Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Graficas
Graficas
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
CUESTIONARIO
Qu entiende
desviacin en el
curva?
usted por
ajuste de una
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
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.