Documentos de Académico
Documentos de Profesional
Documentos de Cultura
METODOS
NUMERICOS
Ingeniería Civil
u Series de Fourier
u Curvas de Bezier
u B-Splines
Interpolacion
u Interpolación Polinomial
u Polinomios Osculadores: Interpolación
de Hermite
u Interpolación Racional: Aproximaciones
de Pade
u Interpolación segmentaria: Splines
u Otros
Un problema de Aproximación
u Evolución de la temperatura diurna
Hora 6 8 10 12 14 16 18 20
Grados 7 9 12 18 21 19 15 10
2
2
01
Grados
81
61
41
12
08
6
4 6 8 1 1 1 1 1 2 2
0 2 Hor4 6 8 0 2
a
Método de Mínimos
Cuadrados
Métodos Numéricos
Aplicados a la Ingeniería
MÉTODO DE LOS MÍNIMOS CUADRADOS
Regresión
Se define Regresión al método de investigación de
una relación entre una variable llamada dependiente
y una o varias variables llamadas independientes.
Lo que queremos o
btener con el yj . .
y = ax + b
. .
¿ a.x, b?
método de los ei
mínimos cuadrados
es que los errores
ei sean mínimos.
xi
MÉTODO DE LOS
MÍNIMOS CUADRADOS
Ecuaciones Normales
ER y|x a, b
2 y j a b . x i f ij 0
k p
(1)
a i 1 j1
ER y|x a, b
2 y j a b . x i x i f j 0
k p
(2)
b i 1 j1
MÉTODO DE LOS MÍNIMOS CUADRADOS
b = Coeficiente de Regresión
y y
Varianza Residual
Se define la Varianza Residual de Y sobre X, como la
varianza de los errores ei , i = 1,…, n (entre valores
yi , yi*)
1 n
e i e
2 2
Se(y| x)
n i 1
n i 1
MEDIDAS DE DEPENDENCIA ESTADÍSTICA
a i 1 j1
ER y|x a, b
2 y j a b . x i x i f j 0
k p
(2)
b i 1 j1
(1) e
i 1
i 0
n
(2) e x
i 1
i i 0
MEDIDAS DE DEPENDENCIA ESTADÍSTICA
Coeficiente de Determinación
Se define el Coeficiente de Determinación de Y sobre
X como:
2
2
S Se(Y|X)
R 2
Y| X Y*
2
1 2
S
Y SY
Se define el Coeficiente de Determinación de X sobre
Y como:
2
2
S Se(X|Y)
R 2
X| Y X*
2
1 2
S
X SX
COEFICIENTE DE CORRELACIÓN LINEAL
Coeficiente de Correlación Lineal
El Coeficiente de Correlación Lineal de X e Y, se defi
ne como:
S XY
r
SX SY
Propiedades:
(1) m Y|X (1 r 2 ).S2Y m X|Y (1 r 2 ).S2X
(2) r 2 R 2Y|X R 2X|Y
(3) r 2 b . b
(4) 0 r 2 1 1 r 1
(5) r 1 X e Y dependen linealmenter 0 X e Y están incorreladas linealment
e
(6) Si X e Y son independientes --> X e Y están incorreladas linealmente.
COMPARACIÓN CON LA CURVA DE REGRESIÓN
Comparación
1η 2
Y| X r 0
2
1η 2
X| Y r 0
2
Interpretación
(1) r η Y|X
2 2
La Curva de regresión de Y sobre X es la recta de
mínimos cuadrados de Y sobre X.
(2) r 2 η Y2 |X η X2 |Y Las dos curvas de regresión son las rectas de
mínimos cuadrados.
S 2Y m y | x
(3) 0´75 r 2 Proporción que explica la variabilidad de
S 2Y
Y sobre la recta de mínimos cuadrados de Y|X
RELACIÓN ENTRE VARIABLES ORDINALES
x
AJUSTE POR MÍNIMOS CUADRADOS
(Ajuste lineal)
N
(xi,yi) S ( yi b mxi ) 2
S Si 1
0 0
m x b
yi -b-m i y = b+mx CRITERIO: Minimizar S
N N N N N
aN b x i yi a xi b xi2 x i yi
i 1 i 1 i 1 i 1 i 1
MÍNIMOS CUADRADOS (Ajuste lineal de N puntos)
x y N xy x xy y x
2
m b
x 2 N x 2 x 2 N x 2
x y
x y y2 m 2 x2
N N
N 2 2 x2
m b
N x 2 x
2
N x 2 x
2
Coeficiente de correlación
x y
xy
r N
2 1 2 1 2
x x y 2
y
N N
MÍNIMOS CUADRADOS (Ejemplo)
x x y y
50 2 10 2
70 y mx b
40 60
2 21 2
30 50
2 31 2
40
20 2 43 2
y
30
10 20
2 54 2
10
0
0 10 20 30 40 50 60
m 1.10 0.09
x x y y xy
x
x^2 y^2
r 0.99967
x x y y xy x^2 y^2
sen i = n sen r
r
Índice de refracción: medidas (2)
1,2
0,6
0,4
0,2
0,0
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7
sen r
CURVAS QUE PUEDEN REDUCIRSE A FORMA LINEAL
EJEMPLO 3. EXPONENCIALES
V (volts) Descarga de un condensador
5
V V0 e t /
4
V0 (5.008 0.004) V
3
(251.5 0.2) s
2
V V0 / e
t
0 t (s)
0 100 200 300 400 500 600 700
CURVAS QUE PUEDEN REDUCIRSE A FORMA LINEAL
1
-1,0 a1
-1,5
-2,0
a0 (0.015 0.002)
-2,5 a1 (0.003930 0.000004) s -1
-3,0 t (s)
0 100 200 300 400 500 600 700
CURVAS QUE PUEDEN REDUCIRSE A FORMA LINEAL
s’
f’
Ecuación de las lentes: forma de Gauss
1 1 1 1 1 1
f' s' s s' f' s
CURVAS QUE PUEDEN REDUCIRSE A FORMA LINEAL
-1 -1
s (cm) s’ (cm) 1/s (cm ) 1/s’ (cm )
97.50 67.65 0.010256 0.014782
-2
1.50 10
-2
1.45 10
-3 -3 -3 -3 -3 -2 -2
7.50 10 8.00 10 8.50 10 9.00 10 9.50 10 1.00 10 1.05 10
1/s
27
CURVAS QUE PUEDEN REDUCIRSE A FORMA LINEAL
1 1
f ' 2
39.84 cm
a 2.510 10
1 0.003 10 2
f ' 2 a 0.05 cm
a
2.510 10 2
2
Ley de Malus (º) I (lux)
0 161
I = m1 + m2 cos2(+m 10 125
20 87
3) 30 54
m1 = (5.6±1.0) lux m2 = (204.9±1.8) lux 40 28
45 17
m3 = (31.2±0.3) º r = 0.99924 50 10
55 6
60 4
250 65 7
70 14
75 22
200 80 33
90 63
150 100 94
110 130
120 158
100
130 190
140 207
50 150 214
160 205
0
170 179
180 147
0 40 80 120 160
29
Cont.
y na b
x c x 2
xy a x b x 2
c x 3
Ecuaciones Normales
x 2
y a x 2
b x 3
c x 4
PROBLEMA DE APLICACIÓN
(Censo poblacional)
Año (X) Población (Y) Año (X) Población (Y)
1790 4 1900 76
1800 5,3 1910 92
1810 7,2 1920 105,7
1820 9,6 1930 122,8
1830 12,9 1940 131,7
1840 17,1 1950 151,1
1850 23,2 1960 179,3
1860 31,4 1970 203,2
1870 39,8 1980 226,5
1880 50,2 1990 248,7
1890 62,9
PARÁBOLA DE MÍNIMOS CUADRADOS (Ajustar los datos de la tabla)
Año X Y X2 X3 X4 XY X2Y
1790 -10 4 100 -1000 10000 -0,04 0,04
1800 -9 5,3 81 -729 6561 -0,0477 0,0429
1810 -8 7,2 64 -512 4096 -0,0576 0,0461
1820 -7 9,6 49 -343 2401 -0,0672 0,047
1830 -6 12,9 36 -216 1296 -0,0774 0,0464
1840 -5 17,1 25 -125 625 -0,0855 0,0428
1850 -4 23,2 16 -64 256 -0,0928 0,0371
1860 -3 31,4 9 -27 81 -0,0942 0,0283
1870 -2 39,8 4 -8 16 -0,0796 0,0159
1880 -1 50,2 1 -1 1 -0,0502 0,005
1890 0 62,9 0 0 0 0 0
1900 1 76 1 1 1 0,076 0,0076
1910 2 92 4 8 16 0,184 0,0368
1920 3 105,7 9 27 81 0,3171 0,0951
1930 4 122,8 16 64 256 0,4912 0,1965
1940 5 131,7 25 125 625 0,6585 0,3292
1950 6 151,1 36 216 1296 0,9066 0,544
1960 7 179,3 49 343 2401 1,2551 0,8786
1970 8 203,2 64 512 4096 1,6256 1,3005
1980 9 226,5 81 729 6561 2,0385 1,8346
1990 10 248,7 100 1000 10000 2,487 2,487
∑X=0 ∑Y=1800,6 ∑X2=770 ∑X3=0 ∑X4=50666 ∑XY=9347,4 ∑X2Y=80615
ECUACIONES NORMALES
a = 61.8903
•Resolviendo b = 12.1395
c = 0.6505
cuadrático y cúbico a 2
f(x)
regresión por mínimos
1.6
1.4
cuadrados 1.2
1
Lineal Cuadrático Cúbico
0.8
MSE 0.2869 0.1390 0.1494
R2 0.0059 0.5719 0.5974 -4 -3 -2 -1 0 1 2 3 4
x
AdjR2 0.0059 0.5184 0.4824
Regresión por mínimos cuadrados
Regresion por minimos cuadrados
2.6
Lineal
2.4 Cuadratico
Ajustando un modelo 2.2
Cubico
quinto
f(x)
1.6
datos 1.4
1.2
Quinto orden
1
MSE 0.0566
0.8
R2 0.8911
-4 -3 -2 -1 0 1 2 3 4
AdjR2 0.8040 x
Interpolación polinómica
• Interpolamos mediante la combinación lineal
de funciones conocidas
• La suma, resta, multiplicación, derivada e
integral de polinomios dan como resultado otro
polinomio
• El teorema de Weierstrass nos asegura que
siempre se puede aproximar una función
continua f(x) con un polinomio de grado n
Método de Newton
Newton propuso el polinomio:
Pn ( x) a0 a1 ( x x0 ) a 2 ( x x0 )( x x1 )
a n ( x x0 )( x x1 ) ( x xn 1 )
que podemos escribir:
n i 1
Pn ( x) a0 ai ( x x j )
i 1
j 0
Método de Newton
Pn ( x0 ) a0 y0
Pn ( x1 ) a0 a1 ( x1 x0 ) y1
Pn ( x2 ) a0 a1 ( x2 x0 ) a 2 ( x2 x0 )( x2 x1 ) y 2
Método de Newton
Si elegimos los intervalos equidistantes:
xn xn 1 x cte
Pn ( x0 ) a0 y0 a0 y 0
y1 y0 y
Pn ( x1 ) a0 a1 ( x1 x0 ) y1 a1
x1 x0 x
Método de Newton
Pn ( x2 ) a0 a1 ( x2 x0 ) a 2 ( x2 x0 )( x2 x1 ) y 2
y1 y0
y 2 y0 ( x 2 x0 )
x1 x0
a2 2
2(x)
2
y 2 2 y1 y0 y0
2
2
2(x) 2(x)
Método de Newton
Para el caso general:
n y0
an
n! ( x ) 2
Pn ( x0 ) a0 ( x0 x1 )( x0 x2 )( x0 x3 ) ( x0 xn ) y0
Pn ( x1 ) a1 ( x1 x0 )( x1 x2 )( x1 x3 ) ( x1 xn ) y1
Pn ( x2 ) a 2 ( x2 x0 )( x2 x1 )( x2 x3 ) ( x2 xn ) y 2
Pn ( xn ) a n ( xn x0 )( xn x1 )( xn x2 ) ( xn xn 1 ) y n
Problemas...
• ¿Cómo se ve la interpolación si se realiza con
polinomios de alto orden?
f x a0 a1 x a2 x an x
2 n
• Para n+1 puntos, hay uno y sólo un polinomio de orden n que pasa a
través de todos los puntos
• Polinomio de primer orden (línea recta) conecta dos puntos
• Polinomio de segundo orden (parábola) conecta tres puntos
otra forma
x0 x x1
fˆ1 x b0 b1 x x0
Si x = x0 b0 f x0
Si x = x1 b f x1 f x0 Aproximación por diferencias finitas de la
1
x1 x0 primera derivada
Diferencia finita de Newton para la
interpolación de polinomios
• Interpolación cuadrática: si tres puntos de los datos están disp
onibles se puede ajustar un polinomio de 2do grado
fˆ2 x b0 b1 x x0 b2 x x0 x x1
Si x = x0 b0 f x0
f n x b0 b1 x x0 bn x x0 x x1 x xn 1
los coeficientes son:
b0 f x0
b1 f x1 , x0
Donde las evaluaciones de la función
b2 f x2 , x1 , x0 entre corchetes son diferencias finitas
divididas
bn f xn , xn 1 , , x1 , x0
Forma general de la interpolación
de polinomios de Newton
• La primera diferencia finita se representa como
f xi f x j
f xi , x j
xi x j
• La segunda diferencia finita, como la diferencia de
las dos primeras
f xi , x j , xk
f xi , x j f x j , xk
xi xk
• La n-ésima diferencia finita es
f xn , xn 1 , , x1 f xn 1 , , x1 , x0
f xn , xn 1 , , x1 , x0
xn x0
1
x y=ln(x) Y_int Ea
1 0 0 - 0.5
y
funcion original
4 1.38629 0.46209 0.46209 puntos de la muestra
0 Polinomio de Newton
6 1.79175 0.56584 0.10374
5 1.60943 0.62876 0.06292 -0.5
-1
0 1 2 3 4 5 6
x
Rn f x, xn , xn 1 , , x0 x x0 x x1 x xn
• Esta formula no puede resolverse porque contiene
la incógnita f(x), sin embargo, si se dispone de un
dato adicional puede usarse para estimar el error
Rn f xn 1 , xn , xn 1 , , x0 x x0 x x1 x xn
n
x xj
donde, Li x
j 0 xi x j
j i
x x1 x x0
• Polinomio de orden n = 1 f1 x f x0 f x1
x0 x1 x1 x0
• Polinomio de orden n = 2
f 2 x
x x1 x x2 f x x x0 x x2 f x x x0 x x1 f x
x0 x1 x0 x2 0 x1 x0 x1 x2 1 x2 x0 x2 x1 2
Interpolación de polinomios de
Lagrange
• La estimación del error en la interpolación con los polinomios de
Lagrange esta dada por
n
Rn f x, xn , xn 1 , , x0 x xi
i 0
• Sin embargo, como este método no usa las diferencias finitas,
no es práctico hacer este cálculo
FUNCTION Lagrng(x,y,n,x)
sum = 0
DO i = 0, n
product = yi
DO j = 0, n
IF i ~= j THEN
product = product*(x – xj)/(xi – xj)
END IF
END DO
sum = sum + product
END DO
Lagrng = sum
END Lagrng
Coeficientes de un polinomio de
interpolación
• Un método directo para calcular los coeficientes de un
polinomio de interpolación
f x a0 a1 x a2 x 2 an x n
se basa en el hecho de que n+1 puntos se requieren
para determinar los n+1 coeficientes
f x a0 a1 x a2 x 2
Se requieren tres puntos (x0,f(x0)), (x1,f(x1)) y (x2,f(x2)), sustituyendo
cada uno en el polinomio para dar
f x0 a0 a1 x0 a2 x0
2
f x1 a0 a1 x1 a2 x1
2
f x2 a0 a1 x2 a2 x2
2
f i x ai x 2 bi x ci
Segmentarias cuadráticas
• Para n+1 datos (i = 0,1,2,…n) existen
n intervalos
• En consecuencia , 3n constantes
a1 x 2 b1 x c1 a3 x 2 b3 x c3
desconocidas (a, b y c)
• Se requieren 3n ecuaciones: a2 x 2 b2 x c2
1. Los valores de la función de f x1
polinomios adyacentes deben ser f x0 f x3
iguales a los nodos interiores f x2
ai 1 xi 1 bi 1 xi 1 ci 1 f xi 1
2
para i = 2 a n
x0 x1 x2 x3
Como solo se usan para puntos
i=0 i=1 i=2 i=3
interiores, da un total de 2n-2 ecuac.
Segmentarias cuadráticas
2. Las 1ra y ultima funciones deben
pasar por los puntos extremos
a1 x0 b1 x0 c1 f x0
2
a1 x 2 b1 x c1 a3 x 2 b3 x c3
an xn bn xn cn f xn
2
a2 x 2 b2 x c2
2 ecuaciones adicionales
f x1
3. Las 1ras derivadas en los nodos f x3
f x0
interiores deben ser iguales f x2
f ' x 2ax b
2ai 1 xi 1 bi 1 2ai xi 1 bi Intervalo Intervalo Intervalo
1 2 3
para i = 2 a n
n-1 ecuaciones x0 x1 x2 x3
i=0 i=1 i=2 i=3
Para un total de 2n-2 + 2 + n-1 = 3n-1
f x1
4. Suponga que en el 1er punto la f x0 f x3
f x2
2da derivada es cero
f(x)
1.5
x f(x)
1
3 2.5 20.25a1 4.5b1 c1 1.0
4.5 1.0 0.5 20.25a2 4.5b2 c2 1.0
49a2 7b2 c2 2.5
7 2.5
0 49a3 7b3 c3 2.5
0 1 2 3 4 5 6 7 8 9 10
9 0.5 x
Interpole el valor en x = 5 2
f(x)
1.5
x f(x)
1
3 2.5
4.5 1.0 0.5 9a1 3b1 c1 2.5
81a3 9b3 c3 0.5
7 2.5
0
0 1 2 3 4 5 6 7 8 9 10
9 0.5 x
Interpole el valor en x = 5
2
x f(x)
f(x)
1.5
3 2.5
1
4.5 1.0
7 2.5 0.5
9 0.5 0
0 1 2 3 4 5 6 7 8 9 10
x
a1 0 b1 1 c1 5.5
4
3.5
a2 0.64 b2 6.76 c2 18.46
3
f(x)
2.5
2
Las cuales pueden sustituirse en las
1.5
ecuaciones cuadráticas originales
1
para determinar la ecuación para
0.5
cada intervalo
f1 x x 5. 5 3 x 4.5
0
0 1 2 3 4 5 6 7 8 9 10
x
f 2 x 0.64 x 2 6.76 x 18.46 4.5 x 7
f 3 x 1.6 x 2 24.6 x 91.3 7 x9
f i x ai x 3 bi x 2 ci x d i
La última condición indica que la función se vuelve una línea recta en los
puntos extremos
Segmentarias cúbicas
6
xi xi 1 f ' ' xi 1 2xi 1 xi 1 f ' ' xi xi 1 xi f ' ' xi 1 f xi 1 f xi 6 f xi 1 f xi
xi 1 xi xi xi 1
u Interpolación Segmentaria
u Interpolación Segmentaria Lineal
0.9
0.8
0.8
0.6 0.7
0.6
0.4
0.5
0.2
0.4
0 0.3
0.2
-0.2
0.1
-0.4 0
-1 0 1 -1 0 1
1
y
1 25x 2
Perfil para un diseño
Polinomio interpolad
or
Aplicaciones
u Ingeniería y Diseño (CAD/CAM, CNC’s)
u Geología
u Aeronáutica y automoción
u Economía
u Procesamiento de señales e imágenes (Reconocimiento
de patrones, recuperación de imágenes)
u Robótica
u Medicina (Aparatos auditivos, mapas cerebrales)
u Meteorología (Mapas climáticos, detección de
inundaciones,...)
u Mundo Virtual Distribuido Multiusuario
Splines Lineales
u Polinomio de Lagrange
x x k 1 x xk
q k (x) yk y k 1
x k x k 1 x k 1 x k
u Polinomio de Newton
q k ( x ) f [ x k ] f [ x k , x k 1 ]( x x k )
y k 1 y k
yk (x xk )
x k 1 x k
Splines Lineales
Interpolación Segmentar
ia Lineal: Función de Ru
nge
Polinomio grado 4 Spline lineal
1 1
0.9
0.8
0.8
0.6 0.7
0.6
0.4
0.5
0.2
0.4
0 0.3
0.2
-0.2
0.1
-0.4 0
-1 0 1
1 -1 0 1
y
1 25x 2
Matriz del sistema
2(h0 h1) h1 0 0 0 0
h 2(h1 h2 ) h2 0 0 0
1
0 h2 2(h2 h3) 0 0 0
M
0 0 0 2(hn4 hn3) hn3 0
0 0 0 hn3 2(hn3 hn2 ) hn2
0 0 0 0 hn2 2(hn2 hn1)
Términos independientes
3 3
(a2 a1 ) (a1 a 0 )
h1 h0
p
3 3
(a n a n1 ) (a n1 a n2 )
hn1 h n 2
Ejemplo de la temperatura
Polinomio interpolador Spline cúbico
22 22
20 20
18 18
16 16
Grados
Grados
14 14
12 12
10 10
8 8
6 6
5 10 15 20 5 10 15 20
Hora Hora
Condiciones sobre la derivada
Teorema 2
Sea f(x) una función definida en [x0,xn]. Entonces existe un único
s(x) spline cúbico interpolante para f(x) en [x0,xn].tal que
s’(x0) = f’(x0) y s’(xn) = f’(xn).
3
2 h 0 c 0 h 0 c1 ( a 1 a 0 ) 3f ' ( x 0 )
h0
3
h n 1c n 1 2 h n 1c n 3 f ' ( x n ) ( a n a n 1 ).
h n 1
Matriz del sistema
2h0 h0 0 0 0 0 0
h 2(h h ) h 0 0 0 0
0 0 1 1
0 h1 2(h1 h2 ) h2 0 0 0
0 0 h 2( h h ) 0 0 0
M
2 2 3
0 0 0 0 2(hn3 hn2 ) hn2 0
0 0 0 0 hn2 2(hn2 hn1) hn1
0 0 0 0 0 hn1 2hn1
Términos independientes
3
h (a1 a 0 ) 3f ' ( x 0 )
0
3 (a a )
3
(a 1 a 0 )
h1 2 1
h0
p
3 3
( a n a n 1 ) ( a n 1 a n 2 )
h n 1 h n2
3
3f ' ( x n ) ( a n a n 1 )
h n 1
Splines Cúbicos
Interpolación segmentaria con
MATLAB
Interpolación segmentaria cúbica
ps = spline(x,y) % Devuelve el Spline, no los coef.
[x,s] = unmkpp(ps) % Devuelve los coeficientes
ps = mkpp(x,s)
syy = spline(x,y,xx) = ppval(ps,xx)
Interpolación segmentaria lineal
lyy = interp1(x,y,xx)
Spline de MATLAB Interpolación Lineal
1 1
0.5
0.5
0
-1 0 1 -1 0 1
0.5 0.5
0
0
-1 0 1 -1 0 1
Problemas Propuestos
de IC343
Métodos Numéricos
Aplicados a la Ingeniería
PREGUNTA N° 01 [4.0 p]
En cierto experimento de laboratorio se obtuvo los datos que se muestran a continuación:
Xi 0.0 0.5 1.0 1.5 2.0 2.5
Yi 5.2 5.21 6.49 9.54 16.02 24.53
Haciendo uso de un método numérico apropiado, ajustar los datos de la tabla mostrada a
una curva de la siguiente forma:
f x ae x be x
PREGUNTA N° 01 [5.0 p]
Un polinomio pasa por los siguientes puntos:
AÑO Nº Est(1).
1981 5294 ESTUDIANTES: 1981-2004 (con proyección al 2010)
1982 6097 9000
1983 5666
1984 5262
8500
1985 5847
1986 6034
y = 112.67x - 217916
8000 2
1987 5887 R = 0.85
1988 5990
1989 6058 7500
Estudiantes
1990 5276
1991 0*
7000
1992 6685
1993 6741
1994 7191 6500
1995 7389
1996 7142 6000
1997 7068
1998 6496 5500
1999 6435
2000 7190
5000
2001 7641
2002 8072 1980 1985 1990 1995 2000 2005 2010
2003 8402 Años
2004 8640
NOTAS: *Desfase del año académico
(1) Los datos de 1990 a 2004 son registros históricos, de 2005 a 2010 corresponden a proyecciones en el estudio de la OPP.
PREGUNTA N° 07 [4.0 p]
Se sabe que el flujo (Q) está relacionado con la pendiente (S) y el diámetro (D) a
través de la siguiente expresión:
Q a0 D a1 S a2
Estimar un valor de Q en un tubo con:
D = 2.5 pies S = 0.025 pies/pie
A) La realización de una batería de 10 tests de esfuerzo-tensión a un determinado objeto
ha proporcionado los siguientes datos:
ESFUERZO TENSIÓN
TEST Y X
1 91.00 0.001
2 97.00 0.002
3 108.00 0.003
4 111.00 0.005
5 114.00 0.006
6 110.00 0.006
7 112.00 0.009
8 105.00 0.011
9 98.00 0.016
10 91.00 0.017
Se desea ajustar un polinomio a este conjunto de datos: El diagrama de dispersión
sugiere que una parábola podría resultar adecuada. Determinar el “mejor” ajuste
parabólico tomando como objetivo la minimización de la suma de desviaciones
absolutas entre los valores observados y las predicciones. Compararlo con el
correspondiente ajuste mínimo cuadrático.
PREGUNTA N° 01 [6.0 p]
Los resultados del experimento de un túnel de aire sobre el flujo del aire en la punta del ala de un avión
proporcionan los siguientes datos:
R 0.730 0.780 0.810 0.860 0.875 0.890 0.950 1.020 1.030 1.055 →
C 1.135 1.14 1.245 1.320 1.385 1.430 1.445 1.535 1.570 1.630 1.755
V 0.0788 0.0788 0.064 0.0788 0.0681 0.0703 0.0703 0.0681 0.0681 0.0790 →
V 0.0575 0.0681 0.0575 0.0511 0.0575 0.0490 0.0532 0.0511 0.0490 0.0532 0.0426
Donde R es la distancia del núcleo al vórtice, C es la cuerda del ala del avión, Vθ es la velocidad
tangencial del vórtice y V∞ es la velocidad del avión libre de corrientes.
V
Sean: xR y
C V
La curva es de la forma:
g x 1 e
A
x
x 2
Determinar los valores de A y λ, por aproximaciones por mínimos cuadrados.
R V
Graficar contra
C V
PREGUNTA N° 02 [5.0 ptos.]
SISTEMAS DE ECUACIONES NO LINEALES
En la siguiente tabla se refleja los valores obtenidos de forma experimental, de cierta magnitud d en
los distintos instantes t.
HORA 0 2 4 6 8 10 12
MW 31.250 28.000 26.000 26.000 34.000 37.500 38.000
HORA 14 16 18 20 22 24
MW 35.500 34.500 38.500 39.500 36.500 33.000
a) Hallar el polinomio de grado 12 que interpola los valores dados. Explicar el comportamiento del
polinomio de interpolación.
b) Se propone mejorar la interpolación dividiendo el intervalo en dos, de 0 a 12 y de 12 a 24 y
hallando un polinomio para cada intervalo. Representa los polinomios obtenidos y compara el
resultado con el del apartado anterior.
c) Interpola los datos con un paquete de software mediante un polinomio apropiado y compara con
los ajustes anteriores.
PREGUNTA N° 02 [5.0 ptos.]
ANÁLISIS DE DATOS – INTERPOLACIÓM MULTIDIMENSIONAL
Imagine que tiene um conjunto de datos “z” que depende de dos variables “x” y “y”. Considere la siguiente tabla:
y x x=15 x=30
y=10 23 33
y=20 45 55
y=30 60 70
y=40 82 92
y=50 111 121
y=60 140 150
y=70 167 177
y=80 198 198
y=90 200 210
y=100 20 230