ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO FACULTAD

DE MECÁNICA
ESCUELA DE INGENIERÍA MECÁNICA

MÉTODOS NUMÉRICOS

Tema: Ajuste de curvas

Nombre:
Jhon Israel Amboya Morocho 7850
Jessica Marisol Salguero Noboa
Curso: Cuarto “A”

Docente: Ing. José Luis Pérez

Riobamba-Ecuador
17.1Dados los datos

Determine a) la media) la desviación estándar, c) la varianza)

el coeficiente de variación, y e) el intervalo de confianza del 95%
para la media
17.2Construya un histograma de los datos del problema 17.1. Use un
rango de 7.5 a 11.5 con intervalos de 0.5
17.3 Datos los datos

Determine a) la media, b) la desviación estándar, c) la varianza) el coeficiente de variación, y e) el intervalo de

confianza del 90% para la media, f) construya un histograma. Use un rango de 26 a 32 con incrementos de 0.5. g)
Si se supone que la distribución es normal y que la estimación de la desviación estándar es válida, calcule el rango
(es decir, los valores inferior y superior) que agrupa al 68% de los datos. Determine si esta es una estimación
válida para los datos del problema.
17.4Utilice la regresión por mínimos cuadrados para ajustar una línea recta a

Además de la pendiente y la intersección, calcule el error estándar de la estimación y el coeficiente de

correlación. Haga una gráfica de los datos y la línea de regresión. Después repita el problema, pero ahora efectué
la regresión de x versus y, es decir, intercambie las variables. Interprete sus resultados.
17.5Use la regresión por mínimos cuadrados para ajustar una línea recta a

Además de la pendiente y la intersección, calcule el error estándar de la estimación y el coeficiente de

correlación. Haga una gráfica de los datos y la línea de regresión. ¿Si otra persona hiciera una medición adicional
de x=10? y=10.usted pensaría, con base en una evaluación visual y el error estándar, que la medición era válida o
invalida? Justifique su conclusión
17.6Con el mismo enfoque que se empleó para obtener las ecuaciones (17.15) y (17.16), obtenga el ajuste por
mínimos cuadrados del modelo siguiente:
y=ax+ e2
Es decir, determine la pendiente que resulta en el ajuste por mínimos cuadrados para una línea recta con
intersección en el origen. Ajuste los datos siguientes con dicho modelo e ilustre el resultado con una gráfica.

17.7Emplee la regresión por mínimos cuadrados para ajustar una línea recta a

a) Además de la pendiente y la intersección, calcule el error estándar de la estimación y el coeficiente de

correlación. Grafique los datos y la línea recta. Evalué el ajuste
b) Vuelva a hacer el cálculo del inciso a), pero use regresión polinomial para ajustar una parábola a los datos.
Compare los resultados con los del inciso a).
17.8Ajuste los datos siguientes con a) un modelo de tasa de crecimiento de saturación, b) una ecuación de
potencias, y c) una parábola. En cada caso, haga una gráfica de los datos y la ecuación.

17.9Ajuste los datos siguientes con el modelo de potencias (y =ax^b). Use la ecuación de potencias resultante para
hacer el pronóstico de y en x=9.

17.10 Ajuste a un modelo exponencial a

Grafique los datos y la ecuación tanto en papel milimétrico como en semilogaritmico.

17.11 En vez de usar el modelo exponencial de base e (ecuación 17.22), una alternativa común consiste en utilizar
un modelo de base 10.
y=a5 10 8 x
Cuando se usa para ajustar curvas, esta ecuación lleva a resultados idénticos que los de la versión con base e,
pero el valor del parámetro del exponente(B5) difiere del estimado con la ecuación 17.22(B1). Use la versión con
base 10 para resolver el problema 17.10. Además, desarrolle una formulación para relacionar B1 con B5.
17.12 Además de los ejemplos de la figura 17.10 existen otros modelos que se pueden hacer lineales con el empleo
de transformaciones. Por ejemplo,
y=a1/ 4 xe B 4 x
Haga lineal este modelo y úselo para estimar a4 y B4 con base en los datos siguientes. Elabore una gráfica del
ajuste junto con los datos

17.13 Un investigador reporta los datos tabulados a continuación, de un experimento para determinar la tasa de
crecimiento de bacterias k(per d). como función de la concentración de oxigeno c (mg/L). Se sabe que dichos
datos pueden modelarse por medio de la ecuación siguiente:
k c2
k=
c+ c 2
donde c y k son parámetros. Use una transformación para hacer lineal esta ecuación. Después utilice regresión
lineal para estimar c y k, y pronostique la tasa de crecimiento para c=2mg/L

17.14 Dados los datos

Use regresión por mínimos cuadrados para ajustar a) una línea recta) una ecuación de potencias) una ecuación
de tasa de crecimiento de saturación, y d) una parábola. Grafique los datos junto con todas las curvas. ¿Alguna de
las curvas es superior a las demás? Si así fuera, justifíquelo.
17.15 Ajuste una ecuación cubica a los datos siguientes:

Además de los coeficientes, determine r^2 y s

17.16 Utilice regresión lineal múltiple para ajustar

Calcule los coeficientes, el error estándar de la estimación y el coeficiente de correlación.

17.17 Use regresión lineal múltiple para ajustar

Calcule los coeficientes, el error estándar de la estimación y el coeficiente de correlación.

17.18 Emplee regresión no lineal para ajustar una parábola a los datos siguientes:

17.19 Use regresión no lineal para ajustar una ecuación de tasa de crecimiento de saturación a los datos del
problema 17.14.
17.20 Vuelva a calcular los ajustes de regresión de los problemas a)17.4, y b) 17.15, con el enfoque matricial.
Estime los errores estándar y desarrolle intervalos de confianza del 90% para los coeficientes.
17.21 Desarrolle, depure y pruebe un programa en cualquier lenguaje de alto nivel o de macros que elija, para
implantar el análisis de regresión lineal. Entre otras cosas: a) incluya comentarios para documentar el código, y
b) determine el error estándar y el coeficiente de determinación.
17.22 Se hace la prueba a un material para estudiar la falla por fatiga cíclica, en la que se aplica un esfuerzo, en
MPa, al material y se mide el número de ciclos que se necesita para hacer que falle. Los resultados se presentan
en la tabla siguiente. Al hacerse una gráfica log-log, del esfuerzo versus los ciclos. Use regresión por mínimos
cuadrados para determinar la ecuación de mejor ajuste para dichos datos.

17.23 Los datos siguientes muestran la relación entre la viscosidad del aceite SAE 70 y su temperatura. Después de
obtener el logaritmo de los datos, use regresión lineal para encontrar la ecuación de la recta que se ajuste mejor
a los datos y al valor de r^2

17.24 Los datos siguientes representan el crecimiento bacterial en un cultivo liquido durante cierto número de días

17.25 Después de una tormenta, se vigila la concentración de la bacteria E. coli en un área de natación:

El tiempo se mide en horas transcurridas después de finalizar la tormenta, y la unidas CFU es una “unidad de
formación de colonia”. Use los datos para estimar a) la concentración al final de la tormenta (t=0), y b) el
tiempo en el que las concentraciones negativas son imposibles y de que la concentración de bacterias siempre
disminuye con el tiempo.

17.26 Un objeto se suspende en un túnel de viento y se mide la fuerza para varios niveles de velocidad del
viento. A continuación, están tabulados los resultados. Use la regresión por mínimos cuadrados para ajustar
una línea recta a estos datos.

Emplee regresión por mínimos cuadrados para ajustar estos datos con a) una línea recta) una ecuación de
potencias basada en transformaciones logarítmicas, y c) un modelo de potencias con base en regresión no
lineal. Muestre los resultados gráficamente.

17.27 Ajuste un modelo de potencias a los datos del problema 17.26, pero emplee logaritmos naturales para
hacer las transformaciones.

17.28 Con el mismo enfoque que se empleó para obtener las ecuaciones (17,15) y (17,16), obtenga el ajuste
por mínimos cuadrados del modelo siguiente:

Y= ax+ax^2+e

Es decir, determine los coeficientes que generan e ajuste por mínimos cuadrados de un polinomio de segundo
orden con intersección en el origen. Pruebe el enfoque con el ajuste de los datos del problema 17.26

17.29 En el problema 17.12, en el que se usaron transformaciones para hacer lineal y ajustar el modelo
siguiente:

Y=axe^2

Emplee regresión no lineal para estimar a y B con base en los datos siguientes. Haga una gráfica del ajuste
junto con los datos.