1

UNIVERSIDAD ABIERTA Y A DISTANCIA DE MÉXICO

Cálculo Diferencial

ASIGNACIÓN POR PARTE DEL FACILITADOR

Docente en línea: Silvia Flor de Azalia Monroy Salazar

Alumno: José Juan Meza Espinosa

ES162003482

Fecha: 27 de Noviembre del 2016

2

INSTRUCCIONES

Parte I.

Aquí, es muy importante que recuerdes por qué quisiste estudiar esta
carrera. Cuando definas el porqué, vas a buscar proyectos donde se aplique
la derivada. Has trabajado mucho con las aplicaciones de la derivada
entonces no te costará trabajo encontrar un proyecto del área que más te
llame la atención y buscar la aplicación de la derivada en esa área.

Cuando hayas encontrado el proyecto. Vas a realizar un reporte de lo que

encontraste. Este reporte debe contener: resumen de lo que trata el tema;
descripción de las variables involucradas y para qué se usa la derivada.
Esto es con el objetivo de que le encuentres la utilidad de lo aprendido en
esta materia.

Proyecto:

La definición de filtro adaptativo es un sistema que intenta modelar la relación

entre señales en tiempo real de forma iterativa. Se diferencia de los filtros digitales IIR
(filtro de respuesta infinita) o FIR (filtro de respuesta finita), en que éstos tienen
coeficientes invariantes en el tiempo, mientras que un adaptativo puede cambiar su
forma de comportarse, es decir pueden cambiar sus coeficientes de acuerdo con
un algoritmo adaptativo en este caso el LMS. De hecho no se saben los coeficientes del
filtro cuando se diseña, estos coeficientes son calculados cuando el filtro se implementa
y se reajustan automáticamente en cada iteración mientras dura su fase de aprendizaje.
El hecho de que estos filtros no sean invariantes temporales y que tampoco sean lineales
hace que su estudio sea más complejo que el de un filtro digital, ya que no se pueden
aplicar, salvo en un par de excepciones, las transformaciones en frecuencia, dominio Z.

Un filtro adaptativo como el esquema de abajo lo maneja h(n) es el sistema que no

conocemos y deseamos encontrar su respuesta al impulso, w(n) tendrá los coeficientes
de nuestro filtro adaptativo:
3

dn Es la respuesta deseada

xn Es la entrada del sistema
yn Es la respuesta del filtro FIR (Filtro de respuesta finita)
en Es el error producido por el filtro

yn  i0
N1
w i xn  i Esta es la respuesta del filtro
en  dn  yn
en  dn  i0
N1
w i xn  i

En principio el objetivo es hacer que la señal de error sea cero, para ello el
sistema debe configurarse para que, a partir de la señal de entrada xn se
genera la salida yn de forma que sea igual a la señal deseada dn . Cada
una de las formas de minimizar ese error es un método de implementar los
filtros adaptativos. Por ejemplo se podría proponer minimizar la función de
coste Jn  e n , aplicando la regla delta se obtendrían los nuevos
2

coeficientes como:

Wn  1  Wn    n

 ( n)  d
dw
 2

E d (n)  y(n)   0 Para realizar la optimización
4

Donde n es a función costo a optimizar y µ es un parámetro de

ponderación constante llamado tamaño de Paso.

n  d
dw
E dn  yn 2  d
dw
e 2 n

Todo esto es lo que se conoce como el algoritmo LMS, el nuevo coeficiente

entonces es:

Wn  1  Wn   dw
d
e 2 n

Donde  dw e n es el gradiente, que por lo común el gradiente apunta

d 2

siempre a la dirección de máximo cambio, y cuando ponemos el signo negativo

esta apuntara a la dirección de mínimo cambio y con esto el error se
aproximara a cero.

Entonces tenemos la adaptación del coeficiente es:

Wn  1  Wn  µenXn

Simulación en matlab:

randn('seed', 0) ;
rand('seed', 0) ;
NData = 8000 ; % Número de puntos o de datos
NN = 32 ; % Orden del filtro adaptativo
Mu = 0.01 ; % Velocidad de Adaptación
x = randn(NData, 1) ;% Entrada
h = rand(NN, 1) ; % Sistema cualesquiera
d = filter(h, 1, x) ; % Generación de la salida (Señal deceada)
% Inicialización del LMS
w = zeros(NN,1) ;
% Adaptación del LMS
5

for n = NN : NData
D = x(n:-1:n-NN+1) ;

d_hat(n) = w'*D ; yn  i0

N1
w i xn  i
e(n) = d(n) - d_hat(n) ;
w = w + Mu*e(n)*D; Wn  1  Wn  µenXn
w_err(n) = norm(h - w) ;
end ;
% Graficas de los Resultados
figure(1);
subplot(2,1,1),plot(20*log10(abs(e))) ;
title('Curva de aprendizaje') ;
xlabel('Numero de Iteraciones') ;
ylabel('Salida de Estimacion de error en dB') ;
subplot(2,1,2),semilogy(w_err) ;
title('Estimacion de Error de los Coeficientes') ;
xlabel('Numero de Iteraciones') ;
ylabel('Error de los coeficientes en dB') ;

Bibliografía:

Haykin, S. O. (s.f.). Adaptive Filter Theory . Prentice Hall.

Parte II.

Para esta parte debes de realizar los siguientes ejercicios:

Tema: Contaminación

1.- Una mancha con forma de cilindro recto circular se ha formado al

derramarse en el mar 100 m3 de petróleo. Calcula con qué rapidez aumenta
el radio de la mancha cuando ese radio es de 50m si el espesor disminuye a
razón de 10 cm/hora en el instante en que R = 50 m.
6

Hint: se sugiere que como no se tiene una función R(t) se realice el

problema considerando que la mancha es un cilindro por lo que se necesita
saber el volumen.

Respuesta:

La velocidad con que aumenta el radio r a medida que la mancha se expande

sobre la superficie del mar, en el instante en que r  50m .

Hallo la expresión rt para derivarla para después sacar la derivada. Sin
embargo no se nos indica como dato del problema la forma en que el espesor
h varía con el tiempo por lo que no lograremos encontrar rt .

Entonces debo buscar la fórmula del volumen del cilindro, donde relaciona el
radio y la altura de este. r y h que nos proporciona el volumen del cilindro
que es la mancha que debe ser constante.

V  r 2 h Es el volumen del cilindro

Derivando respecto de t:

d
dt
V   dtd r 2 h
dV
dt
  r 2 dtd h  h dtd r 2
dV
dt
  r 2 dh
dt
 h2r dr
dt

V Es constante, ósea que es independiente de t , y por el eso el valor de su

derivada es: dt  0 , ahora sustituimos en la anterior
dV
7

 r 2 dh
dt
 h2r dr
dt
0 Entre 
r 2 dh
dt
 h2r dr
dt
0
dr
Ahora despejamos dt

h2r dr
dt
 r 2 dh
dt
r 2 dh
dr
dt
 h2r dt
dr
dt
  2h
1 dh
r dt

Tenemos el dato de cómo se comporta la altura de la mancha que disminuye a

razón de 10 centímetros/hora
dh
dt
 10 Centímetros/hora   10
1
metros/hora

10 centimetros 1 metro
 1
10
Conversión: hora 100 centimetros Metros/hora

También tenemos la relación de V  r 2 h donde podemos despejar h

V  r 2 h
h  V2
r

3
Como V=100m ,r=50m lo sustituimos en

h V
 100
 1
r 2 50  2 25

Sustituyendo valores en la ecuación

dr
dt
  2h
1 dh
r dt tenemos:

dr
dt
  2h
1 dh
r dt

dr
dt
 1
1
50  10
1
 196. 35
2 25 Metros/hora

2.- Estudios realizados han permitido determinar que el nivel medio diario
C de monóxido de carbono CO2 en el aire, en partes por millón (ppm), en
una ciudad, está relacionado con la población p expresada en miles de
habitantes por la siguiente expresión:

𝒑𝟐
𝑪(𝒑) = √ + 𝟏𝟕
𝟐
El aumento de población en esa ciudad en t años se estima que está dado
por la relación siguiente: 𝒑(𝒕) = 𝟑. 𝟏 + 𝟎. 𝟏𝒕𝟐 en miles de habitantes. ¿Con
8

qué rapidez crees que estará variando la concentración de CO2 en esa

ciudad dentro de 3 años?

Respuesta:
Respuesta:

La concentración de C se expresa en función de la población p y esta depende

también tiempo t, podemos ver que C esta en función de t. ya que se esto
ahora calculo la derivada de concentración contra el tiempo t:
p2
d
dt
Cp  d
dt 2
 17
1
dCp p2
  17
d 2
dt dt 2

dCp p2
1
1 p2
  17  17
1 2 d
dt 2 2 dt 2

dCp p2  12
dt
 1
2 2
 17 1 d 2
2 dt
p  d
dt
17
dCp p2  12
dt
 1
2 2
 17 1
2
2p dtd p  0
dCp dp
dt
 1
2
1
1
1
2
2p dt
p2 2
2
17

dCp p dp
dt
 1
2 1 dt
p2 2
2
17

dpt
Y tenemos que pt  3. 1  0. 1t 
2
dt
 d
dt
3. 1  0. 1t 2   0. 2t
dCp 3.10.1t 2
dt
 1
2 1
0. 2t
2
3.10.1t2 2

2
17

Ahora nos dan el valor de t (que está en años y vale 3 años):

dCp 3.10.1t 2 3.10.13  2

dt
 1
2 1
0. 2t  1
2 1
0. 23  0. 24
t3años 3.10.1t2
2 2 3.10.13 2
2 2

2
17 2
17
t3años
ppm/año, esta sería la rapidez con que estará variando la concentración de 𝐶𝑂2
en esa ciudad dentro de 3 años.

Otra manera de hacerlo sería:

Igual podemos hacerlo retomando la ecuación:

dCp p dp
dt
 1
2 1 dt
p2 dpt
2
17
2
y dt
 d
dt
3. 1  0. 1t 2   0. 2t

dp3
Para t  3, p3  3. 1  0. 13  4. 0,  0. 23  0. 6
2
dt
9

dCp 4
dt
 1
2 1
0. 6  0. 24
42 2
17
Ahora sustituimos en ppm/año, esta sería la
2

rapidez con que estará variando la concentración de 𝐶𝑂2 en esa ciudad dentro
de 3 años.

Tema: Propagación de epidemia

3.-Un estudio realizado durante una epidemia que se propagó entre los
animales del rodeo vacuno de nuestro país mostró que el número de
animales afectados, t días después de iniciado el brote, respondió a una
expresión del tipo:

𝑵
𝒏(𝒕) =
𝟏 + 𝑨𝒆−𝒌𝒕

N y A constantes, A>1, donde N era el número total de animales del rodeo

nacional.
a) Demuestra que la máxima velocidad de propagación de la enfermedad
ocurrió cuando se infectó la mitad del rodeo.
b) Grafica la función n para t ≥0, y la función velocidad de propagación V.

Respuesta:

n es el número de vacunos infectados

N es el número total de vacunos en el rodeo
A y K son constantes donde A  1 y k  0
nt  N
1Ae kt
dnt
a) la razón de propagación de la enfermedad vt  dt

dnt 1Ae kt d

NN dtd 1Ae kt
vt   d N
 dt
dt dt 1Ae kt 1Ae kt
2

1Ae kt 0N Ake kt N Ake kt e kt

 kt
 kt
 ANk
Ae kt 1
2 2 2
1Ae 1Ae
e kt
vt  ANk
Ae kt 1
2
Por lo tanto:

Ahora la expresión de vt debería tener un máximo:

e kt e k0
vt| t0  ANk kt 2
 ANk 2
 AN k
0
Ae 1 Ae k0 1 A1  2
t0
e kt lim t e kt
limt vt  limt ANk kt
 ANk  ANk 0
0
lim t Ae kt 1
2 2
Ae 1 01  2
10

d 2 nt dnt e kt

d
vt   d
 d d N
 ANk dtd 
dt dt 2 dt dt dt dt 1Ae kt Ae kt 1
2

Ae kt 1 e kt e kt Ae kt 1

2 d d 2

 ANk dt dt
2
Ae kt 1
2

Ae kt 1 ke kt e kt 2Ake kt Ae kt 1

2
 ANk
Ae kt 1
4

ke kt Ae kt 1  2Ake 2kt Ae kt 1

2

 ANk
Ae kt 1
4

A 2 ke 3kt ke kt ke kt A 2 e 2kt 1

 ANk  ANk
Ae kt 1 Ae kt 1
4 4

A 2 e 2kt 1 Ae kt 1 Ae kt 1

 ANk 2 e kt  ANk 2 e kt
Ae kt 1 Ae kt 1
4 4

Ae kt 1
 ANk 2 e kt
dvt
Ae kt 1
dt 3

Igualando
d
dt
vt 0
Ae kt 1
 ANk 2 e kt
dvt
0
Ae kt 1
dt 3

Ae kt 1
ANk 2 e kt 0 kt 3
Ae kt 1 Por Ae  1
3

ANk 2 e kt Ae kt  1  0 Entre ANk 2 e kt

Ae kt  1  0
Ae kt  1
e kt  1
A
lne kt  ln A1
 kt  ln A1
 kt   lnA Por 1
kt  lnA
t  lnkA Este es el punto crítico

Ahora lo clasificaremos revisando el signo de la expresión de la derivada.

 Signo Ae k
ln A 1
dvt k 1  Signo Ae ln A  1  Signo AA 1  1  0
dt

Es entonces un máximo

Ahora ya estamos en posición de encontrar los animales afectados en ese

momento:

nt| t ln A  N
 N
 N
 N
 N
 1
N
k 1Ae kt t lnkA k ln A 1Ae ln A 1Ae ln A
1
1AA 1 2
1Ae k
11

Con esto podemos decir que hemos encontrado el momento de máxima razón
de propagación de la enfermedad, que es cuando se infecta la mitad de los
vacunos en el rodeo.

b) Para graficar a expresión nt obtenemos:

lim t0 N
limt0 nt  limt0 N
  N
1Ae kt lim t0 1Ae kt 1A

lim t N
limt nt  limt N
  N
N
1Ae kt lim t 1Ae kt 1
dnt e kt
 ANk
Ae kt 1
dt 2
La derivada de la función ya la teníamos

Parece que es positiva para todo valor de por qué es causal la función t
depende de valores presentes y pasado, por lo que la función nt debe ser
creciente. La segunda derivada de la función nt da el punto máximo, el
punto crítico debería estar en 0, k , siendo la concavidad de la expresión
ln A

positiva en ese espacio. y negativa cuando t 

ln A
k

nt  N
1Ae kt

dnt e kt
 ANk
Ae kt 1
dt 2
12