Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SISTEMAS
INTEGRANTES
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.
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.
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:
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:
Identificación de Patrones:
Interpolación y Suavizado:
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:
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:
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.
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.
V. Ejercicios.
Método de Mínimos cuadrados:
5
Ejemplo 1: Encontrar la línea de regresión que se ajuste mejor a los siguientes datos.
x 1 1.5 2 2.5 3
La siguiente tabla muestra los valores calculados necesarios para hallar los valores de los
coeficientes de la recta buscada.
1 1 2 2 1 0.0144
Datos necesarios:
𝟐
𝛴𝑿𝒊 = 𝟏𝟎 , 𝛴𝒀𝒊 = 𝟐𝟎. 𝟏 , 𝛴𝑿𝒊𝒀𝒊 = 𝟒𝟒. 𝟗𝟓 , 𝛴𝑿𝒊 = 𝟐𝟐. 𝟓
6
Método de Interpolación:
x -2 1 2 3
y -4 -3 1 3
−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
Gráfico:
8
VI. ALGORITMO Y CÓDIGOS DE LOS MÉTODOS MOSTRADOS
Codigo en c++ para el metodo de Minimos cuadrados:
#include <iostream>
#include <cmath>
void regressionLineal(const double x[], const double y[], int n, double& pend, double& inter)
{
sumX += x[i];
sumY += y[i];
int main() {
cout << "Coeficiente de la pendiente (m): " << pend << endl;
cout << "Ordenada al origen (b): " << inter << endl;
return 0;
#include <iostream>
9
#include <cmath>
void diferenciasDivididas(const double x[], const double y[], double f[][5], int n) {
f[i][0] = y[i];
if (j < i - 1) {
int main() {
10
double x[] = {-2, 1, 2,3};
double f[5][5];
diferenciasDivididas(x, y, f, n);
construirPolinomio(x, f, n);
return 0;
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.
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.
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.
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.
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.
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.
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
18
CONCLUSIONES
La función sinusoidal es una buena función de ajuste para los datos de humedad
relativa en el periodo de tiempo analizado.
Ventajas:
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
18 01 202
20