I.

INTRODUCCION
En este trabajo presentamos de forma concreta la definicin y utilizacin del
proceso del ajuste de curvas y los mtodos para alcanzar ste como por
ejemplo el mtodo de mnimos cuadrados para lograr linealizar o ajustar una
grfica que contenga una serie de puntos y que posiblemente cumpla una serie
de restricciones adicionales, de forma ms general se podra decir que ajustar
la grfica exactamente a cuatro restricciones. El trmino mnimos cuadrados
describe el problema muy frecuente de resolver sistemas de ecuaciones
lineales sobre determinados, esto es, sistemas lineales con ms ecuaciones
que incgnitas. Este mtodo es usado para no encontrarnos con muchas
variables donde lleguemos a procesos complejos donde tengamos que analizar
a stos de forma simultnea. El ajuste de curvas est basado en las tablas de
experimentacin que contiene datos que deben ser graficados para conocer su
comportamiento y poder elegir el mtodo ms apropiado de utilizar para llegar
a fines predictivos.

II.

FUNDAMENTOS TEORICOS
El ajuste de curvas consiste en encontrar una curva que contenga una serie de
puntos y que posiblemente cumpla una serie de restricciones adicionales. Esta
seccin es una introduccin tanto a la interpolacin (cuando se espera un
ajuste exacto a determinadas restricciones) y al ajuste de curvas/anlisis de
regresin (cuando se permite una aproximacin).
Mnimos cuadrados: Es una tcnica de anlisis numrico encuadrada
dentro de la optimizacin matemtica, en la que, dados un conjunto de
pares (o ternas, etc), se intenta encontrar la funcin que mejor se aproxime
a los datos (un "mejor ajuste"), de acuerdo con el criterio de mnimo error
cuadrtico. En su forma ms simple, 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-Mrkov 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 (para dar

ms peso a un dato en particular, vase mnimos cuadrados

ponderados).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.

Ajuste de curvas lineal: Alineacin, encontrando patrones o modelos

adecuados para encontrarla tendencia de una disposicin de datos en
diferentes observaciones de tiempo. Se utiliza en diseos de tipo
experimental porque permiten establecer relaciones funcionales que
intentan predecir y las relaciones funcionales. Para la lineal se requiere:
Graficados.
Datos secuenciados y ordenados.
Inters por establecer la tendencia que permita conocer la forma real de
curva.
Yc = a + bx
METODO GEOMTRICO
Una funcin es lineal cuando las variables aparecen elevadas solo a la
primera potencia. Una funcin es lineal que relaciona X con Y se
representa algebraicamente como:
Y = a + bx

CUESTIONARIO
Qu entiende
desviacin en el
curva?

usted por
ajuste de una

En el anlisis estadstico existe una medida de la dispersin de los datos

obtenidos llamada desviacin tpica o estndar que no necesariamente est ligada
al ajuste mediante una curva. Si se refiere en concreto a un parmetro del ajuste,
es probable que esta desviacin se refiera concretamente a la diferencia entre tus
datos y la curva, ya que el ajuste es una aproximacin a la exactitud.
Comparar sus resultados en la computadora

Tabla N3
10
9
8
7
6
Axis Title 5
4
3
2
1
0
1

Tabla N3

11

14

Tabla N4
x
33434

8931

170

1233

637

Tabla N 5
12
10
8
Axis Title

6
4
2
0
1

10

OBSERVACIONES

Se pudo observar que el ajuste de curvas presenta errores ya que este no es

necesariamente exacto.
En algunas de estas operaciones dadas en el proceso de este ajuste de curvas
podemos encontrar el uso de logaritmos y sumatorias.

CONCLUSIONES

Este experimento nos permiti aprender como graficar, los distinto fenmenos
que nos podemos encontrar, y poderlos expresar en de una forma matemtica
usando formulas y ecuaciones.
Aprendimos a ajustar las curvas para que estas, tengan una forma definida y
puedan ser expresadas matemticamente.