AJUSTE REGRESIN LINEAL POR MNIMOS CUADRADOS.

El ajuste por regresin lineal aplicando el mtodo de los mnimos cuadrados se basa en encontrar la mejor recta que define la tendencia lineal entre una variable experimental dependiente (y) y una variable experimental independiente (x). Por ejemplo, en cinticas de orden cero sera la concentracin de un reactivo, CA, que hara las veces de variable experimental dependiente y, y el tiempo, t, que hara las veces de variable experimental independiente x. El procedimiento matemtico que permite obtener la recta que mejor define dicha tendencia lineal consiste en una minimizacin de la suma de las distancias de los puntos experimentales a la recta cuyos parmetros se pretenden obtener. En efecto, las incgnitas que debemos determinar son la pendiente y la ordenada en el origen de la mejor recta que pasa por la mayora de los puntos experimentales. El problema es pues un problema de optimizar la mejor recta que pasa por los puntos, por lo que el problema consiste en minimizar las distancias entre los puntos experimentales y los puntos de la recta. Las distancias en Matemticas se definen mediante los cuadrados de las diferencias entre los valores de la variable experimental dependiente (y) y los valores que tomara dicha variable dependiente si estuviese ubicada en la recta que se pretende obtener. En resumidas cuentas, se trata pues de un problema que implica la minimizacin de la suma de las distancias, como las distancias son diferencias cuadrticas, no es de extraar que al procedimiento se le conozca con el nombre de mnimos cuadrados:

Mnimos Cuadrados:

( y y
i =1 i

recta ,i

6 mnimo

La yrecta ,i se define como: yrecta ,i = m xi + n Siendo m y n los parmetros a determinar de la recta, esto es, la pendiente y la ordenada en el origen respectivamente.

( y m x n)
i =1 i i

6 mnimo

Sabemos que el problema de la minimizacin consiste en la aplicacin de la derivada a la funcin objetivo (la funcin objetivo es minimizar las distancias, esto es, la diferencia cuadrtica entre valores de la variable dependiente, experimental y terica). La aplicacin de la derivada se realizar con respecto a los parmetros que se quieren determinar. Y como existen dos parmetros dicha aplicacin conduce a la obtencin de dos ecuaciones que, siguiendo el criterio de la minimizacin, deben ser igualadas a cero para encontrar el mnimo de la funcin objetivo:

Mnimos Cuadrados:
N N 2 y m x n = 0 2 ( ) ( yi m xi n ) ( xi ) = 0 i i m i =1 i =1 N N 2 y m x n = 0 2 ( ) ( yi m xi n ) (1) = 0 i i n i =1 i =1 N N 2 y x m x n xi = 0 i i i i =1 i =1 i =1 N N yi m xi nN = 0 i =1 i =1 N

Se trata de un sistema sencillo de dos ecuaciones con dos incgnitas que son los parmetros de la mejor recta que ajusta los puntos experimentales. El sistema se resuelve fcilmente aplicando la Regla de Cramer, pero previamente recolocaremos las ecuaciones para que se vean mejor los trminos independientes en las mismas y los coeficientes que acompaan a las incgnitas a determinar: Mnimos Cuadrados:
N N 2 y x = m x + n xi i i i i =1 i =1 i =1 N N yi = m xi + nN = 0 i =1 i =1 Determinante principal: N

D=

xi2
i =1 N

x
i =1

x
i =1 N

Determinantes para las incgnitas:

Dm =

yi xi
i =1

xi
i =1

yi
i =1

Dn =

xi2
i =1 N

yx
i =1

i i

xi
i =1

y
i =1

Obtencin de las incgnitas: D D m= m n= n D D

ESTRATEGIA PARA LA OBTENCIN DE LOS PARMETROS DE LA RECTA DE REGRESIN.

Lo primero es darse cuenta que se necesitan evaluar diferentes sumatorios, para ello hacemos lo habitual que se hace en Estadstica y es una Tabla donde aparezcan los valores experimentales de x y de y. A continuacin, vamos incorporando a la Tabla, clculos que son necesarios para la obtencin de los determinantes anteriores.

Nos hace falta el clculo de la suma de los cuadrado de las x, nos hace falta el clculo de la suma de los productos x*y, y, aunque no nos haga falta, de momento, calculamos la suma de los cuadrados de las y. Es decir, la Tabla tendr las siguientes columnas:
x x1 x2 x3 . . . xN x y y1 y2 y3 . . . yN y x2 x1x1 x2x2 x3x3 . . . xNxN x2 xy x1y1 x2y2 x3y3 . . . xNyN xy y2 y1y1 y2y2 y3y3 . . . yNyN y2

PARMETROS DE CALIDAD DEL AJUSTE DE REGRESIN LINEAL.

Es claro que en este tipo de minimizacin se pretende representar la tendencia observada, entre las variables experimentales dependiente e independiente, mediante la obtencin de una recta. La pregunta que nos hacemos ahora es: hasta qu punto es esta representacin buena? Para responder a esta pregunta tenemos que recurrir a la herramienta de la Estadstica que nos va a ayudar a discriminar cunto de bien representa la recta a la tendencia experimental observada entre las variables. En este sentido, es conveniente conocer algunas definiciones que nos permiten comprobar la calidad del ajuste global (coeficiente de correlacin o de determinacin, desviacin estndar del ajuste global, etc.); y la calidad de los parmetros obtenidos (desviacin estndar de la pendiente y desviacin estndar de la ordenada en el origen). Para evaluar todos estos parmetros es necesario definirlos de una manera adecuada:

Promedios de las variables:

x=

xi
i =1

N N Desviaciones tpicas de las variables y covarianza:

y=

y
i =1

sx =

x
i =1

2 i

(x)

sy =

y
i =1

2 i

(y)

xy N Parmetros de calidad. Coeficiente de correlacin y desviacin tpica del ajuste:

i =1

sxy =

x y
i

r=

sx s y S yy m 2 S xx sr = N 2 sxy
2

N N N x x i i yi N N i =1 2 i =1 i =1 S xx = xi S xy = xi yi N N i =1 i =1 Desviaciones en los parmetros:

N yi N 2 S yy = yi i =1 N i =1

s sm = r S xx

sn = sr

x
i =1 2 i N

2 i 2

N N x xi i =1 i =1