Universidad Nacional del Altiplano

FACULTAD DE INGENIERÍA MECÁNICA ELÉCTRICA, ELECTRÓNICA Y

SISTEMAS

ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS

INTEGRANTES

- Limache Vilca Emerson

- Mamani Turpo Elfer

- Tarqui Chambilla Brayan

PUNO - PERÚ 2024

Contenido
INTRODUCCIÓN .................................................................................................................. 1
MÉTODO DE AJUSTE DE CURVAS .................................................................................... 1
I. HISTORIA: ................................................................................................................. 1
II. DEFINICIÓN:.............................................................................................................. 3
III. OBJETIVO: ............................................................................................................. 3
IV. REQUISITOS.......................................................................................................... 5
V. Ejercicios. ................................................................................................................... 5
VI. ALGORITMO Y CÓDIGOS DE LOS MÉTODOS MOSTRADOS ............................. 9
VII. APLICACIONES REALES .................................................................................... 11
VIII. VENTAJAS Y DESVENTAJAS: ............................................................................ 19
IX. CONCLUSIONES: ................................................................................................ 20
INTRODUCCIÓN
En el amplio campo de la modelización matemática y estadística, el ajuste de curvas es una técnica
esencial que desempeña un papel vital en el estudio y la comprensión de datos experimentales o
empíricos. Su importancia se manifiesta de manera decisiva, proporcionando una herramienta
indispensable para abordar la complejidad inherente a los fenómenos investigados, permitiendo una
representación más precisa y completa de los mismos. El proceso de ajuste de curvas adquiere especial
importancia cuando nos enfrentamos a la tarea de comprender y predecir comportamientos complejos
a partir de un conjunto limitado de observaciones. En este informe, profundizaremos en los detalles de
esta tecnología, exploramos sus conceptos básicos, aplicaciones prácticas, métodos e impacto en
diversos campos de la ciencia y la tecnología. La esencia del ajuste de curvas es encontrar la función
matemática que mejor se ajuste a un conjunto de datos determinado. Este ajuste se logra minimizando
la diferencia entre la curva ajustada y los puntos experimentales, permitiendo una descripción más
detallada y precisa del comportamiento básico del sistema. La capacidad de sacar inferencias y
extrapolaciones a partir de datos no observados hace que la tecnología sea una herramienta poderosa
para predecir tendencias y comprender la dinámica de sistemas complejos.

Este informe proporcionará una descripción general completa de los diversos métodos de ajuste de
curvas, desde los métodos clásicos que sientan las bases hasta los métodos más avanzados que han
surgido a medida que evoluciona la investigación. Se destacarán las ventajas y limitaciones de cada
enfoque, proporcionando una descripción general completa de las opciones disponibles.

Para ilustrar la aplicabilidad práctica de estas técnicas, exploraremos estudios de casos específicos
donde el ajuste de curvas fue fundamental para resolver problemas del mundo real. Estos ejemplos
concretos servirán como ejemplos vivos de la versatilidad y eficacia de la herramienta en varios
contextos científicos y tecnológicos.

En última instancia, este informe tiene como objetivo proporcionar una descripción general completa
del ajuste de curvas, resaltar su importancia en el modelado de fenómenos complejos y resaltar su
contribución esencial a la toma de decisiones informadas en campos tan diversos como la ingeniería, la
ciencia de datos, la biología y más.

MÉTODO DE AJUSTE DE CURVAS

I. HISTORIA:
Evolución Histórica del Ajuste de Curvas

1
1805: En este año, el matemático francés Adrien-Marie Legendre deja su huella en la historia
al desarrollar el método de los mínimos cuadrados. Esta técnica revolucionaria proporciona una
forma sistemática de encontrar la línea o curva que minimiza la suma de los cuadrados de las
diferencias entre los valores observados y los predichos.

1809: De manera independiente, el matemático alemán Carl Friedrich Gauss contribuye al

desarrollo del método de los mínimos cuadrados, consolidando su importancia en el ámbito
matemático y científico.

Siglo XIX: A lo largo del siglo XIX, la regresión lineal emerge como un método matemático
para aproximar la relación de dependencia entre una variable dependiente y variables
independientes. Este enfoque se convierte en un pilar fundamental para el análisis de datos y la
modelización matemática.

Siglo XX: Con el inicio del siglo XX, los métodos de ajuste de curvas experimentan un notable
avance al expandirse para incluir funciones no lineales. Este desarrollo permite una
representación más precisa de fenómenos complejos que no pueden ser capturados mediante
modelos lineales simples.

Mediados del Siglo XX: La mitad del siglo XX marca un hito con avances significativos en la
computación y métodos numéricos. Estos progresos posibilitan la aplicación de técnicas más
complejas a conjuntos de datos extensos, facilitando el análisis de fenómenos más intrincados.

Finales del Siglo XX: En las últimas décadas del siglo XX y principios del siglo XXI, se
produce un auge en la estadística computacional y métodos avanzados de ajuste de curvas. Este
período ve el surgimiento de campos como la ciencia de datos y el aprendizaje automático, que
amplían enormemente las capacidades y aplicaciones del ajuste de curvas.

Siglo XXI: En la actualidad, las técnicas modernas de ajuste de curvas han evolucionado aún
más. La disponibilidad de potentes herramientas de software ha permitido la aplicación de una

2
 variedad de métodos, desde técnicas clásicas hasta enfoques más avanzados como redes
neuronales y algoritmos de aprendizaje automático.

II. DEFINICIÓN:
El ajuste de curvas es una metodología matemática fundamental que se emplea con el propósito
de modelar y aproximarse a la relación existente entre variables en un conjunto de datos. Su
objetivo principal es identificar y desarrollar una función matemática que se ajuste de manera
óptima a los datos observados, proporcionando así una representación efectiva de las tendencias
y patrones inherentes a un fenómeno o sistema específico.

Este proceso implica una cuidadosa selección de la forma funcional de la curva, ya sea lineal,
polinómica, exponencial u otra, con el fin de capturar de manera precisa y eficiente la
variabilidad y complejidad de los datos recopilados. La elección de la función se realiza a través
de métodos como los mínimos cuadrados, que buscan minimizar la discrepancia entre los
valores observados y los predichos por la curva ajustada.

El ajuste de curvas no solo facilita la descripción retrospectiva de patrones en los datos, sino
que también permite realizar predicciones y extrapolaciones, contribuyendo así a la toma de
decisiones informadas en diversos campos, como la investigación científica, la ingeniería, la
economía y la estadística. A lo largo de la historia, esta técnica ha evolucionado desde sus
fundamentos en el siglo XIX, donde se establecieron los métodos de mínimos cuadrados, hasta
las técnicas más avanzadas y computacionalmente intensivas utilizadas en la era
contemporánea.

III. OBJETIVO:
Objetivos Principales:

Representación Matemática:

El ajuste de curvas busca representar de manera matemática la relación entre variables en un

conjunto de datos, permitiendo una comprensión más profunda de las interacciones
subyacentes.

3
Predicción y Extrapolación:

Este proceso no solo modela los datos existentes, sino que también facilita proyecciones y
decisiones informadas al predecir valores dentro y fuera del rango de datos observados. La
capacidad de extrapolación contribuye a anticipar tendencias futuras.

Simplificación y Resumen:

Al emplear funciones matemáticas, el ajuste de curvas simplifica conjuntos de datos complejos,

proporcionando una representación más clara y fácil de interpretar, esencial para la
comunicación efectiva de resultados.

Aplicaciones Prácticas del Ajuste de Curvas:

Identificación de Patrones:

La capacidad de facilitar la identificación de patrones y tendencias en los datos es crucial para

comprender el comportamiento de las variables y tomar decisiones fundamentadas.

Interpolación y Suavizado:

El ajuste de curvas también juega un papel vital en la interpolación, permitiendo estimaciones

suaves entre puntos de datos para reducir el impacto del ruido y mejorar la interpretación
general.

Control de Procesos y Optimización:

En ingeniería y ciencia, el modelado y optimización de procesos son aplicaciones directas del

ajuste de curvas, ayudando a mejorar la eficiencia y la calidad.

Importancia en Investigación y Experimentación:

Análisis de Datos Experimentales:

En experimentos científicos, el ajuste de curvas es esencial para describir las relaciones entre
variables, proporcionando una base matemática para el análisis de datos experimentales.

Inferencia Estadística:

Facilita la inferencia sobre parámetros del modelo, permitiendo evaluar la significancia y

confiabilidad de las relaciones identificadas, fundamentales para la validez de los resultados
experimentales.

4
 Funciones Adicionales del Ajuste de Curvas:

Detección de Anomalías:

El ajuste de curvas también puede utilizarse para identificar puntos anómalos en los datos,
resaltando problemas o irregularidades que podrían requerir una atención especial.

Diseño de Experimentos:

Sirve como guía valiosa en la selección de condiciones experimentales, permitiendo obtener

información significativa con un número mínimo de pruebas, optimizando así el proceso de
experimentación.

IV. REQUISITOS.
Datos de calidad: Se refiere a la necesidad de contar con datos precisos, completos y
confiables, los datos deben ser representativos de la relación que se trata de modelar.

Modelo matemático: Se necesita seleccionar un modelo matemático que se ajuste a la

naturaleza de tus datos, tener una idea del tipo de relación que existe entre las variables.

Cumplimiento de supuestos: Implica tener en cuenta los supuestos sobre la forma funcional
de la relación entre las variables y asegurarse de que sean apropiados y se cumplan.

Inicialización: Algunos métodos requieren valores iniciales para los parámetros del modelo.
Asegúrate de tener buenas estimaciones iniciales.

Uso de métodos de estimación adecuados: Se refiere a la necesidad de utilizar métodos de

estimación apropiados que se ajusten a las características de los datos y cumplan con los
supuestos del problema.

Interpretación adecuada de los resultados: Implica comprender correctamente los resultados

del ajuste de curvas, considerando posibles fuentes de error o incertidumbre.

Convergencia: Para métodos iterativos, necesitas establecer un criterio de convergencia. Por

ejemplo, puedes detenerte cuando los cambios en los parámetros son pequeños.

V. Ejercicios.
Método de Mínimos cuadrados:

𝒏𝜮𝑿𝒊𝒀𝒊−𝜮𝑿𝒊𝜮𝒀𝒊 𝜮𝒀𝒊 𝜮𝑿𝒊

𝒄𝟏 = 𝒏𝜮𝑿𝒊𝟐 −(𝜮𝑿𝒊)𝟐 𝒄𝟐 =
𝒏
− 𝒄𝟏
𝒏

𝑬𝒓𝒓𝒐𝒓 = 𝜮(𝒀𝒊 − 𝒄𝟐 − 𝒄𝟏 𝑿𝒊)𝟐

5
Ejemplo 1: Encontrar la línea de regresión que se ajuste mejor a los siguientes datos.

x 1 1.5 2 2.5 3

y 2 3.2 4.1 4.9 5.9

La siguiente tabla muestra los valores calculados necesarios para hallar los valores de los
coeficientes de la recta buscada.

N Xi Yi Xi*Yi Xi^2 Error

1 1 2 2 1 0.0144

2 1.5 3.2 4.8 2.25 0.0169

3 2 4.1 8.2 4 0.0064

4 2.5 4.9 12.25 6.25 0.0049

5 3 5.9 17.7 9 0.0004

TOTAL 10 20.1 44.95 22.5 0.043

Datos necesarios:
𝟐
𝛴𝑿𝒊 = 𝟏𝟎 , 𝛴𝒀𝒊 = 𝟐𝟎. 𝟏 , 𝛴𝑿𝒊𝒀𝒊 = 𝟒𝟒. 𝟗𝟓 , 𝛴𝑿𝒊 = 𝟐𝟐. 𝟓

𝟓(𝟒𝟒. 𝟗𝟓) − (𝟏𝟎)(𝟐𝟎. 𝟏) 𝟐𝟑. 𝟕𝟓

𝒄𝟏 = = = 𝟏. 𝟗
𝟓(𝟐𝟐. 𝟓) − (𝟏𝟎)𝟐 𝟏𝟐. 𝟓
𝟐𝟎.𝟏 𝟏𝟎 𝟏.𝟏
𝒄𝟐 = − 𝟏. 𝟗 = = 𝟎. 𝟐𝟐
𝟓 𝟓 𝟓

Error = 0.043 Remplazando tenemos que : 𝒀 = 𝟏. 𝟗𝑿 + 𝟎. 𝟐𝟐

6
Método de Interpolación:

Ajustar los siguientes datos a un polinomio

x -2 1 2 3

y -4 -3 1 3

Método de interpolación polinomial - Newton (diferencias divididas):

−𝟑−(−𝟒)
𝒂𝟎 = −𝟒 , 𝒂𝟏 = = 𝟎. 𝟑𝟑𝟑
𝟏−(−𝟐)

𝟒 − 𝟎, 𝟑𝟑
𝒂𝟐 = = 𝟎. 𝟗𝟏𝟔𝟔𝟔𝟕
𝟐 − (−𝟐)
−𝟏 − 𝟎. 𝟗𝟏𝟔𝟔𝟕
𝒂𝟑 = = −𝟎. 𝟑𝟖𝟑𝟑𝟑𝟒
𝟑 − (−𝟐)

7
 n Xi Yi

1 -2 -4

2 1 -3 0.333

3 2 1 4 0.916667

4 3 3 1 -1 -0.383334

𝑭(𝒙) = 𝒂𝟎 + 𝒂𝟏 (𝒙 − 𝒙𝟎 ) + 𝒂𝟐 (𝒙 − 𝒙𝟎 )(𝒙 − 𝒙𝟏 ) + 𝒂𝟑 (𝒙 − 𝒙𝟎 )(𝒙 − 𝒙𝟏 )(𝒙 − 𝒙𝟐 )

𝑭(𝒙) = −𝟒 + 𝟎. 𝟑𝟑(𝒙 − −𝟐) + 𝟎. 𝟗𝟏𝟔𝟔𝟕(𝒙 − −𝟐)(𝒙 − 𝟏) +

−𝟎. 𝟑𝟖𝟑𝟑𝟒(𝒙 − −𝟐)(𝒙 − 𝟏)(𝒙 − 𝟐)

𝑭(𝒙) = −𝟔, 𝟕𝟎𝟔𝟕 + 𝟐, 𝟕𝟖𝟎𝟎𝟑𝒙 + 𝟏, 𝟑𝟎𝟎𝟎𝟏𝒙𝟐 − 𝟎, 𝟑𝟖𝟑𝟑𝟒𝒙𝟑

Gráfico:

8
VI. ALGORITMO Y CÓDIGOS DE LOS MÉTODOS MOSTRADOS
Codigo en c++ para el metodo de Minimos cuadrados:

#include <iostream>

#include <cmath>

using namespace std;

void regressionLineal(const double x[], const double y[], int n, double& pend, double& inter)
{

double sumX = 0, sumY = 0, sumXY = 0, sumX2 = 0;

for (int i = 0; i < n; ++i) {

sumX += x[i];

sumY += y[i];

sumXY += x[i] * y[i];

sumX2 += x[i] * x[i];

pend = (n * sumXY - sumX * sumY) / (n * sumX2 - sumX * sumX);

inter = (sumY - pend * sumX) / n;

int main() {

double x[] = {1, 1.5, 2, 2.5, 3};

double y[] = {2, 3.2, 4.1, 4.9, 5.9};

int n = sizeof(x) / sizeof(x[0]);

double pend, inter;

regressionLineal(x, y, n, pend, inter);

cout << "Coeficiente de la pendiente (m): " << pend << endl;

cout << "Ordenada al origen (b): " << inter << endl;

return 0;

Codigo en c++ para el metodo de Interpolacion Polinomial:

#include <iostream>

9
#include <cmath>

using namespace std;

void diferenciasDivididas(const double x[], const double y[], double f[][5], int n) {

for (int i = 0; i < n; i++) {

f[i][0] = y[i];

for (int j = 1; j < n; j++) {

for (int i = 0; i < n - j; i++) {

f[i][j] = (f[i + 1][j - 1] - f[i][j - 1]) / (x[i + j] - x[i]);

void construirPolinomio(double x[], double f[][5], int n) {

cout << "El polinomio interpolante de Newton es:\n";

cout << "P(x) = " << f[0][0];

for (int i = 1; i < n; i++) {

cout << " + (";

for (int j = 0; j < i; j++) {

cout << "(x - " << x[j] << ")";

if (j < i - 1) {

cout << " * ";

cout << ") * " << f[0][i];

cout << "\n";

int main() {

10
 double x[] = {-2, 1, 2,3};

double y[] = {-4, -3, 1,3};

int n = sizeof(x) / sizeof(x[0]);

double f[5][5];

diferenciasDivididas(x, y, f, n);

construirPolinomio(x, f, n);

return 0;

VII. APLICACIONES REALES

El ajuste de curvas es una técnica matemática que tiene una amplia gama de aplicaciones. Llenar puntos
de datos faltantes: Si faltan algunos puntos de datos en un conjunto, el ajuste de curvas puede usarse
para estimar los valores faltantes.

Interpolación: Esta es la estimación de puntos de datos desconocidos que caen dentro de dos puntos
de datos conocidos. Por ejemplo, si conocemos los valores de una función en los puntos x=1 y x=3,
pero queremos saber el valor en x=2, podemos usar el ajuste de curvas para estimarlo.

Extrapolación: Similar a la interpolación, pero en este caso estamos estimando puntos de datos
desconocidos que están más allá de los datos conocidos. Por ejemplo, si tenemos datos hasta el año
2020 y queremos predecir lo que sucederá en 2025, podemos usar la extrapolación.

Derivación e integración de datos digitales: En algunos casos, es posible que necesitemos conocer la
tasa de cambio (derivada) o el área bajo la curva (integración) de los datos digitales. El ajuste de curvas
puede ayudar con esto.

Visualización de datos: Las curvas ajustadas pueden utilizarse para ayudar a la visualización de los
datos, para resumir las relaciones entre dos o más variables.

Modelado de fenómenos físicos: En ciencias e ingeniería, a menudo modelamos fenómenos físicos

(como el crecimiento de una población, la desintegración de un material radiactivo, etc.) utilizando
ecuaciones matemáticas. El ajuste de curvas nos permite encontrar la ecuación que mejor se ajusta a
nuestros datos experimentales.

Ingeniería

11
En ingeniería, el ajuste de curvas se utiliza para modelar y predecir fenómenos naturales o procesos
técnicos. Por ejemplo, se puede utilizar para modelar el comportamiento de estructuras mecánicas, la
difusión de sustancias químicas.

Medicina

En medicina y otras ciencias de la salud, el ajuste de curvas se utiliza para modelar y predecir variables
relacionadas con la salud, como la evolución de enfermedades, el crecimiento de tumores, la respuesta
a tratamientos médicos o la predicción de la eficacia de medicamentos. Esto ayuda a realizar
diagnósticos, planificar tratamientos y tomar decisiones clínicas.

Economía

En economía y finanzas, el ajuste de curvas se utiliza para modelar y predecir variables financieras,
como los precios de las acciones, los tipos de cambio o las tasas de interés. Esto permite tomar
decisiones de inversión, gestionar riesgos financieros y pronosticar tendencias económicas.

Tecnología

En tecnología, el ajuste de curvas se utiliza en el análisis de datos. Permite encontrar una función
matemática que se ajuste de manera precisa a los datos observados, lo que permite modelar y predecir
fenómenos con alta precisión. Esto es especialmente útil en situaciones donde se requiere una
representación matemática precisa de los datos, como en la predicción de variables futuras o en la
comprensión de relaciones complejas entre variables.

ARTÍCULO : MODELO DE REGRESIÓN LINEAL Y NO LINEAL EN EL AJUSTE DE

CURVAS PARA DATOS DE HUMEDAD RELATIVA

INTRODUCCIÓN
El estudio del comportamiento de los diferentes parámetros meteorológicos como
temperatura, humedad relativa, radiación solar, entre otros, es de vital importancia;
especialmente hoy en día en que el cambio climático se está haciendo cada vez más
notorio.

La humedad relativa puede tener efectos negativos en la conservación de alimentos,

conservación de viviendas, conservación de documentos de archivo y biblioteca, entre
otras áreas.

Recolección de datos

Los datos del parámetro meteorológico humedad relativa fueron proporcionados por
el Centro de Investigación Ambiental para el Desarrollo de la Universidad Nacional
“Santiago Antúnez de Mayolo”. Estos datos se registraron en la estación

12
meteorológica de Cañasbamba, Callejón de Huaylas en el departamento de Ancash;
este lugar tiene un clima particular, debido a que se encuentra por encima de 2250
m.s.n.m., y está ubicado entre la cordillera blanca y la cordillera negra; esta
particularidad ha sido uno de los motivos, para tomar datos de esta estación
meteorológica.

Exploración de los datos

Se han considerado datos de entre las 07:00 hasta las 20 h, que se podría
considerar como periodo de tiempo con la mayor actividad económica de la zona. Se
analizaron los datos de diferentes días, y se encontró similitud en el comportamiento
de los datos registrados de los días 1, 3 y 5, respectivamente.

13
Los resultados gráficos mostrados en las Figuras 1, 2 y 3, permiten suponer que las
curvas de ajuste para estos datos pueden ser de tipo parábola cúbica o sinusoidal.

14
Por otro lado, si se quisiera aproximar los datos entre las 07:00 h y el momento en
que se alcanza su mínimo valor la curva puede ser del tipo logístico.

Modelo de regresión lineal

Analizamos la parábola cúbica, es decir, la determinación de los parámetros a, b, c, y
d para la expresión . El problema de mínimos cuadrados
para esta función de ajuste se puede resolver mediante técnicas de álgebra lineal. La

solución se calcula mediante la expresión.

Construcción de la función cúbica de ajuste de datos

Para este caso los Xi representan las horas en las que se ha medido la humedad
relativa del día 1, y los Yi representan la humedad relativa correspondiente, por lo
que las expresiones matriciales son

𝑥 = (𝐴𝑇 𝐴)−1 𝐴𝑇 𝐵

15
En la Figura 4 se presenta, en color marrón, los datos(Xi,Yi) correspondiente a la hora
de medición y el valor medido de la humedad relativa; así mismo, se presenta, en
color rojo, la curva de la función cúbica de ajuste.

Modelo de regresión no lineal

La función seno tiene como expresión general

donde los parámetros a determinar son

a, b,dx, y dy; los parámetros a y b son factores de escala, mientras que y
representan las traslaciones en la dirección horizontal y vertical, respectivamente.

Por otro lado, la función logística en su expresión general queda expresada como

16
Cada Yi es la humedad relativa de cada hora Xi, por otro lado.

El objetivo es, con los datos que se tienen obtener los mejores parámetros a, b, dx,
dy para minimizar la sumatoria. Para resolver este tipo de problemas existen
diferentes métodos, generalmente, métodos de aproximación, partiendo de una
solución inicial.

17
RESULTADOS Y DISCUSIÓN

Periodo de 07:00 a 20:00 Hs.

En la Tabla 4, para cada función de ajuste, se muestra el error cuadrático medio, es

decir

, donde “n” es el número de datos considerados, en este caso n=14.

Con esto se puede comparar e identificar cuál es la función que se ajusta mejor a los
datos (humedad relativa). El error cuadrático medio para la función sinusoidal es
6.0245, mientras que para la función cúbica es 12.6292.

18
 CONCLUSIONES

La función sinusoidal es una buena función de ajuste para los datos de humedad
relativa en el periodo de tiempo analizado.

El comportamiento simétrico, de la función seno, respecto de la recta vertical pasa por

el punto donde alcanza su mínimo; pues en ciclos completos del día podría no ser la
mejor opción, por lo que no hay que descartar la función cúbica como buena función
de ajuste para ciertos casos.

En general, las técnicas de regresión no lineal permiten mejores resultados, los

valores de los parámetros respectivos se pueden calcular con facilidad, teniendo en
cuenta que hay diferentes herramientas informáticas de cálculo para ello.

VIII. VENTAJAS Y DESVENTAJAS:

Ventajas:

● Modelado preciso: El ajuste de curvas permite encontrar una función matemática

que se ajuste de manera precisa a los datos observados, lo que permite modelar y
predecir fenómenos con alta precisión.
● Flexibilidad: El ajuste de curvas ofrece una gran flexibilidad en la elección de la
función matemática que se ajuste a los datos. Esto permite adaptar el modelo a la
forma específica de los datos observados, lo que puede conducir a una representación
más precisa del fenómeno en estudio.
● Interpretación de resultados: El ajuste de curvas también permite interpretar los
resultados obtenidos de manera clara y comprensible. La función matemática

19
 encontrada puede ser analizada para comprender cómo los diferentes coeficientes o
parámetros influyen en el comportamiento del modelo.
● Extrapolación: El ajuste de curvas también permite la extrapolación de datos, es
decir, la predicción de valores fuera del rango de datos observados.

Desventajas:

● Sensibilidad a datos atípicos: Puede ser afectado por valores extremos que
distorsionan la forma de la curva ajustada
● Costo computacional: Dependiendo del algoritmo que se use, podríamos encontrar
un caso divergente, donde no se podría calcular el ajuste exacto, o el costo
computacional de encontrar la solución podría ser muy alto.
● Polinomios de alto grado pueden oscilar mucho: Aunque podríamos simplemente
aumentar el grado de la ecuación polinómica para obtener un ajuste exacto, los
polinomios de grado superior pueden oscilar mucho.
● Elección del modelo: Se enfrenta al desafío de seleccionar el modelo correcto entre
varias opciones, lo que puede afectar la precisión y la interpretación.

IX. CONCLUSIONES:

El ajuste de curvas es un proceso esencial en muchos campos de la ciencia y la ingeniería para modelar
datos experimentales o empíricos. Permite realizar estimaciones internas a la tabla (interpolación) y
estimaciones externas a las tablas de datos (extrapolación).

Los polinomios de colocación, como los de Newton y Lagrange, son útiles para la interpolación, ya que
el modelo pasa exactamente por los puntos tabulares. Los polinomios de mínimos cuadrados, por otro
lado, pueden ser tanto interpolantes como extrapolación.

Por tanto el ajustes de curvas son distintos métodos por los cuales se puede llegar a una fórmula que
se aproxime al comportamiento de los datos obtenidos en un experimento o suceso del cual se quiera
analizar. Sin embargo, es importante tener en cuenta que, aunque exista un ajuste exacto, no
necesariamente significa que podamos encontrarlo. Además, los polinomios de grado superior pueden
oscilar mucho. Por lo tanto, a veces es preferible un ajuste aproximado en lugar de un ajuste exacto.

BIBLIOGRAFÍA

Espinola Gonzales, Jesús. “MODELOS DE REGRESIÓN LINEAL Y NO LINEAL EN

EL AJUSTE DE CURVAS PARA DATOS DE HUMEDAD RELATIVA.” Hatun Yachay

Wasi, vol. 2, no. 2, 2023, pp. 72-84, https://doi.org/10.57107/hyw.v2i2.48. Accessed

18 01 202

20