Universidad Escuela Colombiana de Ingeniería Julio Garavito

Departamento de Matemáticas
Análisis Numérico

AJUSTE DE CURVAS

María Alejandra Perdomo Camacho

Gabriela López Montenegro

Presentado a:
Ernesto Riveros Ospina

Universidad Escuela Colombiana de Ingeniería Julio Garavito

Bogotá D.C
1/04/2022
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico

Tabla de contenido

BASE TEORICA................................................................................................................................
DESARROLLO..................................................................................................................................
CONCLUSIONES..............................................................................................................................
RECOMENDACIONES......................................................................................................................
BIBLIOGRAFIA.................................................................................................................................
6. CONCLUSIONES......................................................................................................................
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico

BASE TEORICA
I. INTERPOLACION

La interpolación es la obtención de nuevos puntos partiendo del conocimiento de un

conjunto discreto de puntos, La idea de la interpolación es poder estimar f(x) para un valor
de x arbitrario, a partir de la construcción de una curva o superior que une los puntos
donde se han realizado las mediciones y cuyo valor si se conoce. Se asume que el punto
arbitrario x se encuentra dentro de los límites de los puntos de medición, en caso
contrario se llamaría extrapolación.

II. REGRESIÓN

La regresión trata de ajustar a una nube de puntos una función de tipo matemático que
se aproxime lo máximo posible a los datos. Dada cualquier nube de puntos, siempre
existirá una función que se pueda ajustar sobre esos datos, aunque, evidentemente, en
el caso de dependencia estadística, este ajuste no será perfecto.

El principal objetivo de la regresión es ajustar una función a los datos con el fin de
realizar predicciones

 Regresión lineal:

La regresión lineal permite realizar predicciones de los valores que

tomara una de las dos variables (ya sea la variable “x” o la variable “y”),
la función que tiene la variable “x” es predecir mientras que la otra
variable, que es la variable “y” viene representada por la ecuación de una
línea recta que es:
y=mx+b
El procedimiento que se realizo fue por medio de la calculadora, la cual nos va a
permitir obtener los valores de las constantes “m” y “b” para así poder conocer la
ecuación que representan esos datos.
 Regresión parabólica:
La regresión parabólica intenta encontrar un modelo entre variables de la
forma:
2
y=c x +bx+ a
Donde el fin es conocer la constante de “c”, “b” y “a” para así saber que función
representan esos datos que nos dan, se puede realizar por diferentes métodos ya
sean en calculadora, Excel o alguna página de programación.

 Regresión exponencial:
Lo que se busca es encontrar una línea de tendencia exponencial, esta nos sirve
para los datos que presenten una disminución o aumento de intervalos mayores,
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico
la idea con encontrar la línea de tendencia es convertir una curva exponencial a
una recta por medio de logaritmos.
A lo que se llega es que como la función exponencial es:
Bx
y=a e
Se puede linealizar por medio de logaritmos y cambiando los datos según los
parámetros que se hallan predeterminado.

 Regresión de potencia:
En la regresión de potencia lo que se busca es llegar a la siguiente ecuación:
B1
y=B0 X
La cual también nos permite linealizar por medio de logaritmos y crear nuevos
parámetros para los nuevos datos que se deberán tener.

III. INTERPOLACION SEGMENTARIA:

La interpolación segmentaria (trazadores o splines) nos permite por medio de una curva
definida a trozos encontrar una función S definida en [x0, xn] que en cada subintervalo [xj ,
xj+1] tiene una forma particular.
Por medio de splines nos permite interpolar polinomicamente, como ya se había
mencionado es una curva definida a trozos, por lo tanto, la ides es agrupar las abscisas en
distintos intervalos según el grado que convenga emplear en jada ejercicio.
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico

DESARROLLO
Para el desarrollo del taller se debe construir modelos que nos permitan conocer y
analizar los resultados mediante ajustes de diferentes conceptos.
Los datos dados son los siguientes:

Número de
Costo de
unidades
fabricación
fabricadas
12 307
3,5 132
5 164,2
6,8 202,5
7,2 210,9
9 249
12 307,8
12,7 321,8
13 327
13,4 334,8
15 364,9
17 401,3
23 503,8
25 535,5
27 565,9
29,7 605,3
Tabla 1. Costo y unidades de una empresa

1) Es necesario hacer el juste de un modelo de regresión.

I. Regresión lineal.
Conociendo que la ecuación a hallar es y=mx+B, se hace la regresión lineal con
ayuda de la calculadora, en menú se selecciona la opción 2.

Posteriormente se pasan los datos que nos dan y se selecciona la opción

“regression” para así poder hallar el valor de m y de b para obtener la ecuación
lineal que representa los datos, teniendo en cuenta lo mencionado obtenemos
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico
que:

Donde b representa el m y el a representa el B

m=18,0634
b=84,7271
por lo tanto, la ecuación lineal nos queda como:
y=18,0634 x+ 84,7271

II. Regresión parabólica

En este caso la ecuación que se desea conocer es la parabólica entonces tenemos
que y=c x 2 +bx+ a en este caso se selecciona la opción 3.

Nuevamente se insertan los datos y se escoge la opción regresión para así tener
los valores de a, b y c ; estos valores son necesarios conocerlos para poder tener la
ecuación parabólica que representa esos datos, así que:

De esta forma se tiene que la ecuación es:

2
y=−0,149 X +23,0188 x−53,0604
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico

III. Regresión exponencial.

Como se dio a conocer en la base teórica, la regresión exponencial se representa
por la siguiente ecuación: y=a e Bx, la idea es linealizar (llegar a que y=mx+b)
entonces se aplico logaritmo natural en ambas partes, de la siguiente forma:

ln ( y ) =ln ( a e Bx )
ln ( y ) =ln ( a ) + ln ( e Bx )
ln ( y ) =ln ( a ) + Bx
Donde:
ln ( y ) = y
ln ( a )=b
B=m
x=x
Teniendo esto presente se realiza una nueva tabla de datos, la cual queda de la
siguiente forma:
número de
costo de
unidades
fabricación
fabricadas
12 5,7268
3,5 4,8828
5 5,1011
6,8 5,3107
7,2 5,3514
9 5,5175
12 5,7295
12,7 5,7739
13 5,7900
13,4 5,8135
15 5,8996
17 5,9947
23 6,2222
25 6,2832
27 6,3384
29,7 6,4057
Tabla 2. datos modificados

Digitando estos nuevos datos en la calculadora, teniendo en cuenta que la ecuación es lineal se
tiene que:
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico

Como b=ln ( a ), se hace el siguiente procedimiento:

b ln ( a)
e =e
0,0535
e =a=146,1779
por lo tanto, ya tenemos los valores que conforman la regresión exponencial, queda de la
siguiente forma:
0,0535 x
y=146,1779∗e

IV. Regresión de potencias.

B1
La regresión de potencias está representada por la ecuación y=B0 X ,lo que se
busca es linealizarla (y=mx+b).
ln ( y ) =ln ( B0 X B ) 1

ln ( y ) =ln ( B 0 ) +ln ( X B ) 1

ln ( y ) =ln ( B 0 ) + B1 ln ⁡(x )
Donde:
ln ( y ) = y
ln ( x )=x
B1=m
ln ( B0 ) =b
Se realiza una nueva tabla y se insertan los nuevos datos.
Número de
Costo de
unidades
fabricación
fabricadas
2,4849 5,7268
1,2528 4,8828
1,6094 5,1011
1,9169 5,3107
1,9741 5,3514
2,1972 5,5175
2,4849 5,7295
2,5416 5,7739
2,5649 5,7900
2,5953 5,8135
2,7081 5,8996
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico
2,8332 5,9947
3,1355 6,2222
3,2189 6,2832
3,2958 6,3384
3,3911 6,4057
Tabla 3. datos regresión de potencia.

Como ln ( B0 ) =b , se hace el siguiente procedimiento:

e b=e ( )
ln B0

3,9312
e =B 0=50,9680
Por lo tanto, la ecuación queda así:
0,7273
y=50,968 ¿ X
2) Estimar el error que presentara cada modelo cuando se fabrica 13,4 cientos de unidades.
El valor verdadero (Vv) es de 334,8

I. Regresión lineal
y=18,0634 x+ 84,7271
y=18,0634 ( 13 , 4 ) +84,7271=326,7767
Donde “y” es el valor aproximado, con estos datos ya se puede calcular el error que
presenta la regresión lineal:
E1=¿Vv−v aprox ∨ ¿ ¿
Vv
E1=¿334 , 8−326,7767∨ ¿ =0,0240 ¿
334 , 8

II. Regresión parabólica

2
y=−0,149 X +23,0188 x−53,0604
2
y=−0,149 (13 , 4 ) +23,0188 ( 13 , 4 )−53,0604=228,6371
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico
Por lo tanto, el error presente es:

E2=¿Vv−v aprox ∨ ¿ ¿
Vv
E2=¿ 334 , 8−228,6371∨ ¿ =0,3171 ¿
334 , 8

III. Regresión exponencial.

0,0535 x
y=146,1779∗e
0,0535 ( 13 ,4 )
y=146,1779∗e =299,3832

El error que presenta la regresión exponencial es el siguiente:

E3 =¿ Vv−v aprox ∨ ¿ ¿
Vv
E3 =¿ 334 , 8−299,3832∨ ¿ =0,1058 ¿
334 , 8

IV. Regresión de potencias.

0,7273
y=50,968 ¿ X
0,7273
y=50,968 ¿ ( 13 , 4 ) =336,5433

El error que da la regresión de potencias es:

E 4=¿ Vv−v aprox∨ ¿ ¿
Vv
E 4=¿ 334 ,8−336,5433∨ ¿ =0,0052¿
334 ,8
3) El coeficiente de determinación se calcula poniendo nuevamente los datos, pero teniendo
en cuenta que cada uno es con diferente ecuación, una vez se pasan los datos se escoge
“regression” y se selecciona la opción 3, después se eleva al cuadrado el r y el valor que
arroja representa al coeficiente de determinación.
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico

Para calcular el coeficiente de correlación es el mismo procedimiento del coeficiente de

determinación, solo que el coeficiente de correlación es simplemente la r

I. Regresión lineal

Coeficiente de determinación = 0,9963

Coeficiente de correlación= 0,9982
II. Regresión parabólica
La regresión parabólica se realizó por medio de Excel.

Coeficiente de determinación= 0,99898

Coeficiente de correlación =0,9995
III. Regresión exponencial.
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico

Coeficiente de determinación=0,9225
Coeficiente de correlación= 0,9604

V. Regresión de potencias.

Coeficiente de determinación= 0,9990

Coeficiente de correlación= 0,9995
4) Es necesario interpolar el valor cuando x=24,1, para este procedimiento se introducen
nuevamente los datos y se multiplica el ^y por 24,1.

I. Regresión lineal

Por lo tanto, a la empresa le costaría 520,0553 miles de pesos fabricar 24,1 cientos de
unidades si se maneja la regresión lineal.
II. Regresión parabólica

Con lo anterior se llega a que la empresa le costaría 521,2976 miles de pesos fabricar 24,1
cientos de unidades si se maneja la regresión parabólica.

III. Regresión exponencial.

 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico

Con el modelo de regresión exponencial a la empresa le costaría 531,2026 miles de pesos

fabricar 24,1 cientos de unidades.

IV. Regresión de potencias.

Con el modelo de regresión de potencias a la empresa le costaría 515,7909 miles de pesos

fabricar 24,1 cientos de unidades.

5) El que consideramos que presenta un mejor ajuste, teniendo en cuenta el error que
presento cada uno, se llega a que la regresión de potencias es la que presenta menor error
verdadero ( 0,0052) y al observar el coeficiente de correlación de cada regresión también
se observa que el que más se acerca a 1 es la regresión por potencias, de modo que
modelo que más se ajusta y el que es más preciso es este modelo.

6) Para poder empezar a hacer el método de interpolación por newton primero se deben
organizar los datos de menos a mayor, y como solo se van a utilizar los primeros 6 datos
entonces los datos a utilizar son los siguientes:

C. de Fabricación N.U. Fabricadas

132 3,5
164,2 5
202,5 6,8
210,9 7,2
249 9
307 11
Tabla 4. datos para interpolación de newton

Principalmente se calculó el polinomio de cuarto grado teniendo en cuenta los primeros 5 datos y
con estos se construyó la siguiente tabla.
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico
n xj f(xj)
0 3,5 132 -- -- -- --
1 5 164,2 21,46666667 -- -- --
2 6,8 202,5 21,27777778 -0,057239057 -- --
3 7,2 210,9 21 -0,126262626 -0,018655019 --
4 9 249 21,16666667 0,075757576 0,050505051 0,012574558
Tabla 5. interpolación de newton de cuarto grado.

Sabiendo que la ecuación general es:

y=a0 +a 1 ( x−x 0 ) + a2 ( x −x0 ) ( x−x 1 ) + …+an (x −x0 )(x−x 1)( x−x n−2). Se reemplazan los datos
de a n y de x n−2

p4 ( x )=132+21,467 ( x−3 , 5 ) −0,057 ( x−3 , 5 ) ( x −5 )−0,0187 ( x−3 , 5 ) ( x−5 ) ( x−6 , 8 ) +0,0126 ( x −3 ,5 )( x−5 )( x

4 3 2
p4 ( x )=0,0126 x −0,3022 x +2,565906 x +12,212774 x +68,88898

Reemplazando el valor a interpolar que es cuando el costo de la producción sea de 6,9 cientos de
unidades, el costo de fabricación será de:

4 3 2
p4 ( x )=0,0126 (6 , 9) −0,3022 (6 , 9 ) + 2,565906 ( 6 , 9 ) +12,212774(6 , 9)+68,88898

p4 ( x )=204,6051 miles de pesos

Ahora calculando el polinomio de quinto grado, se obtiene la siguiente tabla:

n xj f(xj)
1 3,5 132 -- -- -- -- --
2 5 164,2 21,4667 -- -- -- --
3 6,8 202,5 21,2778 -0,0572 -- -- --
4 7,2 210,9 21,0000 -0,1263 -0,0187 -- --
5 9 249 21,1667 0,0758 0,0505 0,0126 --
6 11 307 29,0000 2,0614 0,4728 0,0704 0,0077

Reemplazado los valores que se tienen, el polinomio es:

p4 ( x )=132+21,467 ( x−3 , 5 ) −0,057 ( x−3 , 5 ) ( x −5 )−0,0187 ( x−3 , 5 ) ( x−5 ) ( x−6 , 8 ) +0,0126 ( x −3 ,5 )( x−5 )( x
0,0077 ( x−3 , 5 ) ( x−5 ) ( x−6 , 8 ) ( x−7 , 2 ) (x−9)

Organizando mejor el polinomio nos queda que:

5 4 3 2
p4 ( x )=0,0077 x −0,22995 x + 2,685092 x −15,377404 x +64,628522 x+ 9,51274

Reemplazando nuevamente la producción de 6,9 cientos de miles, pero en el polinomio de quinto

grado, el costo de fabricación será de:
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
5 4
Análisis
3
Numérico 2
p4 ( x )=0,0077 (6 , 9) −0,22995 ( 6 , 9 ) +2,685092 ( 6 , 9 ) −15,377404 ( 6 ,9 ) + 64,628522(6 , 9)+ 9,51274

p4 ( x )=204,6082

7) Se trabajará con la misma cantidad de datos (Tabla 5.) que se utilizaron en la interpolación
por el método de newton, Principalmente se crearon las ecuaciones de continuidad ( las
ecuaciones de continuidad de los nodos internos)
2
y 1=a2 x +a1 x+ a0
2
y 2=b 2 x +b1 x+ b0
2
y 3=c2 x + c1 x+ c 0
2
y 4 =d 2 x +d 1 x+ d 0
2
y 5=e2 x + e1 x + e0

Una vez se plantearon las ecuaciones, se reemplazó el 6,9 y quedaron las siguientes
ecuaciones:

164 , 2=25 a2 +5 a1 +a 0
164 ,2=25 b2 +5 b1 +b 0
202,5¿ 46 ,24 b2 +6 , 8 b1 +b 0
202,5¿ 46 ,24 c 2+6 ,8 c1 +c 0
210,9¿ 51 , 84 c 2+ 7 , 2c 1 +c 0
210,9¿ 51 , 84 d 2 +7 , 2 d1 + d0
249¿ 81 d 2 +9 d 1+ d 0
249=81 e2 +9 e 1 +e 0

Posteriormente se creaban las ecuaciones de condicional en los nodos exteriores.

132¿ 12 ,25 a2+ 3 ,5 a 1+ a0

307=121 e2 +11e 1+ e 0

Y finalmente para poder completar la matriz se crearon las ecuaciones de suavidad y concavidad
las cuales son:

' ' '

y 1=2 xa2 +a 1 y 1= y 2
' ' '
y 2=2 xb2 +b 1 y 2= y 3
' ' '
y 3=2 xc 2+ c 1 y 3= y 4
' ' '
y 4 =2 xd 2+ d1 y4= y5
'
y 5=2 xe 2+ e1

''
y 1 + 0 ,01=0
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico
2 a2 +0 , 01=0

Igualándolas a cero quedan de la siguiente forma:

10 a2 + a1−10 b2−b1=0
13 , 6 b2 +b 1−13 , 6 c 2−c 1=0
14 , 4 c 2+ c 1−14 , 4 d 2−d 1=0
18 d 2 +d 1−18 e 2−e 1=0

Posteriormente se arma la matriz la cual queda así:

a2 a1 a0 b2 b1 b0 c2 c1 c0 d2 d1 d0 e2 e1 e0
25 5 1 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 25 5 1 0 0 0 0 0 0 0 0 0
0 0 0 46,24 6,8 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 46,24 6,8 1 0 0 0 0 0 0
0 0 0 0 0 0 51,84 7,2 1 0 0 0 0 0 0
A= 0 0 0 0 0 0 0 0 0 51,84 7,2 1 0 0 0
0 0 0 0 0 0 0 0 0 81 9 1 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 81 9 1
12,25 3,5 1 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 121 11 1
10 1 0 -10 -1 0 0 0 0 0 0 0 0 0 0
0 0 0 13,6 1 0 -13,6 -1 0 0 0 0 0 0 0
0 0 0 0 0 0 14,4 1 0 -14,4 -1 0 0 0 0
0 0 0 0 0 0 0 0 0 18 1 0 -18 1 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Por lo
tanto la matriz B queda así:

164,2
164,2
202,5
202,5
210,9
210,9
249
249
B= 132
307
0
0
0
0
-0,01
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico

Como ya se tienen las dos matrices, se pasa a obtener los valores de a, b, c, d, e;

haciendo :
−1
X =A ∗B
Lo cual da que:
a 2=−0,005
a 1=21,5092
a 0=56,7792
b 2=−0,1008
b 1=22,4669
b 0=54,3849
c 2=−0,241
c 1=24,3736
c 0=47,902
d 2=0,1461
d 1=18,7992
d 0 =67 , 97
e 2=1,3271
e 1=2,4580
e 0=119,3827
Una vez se tiene los valores que acompañan a las x, pasamos a reescribir las ecuaciones de
la parábola, las cuales quedan así:
2
y 1=−0 ,05 x +21,5092 x +56,7792
2
y 2=−0,1008 x +22,4669 x+ 54,3849
2
y 3=−0,241 x +24,3736 x+ 47,902
2
y 4 =0,14614 x +18,7992 x +67 , 97
2
y 5=1,327 1 x + 2,4580 x +119,3827
Nos están pidiendo interpolar cuando el costo de fabricación es de 6,9 cientos de
unidades, entonces primero se observa en donde 6,9 es abscisa, en este caso es en le
tercera parábola, por lo tanto, en y3 es donde se reemplaza el 6,9, así:
2
y 3=−0,241 x +24,3736 x+ 47,902
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
2
Análisis Numérico
y 3=−0,241 ( 6 ,9 ) +24,3736 ( 6 , 9 ) +47,902
y 3=204,6058
De esta forma se tiene que cuando se usa el modelo de segmentarias, el costo que tendrá
la fábrica al fabricar 6,9 cientos de unidades, va a ser de 204,6058 de miles de pesos.

8) Al analizar y observar los 6 modelos que se emplearon (modelo de regresión lineal,

parabólico, exponencial y de potencia, del mismo modo, interpolación de newton y
segmentarias) se puede evidenciar que cada uno presenta su dificultad,
claramente uno más que otros, no solo esto si no también lo extensos que pueden
llegar a ser, pero lo que más nos importa es que tan preciso es cada modelo, esto
se puede comparar con los resultados obtenidos en todo el trabajo.
Si detallamos un poco el procedimiento que se debe realizar en segmentarias se
llega a que es un modelo tedioso pues el sistema matricial generado es grande y las
ecuaciones que se deben construir son varias por lo que puede tomar un tiempo realizar el
proceso de interpolación por este método, sin embargo, se evidencia que es un método
acertado y demasiado ajustado al valor que se puede considerar real.

CONCLUSIONES
 Observando los datos y procedimientos que se presentó, se llega a que la
interpolación de datos es un factor que nos permite y nos ayuda a
aproximarse lo mejor posible a un valor que se desconoce, por medio de
diferentes conceptos ya sea la interpolación por segmentarias (trazadores
o splines), método de newton, polinomios de Lagrange entre otros, todos
estos métodos tienen su parte tediosa unos mas que otras pero esto a la
vez nos permitirá ahorrar tiempo y nos ayudara a conocer el valor más
preciso.
 Observando los valores que nos arrojó cada método de regresión, se
encontró que la función que mejor se ajusta a los datos es la función
potencial ya que esta es la que presenta menor error, por lo tanto, es la
mejor opción para relacionar los datos.
 Todos los métodos usados son muy prácticos en el área de la ingeniería ya
que muchas veces se necesita conocer valores aproximados de datos que
se calcularon en campo y no sabemos que tan precisos son, por esto es
importante aprender a manejar lo mejor posible todos estos métodos.
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico

RECOMENDACIONES
 En este caso la mayoría de cálculos se hicieron por medio de la calculadora ya que
realmente es un procedimiento fácil, rápido y entendible, pero nos dimos cuenta
que al ser tantos datos, la calculadora presentaba un mayor error que si lo
hacíamos por medio de Excel o programando, por lo tanto, se recomienda saber
cómo hacer los cálculos por calculadora pero también por otros programas para
así poder escoger con cual cree que sea mas preciso.

BIBLIOGRAFIA

 http://funes.uniandes.edu.co/5614/1/Pinz%C3%B3nAlgunosGeometr%C3%ADa2008.PDF

 https://www.uv.es/ceaces/pdf/regre.pdf

 https://medellin.unal.edu.co/~cemejia/doc/MN/cubicsplines.pdf

 http://interpolacion.wikidot.com/
 Universidad Escuela Colombiana de Ingeniería Julio Garavito
Departamento de Matemáticas
Análisis Numérico

6. CONCLUSIONES
 Analizar una serie de datos entregados con el objetivo de a partir de ellos llegar
a la solución de un problema parte del hecho de realizar un análisis detallado de
todas las posibles formas de llegar a la forma de solución entre las cuales están
los distintos tipos de regresión por lo que se debe estar en la capacidad de
saber escoger cuál es la mejor opción teniendo en cuenta que se considere el
menor de los errores.

 En este caso, hemos encontrado que la función que mejor se ajusta a los datos
es una función con forma potencial de grado dos y así como en este caso esta
fue la mejor opción para relacionar los datos puede que en otros problemas
tengamos que escoger modelos de regresión con forma lineal, exponencial,
cuadrática entre otras relaciones que podemos llegar a tener y el criterio de
escoger un modelo debe ser siempre el de disminuir el error lo más que se
pueda llegar a reducir.

 La interpolación de datos es un factor que ayuda mucho a la hora de

aproximarse mucho a un valor desconocido y en el que podemos usar
diferentes formas como los polinomios de Newton, los polinomios de Lagrange
y las segmentarias cuadráticas, todos estos métodos como hemos vistos tienen
errores demasiado pequeños y nos podrían estar ahorrando el tiempo de
buscar la regresión que más se ajusta dado que se acerca directamente al valor,
claro está que por seguridad siempre es mejor considerar todos los panoramas
posibles.

 El uso de estos métodos numéricos son de gran ayuda en el campo de la

ingeniería y otras áreas del saber en donde se necesitan las relaciones de
variables tomadas en campo, en laboratorio, entre otros donde se puede llegar
a obtener un conjunto de datos y del que necesitamos establecer su relación,
por ello es de gran importancia el aprender a manipular todos estos métodos ya
que son las formas en las que podemos aproximarnos a las soluciones de
diversos problemas de los que muchas veces no conocemos leyes de formación
para aplicar conocimientos de otros cálculos en los que partimos de relaciones
establecidas.