Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 1K vistas

    Minimos Cuadrados en La Ingenieria

    Cargado por

    David Diaz
    Este documento presenta el método de ajuste de curvas por mínimos cuadrados y sus aplicaciones en ingeniería mecatrónica. Explica cómo minimizar la suma de los cuadrados de los errores para determinar la línea recta de mejor ajuste a un conjunto de datos. También cubre temas como regresión polinomial, linealización de funciones no lineales, y cálculo de errores en los coeficientes. El documento concluye con un ejemplo práctico de aplicar el método para determinar la constante elástica de un muelle

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Minimos Cuadrados en La Ingenieria

    Cargado por

    David Diaz
    1K vistas7 páginas
    Este documento presenta el método de ajuste de curvas por mínimos cuadrados y sus aplicaciones en ingeniería mecatrónica. Explica cómo minimizar la suma de los cuadrados de los errores para determinar la línea recta de mejor ajuste a un conjunto de datos. También cubre temas como regresión polinomial, linealización de funciones no lineales, y cálculo de errores en los coeficientes. El documento concluye con un ejemplo práctico de aplicar el método para determinar la constante elástica de un muelle

    Descripción original:

    metodos numericos en ingenieria

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta el método de ajuste de curvas por mínimos cuadrados y sus aplicaciones en ingeniería mecatrónica. Explica cómo minimizar la suma de los cuadrados de los errores para determinar la línea recta de mejor ajuste a un conjunto de datos. También cubre temas como regresión polinomial, linealización de funciones no lineales, y cálculo de errores en los coeficientes. El documento concluye con un ejemplo práctico de aplicar el método para determinar la constante elástica de un muelle

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    1K vistas7 páginas

    Minimos Cuadrados en La Ingenieria

    Cargado por

    David Diaz
    Este documento presenta el método de ajuste de curvas por mínimos cuadrados y sus aplicaciones en ingeniería mecatrónica. Explica cómo minimizar la suma de los cuadrados de los errores para determinar la línea recta de mejor ajuste a un conjunto de datos. También cubre temas como regresión polinomial, linealización de funciones no lineales, y cálculo de errores en los coeficientes. El documento concluye con un ejemplo práctico de aplicar el método para determinar la constante elástica de un muelle

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 7

    Ajuste por Mnimos Cuadrados

    Santiago Cornejo, David Daz


    Departamento de Ciencias Exactas, Universidad de las Fuerzas Armadas-ESPE
    Sangolqu, Ecuador
    [email protected], [email protected]

    Abstract - This paper aims to expose some of the


    applications that the curve fitting by least squares in
    mechatronics engineering , providing solutions to
    various problems that are presented to the engineer in
    their working environment .
    Resumen El presente documento tiene por objetivo
    exponer algunas de las aplicaciones que tiene el ajuste
    de curvas pro minimos cuadrados dentro de la
    ingeniera mecatrnica, dando soluciones a distintas
    problemticas que se le presentan al ingeniero en su
    entorno laboral.
    I.

    INTRODUCCION

    Existen numerosas leyes fsicas en las que se sabe de


    antemano que dos magnitudes x e y se relacionan a travs
    de una ecuacin lineal

    y=ax+b
    Donde las constantes b (ordenada en el origen) y a
    (pendiente) dependen del sistema que se estudia.
    El ejemplo mas simple de una aproximacin por
    mnimos cuadrados es el ajuste de una lnea recta a un
    conjunto de parejas de datos observadas: (x1,y1),
    (x2,y2), ...,(xn,yn). La expresin matemtica de una lnea
    recta es:

    y a 0 a1 x E

    (1)

    Figura 1-Interpolacin Lineal

    Matemticamente el problema de interpolacin es


    que dado un conjunto de puntos en la grfica de una
    funcin, encontrar una funcin interpolante...[1]
    en donde a0 y a1 son coeficientes que representan la
    interseccin con el eje de las abscisas y la pendiente,
    respectivamente y E es el error o residuo entre el modelo y
    las observaciones, que se puede representar reordenando la
    ecuacin anterior como:

    E=Y a 0+ x 1 x
    Definimos, de esta manera al error como la diferencia
    entre el valor real de y el valor aproxima

    II.

    CRITERIO PARA UN MEJOR AJUSTE

    Una estrategia que obtiene la mejor lnea a travs


    de los puntos debe minimizar la suma de los errores
    residuales, como en:
    n

    E (y
    i 1

    i 1

    a 0 a1 xi )
    (2)

    Otro criterio seria minimizar la suma de los valores


    absolutos de las diferencias, esto es:
    n

    i 1

    Los errores que se dan en los coeficientes a y b,


    tambin se pueden calcular directamente

    Ei y i a0 a1 xi
    i 1

    (3)

    a
    n

    En este mtodo la lnea se escoge de tal manera que


    minimice la distancia mxima a la que se encuentra un
    punto de la lnea recta. El riesgo que se corre con esta
    estrategia es que puede influir de manera indebida, un
    punto externo, lo que hara que el error sea mucho ms
    grande...[1]
    Existe una estrategia, que hace a un lado las
    restricciones anteriores, consiste en minimizar la suma de
    los cuadrados de los residuos Sr
    n

    S r E i y i a 0 a1 xi
    2

    i 1

    i 1

    (4)
    La ventaja al utilizar esta estrategia es mayor, pero,
    hay que tener en cuenta que la lnea a la cual se ajusta, es
    nica para el conjunto de datos dado.

    III.

    OBTENCION DE LOS COEFICIENTES

    n x xi
    1
    1

    Una tercera estrategia en el ajuste de una lnea


    ptima es el criterio de mnimas.

    IV.

    2
    i

    COEFICIENTE DE CORRELACION

    El coeficiente de correlacin es otro parmetro para


    el estudio de una distribucin bidimensional, que nos
    indica el grado de dependencia entre las variables x e y. El
    coeficiente de correlacin r es un nmero que se obtiene
    mediante la frmula:

    n x i yi x i y i

    n x x n y y
    2
    i

    2
    i

    Su valor puede variar entre 1 y -1.


    Si r = -1 todos los puntos se encuentran sobre la recta
    existiendo una correlacin que es perfecta e inversa.
    Si r = 0 no existe ninguna relacin entre las variables.

    El mtodo de mnimos cuadrados determina los


    valores de los parmetros a y b de la recta que mejor se
    ajusta a los datos experimentales. Sin detallar el
    procedimiento, se dar aqu simplemente el resultado:

    n x i y i x i y i
    2
    n x i2 x i

    y i a x i
    n

    Si r = 1 todos los puntos se encuentran sobre la recta


    existiendo una correlacin que es perfecta y directa. .[1]

    V.

    LINEALIZACIN DE RELACIONES NO
    LINEALES

    Si los datos no se les pueden aplicar un modelo


    lineal, es necesario utilizar otro tipo de regresin como la
    polinomial, o utilizar transformaciones para expresar los
    datos en una forma que sea compatible con la regresin
    lineal.. [1]

    A. Modelo Exponencial
    Donde n es el nmero de medidas y representa la
    suma de todos los datos que se indican. Los errores en las
    medidas, se traducirn en errores en los resultados de a y b.

    y 1e 1 x
    (5)

    1 y 1
    Donde
    son constantes. Este modelo es muy
    usado en la ingeniera para caracterizar unidades que

    aumentan (
    positivo) o disminuyen (
    negativo), a
    una velocidad que es directamente proporcional a sus
    propias magnitudes.
    Utilizando el modelo exponencial, se linealiza al
    aplicar e logaritmo natural:

    ln y ln 1 1 x ln e

    Estas ecuaciones se igualan a cero y se reordenan


    para desarrollar el siguiente conjunto de ecuaciones
    normales:

    ln e 1
    Pero con

    ln y ln 1 1 x
    (6)
    As una grafica de ln y contra x dar una lnea recta

    1
    con una pendiente

    y una interseccin con el eje de las

    ln 1
    ordenadas igual a

    B. Regresin Polinomial
    El procedimiento de mnimos cuadrados se puede
    extender fcilmente al ajuste de datos con un polinomio de
    grado superior, ejemplo uno de grado 2. [2]

    y a 0 a1 xi a 2 xi2 e
    (7)
    Para esta ecuacin la suma de los cuadrados de los
    residuos.

    S r y i a0 a1 xi a 2 xi2
    n

    i 1

    (8)
    Siguiendo el procedimiento de regresin lineal a
    partir de este punto, llegaremos a un sistema de tres
    ecuaciones lineales

    Donde todas las sumatorias van desde i = 1 hasta n.


    Observe que las tres ecuaciones anteriores son lineales y
    tienen tres incgnitas: a0, a1 y a2. Los coeficientes de las
    incgnitas se evalan de manera directa, a partir de los
    datos observados. En este caso, observamos que el
    problema de determinar un polinomio de segundo grado
    por mnimos cuadrados es equivalente a resolver un
    sistema de tres ecuaciones lineales simultneas. En la parte
    tres se estudiaron las tcnicas para resolver tales
    ecuaciones. El caso bidimensional se extiende con facilidad
    a un polinomio de m-simo grado como sigue

    y a 0 a1 xi a 2 xi2 ..... a m x m e
    En este caso, el error estndar se formula como
    sigue:

    S y / x=

    Sr
    n(m+1)

    C. Mnimos Cuadrados General


    Los tipos anteriores de regresin lineal se pueden
    resumir en el siguiente modelo general de mnimos
    cuadrados. .[1]

    y a 0 z 0 a1 z1 a 2 z 2 ..... a m z m e
    Se expresa la anterior ecuacin de manera matricial:

    Y Z A E
    Donde [Z]es una matriz de los valores calculados de
    las funciones en z en los valores medidos de las variables
    independientes:

    z 01
    z
    02
    .

    z 0n

    z11
    z12
    .
    z1n

    ...

    z m1

    ... z m 2
    .
    .

    ... z mn

    Donde m es el nmero de variables en el modelo y n


    es el nmero de datos. Como n >= m+1, normalmente [z]
    no es una matriz cuadrada.
    Los mtodos de solucin que mas se aplican en este
    caso son
    a. Mtodos de descomposicin LU, incluyendo
    eliminacin de Gauss.
    b. Mtodo de Cholesky
    c. Mtodo de la matriz inversa.
    VI.

    APLICACIN A AL INGENIERIA
    MECATRONICA

    2) Ejemplo de aplicacin

    Existen numerosas leyes fsicas en las que se sabe de


    antemano que dos magnitudes x e y se relacionan a travs
    de una ecuacin lineal
    y = ax + b
    donde las constantes b (ordenada en el origen) y a
    (pendiente) dependen del tipo de sistema que se estudia y, a
    menudo, son los parmetros que se pretende encontrar.
    1)

    Implementacin en Matlab: Para el algoritmo del programa


    se sigue el siguiente diagrama de flujo.

    La fuerza F de traccin sobre un muelle y el alargamiento l


    que experimenta ste estn ligadas a travs de una ley
    lineal:

    l=

    F
    k

    con ordenada en el origen cero y donde el inverso de la


    pendiente (K) es una caracterstica propia de cada muelle:
    la llamada constante elstica del mismo.
    El mtodo ms efectivo para determinar los parmetros a y
    b se conoce como tcnica de mnimos cuadrados.
    Consiste en someter el sistema a diferentes condiciones,
    fijando para ello distintos valores de la variable
    independiente x, y anotando en cada caso el
    correspondiente valor medido para la variable dependiente
    y. De este modo se dispone de una serie de puntos
    (x1,y1), .... (xn,yn) que, representados grficamente,
    deberan caer sobre una lnea recta. Sin embargo, los
    errores experimentales siempre presentes hacen que no se
    hallen perfectamente alineados (ver Fig. 1). El mtodo de
    mnimos cuadrados determina los valores de los
    parmetros a y b de la recta que mejor se ajusta a los datos
    experimentales. Sin detallar el procedimiento, se dar aqu
    simplemente el resultado:

    n x i y i x i y i

    n x i2 x i

    y i a x i

    (1)

    (2)

    donde n es el nmero de medidas y representa la suma


    de todos los datos que se indican.
    Los errores en las medidas, se traducirn en errores en los
    resultados de a y b. Se describe a continuacin un mtodo
    para calcular estos errores. En principio, el mtodo de
    mnimos cuadrados asume que, al fijar las condiciones
    experimentales, los valores yi de la variable independiente
    se conocen con precisin absoluta (esto generalmente no es
    as, pero lo aceptamos como esencial en el mtodo). Sin
    embargo, las mediciones de la variable x, irn afectadas de
    sus errores correspondientes, si es el valor mximo de
    todos estos errores, entonces se tiene:

    independiente o y ) y se han anotado los alargamientos (l


    variable dependiente o x)

    n x i2 x i
    1
    1

    Cargas
    sucesivas F(yi)

    gramos
    200
    400
    500
    700
    900
    1000

    (3)
    b

    La pendiente de la recta se escribir


    , y la ordenada en el origen b

    aa

    ..

    El coeficiente de correlacin es otro parmetro para el


    estudio de una distribucin bidimensional, que nos indica
    el grado de dependencia entre las variables x e y. El
    coeficiente de correlacin r es un nmero que se obtiene
    mediante la frmula:

    n x i y i x i y i

    n x x n y y
    2
    i

    2
    i

    Los distintos datos que se necesitan son:


    n
    6
    1090
    xi
    236300
    xi2
    3700
    yi
    2750000
    yi2
    806000
    xiyi
    0,2

    con lo cual aplicando las expresiones [1] , [2], [3] y [4]

    ( 4)

    a=

    Su valor puede variar entre 1 y -1.


    Si r = -1 todos los puntos se encuentran sobre la recta
    existiendo una correlacin que es perfecta e inversa.
    Si r = 0 no existe ninguna relacin entre las variables.
    Si r = 1 todos los puntos se encuentran sobre la recta
    existiendo una correlacin que es perfecta y directa.
    Ejemplo: Supongamos un muelle sometido a traccin, se
    ha cargado el muelle con diferentes pesos (F, variable

    Lecturas
    sucesivas (xi)
    L
    mm
    60
    120
    150
    210
    260
    290

    a=

    n ( xi y i ) ( x i )( y i )
    2

    n ( x i2 ) ( x i )

    6 ( 806000 )( 1090 ) ( 3700 )


    6 ( 236300 )( 2750000 )2

    a=3.4959

    b=
    b=

    ( y i )a ( x i )
    n
    37003.4959(1090)
    6

    b=18.4153

    a=

    2
    i

    ( )
    x

    a=0.00102217

    b=

    Figura 2-Ingreso de datos (pares


    ordenados)

    b=0.08164966

    F=3.4959 x +(18.4153 0.08)


    No se debe olvidar que se persigue el valor de la constante
    elstica del muelle:

    Ka

    F
    l

    Utilizando el program en Matlab obtendremos:

    Figura 3-Ingreso de matriz de


    interpolacin

    conjunto de parejas de datos con los cuales se pueda


    aproximar la mejor lnea, dependiendo de la regresin
    lineal que presente
    Hemos visto a lo largo del documento, que el xito
    del mtodo de mnimos cuadrados est en minimizar los
    errores residuales al mnimo valor que se pueda, para eso
    tenemos criterios de mejor ajuste que sirven para dicha
    accin

    REFERENCIAS
    Figura 4-Grafica del ajuste de la curva

    CONCLUSIONES
    Este mtodo se puede implementar siempre y cuando
    se tengan valores exactos, es decir deben existir un

    [1] Steven C. Chapra y Reymond Canale: Mtodos Numricos


    para Ingenieros
    [2] Gerald Curtis F.; Wheatley Patrick O. Applied numerical
    analysis, 4 edicin, Addison Wesley Publishing Company. New
    York, 1984.

    También podría gustarte