UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
TRONCO COMUN DE INGENIERIA
Nombre: Mailyn Arce Diaz
Materia: Programacion y Metodos Numericos
Matricula: 02112675
Profesor: Jose Ernesto Lopez Velazquez
Mexicali, Baja California 02 de mayo del 2026
Objetivo
Desarrollar un programa en Matlab que implemente los métodos de regresión lineal
por mínimos cuadrados y regresión exponencial, con el propósito de apoyar la
resolución de problemas en ciencias e ingeniería, promoviendo la precisión,
fomentando la creatividad en su diseño y manteniendo un compromiso ético
fundamentado en la honestidad.
Introducción
En esta práctica se trabajará con métodos de regresión lineal y exponencial, los
cuales son muy útiles cuando se tienen datos experimentales que no siguen un
comportamiento exacto o presentan ciertos errores. En lugar de buscar que todos
los puntos coincidan perfectamente, lo que se hace es encontrar una función que se
ajuste lo mejor posible a la tendencia de los datos.
A lo largo de la práctica, se aplicará el método de mínimos cuadrados para obtener
una aproximación adecuada, primero mediante una recta (regresión lineal) y
después mediante un modelo exponencial. Esto permite analizar mejor la relación
entre las variables y hacer predicciones más confiables.
Resolución de problemas y comentarios
En esta práctica se analiza el crecimiento de un cultivo de bacterias usando datos
de población en diferentes horas. Se aplican métodos de regresión para encontrar
un modelo que se ajuste mejor a la tendencia.
Se utilizan dos tipos de ajuste, lineal y exponencial, para comparar cuál describe
mejor el comportamiento. Además, con el modelo obtenido se hace una predicción
en un tiempo específico, lo que ayuda a entender mejor el crecimiento y la utilidad
de estos métodos.
En el caso del ajuste lineal, se calculan las sumatorias necesarias y se aplican las fórmulas
del método de mínimos cuadrados para obtener los coeficientes de la recta. Con esto se
determina la ecuación que mejor se ajusta a los datos.
Para el ajuste exponencial, primero se realiza una transformación logarítmica de los datos,
lo que permite convertir el modelo en uno lineal. Posteriormente, se aplican los mismos
principios de mínimos cuadrados y finalmente se regresa al modelo exponencial.
Se calcula el coeficiente de correlación con el fin de evaluar qué tan bien se ajusta el
modelo a los datos. Este valor permite medir la relación entre las variables y la precisión del
ajuste obtenido.
Se realiza una predicción utilizando el modelo generado, estimando el valor de la población
en un tiempo específico. Esto demuestra la utilidad práctica de los métodos de regresión.
Ajuste exponencial
Ajuste lineal
Conclusiones y respuestas
En este caso, el ajuste exponencial resulta más adecuado para representar los
datos del crecimiento del cultivo de bacterias. Esto se puede observar gráficamente,
ya que la curva exponencial se adapta mejor a la forma en que los datos aumentan
con el tiempo, mostrando un crecimiento cada vez más rápido, a diferencia del
modelo lineal que solo presenta una tendencia recta.
Además, al comparar los coeficientes de correlación obtenidos en ambos modelos,
el ajuste exponencial presenta un valor de R más cercano a 1, lo que indica una
mejor relación entre las variables y un ajuste más preciso. Por otro lado, el modelo
lineal tiene un valor de correlación menor, lo que significa que no describe de
manera tan adecuada el comportamiento real de los datos.