AJUSTE DE CURVAS

Valores Discretos a lo largo intervalo

continuo→estimacion de un punto entre valores
discretos(Ajuste de curvas % obtener datos intermedios)
1. Regresión por Mínimos Cuadrados
2. Interpolación
Ingeniería → 2 tipos de aplicaciones
1) Análisis de Tendencia.-Sirve % pronosticar valores de
la variable dependiente
2) Prueba de Hipótesis.-Un modelo matemático se
compara con los datos obtenidos
ESTADISTICA BASICA
 Media  Sumatoria de Cuadrados
 Varianza
 Desviación Estándar  Coeficiente de Variación

 Lograr aseveraciones probabilísticas definir intervalos de

confianza alrededor de un estimado de la media y la desv.
Estándar.
 Estimador de Intervalo proporciona el rango de valores
dentro del que se espera este el parámetro, con una
probabilidad dada.
 Distribución t sirve para obtener intervalos de confianza
más amplios
ESTADISTICA BASICA
 Distribución t
 α se conoce como el nivel de significancia.
 t variable aleatoria estándar de la distribución t
 L limite inferior
 U limite Superior
Ajuste de Curvas
 El Método más simple de ajustar una curva es trazar sus puntos y unirlos con
una línea recta.

 Los resultados dependen de la precisión de quien traza la curva.

 Los métodos existes:

- Regresión Lineal
- Regresión Polinomial
Regresión Lineal
 Se conoce como Aproximación por Mínimos Cuadrados.

 Consiste en hallar una línea recta que pase entre el conjunto de datos dados .

y=ax+b
 Pero la recta a trazar va a generar un error E.
y = a0 x – a1 + E
Quedando definido el error como:
E = y – a0 x – a1
El error (o Residuo) es la diferencia entre el valor real de y, y el valor aproximado .

 Para obtener la mejor línea a través de los puntos, se debe minimizar la suma de
los errores residuales:

 Pero esta estrategia, y otras más, son inadecuadas. La mejor estrategia consiste
en minimizar la suma de los cuadrados de los residuos (Si):
 Para hallar a y b, se deriva la ecuación con respecto a cada coeficiente:

 Igualando las derivadas a cero y despejando a y b se obtiene:

 En donde:
Error Estándar de la Aproximación:
 Cuantifica la dispersión alrededor de la línea de dispersión:

 Desviación estándar:

Si Sxy es menor Sy el modelo de regresión lineal es adecuado

 La eficiencia del ajuste se cuantifica con el Coeficiente de Determinación:

 Y con el Coeficiente de Correlación:

Regresión Polinomial
 Siendo una línea recta una representación pobre del patrón.
 El procedimiento de Regresión Lineal se ajusta a un polinomio de un m-ésimo
grado.
 La suma de los cuadrados de los residuos es:

 Se deriva con respecto a cada coeficiente: