max width= textwidth, center]{2025_05_04_e75d36a99bc908b0a8f7g-21(2)}

Determinar las velocidades intantáneas y sus tiempos.

Calcular errores de v.

Realizar la grafica de regresión y obtener la aceleración de dicha pendiente:

v=a t

Obtener la aceleración de la regresión y su error.

includegraphics[max width= textwidth, center]{2025_05_04_e75d36a99bc908b0a8f7g-21(1)}

VALORES MEDIDOS

Los valores medidos tienen una incerteza dada por la cantidad de cuadros por segundo

Cuadro 1: Mediciones directas.

begin{tabular}{|l|l|l|l|l|l|l|l|l|}

x( mathrm{~cm}) & t_1(s) & t_2(s) & t_3(s) & t_4(s) & t_{5}(s) & t_{6}(s) & t_{7}(s) & t_{8}(s)

&&&&&&&&
&&&&&&&&

&&&&&&&&

&&&&&&&&

&&&&&&&&

&&&&&&&&

&&&&&&&&

&&&&&&&&

&&&&&&&&

&&&&&&&&

Cuadro 2: Valores para construir la regresion lineal

x(cm) & t_{ prom}( s) & sigma t(s)

&&

&&

&&

&&

&&

&&

&&

&&

&&

&&