%Análisis de sistemas electromagnéticos en sistemas ingenieriles

%Grupo 303
%Profesor: Mauricio Guerra Vargas
%T2 Regresión Lineal con MMC- M4 Computación
%Emiliano Montufar Tostado - A01275766

%EJERCICIO A)
%Regresión lineal con MMC para función exponencial
%c1 + c2*exp(t/200) + c3*exp(t/400) + c4*exp(t/600)= y
%DEFINIMOS VARIABLES (T= VARIABLE INDEPENDIENTE, Y= VARIABLE DEPENDIENTE)
y= [232.4 244.7 220.2 234.1 244.7 286.2 355 485.5 739.6 1051.2 1404.3 1827.9 2368.4]';
t= [1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000 2010 2020]';
%MATRIZ ESTIMACIÓN
A= [ones(size(t)) exp(t/200) exp(t/400) exp(t/600)];
b= y;
p3= A\b

p3 = 4×1
105 ×
-2.4946
0.0001
-0.0893
0.4847

y3= A*p3;
y3_r= corrcoef(y,y3);
%CALCULAMOS COEFICIENTE R^2
y3_r2= y3_r(1,2)^2

y3_r2 = 0.9988

%CALCULAMOS RESIDUO (NORMR)

y3_resn= norm(y-y3)

y3_resn = 86.3867

T= 1900:10:2050;
Y= p3(1) + p3(2).*exp(T/200) + p3(3).*exp(T/400) + p3(4).*exp(T/600);
plot(T,Y,t,y,'o')
xlabel("Años");
ylabel('Miles de habitantes');
title('Población total de Querétaro (1900-2020)');

1
%ESTIMACIÓN POBLACIÓN DUPLICADA 2020
Y= @(x) p3(1) + p3(2).*exp(x/200) + p3(3).*exp(x/400) + p3(4).*exp(x/600)-4736.8;
%FUNCIÓN
fplot(Y,[2040 2050])

2
res= fzero(Y,2048)

res = 2.0488e+03

%COMENTARIOS EJERCICIO A)
%Los resultados obtenidos mediante la implementación de la regresión lineal
%de mínimos cuadrdados para una función exponencial dentro del ejercicio
%A) resultaron bastante interesantes, como podemos observar los datos
%obtenidos nos muestran una r cuadrada con un valor de 0.9988, lo cual nos
%indica que tan dispersos se encuentran los valores reales de la linea de
%regresión lineal estimada, también contamos con el valor obtenido de los
%residuos los cuales contaron con un valor de 86.3867. Además tambien
%contamos con el valor calculado de la estimación de la población duplicada
%a comparación con la población obtenida en el año 2020.

%EJERCICIO B)
% Regresión lineal a una recta
% c1x + c2= y
% Ax= b
%DEFINIMOS VARIABLES (T= VARIABLE INDEPENDIENTE, Y= VARIABLE DEPENDIENTE)
t= [10 20 30 40 50 60 70 80 90]';
y= [35 35.6 36.25 36.9 37.5 38.1 38.8 39.4 40]';
%MATRIZ ESTIMACIÓN
A= [t ones(size(t))];
b= y;
p1= A\b

3
p1 = 2×1
0.0628
34.3639

y1= A*p1;
y1_r= corrcoef(y,y1);
%CALCULAMOS COEFICIENTE R^2
y1_r2= y1_r(1,2)^2

y1_r2 = 0.9998

%CALCULAMOS RESIDUO (NORMR)

y1_resn= norm(y-y1)

y1_resn = 0.0637

T= 0:10:100;
Y= p1(1).*T+p1(2);
plot(T,Y,t,y,'o')
xlabel("Temperatura °C");
ylabel('Solubiliadad NaCl');
title('Solubilidad de NaCl en H2O');

%ESTIMACIÓN SOLUBILIDAD A 25°C

%FUNCIÓN
Y= @(x) p1(1).*x+p1(2);
Tresp= Y(25)

4
Tresp = 35.9347

%COMENTARIOS EJERCICIO B)
%Los resultados obtenidos mediante la implementación de la regresión lineal
%de mínimos cuadrdados para una línea recta dentro del ejercicio
%B) resultaron bastante interesantes, como podemos observar los datos
%obtenidos nos muestran una r cuadrada con un valor de 0.9998, lo cual nos
%indica que tan dispersos se encuentran los valores reales de la linea de
%regresión lineal estimada, también contamos con el valor obtenido de los
%residuos los cuales contaron con un valor de 0.0637. Además tambien
%contamos con el valor calculado de la estimación de la solubilidad del
%NaCl en H2O cuando la temperatura es de 25°C.

%CONCLUSIÓN FINAL
%Poco a poco he podido comprender más a fondo como es el funcionamiento de
%MATLAB, al igual que he podido aprender cada vez más sobre las
%aplicaciones de MATLAB dentro de la ingeniería, no únicamente para
%efectuar simples cálculos matemáticos, ni tampoco para realizar sencillas
%gráficas, sino como lo fue el caso de esta actividad, realizar programas
%dentro de MATLAB que me ayuden a poder realizar modelos matemáticos de
%pronosticación, gráficas con los datos obtenidos, calcular r cuadrada,
%calcular los errores, entre muchas otras cosas. La verdad es que cada vez
%me sorprende más y más como es que MATLAB me ayuda a poder solucionar
%problemas de diferentes rangos de dificultad y me ayuda a ahorrarme
%tiempo, además de brindarme resultados precisos, matemáticos y gráficos.