Documentos de Académico
Documentos de Profesional
Documentos de Cultura
NOMBRE
LUIS MIGUEL DAVILA
SIMON LAUWERIE
UNIVERSIDAD DE ANTIOQUIA
Ahora, se busca el grado n con el menor error acumulado punto a punto, esto
es:
n
Error=∑|T ( x , y )−T ajuste ( x i , y i )| (2)
i
Fig. 2. Comparación de los datos y la función del ajuste realizado mediante nubes de
puntos.
2. Viscosidad dinámica del agua.
En primera instancia se grafican los datos originalmente entregados.
Fig. 3. Gráfica de los datos originales (temperatura en grados Celsius versus viscosidad
dinámica dada en 10-3Ns-1m-2).
μ ( T ) =aT 2+ bT +c (3)
∑ μi n ∑ T i ∑ T i2
[ ][∑ T i μi = ∑ T i ∑ T i2 ∑ T i3
∑ T i2 μi ∑ T i2 ∑ T i3 ∑ T i4 ]( ) c
b
a
(4)
Ahora, para ajustar los datos a la ecuación de Andrade se parte de (5) siguiendo como
se ilustra en (6) y (7) para adecuar la (5) en forma lineal para la regresión y poder
resolver el arreglo matricial (8):
∑ Zi = n ∑ W i
[ ][
∑ W i Z i ∑ W i ∑ W i2 (] ln β( D ) ) (8)
Luego, se construye el polinomio interpolador de Newton, donde el máximo
grado del polinomio va atado a la cantidad n de datos disponibles, esto es, n−1. El
polinomio interpolador de Newton se conoce también como de diferencias
divididas, pues toma en cuenta la diferencia punto a punto respecto a los datos de
temperatura dados y el nuevo valor de temperatura a estimar.
Los coeficientes del polinomio interpolante se calculan conforme a (9) para así
expresar el polinomio (10), teniendo en cuenta que f [x 0 ]=f ( x 0 ):
f ( x k +1 )−f ( x k )
f [x k , x k+1 ]= (9)
x k+1−x k
Pn−1 ( x )=f [ x 0 ]+ f [ x 0 , x 1 ] ( x−x 0 ) + f [ x0 , x 1 , x 2 ] ( x−x 0 ) ( x−x 1 ) +…+ f [ x 0 , x1 , … , xn ] ( x−x 0 ) ( x−x 1 ) …( x−x n−1)
(10)
Por último, en el apartado de ajuste de datos, se tiene la implementación de
una función propia de Python, para esto, se hace uso de la función curve_fit del
módulo Scipy que ajusta los datos entregados en vectores, a la función ingresada,
esta función retorna los coeficientes de la función de ajuste y la desviación
estándar de cada coeficiente de la función ajustada. Como puede verse en el
código, su implementación es sencilla y confiable, pues nos evita errores
algebraicos.
Fig. 4 muestra el comportamiento de las funciones ajustadas para el intervalo de
temperatura entregado, en este caso corresponde a la regresión polinomial de segundo
orden, el ajuste por regresión a la ecuación de Andrade, y la misma ecuación de
Andrade ajustada por las funciones propias de Python.
Fig. 4. Comparación de las funciones ajustadas (temperatura versus viscosidad dinámica).
Fig. 5. Valores estimados de viscosidad dinámica del agua con temperatura de 7.5 °C.
Fig. 5 muestra los valores arrojados producto del ajuste de datos realizado. Cada valor
en orden horizontal corresponde al método de ajuste en el orden solicitado, en esta se
incluye la estimación del polinomio de Newton para cinco grados de polinomio diferente.
Así mismo, se muestra el resultado desde el código de Python.
3. Trayectoria de una pelota.
El método de la sección dorada es una técnica de búsqueda para hallar el
mínimo de una función de una sola variable, para esto, determina nuevos valores
en x que acotan la función empleando la proporción dorada. Se llega a un valor
estimado cumpliendo el criterio de tolerancia.
El método de interpolación parabólica surge del hecho que el polinomio
cuadrático en muchos casos en una buena aproximación al comportamiento de las
curvas cer de un valor óptimo, así, con 3 valores necesarios para construir el
polinomio se calcula un cuarto valor que actualizará uno de los 3 valores iniciales
de x tomando en cuenta el f(x) generado. Se llega a un valor estimado cumpliendo
el criterio de tolerancia.
El método de Newton – Raphson es el método más usado de todos los métodos
de localización de raíces, se deriva de una interpretación geométrica de una
tangente que cruza el eje x entendiéndose hasta el punto evaluado de la función.
Es un método de convergencia rápida, pero manualmente se dificulta conforme la
dificultad de la derivada de la función a evaluar. Para aplicar el método se iguala a
cero la función a evaluar, como en este caso tanto x como y son una variable
desconocida el máximo valor para y se presenta cuando la pendiente es igual a
cero, esto es la derivada de y. Se llega a un valor estimado cumpliendo el criterio
de tolerancia.
sujeto a X +Y + Z ≥ 6 ,
X +Y ≤ 2.5
X ≥Y
Y
Z≥
2
La función objetivo a minimizar es el costo de una mezcla de aditivos para
combustible, así, los términos de la función corresponden a cada variable incógnita
de la función de costo objetivo. Se establecen las cuatro restricciones por
desigualdad, las cuales acotan los valores de las variables incógnita. Con lo
anterior, no es necesario ingresar valores límite para las variables incógnita, pues
están claramente acotadas en las desigualdades de las restricciones.
Para establecer el valor inicial se comienza da manera sencilla por las
características del ejercicio, esto es, X y Y no pueden ser mayores a 2.5 en
conjunto, con lo cual se inicia haciendo ambas igual a 1, y así, determinando el
valor inicial de Z de acuerdo con la primera restricción.
Así, finalmente se muestra la salida que genera el código, con los valores
encontrados producto de la optimización. Para realizar la optimización, se emplea
el módulo minimize de Scipy bajo el método SLSQP adecuadamente detallado por
la documentación del mismo módulo Scipy.optimize.minimize.
5. Programa de producción.
N
minimizar
∑ a ∙CTni +bi ∙CTe i +5 c i , Ɐ i=1 , … , N
a , b , c i=1 i
c 1=0
N N
minimizar
A=2∗π∗R∗h+2∗π∗((2∗R∗h−h ²)0.5 )∗L
r , h ,l
r¿ √ ¿2Rh-h²)
sujeto a l≥ 2 ,
La función objetivo a minimizar es el área superficial del cilindro, esto es, el área
de las tapas del cilindro y el área superficial lateral del mismo. Así, el primer
término de la función objetivo es el área de las dos tapas del tanque, que tienen
geometría elíptica ovalada, el segundo término surge del área lateral de un cilindro
haciendo como radio de este, la semisuma de los dos radios de la elipse. La única
restricción por desigualdad es establecida la cual acota a l, así como la igualdad de
la capacidad de volumen que debe tener del tanque.
Así, finalmente se muestra la salida que genera el código, con los valores
encontrados producto de la optimización. Para realizar la optimización, se emplea
el módulo minimize de Scipy bajo el método SLSQP adecuadamente detallado por
la documentación del mismo módulo Scipy.optimize.minimize.
CONCLUSIONES
Si bien las regresiones dan un ajuste adecuado en la mayoría de los casos,
su implementación manual puede conllevar a cometer errores debido al
desarrollo algebraico y definición de las matrices. A su vez, el ajuste datos
también conlleva un desarrollo algebraico que aumenta la probabilidad de
error frente a la implementación de las funciones propias de Python.
Los métodos para hallar raíces, así como máximos o mínimos parten de
consideraciones de las ecuaciones, valores iniciales y restricciones que
deben tomarse en consideración, esto es, sin el entendimiento del
fundamento matemático de fondo no será posible la implementación de los
métodos o estos arrojarán valores no coherentes.
ii. Richard Burden, Douglas Faires, Numerical Analysis, Ninth Edition. Boston:
Cengage Learning 2011.