UNIVERDSIDAD CENTRAL DEL

ECUADOR
FACULTAD DE INGENIERIA
QUIMICA
ANALISIS NUMERICO
 Aproximación de Fourier
Los ingenieros a menudo tratan con
sistemas que oscilan o vibran. Como es de
esperarse, las funciones trigonométricas
juegan un papel importante en el modelado
de tales problemas. La aproximación de
Fourier representa un esquema sistemático
para utilizar series trigonométricas con este
propósito. Trata con los dominios del
tiempo y de la frecuencia.
AJUSTE DE CURVAS CON FUNCIONES SINUSOIDALES
Una función periódica f(t) es aquella para la cual f(t) = f(t
+ T) (19.1) donde T es una constante llamada el periodo,
que es el valor menor para el cual es válida la ecuación
(19.1). Entre los ejemplos comunes se encuentran
diversas formas de onda tales como, ondas cuadradas y
dientes de sierra (figura 19.2). Las ondas fundamentales
son las funciones sinusoidales. En el presente análisis se
usará el término sinusoide para representar cualquier
forma de onda que se pueda describir como un seno o
un coseno.
En este capítulo se usará el coseno, que generalmente se
expresa como
f(t) = A0 + C1 cos(w0t + q) (19.2)
Así, cuatro parámetros sirven para caracterizar la
sinusoide (figura 19.3). El valor medio A0, establece la
altura promedio sobre las abscisas. La amplitud C1
especifica la altura de la oscilación. La frecuencia angular
w0 caracteriza con qué frecuencia se presentan los ciclos.
Finalmente, el ángulo de fase, o corrimiento de fase q,
parametriza en qué extensión la sinusoide está corrida
horizontalmente. Esto puede medirse como la distancia
en radianes desde t = 0 hasta el punto donde la función
coseno empieza un nuevo ciclo.
Aunque la ecuación (19.2) representa una caracterización matemática adecuada de una sinusoide, es
difícil trabajar desde el punto de vista del ajuste de curvas, pues el corrimiento de fase está incluido
en el argumento de la función coseno. Esta deficiencia se resuelve empleando la identidad
trigonométrica
C1 cos(w0t + q) = C1[cos(w0t) cos(q) – sen(w0t) sen(q)] (19.5)
 Ajuste por mínimos cuadrados
de una sinusoide
La ecuación (19.6) se entiende como un modelo lineal por
mínimos cuadrados
y = A0 + A1 cos(w0t) + B1 sen(w0t) + e
que es sólo otro ejemplo del modelo general [recuerde la
ecuación (17.23)] y = a0z0 + a1z1 + a2z2 + … + amzm + e
(17.23) donde z0 = 1, z1 = cos(w0t), z2 = sen(w0t) y todas
las otras z = 0. Así, nuestro objetivo es determinar los
valores de los coeficientes que minimicen la función
 SERIE DE FOURIER CONTINUA
En el curso del estudio de problemas de flujo de calor, con el análisis de Fourier se demostró que
una función periódica arbitraria se representa por medio de una serie infinita de sinusoides con
frecuencias relacionadas de manera armónica. Para una función con un periodo T, se escribe una
serie de Fourier continua1
f(t) = a0 + a1 cos(w0t) + b1 sen(w0t) + a2 cos(2w0t) + b2 sen(2w0t) + …
19.7 EL ESPECTRO DE
POTENCIA
La TRF tiene diversas aplicaciones en ingeniería que van desde el análisis de vibración de estructuras
y mecanismos, hasta el procesamiento de señales. Como se describió antes, el espectro de amplitud
y fase proporciona un medio para entender la estructura de señales bastante aleatorias. De manera
similar, un análisis útil llamado espectro de potencia se puede desarrollar a partir de la transformada
de Fourier. Como su nombre indica, el espectro de potencia se obtiene del análisis de la potencia de
salida en sistemas eléctricos. En términos matemáticos, la potencia de una señal periódica en el
dominio del tiempo se define como
Ahora, otra forma de entender esta información es expresándola en el dominio de la frecuencia y
calculando la potencia asociada a cada componente de frecuencia. Después esta información se
despliega como un espectro de potencia, es decir, una gráfica de la potencia contra la frecuencia. Si
la serie de Fourier para f(t) es
De esta forma, la potencia en f(t) se
determina al sumar los cuadrados
de los coeficientes de Fourier, es
decir, las potencias asociadas con
los componentes de frecuencia
El espectro de potencia es la gráfica de pk en función de la frecuencia kw0.
individual. Ahora, recuerde que, en
Dedicaremos la sección 20.3 a una aplicación en ingeniería que emplea la TRF y
esta representación, la armónica
el espectro de potencia obtenido por medio de un paquete de software.
real simple consta de ambos
componentes de frecuencia en
±kw0. También sabemos que los
coeficientes positivos y negativos
son iguales. Por lo tanto, la
potencia en fk(t), la k-ésima
armónica real de f(t), es
19.8 AJUSTE DE CURVAS
CON BIBLIOTECAS Y
PAQUETES DE SOFTWARE
 ). El comando Trendline (menú Insert). Este comando permite
agregar varios modelos de tendencia a una gráfica. Tales
modelos comprenden ajustes lineales, polinomiales,
19.8.1 Excel logarítmicos, exponenciales, de potencia y de promedio
Excel En el presente contexto, la móviles. El siguiente ejemplo ilustra cómo utilizar el comando
aplicación más útil de Excel es Trendline.
en el análisis de regresión y, en
menor extensión, en la
interpolación polinomial.
Además de algunas funciones
interconstruidas (véase la tabla
19.l), existen dos formas
principales en las que se puede
emplear esta posibilidad: el
comando Trendline y el Data
Analysis Toolpack (paquete de
herramientas para el análisis de
datos
Solución. Para usar el comando Trendline, se debe crear una gráfica que relacione una serie de
variables dependientes y de variables independientes. En este caso, se usa el Wizard (Asistente)
para gráficas de Excel y crear una gráfica XY con los datos.
Después, se selecciona la gráfica (haciendo doble clic en ella) y la serie (al posicionar el cursor
sobre uno de los valores y dando un solo clic). Los comandos Insert y Trendline entonces se llaman
con la ayuda del ratón o mediante la siguiente secuencia de teclas /Insert Trendline En este
momento, se abre un cuadro de diálogo con dos rótulos: Options (Opciones) y el Type (Tipo).

El rótulo Options proporciona formas para configurar el ajuste. Lo más importante en este contexto
es desplegar tanto la ecuación como el valor del coeficiente de determinación (r2) sobre la gráfica.
La primera elección en el rótulo Type es para especificar el tipo de tendencia. En este caso, se
selecciona Logarithmic. El ajuste resultante junto con r2 se despliega en la figura 19.21.
El comando Trendline proporciona una manera fácil para ajustar a los datos varios modelos que se
usan comúnmente. Además, la opción Polinomial se incluye también para que se pueda usar la
interpolación polinomial. Sin embargo, como su contenido estadístico está limitado a r2, esto
significa que no permite obtener gráficas de inferencias estadísticas respecto al ajuste del modelo.
El paquete de herramientas para el aná- lisis de datos (Data Analysis Toolpack) que se describirá a
continuación ofrece una excelente alternativa en casos donde son necesarias las inferencias.
El paquete de herramientas para el análisis de datos (Data
Analysis Toolpack). Este paquete adicional de Excel tiene
amplias posibilidades para el ajuste de curvas por mínimos
cuadrados lineales generales. Como se describió en la sección
17.4, tales modelos son de la forma general

donde z0, z1,…, zm son m + 1 funciones diferentes. El siguiente

ejemplo ilustra cómo tales modelos se pueden ajustar con
Excel.

19.8.2 MATLAB
Como se resume en la tabla 19.2, MATLAB tiene
varias funciones preconstruidas que abarcan
todas las capacidades que se describen en esta
parte del libro. El siguiente ejemplo ilustra cómo
usar algunas de ellas.
EJEMPLO 19.5 Uso de MATLAB para el ajuste de curvas
Planteamiento del problema.
Explore cómo se utiliza MATLAB para ajustar curvas a
datos. Para ello, use la función seno para generar valores
regularmente espaciados f(x) de 0 a 10.
Utilice un tamaño de paso de 1, de tal forma que la
caracterización resultante de la onda seno sea dispersa
(figura 19.22).
Después, ajústela con interpolación a) lineal, b)
polinomial de quinto grado y c) segmentaria cúbica.
Solución.
a) Los valores de las variables independientes y
dependientes se introducen en vectores mediante
>> x=0:10; >> y=sin(x);
a) Se genera un nuevo vector más fi namente espaciado
con valores de la variable independiente y se guarda
en el vector xi, >> xi=0:.25:10
La función MATLAB interp1 se usa
después para generar valores de la
variable dependiente yi para todos los
valores xi usando interpolación lineal.
Tanto los valores originales (x, y) como los
valores interpolados linealmente se grafi
can juntos, como se muestra en la gráfi ca
siguiente:

>> yi=interp1(x,y,xi); >> plot(x,y,’o’,xi,yi)

b) A continuación, la función polyfi t
de MATLAB se emplea para generar
los coefi - cientes de un ajuste
polinomial de quinto grado a los
datos dispersos originales,
>> p=polyfit(x,y,5)
p= 0.0008 -0.0290 0.3542 -1.6854
2.5860 -0.0915
donde el vector p contiene los coefi
cientes polinomiales.
Éstos, a su vez, se utilizan para
generar un nuevo conjunto de
valores yi, los cuales de nuevo
pueden grafi carse junto con la
muestra original dispersa,
>> yi = polyval(p,xi); >>
plot(x,y,’o’,xi,yi)
20.1 REGRESIÓN LINEAL Y MODELOS DE
POBLACIÓN (INGENIERÍA
QUÍMICA/BIOINGENIERÍA)
 Antecedentes.
Los modelos de crecimiento poblacional son importantes en diversos campos de la ingeniería. En
muchos de los modelos es fundamental la hipótesis de que la razón de cambio de la población
(dp/dt) es proporcional a la población existente (p) en cualquier tiempo (t), o en forma de ecuación,
dp = kp (20.1) dt
donde k = un factor de proporcionalidad conocido como velocidad de crecimiento espe- cífico y tiene
las unidades de tiempo–1. Si k es una constante, entonces la solución de la ecuación (20.1) se
obtiene de la teoría de las ecuaciones diferenciales:
p(t) = p0ekt (20.2)
donde p0 = población cuando t = 0. En la ecuación (20.2) se observa que p(t) se aproxi- ma al infinito
conforme t crece. Por lo tanto, el modelo debe modificarse para hacerlo más realista.
 Solución.
Primero, se debe reconocer que la velocidad de crecimiento específico k no puede ser una constante
conforme la población crece. Éste es el caso debido a que, con- forme p se aproxima al infinito, el
fenómeno que está modelando se verá limitado por algunos factores como por ejemplo carencia de
alimentos y producción de desechos tóxicos. Una manera de expresar esto en forma matemática es
mediante el uso de un modelo de velocidad de crecimiento de saturación tal que
k=kmáx = f/ K+f
donde kmáx = la velocidad de crecimiento máximo obtenible para valores grandes de alimento (f) y K =
la constante de saturación media. En la figura 20.1 se tiene la gráfi- ca de la ecuación (20.3) y se
muestra que cuando f = K, k = kmáx/2. Por lo tanto, K es la cantidad de alimento disponible que
permite una velocidad de crecimiento poblacional igual a la mitad de la velocidad máxima.

Las constantes K y kmáx son valores empíricos obtenidos de mediciones experimen- tales de k para
diversos valores de f. Por ejemplo, suponga que la población p representa la levadura empleada en la
producción comercial de cerveza, y f es la concentración de la fuente de carbono que será
fermentada. Las mediciones de k contra f para la levadura se muestran en la tabla 20.1.
FIGURA 20.1. Gráfica de la velocidad de crecimiento específico contra alimento disponible para el modelo de
velocidad de crecimiento de saturación usado para caracterizar la cinética microbiana. El valor K se conoce
como constante de saturación media porque concuerda con la concentración a la que la velocidad de
crecimiento específico es la mitad de su valor máximo.
TABLA 20.1 Datos utilizados para evaluar las constantes de un modelo de velocidad
de crecimiento de saturación para caracterizar la cinética microbiana.
Se requiere calcular kmáx y K a partir de estos datos empíricos. Esto se logra invirtiendo la ecuación (20.3) de manera similar a la ecuación (17.17) para obtener
1 𝑘+𝑓 𝑘 1 1
= = +
𝑘 𝑘𝑚𝑎𝑥 + 𝑓 𝑘𝑚𝑎𝑥 𝑓 𝑘𝑚𝑎𝑥

A causa de dicha transformación, se pueden utilizar los métodos por mínimos cua- drados lineales, descritos en el capítulo 17, para determinar kmáx = 1.23 días–1 y K = 22.18 mg/L. Los resultados, combinados con la ecuación (20.3), se comparan con los datos no transformados en la figura 20.3, y cuando se sustituyen en el modelo de la ecuación (20.1) dan el resultado siguiente:
Observe que el ajuste da una suma de los cuadrados de los residuos (como se calculó con los datos no
transformados) es de 0.001305.
La ecuación (20.5) se resuelve usando la teoría de las ecuaciones diferenciales o los métodos
numéricos que se analizan en el capítulo 25 cuando se conoce f(t). Si f se aproxima a cero conforme p
crece, entonces dp/dt se aproxima a cero y se estabiliza la población.
La linealización de la ecuación (20.3) constituye una forma para evaluar las cons- tantes kmáx y K. Un
procedimiento alternativo, que se ajusta a la relación en su forma original, es la regresión no lineal
descrita en la sección 17.5. La figura 20.4 muestra cómo se emplea la herramienta Solver de Excel
para estimar los parámetros con la regresión no lineal.
FIGURA 20.2
Versión linealizada del modelo de la velocidad de crecimiento de saturación. La línea es un ajuste por
mínimos cuadrados que
se utiliza para evaluar los coeficientes del modelo kmáx = 1.23 días–1 y K = 22.18 mg/L para una levadura
que sirve para producir cerveza.
FIGURA 20.3
Ajuste del modelo de velocidad de crecimiento de saturación para una levadura
empleada en la producción comercial de cerveza.
Como se observa, se desarrolla una columna de valores predichos basada en el modelo y en los
parámetros iniciales. Éstos se utilizan para generar una columna de residuos al cuadrado que se
suman, y el resultado se coloca en la celda D14. Después se usa el Solver de Excel para minimizar la
celda D14 al ajustar las celdas B1:B2. El resul- tado, como se muestra en la figura 20.4, da estimados
de kmáx = 1.23 y K = 22.14, con un Sr = 0.001302. De esta forma, aunque, como se esperaba, la
regresión no lineal ofrece un ajuste ligeramente mejor, los resultados son casi idénticos. En otros
casos, esto puede no ser así (o la función quizá no sea compatible con linealización) y la regresión no
lineal podría ser la única opción factible para obtener un ajuste por mínimos cuadrados.
TRAZADORES PARA
ESTIMAR LA
TRANSFERENCIA DE
CALOR (INGENIERÍA
CIVIL/AMBIENTAL)
Los lagos de la zona templada llegan a dividirse en estratos térmicos durante el verano. Como se
ilustra en la figura 20.5, cerca de la superficie, el agua es tibia y ligera, y en el fondo es más fría y
densa. La estratificación divide efectivamente el lago en dos capas en forma vertical: el epilimnion y
el hipolimnion, separadas por un plano conocido como termoclina.
La estratificación térmica tiene gran importancia para los ingenieros ambientales que estudian la
contaminación de tales sistemas. En particular, la termoclina disminuye en gran medida la mezcla
de las dos capas. Como resultado, la descomposición de la materia orgáni- ca puede conducir a una
gran reducción de oxígeno en el fondo aislado de las aguas.
La ubicación de la termoclina se puede definir como el punto de inflexión de la curva temperatura-
profundidad; es decir, el punto donde d2T/dx2 = 0. Es también el punto en el cual el valor absoluto
de la primera derivada o gradiente es un máximo. Utilice trazadores cúbicos para determinar la
profundidad de la termoclina en el lago Platte (tabla 20.2). También use los trazadores para
determinar el valor del gradiente en la termoclina.
FIGURA 20.5
Temperatura contra profundidad durante el
verano en el lago Platte, Michigan.
 TABLA 20.2 Temperatura contra profundidad
durante el verano en el lago Platte, Michigan.

Los datos se analizan con un programa que se desarrolló con base en el seudocódigo de la figura 18.18. Los
resultados se muestran en la tabla 20.3 que da las predicciones del trazador junto con las primera y segunda
derivadas a intervalos de 1 m hacia abajo a través de la columna de agua.
Los resultados se grafican en la figura 20.6. Observe cómo la termoclina está cla- ramente localizada en la
profundidad donde el gradiente es mayor (es decir, el valor absoluto de la derivada es mayor) y la segunda
derivada es cero. La profundidad es 11.35 m y el gradiente en este punto es –1.61°C/m.
segmentario basado en el seudocódigo de la
figura 18.18.
FIGURA 20.6
Graficas de a) temperatura, b) gradiente y c) segunda derivada contra profundidad (m) generadas con el programa
de trazadores cúbicos. La termoclina
se localiza en el punto de inflexión de la curva temperatura-profundidad.
20.3 Análisis de Fourier ( Ingeniería Eléctrica)
EL ANÁLISIS DE FOURIER SE EMPLEA EN MUCHAS ÁREAS DE INGENIERA, S E
UTILIZA DE MANERA EXTENSIVA EN PROBLEMAS DE LA INGENIERÍA
ELÉCTRICA COMO EL PROCESAMIENTO DE SEÑALES.
EN 1848, JOHANN RUDOLPH WOLF DISEÑÓ UN MÉTODO PARA CUANTIFICAR
LA ACTIVIDAD SOLAR CONTANDO EL NÚMERO DE MANCHAS Y GRUPOS DE
MANCHAS EN LA SUPERFICIE SOLAR, SUMANDO 10 VECES EL NÚMERO DE
GRUPOS MÁS EL NÚMERO DE MANCHAS SOLARES. WOLF DETERMINÓ QUE LA
LONGITUD DEL CICLO ES DE 11.1 AÑOS
Utilizando el análisis de Fourier para confirmar este resultado se utilizo la aplicación
de una TRF a los datos de la figura anterior, se desarrollo una grafica periodo contra
tiempo.
20.4 Análisis de datos experimentales (
Ingeniería Mecánica/ Hidráulica)
LAS VARIABLES DE DISEÑO EN LA INGENIERÍA SON A MENUDO
DEPENDIENTES DE VARIAS VARIABLES INDEPENDIENTES. POR LO COMÚN,
ESTA DEPENDENCIA FUNCIONAL SE CARACTERIZA MEJOR CON ECUACIONES
DE POTENCIA MULTIVARIABLE. POR EJEMPLO, UN ESTUDIO EN INGENIERÍA
MECÁNICA INDICA QUE EL FLUJO DE UN LÍQUIDO A TRAVÉS DE UNA TUBE RÍA
ESTÁ RELACIONADO CON EL DIÁMETRO Y LA PENDIENTE DE LA TUBERÍA
COMO SE OBSERVA EN LA TABLA.
Use regresión lineal múltiple para analizar estos datos. Después con el modelo resultante prediga el
flujo en una tubería de 2.5 ft de diámetro y con pendiente de 0.025 ft/ft
Solución. La ecuación de potencias a evaluarse es