Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Metodos Numericos
Metodos Numericos
Tema 6
6. Ajuste de Curvas
6.1 Introduccin
En la practica de la ingeniera y ciencias, es frecuente que la informacin necesaria para realizar
un calculo los resultados del mismo, se encuentren en una tabla de la forma:
Tabla 1. Ejemplo de una tabla de ingeniera
X
x1
y1
x2
y2
xm
ym
Esto ocurre al tomar los datos de un experimento, al evaluar una funcin matemtica
complicada, al aplicar algunos mtodos numricos. Es frecuente que al requerir de la tabla
algn valor, este no este tabulado. Como mencionamos en la unidad anterior, al problema de
hallar valores no tabulados se le conoce como interpolacin.1 Tambin suele ocurrir que no solo
nos interese conocer el valor de la funcin en un punto determinado, sino en todos los puntos,
es decir, se desea conocer, la funcin de la cual se origino la tabla. Es fcil dada una funcin
tabularla, basta con evaluarla en varios puntos. El problema inverso de hallar la funcin a partir
de la tabla, no es tan sencillo y se conoce como ajuste de curvas. Esto es porque en general no
se conoce la curva exacta y tan solo se halla una curva aproximada. Este problema tambin
recibe el nombre de regresin. En este capitulo veremos como lograr esto.
Pgina
6-1
Fig. 1
Podemos observar que si trazamos la grfica de los puntos tenemos la grfica de la curva. Esta
grfica no es muy til para los clculos ya que no conocemos en forma explcita la funcin que
representa. Por esta razn se propone una curva dada, denominada curva propuesta o modelo.
Si trazamos las 2 tenemos:
Fig. 2
Podemos darnos cuenta que la curva propuesta solo se aproxima a los puntos de la curva real.
En general este el caso. Para determinar completamente la curva propuesta, consideraremos los
errores en cada punto:
ei = y i y pi
Desearamos que fuesen 0, pero en general esto es imposible.2 Como tambin seria difcil
trabajar con cada error por separado, lo mejor es combinarlos de alguna manera en un
parmetro mas manejable. Si consideramos la suma de los errores tenemos:
S = ei
Por qu ?
6-2
Dado que no podemos pedir que sea 0, entonces trataremos de hacerla lo mas pequea posible:
MinS = Min ei
Este parmetro no es bueno ya que es posible que sea 0, aun con errores grandes.3 Por esta
razn podramos considerar la suma de los errores absolutos
MinS a = Min ei
Este parmetro tampoco es muy bueno, ya que como recordaras de tus cursos de calculo para
determinar el mnimo de una funcin hay que derivar e igualarla en 0. La funcin valor
absoluto no tiene derivada en 0.4 Por todo lo anterior Gauss propuso considerar la suma de los
cuadrados de los errores:
MinS 2 = Min ei
S 2 = ei
Pgina
6-3
y p = f (x , a 0 , a1 , , a n )
Podemos observar que adems de x depende de sus constantes ya que si modificamos las
mismas se obtiene una curva distinta. Esto forma una familia de curvas. Por ejemplo la familia
de las rectas esta dada por:
y = a 0 + a1 x
Distintos valores de las constantes originaran todas las rectas posibles. Por esta razones el
problema de minimizacin es:
S 2 = ( y i y pi ) 2
MinS 2 = Min [ y i f (x i , a 0 , a1 , , a n )] 2
La funcin depende de varias variables7 que son las constantes del modelo. El mnimo de una
funcin de varias variables anlogamente al calculo de una sola variable tambin se determina
derivando e igualando a 0. Pero como la funcin depende de varias variables, las derivadas
calculadas son parciales.8 En esta paso se calculan las derivadas parciales respecto a cada
constante del modelo:
S 2
a 0
S 2
a1
S 2
a 2
, ,
S 2
a n
S 2
a 0
=0
S 2
a1
= 0,
S 2
a 2
= 0, ,
S 2
a n
=0
Las constantes ahora son las variables. Si las modificamos varia el valor de
S2. Las xs y las ys son constantes, ya que sus valores estn fijos en la
tabla.
Una derivada parcial es aquella en la que se deriva con respecto a una sola
variable considerando las restantes como constantes.
6-4
xy =
S2
M NC
donde:
S2: Suma del cuadrado de los errores.
M: Numero de puntos de la tabla.
NC: Numero de constantes que tiene el modelo.
Este valor es mas til, ya que podemos interpretarlo como un error promedio en todo el
intervalo de la tabla, es decir:
y = y p xy
Si
xy
y p = a 0 + a1 x
2. S2 es:
S 2 = ( y i a 0 a1 x i ) 2
En general esto puede ser difcil ya que el sistema de ecuaciones casi siempre es
no lineal.
Pgina
6-5
S 2
a 0
S 2
a1
=
=
a 0
(y
(y
a1
a 0 a1 x i ) 2 = 2 ( y i a 0 a1 x i )(1)
a 0 a1 x i ) 2 = 2 ( y i a 0 a1 x i )( x i )
4. Igualando a 0.
2 ( y i a 0 a1 x i )(1) = 0
2 ( y i a 0 a1 x i )( x i ) = 0
Antes de intentar resolver el sistema lo simplificaremos lo mas posible. Cancelando -2 en
ambas ecuaciones
(y a a x ) = 0
( y a a x )(x ) = 0
0
1 i
1 i
y a
i
a1 x i = 0
y x a x a x
i
0 i
1 i
=0
y x
i
a 0 1 a1 x i = 0
a 0 x i a1 x i 2 = 0
a 0 M a1 x i = 0
10
6-6
y x
i
a 0 x i a1 x i 2 = 0
Reacomodando trminos
a 0 M + a1 x i = y i
a 0 x i + a1 x i 2 = y i x i
Las ecuaciones resultantes son las ecuaciones normales de una recta.
5. Estas ecuaciones son lineales y pueden resolverse por los mtodos del capitulo 4.
6. Despus de resolverlas se calcula el valor de S2 con la expresin del paso 2.
7. Para esta caso el error estndar cuadrado es:
xy =
S2
M 2
El hecho de ajustar una recta a una serie de datos se denomina regresin lineal.
y = a 0 + a1 x + a 2 x 2 + + a n x n = i = 0 a i x i
n
y p = a 0 + a1 x + a 2 x 2 + + a n x n
2. S2 esta dada por:
S 2 = ( yi a 0 a1 xi a 2 xi 2 a n x i n ) 2
Pgina
6-7
a 0
S2 =
a 0
(y
a1
S2 =
a1
(y
a 0 a1 x i a 2 x i a n x i ) 2
a 0 a1 x i a 2 x i a n x i ) 2
a n
S2 =
a n
(y
a 0 a1 xi a 2 x i a n xi ) 2
4. Igualando a 0:
a 0
S2 = 0
a1
S2 = 0
a n
S2 = 0
a 0 M + a1 x i + + a n x i n = y i
a 0 x i + a1 x i 2 + + a n x i n +1 = y i x i
a 0 x i 2 + a1 x i 3 + + a n x i n + 2 = y i x i 2
a 0 x i n + a1 x i n +1 + + a n x i 2 n = y i x i n
6. El sistema es lineal y puede resolverse por los mtodos del capitulo 4.
7. El error estndar cuadrado es este caso:
6-8
xy =
S2
M n 1
S x a = S xy
donde:
Sx: Matriz de sumatorias de potencias de x.
x
x 2
Sx =
x n
x
x
x
x
x
x
2
3
n +1
2
3
4
n+ 2
x
x
x
n +1
n+ 2
2n
x
n
a 0
a
1
a 2
a=
a n
Sxy: Vector de sumatorias de potencias de x con ys.
Pgina
6-9
yx
yx 2
S xy =
yx n
No es necesario memorizar estas ecuaciones, pueden construirse fcilmente para cada grado n,
notando las siguientes propiedades:
1. Son n+1 ecuaciones.
2. La mxima potencia en las sumatorias de x es 2n.
3. La mxima potencia en las sumatorias de x con y es n.
4. Para el primer rengln la potencia mxima es n.
5. Para la primera columna la potencia mxima es n.
Para construir el sistema para un grado los pasos son:
1. Se construye el primer rengln.
2. Se construye la primera columna.
3. Se llenan los renglones tomando en cuenta que cada uno tiene n+1 columnas.
4. Se escribe el vector de trminos independientes tomando en cuenta que la mxima potencia en
x es n.
El ajustar un polinomio a una serie de datos se conoce como regresin polinomial.
xy1 xy 2 xy 3 xyn
lim
n
xyn
=0
6-10
xy
determinada tomando en cuenta las cifras que tiene la tabla, se tendr el mejor polinomio.
Puede ocurrir que al aumentar el grado del polinomio el ajuste no mejore sino que empeore.11
Esto se debe en parte al fenmeno de oscilacin. Tambin ocurre que el sistema de ecuaciones
normales tiende a ser inestable a medida que aumenta el grado del polinomio. Por todas estas
razones conviene siempre el polinomio con el grado mas bajo posible tal que ajuste bien los
datos. Por otro lado el grado mas alto al cual podemos ajustar una serie de datos, esta en
funcin del numero de los mismos. Consideremos la expresin para xy . Debe de ser un
numero finito y real. Por esta razn su denominador debe de cumplir que
M n 1> 0
Si es 0, es indeterminada. Si es negativo seria numeros imaginarios. De la expresin anterior
concluimos que
M 1> n
o lo que es lo mismo
n M 2
11
Pgina
xy
6-11
Tabla 2
x
0.05
0.956
0.11
0.890
0.15
0.832
0.31
0.717
0.46
0.571
0.52
0.539
0.70
0.378
0.74
0.370
0.82
0.306
0.98
0.242
1.17
0.104
x a
x a
2
y
= yx
1
0
M = 11
x = 6.01
x = 4.6545
y = 5.905
yx = 2.18387
2
El sistema de ecuaciones es
6.01 a 0 5.905
11
6.01 4.6545 a = 2.18387
6-12
9.522768677798860E - 01
a=
-7.604069127418870E - 01
La ecuacin de la recta es:
xy =
S2
M n 1
9.145940289401430E -03
1111
= 3.187813651566340E - 02
2
x
x x
x x
x x
a
0 y
3
a 1 = yx
2
4 a
2 yx
x = 4.114963
x = 3.91612773
yx = 1.3357207
3
Pgina
6-13
6.01 4.6545
11
a 0 5.095
6.01 4.6545 4.114963
a = 2.18387
.
11a 0 + 6.01a1 + 4.6545a 2 = 5.095
6.01a 0 + 4.6545a1 + 4.114963a 2 = 2.18387
4.6545a 0 + 4.114963a1 + 3.91612773a 2 = 13357207
.
Resolviendo
9.979683841833940E - 01
a = -1.018042464738590
2.246821327879620E - 01
La ecuacin de la parbola es
y p = 9.979683841833940E - 01 - 1.018042464738590x
+2.246821327879620E - 01x 2
El error estndar cuadrado es
xy =
S2
M n 1
1.867513180686410E-03
11 2 1
= 1.527871550837310E - 02
2
x
3
x
x
x
x
x
x x
x x
x x
x x
2
3
4
y
a
4 0
a yx
1
5
2
a 2 = yx
6
3
a
3 yx
= 3.9186513091
6-14
x
yx
= 4.067014332285
= 9.99480509E - 01
601
. 46545
.
4114963
.
.
11
a0 5095
601
. 46545
.
4114963
.
391612773
.
.
a 218387
46545
a2 =13357207
.
4114963
.
391612773
.
3.9186513091
.
.
391612773
.
3.9186513091 4.067014332285a3 9.99480509E-01
4114963
46545
. a0 + 4114963
.
a1 + 391612773
.
a2 + 3.9186513091 a3 = 13357207
.
4114963
.
a0 +391612773
.
a1 +3.9186513091a2 +4.067014332285a3 =9.99480509E-01
Resolviendo
1.00369670446974
-1.07944638429522
a = 3.513748732466750E - 01
-6.893508570538010E - 02
La ecuacin de la cubica es
y p = 1.00369670446974 - 1.07944638429522x
+3.513748732466750E - 01x 2 - 6.893508570538010E - 02x 3
El error estndar cuadrado es
xy =
S2
M n 1
1.813118270325110E-03
11 31
= 1.609400185661510E - 02
Dado que el error estndar cuadrado de la cubica es mayor al de la parbola, nos quedamos con
la parbola.
Pgina
6-15
Tabla 3
xy
y numero de condicin
xy
nc
3.187813651566340E0-2
1.582568875104840E0-1
1.527871550837310E0-2
2.561415844379480E0-3
1.609400185661510E0-2
2.811344614781460E0-6
1.656380629913640E-02
1.686401847956810E-10
1.157772563047290E-02
6.689796478985360E-16
1.290658806291850E-02
7.914929562737230E-23
1.460933887575880E-02
2.404228915542010E-31
1.678759428042640E-02
1.146437659488940E-41
2.176736731177390E-02
1.169337061766740E-53
Como podemos apreciar a medida que aumenta el grado del polinomio el sistema de ecuaciones
normales tiende a ser mas inestable. Aunque como puedes ver para grado 5 el error estndar
cuadrado es menor al de la parbola, aun as, se prefiere la parbola. Esto es, porque siempre se
prefiere la curva mas simple posible. Adems los coeficientes del polinomio de grado 5, no son
muy confiables, ya que el sistema de ecuaciones lineales es muy inestable. Por otro lado, es mas
probable que exista oscilacin en grado 5, que en la parbola.
Los datos fueron derivados de
y = 1- x + 0.2x 2
Como apreciamos las curva se aproxima a la curva real.
12
Por qu ?
6-16
y = Ae Bx
y = Ax B
Si les aplicamos el mtodo de mnimos cuadrados obtenemos
1. Curvas propuestas
y p = Ae Bx
y p = Ax B
2. S2 esta dada por:
S 2 = ( y i Ae Bx i ) 2
S 2 = ( y i Ax i B ) 2
3. Derivando
( y Ae ) = 2 ( y Ae )( e
( y Ae ) = 2 ( y Ae )( Ae
S 2
A
S 2
A
S 2
B
S 2
B
Bx i
Bxi
(y
(y
Bx i
Bx i
Bxi
Bxi
xi )
Ax i B ) 2 = 2 ( y i Ax i B )( x i B )
Ax i B ) 2 = 2 ( y i Ax i B )( Ax i B ln x i )
4. Igualando a 0 y simplificando
S 2
A
S 2
B
= 2 ( y i Ae Bxi )( e Bxi ) = 0
= 2 ( y i Ae Bxi )( Ae Bxi x i ) = 0
S 2
A
= 2 ( y i Ax i B )( x i B ) = 0
Pgina
6-17
= 2 ( y i Ax i B )( Ax i B ln x i ) = 0
Ae
Ae
2 Bx i
2 Bx i
Ax
Ax
2B
i
x i = y i e Bxi x i
2B
= y i e Bxi
= yi xi B
ln x i = y i x i B ln x i
Podemos observar que las ecuaciones normales son no lineales, por lo cual son difciles de
resolver. Por esta razn en la practica se prefiere usar un cambio de variable antes de aplicar el
mtodo de mnimos cuadrados.
Si para el modelo exponencial tomamos logaritmos naturales tenemos
y = Ae Bx
ln y = ln A + Bx
Si
z = ln y
ln A = a 0
B = a1
obtenemos
z = a 0 + a1 x
La ecuacin de una recta, la cual es trivial hallarla por mnimos cuadrados.
Anlogamente para la potencial
y = Ax B
ln y = ln A + B ln x
6-18
z = ln y
w = ln x
ln A = a 0
B = a1
obtenemos
z = a 0 + a1 w
Tambin una recta.
Para ambos casos el error estndar cuadrado es
xy =
S2
M 2
Es importante en ambos casos regresar a las variables originales, despus de haber hecho la
regresin, ya que nos interesa el ajuste de y en funcin de x, no de ln y en funcin de x
de ln y en funcin de ln x .
En ambos casos
A = e a0
B = a1
S2 se calcula con la expresin respectiva del paso 2.
y = Ae Bx
ln y = ln A + Bx
Pgina
6-19
z = ln y
ln A = a 0
B = a1
obtenemos
z = a 0 + a1 x
Las ecuaciones normales son
x a
x a
2
z
= zx
1
0
o si lo prefieres
x a
x a
2
ln y
= x ln y
1
0
z = ln y = -8.69000470253179
xz = x ln y = -7.15128319177075
Las ecuaciones normales son
6.01 a 0 -8.69000470253179
11
6.01 4.6545 a = -7.15128319177075
6-20
1.678836753854920E - 01
a=
- 1.753198857200030
Regresando a la variable original
y = 1.182799014005680e -1.753198857200030 x
El error estndar cuadrado es
xy =
S2
M 2
4.333017053288480E-02
11 2
= 6.938633433567990E - 02
y = Ax B
ln y = ln A + B ln x
Si
z = ln y
w = ln x
ln A = a 0
B = a1
obtenemos
z = a 0 + a1 w
Pgina
6-21
w a
w a
2
z
= zw
1
0
o si lo prefieres
ln x
ln x
(ln x )
a 0 ln y
=
a1 ln x ln y
w = ln x = -10.4211953439925
w = (ln x ) = 20.1301473902587
wz = ln x ln y = 2.52454386931678
2
11
-10.4211953439925a0 -8.69000470253179
-1.31721974461162
a=
- 5.565016580885040E - 01
Regresando a la variable original
A = e a0 = e -1.31721974461162 = 2.678790397399640E - 01
6-22
B = - 5.565016580885040E - 01
La ecuacin es
y = 2.678790397399640E - 01x
-5.565016580885040E-01
xy =
S2
M 2
3.349856536953140E-01
11 2
= 1.929264838957270E - 01
xy
y=
x
Ax + B
Pgina
6-23
Ax + B
x
= A+
B
x
Radio1 =
1
y
SonidoZ =
1
x
A = a0
B = a1
obtenemos una recta.
Radio1 = a 0 + a1 SonidoZ
Por otro lado tambin podemos hacer
y ( Ax + B ) = x
Ax + B =
x
y
Cambiando variables
Kebuena =
x
y
B = a0
A = a1
con lo que obtenemos otra recta.
Kebuena = a 0 + a1 x
Debemos de recordar que en cada caso el error estndar cuadrado se calcula con la ecuaciones
original.
6-24
C (mol/lt)
1.30000000000000E+01
8.880000000000000E-02
3.40000000000000E+01
7.430000000000000E-02
5.90000000000000E+01
6.330000000000000E-02
1.20000000000000E+02
4.480000000000000E-02
13
O producto.
Pgina
6-25
C = Ae kt
C=
1
kt + A
Probemos ambos para ver cual es mas apropiado. Para el modelo exponencial hacemos un
cambio de variable
C = Ae kt
ln C = ln A + kt
Si
y = ln C
ln A = a 0
k = a1 , t = x
obtenemos
y = a 0 + a1 x
Las ecuaciones normales son
x a
x a
2
y
= yx
1
o si lo prefieres
t a
t a
2
ln C
= t ln C
M=4
x = t = 226
6-26
x = t = 19206
y = ln C = -10.8864300456356
xy = t ln C = -655.363683091011
2
226 a 0 -10.8864300456356
4
226 19206 a = -655.363683091011
4a 0 + 226a 1 = -10.8864300456356
226a 0 + 19206a 1 = -655.363683091011
resolviendo
-2.36805123030564
a=
-6.257633293863140E - 03
Regresando a la variable original
A = e a0 = e -2.36805123030564 = 9.366307630583030E - 02
k = -6.257633293863140E - 03
La ecuacin es
tC =
S2
M 2
1.047430671204260E-05
4 2
= 2.288482762884900E - 03
C=
Pgina
1
kt + A
6-27
= kt + A
Si
y=
1
C
k = a1
A = a0 , t = x
obtenemos
y = a 0 + a1 x
Las ecuaciones normales son
x a
x a
t a
t a
y
= yx
1
o si prefieres
C1
= t
C
1
y=
xy =
1
C
t
C
= 62.8394283442109
= 4214.64164210046
226 a 0 62.8394283442109
4
226 19206 a = 4214.64164210046
4a 0 + 226a 1 = 62.8394283442109
226a 0 + 19206a 1 = 4214.64164210046
6-28
resolviendo
9.87979841790472
a=
1.031868790822660E - 01
Regresando a la variable original
A = 9.87979841790472
k = 1.031868790822660E - 01
La ecuacin es
C=
1
1.031868790822660E-01t +9.87979841790472
tC =
S2
M 2
0.0000007232941073824
4 2
= 6.013709784245E - 04
Podemos observar que el modelo 2 es mejor al modelo exponencial ya que su error estndar
cuadrado es menor. Por esta razn aceptamos que la curva ajustada es
C=
1
1.031868790822660E-01t +9.87979841790472
Este modelo de acuerdo a su error estndar cuadrado nos da 3 decimales correctos o sea en este
caso 2 cifras significativas.14 Con esto en mente determinemos cual era la concentracin inicial
al principio del experimento. Esto equivale a evaluar el modelo en t=0 min.
C(0 min) =
1
9.87979841790472
Por qu ?
Pgina
6-29
C(30 min) =
1
1.031868790822660E-01(30)+9.87979841790472
C(180 min) =
1
1.031868790822660E-01(180)+9.87979841790472
(x ) = (x 1)! = t x 1 e t dt
0
6-30
0.000000000000000E+00
1.000000000000000E+00
1.000000000000000E-01
9.513507699000000E-01
2.000000000000000E-01
9.181687424000000E-01
3.000000000000000E-01
8.974706963000000E-01
4.000000000000000E-01
8.872638175000000E-01
5.000000000000000E-01
8.862269255000000E-01
6.000000000000000E-01
8.935153493000000E-01
7.000000000000000E-01
9.086387329000000E-01
8.000000000000000E-01
9.313837710000000E-01
9.000000000000000E-01
9.617658319000000E-01
1.000000000000000E+00
1.000000000000000E+00
La tabla original tiene 201 puntos. Con el fin de obtener una curva aproximada simple se
ajustaron los datos a polinomios. La siguiente tabla muestra el error estndar cuadrado en
funcin del grado
15
Piensa nada mas unos minutos en como evaluaras esa integral, para cada x.
Pgina
6-31
Tabla 6
n
xy
nc
3.407921011880930E-02
1.251787073568060E-01
2.680405127657040E-03
1.351245089721490E-03
8.305981847918320E-04
1.115813123544800E-06
1.207116027524470E-04
6.672801758014870E-11
2.318866456123730E-05
2.801005330955970E-16
3.935621112303070E-06
8.087785268244310E-23
6.921022337989880E-07
1.583756736752350E-30
1.197875423941650E-07
2.081115955774190E-39
2.076761431477710E-08
1.819913769105280E-49
10
3.625215464623650E-09
1.049394671170170E-60
11
1.141214816768140E-09
3.621073490217890E-73
12
6.798503362032110E-09
8.429901698868790E-87
Podemos observar que el mejor polinomio es de grado 11, ya que tiene error estndar cuadrado
mnimo. No conviene el polinomio de grado 12, ya que el error estndar cuadrado es mayor al
de 11.
El polinomio de grado 11 obtenido es
16
Por qu ?
6-32
Poblacin
1930
123203000
1940
131669000
1950
150697000
1960
179323000
1970
203212000
1980
226505000
xy = 2.242942367069320E + 06
por lo cual tenemos 3 cifras significativas.18
Si repetimos la interpolacin y la extrapolacin de ese ejemplo tenemos
Y( 1.938000000000000E+03)= 1.288335516086430E+08
Y( 1.996000000000000E+03)= 2.366530072376710E+08
17
Entendamos por suave menos brusco, es decir sin saltos o variaciones muy
grandes de un valor a otro y sin tendencia a la oscilacin.
18
Por qu ?
Pgina
6-33
6.8 Resumen
El ajuste de curvas regresin consiste en dada una tabla determinar una ecuacin que se
aproxime apropiadamente a los datos.
El mtodo a utilizar se denomina mnimos cuadrados.
Consiste de los siguientes pasos:
1. Proponer una curva.
2. Formar la cantidad: S
= ei 2
6-34
Pgina
6-35
6.9 ndice
6.
6.1
INTRODUCCIN .................................................................................................................................... 6-1
6.2
DESARROLLO DEL MTODO .................................................................................................................. 6-2
6.3
MTODO DE MNIMOS CUADRADOS ..................................................................................................... 6-3
6.3.1
Ejemplo del mtodo de mnimos cuadrados aplicado a la recta................................................. 6-5
6.3.2
Mtodo de mnimos cuadrados para el caso polinomial............................................................. 6-7
6.3.3
Determinacin del grado del mejor polinomio ......................................................................... 6-10
6.3.3.1
6.4
REGRESIN EXPONENCIAL Y POTENCIAL ............................................................................................ 6-16
6.4.1
Ejemplo de regresin exponencial y potencial.......................................................................... 6-19
6.5
CMO PROPONER LA CURVA A AJUSTAR ? ....................................................................................... 6-23
6.6
CAMBIOS DE VARIABLE ...................................................................................................................... 6-23
6.7
EJEMPLO PRCTICOS .......................................................................................................................... 6-25
6.7.1
Cintica de una reaccin........................................................................................................... 6-25
6.7.2
Aproximacin de una funcin matemtica complicada ............................................................ 6-30
6.7.3
Pronsticos del numero de lectores de Supermn..................................................................... 6-32
6.8
RESUMEN ........................................................................................................................................... 6-34
6.9
NDICE ................................................................................................................................................ 6-36
6-36