ESCUELA POLITCNICA

DEL EJRCITO
EXTENSIN - LATACUNGA
ELECTRNICA E INSTRUMENTACIN





METODOS NUMRICOS
INTERPOLACION Y AJUSTE DE CURVAS DE LA
RADIACION SOLAR MEDIANTE UN SISTEMA
ELECTRNICO.
INTEGRANTES:
ALEXANDRA CHUQUITARCO
MAURICIO MENA
MARIA FERNANDA MOLINA
NIVEL:
4
FECHA:
14 de Noviembre de 2013




ESCUELA POLITCNICA DEL EJRCITO
EXTENSIN LATACUNGA
CARRERA INGENIERA ELECTRNICA E INSTRUMENTACIN
INFORME DE METODOS NUMERICOS

TEMA: Interpolacin y Ajuste de Curvas de la Radiacin Solar Mediante un Sistema
Electrnico.
OBJETIVOS
Medir la radiacin solar mediante un sistema electrnico para trazar el perfil de
radiacin solar en la terraza del edificio C de la ESPE extensin Latacunga,
mediante paneles solares mviles en funcin del tiempo y la luminancia del sol que
son las variables.

Utilizar los diferentes mtodos de regresiones para encontrar la ecuacin de la curva

que se ajuste a los datos medidos.

Determinar las variables independientes y dependientes para el clculo de la

variacin de la radiacin solar en el sistema.

MARCO TEORICO
REGRESIN POR MNIMOS CUADRADOS: LINEAL Y CUADRTICA.

Consiste en explicar una de las variables en funcin de la otra a travs de un determinado tipo de
funcin (lineal, parablica, exponencial, etc.), de forma que la funcin de regresin se obtiene
ajustando las observaciones a la funcin elegida, mediante el mtodo de Mnimos-Cuadrados
(M.C.O.).
Elegido el tipo de funcin ( ) la funcin de regresin concreta se obtendr minimizando
La expresin.
(yj - (xi ) ) 2. nij en el caso de la regresin de Y/X
(xi - (yj ) ) 2. nij en el caso de la regresin de X/Y
Puede probarse que es equivalente ajustar por mnimos cuadrados la totalidad de las
observaciones (toda la nube de puntos) que realizar el ajuste de los puntos obtenidos por la
regresin de la media; de forma que la regresin mnimo-cuadrtica viene ser, en cierto modo, la
consecucin de una expresin analtica operativa para la regresin en sentido estricto.
Coeficientes de regresin.
Se llama coeficiente de regresin a la pendiente de la recta de regresin:
En la regresin Y/X : b = Sxy / Sx2
En la regresin X/Y b' = Sxy / Sy2
El signo de ambos coincidir con el de la covarianza, indicndonos la tendencia (directa o inversa a
la covariacin).Es interesante hacer notar que b.b'= r2
Regresin de mnimos cuadrados
Intenta minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre los
puntos generados por la funcin y los correspondientes en los datos. Especficamente, se llama
mnimos cuadrados promedio (LMS) cuando el nmero de datos medidos es (1) y se usa el mtodo
de descenso por gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS
minimiza el residuo cuadrado esperado, con el mnimo de operaciones (por iteracin), pero
requiere un gran nmero de iteraciones para converger. Desde un punto de vista estadstico, un
requisito implcito para que funcione el mtodo de mnimos cuadrados es que los errores de cada
medida estn distribuidos de forma aleatoria. El teorema de Gauss prueba que los estimadores
mnimos cuadrticos carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por
ejemplo, a una distribucin normal. Tambin es importante que los datos recogidos estn bien
escogidos, para que permitan visibilidad en las variables que han de ser resueltas. La tcnica de
mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos otros problemas de
optimizacin pueden expresarse tambin en forma de mnimos cuadrados, minimizando la energa
o maximizando la entropa.
Si utilizamos un sistema de coordenadas cartesianas para representar la distribucin
bidimensional, obtendremos un conjunto de puntos conocido con el diagrama de dispersin, cuyo
anlisis permite estudiar cualitativamente, la relacin entre ambas variables tal como se ve en la
figura. El siguiente paso, es la determinacin de la dependencia funcional entre las dos variables x
e y que mejor ajusta a la distribucin bidimensional. Se denomina regresin lineal cuando la
funcin es lineal, es decir, requiere la determinacin de dos parmetros: la pendiente y la
ordenada en el origen de la recta de regresin
La regresin nos permite adems, determinar el grado de dependencia de las series de valores X e
Y, prediciendo el valor y estimado que se obtendra para un valor x que no est en la distribucin
se podra ver mediante la siguiente grfica.
REGRESION LINEAL.
En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico que modela la relacin
entre una variable dependiente Y, las variables independientes X
i
y un trmino aleatorio . Este
modelo puede ser expresado como:

: Variable dependiente, explicada o regresando.
: Variables explicativas, independientes.
: Parmetros, miden la influencia que las variables explicativas tienen sobre
el regresando.
Donde es la interseccin o trmino "constante", las son los parmetros
respectivos a cada variable independiente, y es el nmero de parmetros independientes a
tener en cuenta en la regresin. La regresin lineal puede ser contrastada con la regresin no
lineal.

REGRESION EXPONENCIAL.
Una regresin exponencial es el proceso de encontrar la ecuacin de la funcin exponencial que se
ajuste mejor a un conjunto de datos. Como un resultado, obtenemos una ecuacin de la
forma donde .
La potencia predictiva relativa de un modelo exponencial est denotada por R
2
. El valor
de R
2
vara entre 0 y 1. Mientras ms cercano el valor est de 1, ms preciso ser el modelo.

REGRESION POTENCIAL.
La regresin examina la relacin entre dos variables, pero restringiendo una de ellas con el objeto
de estudiar las variaciones de una variable cuando la otra permanece constante. En otras palabras,
la regresin es un mtodo que se emplea para predecir el valor de una variable
en funcin de valores dados a la otra variable.
En todos los casos de regresin existe una dependencia funcional entre las variables. En el caso de
dos variables, siendo una de ellas (X) variable independiente y la otra (Y) la dependiente, se habla
de regresin de Y sobre X; Por ejemplo, los ingenieros forestales utilizan la regresin de la altura
de los rboles sobre su dimetro, lo cual significa que midiendo el dimetro (variable
independiente) y reemplazando su valor en una relacin definida segn la clase de rbol se
obtiene la altura, y aun sin necesidad de clculos aprecian la altura utilizando grficas de la funcin
de dependencia, altura = funcin del dimetro.
La regresin potencial tiene por ecuacin predictora:

Y la regresin recproca es:

Para el primer caso los valores siguen una ley potencial. Si la ecuacin predictora est dada
por: tomando logaritmos en ambos miembros, queda:

Donde las constantes y quedan fijadas al resolver simultneamente las ecuaciones:

Para el segundo caso, si la ecuacin predictor est dada por entonces
invirtiendo, la misma expresin se puede escribir o sea:

Donde las constantes y quedan fijadas al resolver simultneamente las ecuaciones:


REGRESION POLINOMIAL.
Algunas veces cuando la relacin entre las variables dependientes e independientes es no lineal,
es til incluir trminos polinomiales para ayudar a explicar la variacin de nuestra variable
dependiente.
Las regresiones polinomiales se pueden ajustar la variable independiente con varios trminos.






Que, derivando respecto a cada uno de los coeficientes nos da el planteamiento un sistema de
ecuaciones de la siguiente forma:



EXPLICACION DE EL EXPERIMENTO
El experimento que realizamos fue mediante un sistema electrnico que fue implementado por
compaeros de la carrera como tesis de grado, el mismo que consta de paneles solares mviles
con 2 grados de libertad que recolecta datos cada un segundo de la radiacin solar los mismos que
son almacenados en un computador que posee un entorno grfico que muestra la informacin
del nivel de la radiacin solar en un determinado tiempo, el mismo que almacena los datos las 24
horas del da mediante el software de Labview.





Entonces lo que hicimos fue escoger un da de los cuales tomamos 15 datos para poder aplicar los
mtodos que se nos pide y que estn explicados en el marco terico, los datos que tomamos
fueron desde las 2 de la maana hasta las 4 de la tarde un dato cada hora con los cuales
obtuvimos 2 variables que son el tiempo y la radiacin solar, a las cuales aplicamos los mtodos.


Teniendo ya un historial de la informacin ser posible realizar un anlisis mediante los mtodos
aplicados del nivel de radiacin solar en Latacunga y observar cual mtodo tiene el mejor ajuste
de la curva.

MATERIALES





ANALISIS DE RESULTADOS.

Anlisis por el metodo de regresin lineal

Tiempo(Horas) Luminancia
Tiempo(Horas) xi Yi Xi^2 Xi*Yi Yi^2
2:00 2 2 4 4 4
3:00 3 2 9 6 4
4:00 4 2 16 8 4
5:00 5 2 25 10 4
6:00 6 2 36 12 4
7:00 7 3 49 21 9
8:00 8 22 64 176 484
9:00 9 642 81 5778 412164
10:00 10 770 100 7700 592900
11:00 11 919 121 10109 844561
12:00 12 1271 144 15252 1615441
13:00 13 515 169 6695 265225
14:00 14 842 196 11788 708964
15:00 15 1260 225 18900 1587600
16:00 16 181 256 2896 32761

135 6435 1495 79355 6060129

Linealizacin del Modelo Exponencial
Tiempo(Horas) Luminancia
xi Yi Xi^2 lnYi Xi*lnYi (lnYi)^2
2 2 4 0,69315 1,38629 -0,73303
3 2 9 0,69315 2,07944 -0,73303
4 2 16 0,69315 2,77259 -0,73303
5 2 25 0,69315 3,46574 -0,73303
6 2 36 0,69315 4,15888 -0,73303
7 3 49 1,09861 7,69029 0,18810
8 22 64 3,09104 24,72834 2,25702
9 642 81 6,46459 58,18129 3,73268
10 770 100 6,64639 66,46391 3,78815
11 919 121 6,82329 75,05615 3,84068
12 1271 144 7,14756 85,77071 3,93354
13 515 169 6,24417 81,17417 3,66330
14 842 196 6,73578 94,30092 3,81487
15 1260 225 7,13887 107,08300 3,93111
16 181 256 5,19850 83,17595 3,29674
135 6435 1495 60,05453 697,48768 28,78104
y = 53.08x
R = 0.4399
0
200
400
600
800
1000
1200
1400
0 2 4 6 8 10 12 14 16 18
L
u
m
i
n
a
n
c
i
a
(
L
)

Tiempo (Horas)
Luminancia

Linealizacin del Modelo Potencial
Tiempo(Horas) Luminancia
xi Yi logXi logYi (logXi)^2 logXi*logYi (logYi)^2
2 2 0,30103 0,30103 0,27185 0,27185 0,27185
3 2 0,47712 0,30103 0,10328 0,16756 0,27185
4 2 0,60206 0,30103 0,04856 0,11489 0,27185
5 2 0,69897 0,30103 0,02419 0,08110 0,27185
6 2 0,77815 0,30103 0,01187 0,05680 0,E27185
7 3 0,84510 0,47712 0,00534 0,02349 0,10328
8 22 0,90309 1,34242 0,00196 -0,00566 0,01636
9 642 0,95424 2,80754 0,00041 -0,00912 0,20100
10 770 1,00000 2,88649 0,00000 0,00000 0,21194
11 919 1,04139 2,96332 0,00031 0,00831 0,22257
12 1271 1,07918 3,10415 0,00110 0,01628 0,24201
13 515 1,11394 2,71181 0,00220 0,02030 0,18771
14 842 1,14613 2,92531 0,00351 0,02761 0,21732
15 1260 1,17609 3,10037 0,00496 0,03462 0,24149
16 181 1,20412 2,25768 0,00651 0,02853 0,12508
135 6435 13,32062 26,08135 0,48604 0,83656 3,12799
y = 0.3525e
0.5607x

R = 0.7417
0
500
1000
1500
2000
2500
3000
0 5 10 15 20
L
(
t
)

t
Luminancia L

Linealizacin del Modelo Logaritmico
Tiempo(Horas) Luminancia
xi Yi LnXi (LnXi)^2 (LnXi)(Yi) Yi^2
2 2 0,69314718 0,48045 1,38629 4,00000
3 2 1,09861229 1,20695 2,19722 4,00000
4 2 1,38629436 1,92181 2,77259 4,00000
5 2 1,60943791 2,59029 3,21888 4,00000
6 2 1,79175947 3,21040 3,58352 4,00000
7 3 1,94591015 3,78657 5,83773 9,00000
8 22 2,07944154 4,32408 45,74771 484,00000
9 642 2,19722458 4,82780 1410,61818 412164,00000
10 770 2,30258509 5,30190 1772,99052 592900,00000
11 919 2,39789527 5,74990 2203,66576 844561,00000
12 1271 2,48490665 6,17476 3158,31635 1615441,00000
13 515 2,56494936 6,57897 1320,94892 265225,00000
14 842 2,63905733 6,96462 2222,08627 708964,00000
15 1260 2,7080502 7,33354 3412,14325 1587600,00000
16 181 2,77258872 7,68725 501,83856 32761,00000
135 6435 30,6718601 68,13928 16067,35176 6060129,00000
y = 0.0165x
3.9646

R = 0.718
0
200
400
600
800
1000
1200
1400
0 5 10 15 20
L
(
t
)

t
Luminancia


Interpolacin de Lagrage


Tiempo(Horas) Luminancia


xi Yi

xo 2 2 yo
x1 3 2 y1
x2 4 2 y2
x3 5 2 y3
x4 6 2 y4
x5 7 3 y5
x6 8 22 y6
x7 9 642 y7
x8 10 770 y8
x9 11 919 y9
x10 12 1271 y10
x11 13 515 y11
x12 14 842 y12
x13 15 1260 y13
x14 16 181 y14


y = 536.57ln(x) - 668.16
R = 0.4731
-400
-200
0
200
400
600
800
1000
1200
1400
0 5 10 15 20
L
(
t
)

t
Luminancia

lisis por el metodo de regresin lineal
Tiempo(Horas) Luminancia
xi Yi Xi^2 Xi*Yi Yi^2
2 2 4 4 4
3 2 9 6 4
4 2 16 8 4
5 4 25 20 16
6 4 36 24 16
7 30 49 210 900
8 83 64 664 6889
9 87 81 783 7569
10 87 100 870 7569
11 472 121 5192 222784
12 757 144 9084 573049
13 730 169 9490 532900
14 1168 196 16352 1364224
15 303 225 4545 91809
16 178 256 2848 31684
135 6435 1495 50100 2839421







Linealizacin del Modelo Exponencial
Tiempo(Horas) Luminancia
xi Yi Xi^2 lnYi Xi*lnYi (lnYi)^2
2 2 4 0,69315 1,38629 -0,73303
3 2 9 0,69315 2,07944 -0,73303
4 2 16 0,69315 2,77259 -0,73303
5 4 25 1,38629 6,93147 0,65327
6 4 36 1,38629 8,31777 0,65327
7 30 49 3,40120 23,80838 2,44826
8 83 64 4,41884 35,35072 2,97175
9 87 81 4,46591 40,19317 2,99295
y = 53.282x - 218.94
R = 0.4366
-200
0
200
400
600
800
1000
1200
1400
0 5 10 15 20
L

t

Luminancia
10 87 100 4,46591 44,65908 2,99295
11 472 121 6,15698 67,72677 3,63517
12 757 144 6,62936 79,55236 3,78302
13 730 169 6,59304 85,70958 3,77203
14 1168 196 7,06305 98,88267 3,90975
15 303 225 5,71373 85,70599 3,48575
16 178 256 5,18178 82,90854 3,29030
135 6435 1495 58,94184 58,94184 32,38938






Linealizacin del Modelo Potencial
Tiempo(Horas) Luminancia
xi Yi logXi logYi (logXi)^2 logXi*logYi (logYi)^2
2 2 0,30103 0,30103 0,27185 0,27185 0,27185
3 2 0,47712 0,30103 0,10328 0,16756 0,27185
4 2 0,60206 0,30103 0,04856 0,11489 0,27185
5 4 0,69897 0,60206 0,02419 0,03428 0,04856
y = 0.653e
0.484x

R = 0.8263
0
200
400
600
800
1000
1200
1400
1600
0 5 10 15 20
L

t
Luminancia
6 4 0,77815 0,60206 0,01187 0,02401 0,04856
7 30 0,84510 1,47712 0,00534 -0,01238 0,02870
8 83 0,90309 1,91908 0,00196 -0,01253 0,08014
9 87 0,95424 1,93952 0,00041 -0,00585 0,08277
10 87 1,00000 1,93952 0,00000 0,00000 0,08277
11 472 1,04139 2,67394 0,00031 0,00752 0,18246
12 757 1,07918 2,87910 0,00110 0,01520 0,21092
13 730 1,11394 2,86332 0,00220 0,02141 0,20873
14 1168 1,14613 3,06744 0,00351 0,02883 0,23695
15 303 1,17609 2,48144 0,00496 0,02780 0,15579
16 178 1,20412 2,25042 0,00651 0,02842 0,12409
135 6435 13,32062 25,59811 0,48604 0,71100 2,30598





Linealizacin del Modelo Logaritmico
Tiempo(Horas) Luminancia
xi Yi LnXi (LnXi)^2 (LnXi)(Yi) Yi^2
2 2 0,693147181 0,48045 0,23084 4,00000
y = 0.0404x
3.4905

R = 0.8323
0
200
400
600
800
1000
1200
1400
0 5 10 15 20
L

t
Luminancia
3 2 1,098612289 1,20695 1,45673 4,00000
4 2 1,386294361 1,92181 3,69336 4,00000
5 4 1,609437912 2,59029 6,70960 16,00000
6 4 1,791759469 3,21040 10,30668 16,00000
7 30 1,945910149 3,78657 14,33808 900,00000
8 83 2,079441542 4,32408 18,69764 6889,00000
9 87 2,197224577 4,82780 23,30761 7569,00000
10 87 2,302585093 5,30190 28,11012 7569,00000
11 472 2,397895273 5,74990 33,06137 222784,00000
12 757 2,48490665 6,17476 38,12767 573049,00000
13 730 2,564949357 6,57897 43,28278 532900,00000
14 1168 2,63905733 6,96462 48,50598 1364224,00000
15 303 2,708050201 7,33354 53,78075 91809,00000
16 178 2,772588722 7,68725 59,09379 31684,00000
135 6435 30,67186011 68,13928 68,13928 382,70301






Interpolacin de Lagrage

y = 356.18ln(x) - 467.71
R = 0.3778
-400
-200
0
200
400
600
800
1000
1200
1400
0 5 10 15 20
L
(
t
)

t
Luminancia

Tiempo(Horas) Luminancia


xi Yi

xo 2 2 Yo
x1 3 2 y1
x2 4 2 y2
x3 5 4 y3
x4 6 4 y4
x5 7 30 y5
x6 8 83 y6
x7 9 87 y7
x8 10 87 y8
x9 11 472 y9
x10 12 757 y10
x11 13 730 y11
x12 14 1168 y12
x13 15 303 y13
x14 16 178 y14

CONCLUSIONES
La luminancia solar medida en nuestro sistema es mayor cuando nuestro tiempo se encuentra a las 12 de la tarde, la misma que va
ascendiendo de acuerdo al tiempo ya que nuestros rayos lumnicos son cada vez menores ya que el sol conforme pasa el tiempo se va
escondiendo.
La Interpolacin de Polinomial de Lagrage es el mtodo ms exacto y con menos error en la grfica de esta manera se acerca al valor real de
la variacin de la luminancia.
El mtodo de regresin lineal no es un ajuste de curva eficiente para este experimento ya que no se ajusta con la grfica de dispersin.
Para encontrar la funcin de cada mtodo de regresin los ms importante es hallar sus coeficiente ya que as podemos armar nuestra funcin
y graficar
RECOMENDACIONES
Se debe tomar las medidas reales de la luminancia en el tiempo indicado para su correcta deduccin de la variacin de luminancia.
Tener en cuenta que la medida obtenida por el sistema no es la real ya que va a existir una variacin en el clima.
ANEXOS