REPBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA

EDUCACIN UNIVERSITARIA, CIENCIA Y TECNOLOGA
IUTEPI
ACARIGUA PORTUGUESA

AJUSTES ESTADSTICOS

PARTICIPANTE:
QUEVEDO JOSELIN C.I. 24.141.189
SECCIN: SM3
AILA: 03, SABATINO.
PROF.: RENZO BRICEO

SEPTIEMBRE, 2015

NDICE
INTRODUCCIN
AJUSTE LINEAL
AJUSTE CUADRTICO
AJUSTE EXPONENCIAL
CONCLUSIN
REFERENCIAS

INTRODUCCIN
En infinidad de ocasiones se encuentra en la realidad con una serie de
datos u observaciones que hemos obtenido al analizar una variable aleatoria
de patrn desconocido. Esto ocurrir, por ejemplo, al registrar los tiempos
transcurridos entre llamadas sucesivas a un call-center, al registrar los
tiempos de fallo de un determinado dispositivo, al contabilizar el nmero de
pginas web distintas que un internauta visita hasta llegar a una que le
proporciona la informacin deseada, entre otras.
En tales casos, resulta fundamental intentar identificar un patrn conocido
(distribucin de probabilidad) que ayude a explicar el comportamiento de la
variable aleatoria. Es lo que se conoce como ajuste de los datos mediante
una distribucin terica conocida. Si se logra ajustar los datos por alguna de
estas distribuciones, podremos usar las caractersticas de sta para realizar
anlisis ms profundos (inferencia) sobre la poblacin de la cual proviene la
muestra o conjunto de observaciones, o incluso para simular algn fenmeno
cuyo comportamiento venga descrito por una o varias variables aleatorias.
En la presente investigacin documental se pretende hacer una descripcin
de los ajustes lineal, cuadrtica y exponencial.

AJUSTE LINEAL
Permite determinar el grado de dependencia de las series de valores X e
Y, prediciendo el valor y estimado que se obtendra para un valor x que no
est en la distribucin. Este trabaja con variables, en la terminologa de la
regresin, la variable que se va a predecir se llama variable dependiente. Las
o las variables que se usan para predecir el valor de la variable dependiente
se llaman variables independientes. Y adems donde intervienen una
variable independiente y una variable dependiente, y la relacin entre ellas
se aproxima mediante una lnea recta. A esto se llama regresin simple.
En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico
que modeliza la relacin entre una variable dependiente Y, las variables
independientes Xi y un trmino aleatorio . Este modelo puede ser expresado
como: donde 0 es la interseccin o trmino "constante", las son los
parmetros respectivos a cada variable independiente, y p es el nmero de
parmetros independientes a tener en cuenta en la regresin. La regresin
lineal puede ser contrastada con la regresin no lineal.

Lneas de tendencia
Una lnea de tendencia representa una tendencia en una serie de datos
obtenidos a travs de un largo perodo. Este tipo de lneas puede decir si un
conjunto de datos en particular (como por ejemplo, el PBI, el precio del
petrleo o el valor de las acciones) han aumentado o decrementado en un
determinado perodo. Las lneas de tendencia son generalmente lneas
rectas, aunque algunas variaciones utilizan polinomios de mayor grado
dependiendo de la curvatura deseada en la lnea.

Medicina
En Medicina, las primeras evidencias relacionando la mortalidad con el
fumar tabaco vinieron de estudios que utilizaban la regresin lineal. Los
investigadores incluyen una gran cantidad de variables en su anlisis de
regresin en un esfuerzo por eliminar factores que pudieran producir
correlaciones espurias. En el caso del Tabaquismo, los investigadores
incluyeron el estado socio-econmico para asegurarse que los efectos de
mortalidad por tabaquismo no sean un efecto de su educacin o posicin
econmica. No obstante, es imposible incluir todas las variables posibles en
un estudio de regresin. En el ejemplo del tabaquismo, un hipottico gen
podra aumentar la Mortalidad y aumentar la propensin a adquirir
enfermedades relacionadas con el consumo de tabaco.

Industria
En la industria tiene aplicacin para investigar la relacin entre el
rendimiento de la produccin y uno o ms factores del (o de los) que
depende, como la Temperatura, la humedad ambiental, la presin, la
cantidad de insumos, etc.; con base en este anlisis se puede pronosticar el
comportamiento de una variable que se desea estimar.

AJUSTE CUADRTICO
Es el proceso por el cul encontramos los parmetros de una
parbola que mejor se ajusten a una serie de datos que poseemos, ya sean
mediciones hechas o de otro tipo. Bueno, pero por que habramos de querer
ajustar nuestros datos precisamente a una parbola y no a otra funcin. El
modelo de regresin cuadrtica es una alternativa cuando el modelo lineal no

logra un coeficiente de determinacin apropiado, o cuando el fenmeno en

estudio tiene un comportamiento que puede considerarse como parablico.

Una funcin cuadrtica o de segundo grado se puede representar de

manera genrica como:

Entonces lo que nos interesa es encontrar los valores de a, b y c que

hacen que el valor de y calculado sea lo ms cercano posible al medido.
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 GaussMrkov 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 a procesar
estn bien escogidos, para que permitan visibilidad en las variables que han
de ser resueltas (para dar ms peso a un dato en particular, vase mnimos
cuadrados ponderados).
La tcnica de mnimos cuadrados se usa comnmente en el ajuste de
curvas. Muchos otros problemas de optimizacin pueden expresarse tambin

en forma de mnimos cuadrados, minimizando la energa o maximizando

la entropa.
AJUSTE EXPONENCIAL
El ajuste exponencial (o regresin exponencial) es una regresin en
donde se usa el mtodo de mnimos cuadrados para ajustar una curva
exponencial precisamente lo ms cercano posible a un grupo determinado de
puntos o valores dados por una tabla. En este sentido, si se quiere ajustar a
la nube de puntos una funcin exponencial del tipo3 x(t) = Ae rt. Si el ajuste
resultase conveniente, ello llevara a pensar que el de Malthus podra ser un
buen modelo para predecir los resultados del experimento. La idea principal
para llevar a cabo este nuevo ajuste consiste en transformar la curva
exponencial en una recta y reducirnos luego al caso anterior (es decir, a un
ajuste de tipo lineal). Tomando logaritmos neperianos se obtiene:
log(x(t)) = log Ae rt = log(A) + log(e rt) = log(A) + rt ,
Por lo que si se considera la nueva variable X(t) = log(x(t)) y denotamos R
= log(A), la expresin anterior se reduce a la recta X(t) = R + rt. Aplicando la
metodologa de la seccin anterior se obtienen los valores de R y de r. La
nica precaucin que se ha de tomar consiste en considerar la nube de
puntos transformada que corresponde a la nueva variable 4 X, que en el
caso seria
{(0, log(0, 1)),(1, 0),(2, log(3)),(3, log(4)),(4, log(7))} = {(0, 2,302),(1, 0),
(2, 1,098),(3, 1,386),(4, 1,945)} .
Una vez conocidos R y r se debe regresar a los parmetros originales del
ajuste, A y r: es decir, se ha de devolver a la recta su forma primitiva de
exponencial. Para ello basta con deshacer el cambio de variables: x(t) = e
X(t).

En efecto, x = e X = e R+rt = e Re rt = Aert. Por consiguiente, ajustar una

funcin malthusiana no es ms que ajustar una recta a la tabla de datos
transformada segn y luego tomar su exponencial.

CONCLUSIN
La dependencia estadstica es un tipo de relacin entre variables tal que
conocidos los valores de las variables independientes no puede determinarse
con exactitud el valor de la variable dependiente, aunque si se puede llegar a
determinar un cierto comportamiento global de la misma. Como el caso de la
relacin existente entre el peso y la estatura de los individuos de una
poblacin es una relacin estadstica.
En este sentido, la aplicacin de distintas regresiones sobre un mismo
problema permite realizar comparaciones, sin limitarse solamente al caso
lineal. La facilidad de que brindan las nuevas tecnologas permite en poco
tiempo efectuar comparaciones que admitan la correcta eleccin de un
modelo adecuado, que describa los datos en problemas de diversas reas,
as como proporciona elementos de juicio suficientes para la toma de
decisiones en condiciones de incertidumbre.

REFERENCIAS
Eudeba. M.; Peck, E. y Vinning, G. (2002). Introduccin al Anlisis de
Regresin Lineal. Editorial C.E.C.S.A.
Garca, R. (2004). Inferencia estadstica y diseo de experimentos. Buenos
Aires:
Montgomery, D. y Runger, G. (1996) Probabilidad y Estadstica Aplicadas a
la Ingeniera, Ed. McGraw Hill, Captulo 9.
Mendenhall, W.; Wackerly, D.; Sheaffer, R. (2004) Estadstica Matemtica
con Aplicaciones. Grupo Editorial Iberoamrica.
Surez, M. (2011), Interaprendizaje de Estadstica Bsica TAPIA, Fausto
Ibarra-Ecuador.
Velasco S. y Wisniewski, P. (2002) Probabilidad y Estadstica para Ingeniera
y Ciencias. Editorial Thomson.