Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • T.7 Métodos López Castañón América Rubí

    Cargado por

    América Castañón
    15 vistas5 páginas
    1. Se presenta un modelo de regresión lineal para predecir el rendimiento de un proceso en función de una variable. Se aplican logaritmos para linealizar el modelo y se resuelven los parámetros por mínimos cuadrados. 2. Se realiza otro modelo de regresión para predecir una magnitud en función de otra variable. También se linealiza aplicando logaritmos y se determinan los parámetros. 3. Se presentan dos modelos de regresión lineal para predecir diferentes magnitudes a partir de variables independientes, linealizando con logarit

    Descripción original:

    Título original

    T.7 MÉTODOS LÓPEZ CASTAÑÓN AMÉRICA RUBÍ

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    1. Se presenta un modelo de regresión lineal para predecir el rendimiento de un proceso en función de una variable. Se aplican logaritmos para linealizar el modelo y se resuelven los parámetros por mínimos cuadrados. 2. Se realiza otro modelo de regresión para predecir una magnitud en función de otra variable. También se linealiza aplicando logaritmos y se determinan los parámetros. 3. Se presentan dos modelos de regresión lineal para predecir diferentes magnitudes a partir de variables independientes, linealizando con logarit

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    15 vistas5 páginas

    T.7 Métodos López Castañón América Rubí

    Cargado por

    América Castañón
    1. Se presenta un modelo de regresión lineal para predecir el rendimiento de un proceso en función de una variable. Se aplican logaritmos para linealizar el modelo y se resuelven los parámetros por mínimos cuadrados. 2. Se realiza otro modelo de regresión para predecir una magnitud en función de otra variable. También se linealiza aplicando logaritmos y se determinan los parámetros. 3. Se presentan dos modelos de regresión lineal para predecir diferentes magnitudes a partir de variables independientes, linealizando con logarit

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    de 5

    INSTITUTO POLITÉCNICO NACIONAL

    ESCUELA SUPERIOR DE INGENIERÍA QUÍMICA E INDUSTRIAS


    EXTRACTIVAS
    PERÍODO 2021/2

    Tarea 7 “Minimos
    Cuadrados
    Univariable no
    GRUPO: 1IM40
    NOMBRE DE ALUMNA:
    López Castañón América Rubí

    NOMBRE DEL DOCENTE:


    Vázquez Camarillo Grecia Eliza

    FECHA DE ENTREGA: 12 de ocubre del 2021


    1. Linealizar el modelo:

    Aplicando logaritmos:

    b
    ln ( y i ) =ln ( a ) −
    1.98∗x i

    Por similitud:

    −b x= 1
    y=ln ( y i )a 0=ln ( a )a 1=
    1.98 xi

    Establecer el sistema lineal por resolver


    a 0 m a1 sumax=¿ a0 sumax ¿

    Puntos x y x modificada y modificada x^2


    1 293 0.0002 0.0034 -8.5172 1E-05
    2 300 0.00191 0.0033 -6.2607 1E-05
    3 320 0.00156 0.0031 -6.4631 1E-05
    4 340 0.01 0.0029 -4.6052 9E-06
    5 360 0.0522 0.0028 -2.9527 8E-06
    6 380 0.2248 0.0026 -1.4925 7E-06
    7 400 0.863 0.0025 -0.1473 6E-06
      suma x suma y suma x^2
      0.0207 -30.4386 6E-05

    Matriz a 7 0.0207
    0.02072 6E-05
    Matriz b 12.2332 -4084.2295 -30.4386
    -4084.2295 1379685.0116 -0.0962
    Resultados:
    a0 20.44727735
    a1 -8376.16828

    a= 758821666.1
    b= 16584.8132

    1.- Linealizando

    0.0592 log ¿ ¿
    Por similitud:

    y=0.0592 log ¿ ¿a 0=−nka 1=n x=E

    x y x modificada y modificada x^2 x*y


    E aLi+ E modificada aLi+ modificada E^2 E*aLi+
    10 0.1 10 -0.0592 100 -0.592
    -30 0.05 -30 -0.077020976 900 2.31062927
    -60 0.01 -60 -0.1184 3600 7.104
    -138 0.001 -138 -0.1776 19044 24.5088
             
      suma E suma aLi+ suma E^2 suma E*aLi+
      -218 -0.432220976 23644 33.3314293

    Matriz a 4 -218.0000
    -218.00000 2E+04

    Matriz b 0.5025 0.0046 -0.4322


    0.0046 0.0001 33.3314
    Resultados:
    a0 -0.0627642
    a1 0.00083103

    k= 75.525947
    n= 0.00083103

    y=ln ( P )a 0=¿ ( a ) a 1=b x=ln ⁡¿)

    x y x modificada y modificada x^2 x*y


    V P V modificada P modificada V^2 V*P
    30 39.7 3.401197382 3.681351188 11.5681436 12.521002
    25 51.1 3.218875825 3.933784497 10.3611616 12.6623638
    20 78.5 2.995732274 4.363098625 8.97441185 13.0706754
    15 115.5 2.708050201 4.74927053 7.33353589 12.861263
    10 195.3 2.302585093 5.274536838 5.30189811 12.1450699
    5 546.1 1.609437912 6.302802109 2.59029039 10.1439687
    suma V suma P suma V^2 suma V*P
      16.23587869 28.30484379 46.1294415 73.4043428

    Matriz a 6 16.2359
    16.23588 4.61294E+01

    Matriz b 3.5018 -1.2325 28.3048


    -1.2325 0.4555 73.4043
    Resultados:
    a0 8.646744379
    a1 -1.452069392

    a= 5691.5869
    b= -1.4521

    También podría gustarte