Documente Academic
Documente Profesional
Documente Cultură
Se trata de calcular el polinomio de segundo grado P2(x)=a0+a1x+a2x2 que ajuste mejor a los n datos
(xi,yi). se minimiza la función
𝑛
𝑠 = ∑[𝑎0 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖2 − 𝑦𝑖 ]2
𝑖=1
𝜕𝑠
1) = 2 ∑𝑛𝑖=1[𝑎0 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖2 − 𝑦𝑖 ] = 0
𝜕𝑎0
𝜕𝑠
2) = 2 ∑𝑛𝑖=1[𝑎0 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖2 − 𝑦𝑖 ]𝑥𝑖 = 0
𝜕𝑎1
𝜕𝑠
3) 𝜕𝑎2
= 2 ∑𝑛𝑖=1[𝑎0 + 𝑎1 𝑥𝑖 + 𝑎2 𝑥𝑖2 − 𝑦𝑖 ]𝑥𝑖2 = 0
𝑛 ∑𝑥 ∑ 𝑥 2 𝑎0 ∑𝑦
( ∑𝑥 ∑ 𝑥2 3 𝑎 ∑
∑ 𝑥 ) ( 1 ) = ( 𝑥𝑦 )
∑ 𝑥2 ∑ 𝑥3 ∑ 𝑥 4 𝑎2 ∑ 𝑦𝑥 2
CCPearson
𝑆𝑟 = ∑2𝑖=1(𝑇𝑖 − 𝑃𝑛 (ℎ𝑖 ))2 sumatoria de los residuales
𝑆𝑡 − 𝑆𝑟
𝑟2 =
𝑆𝑡
clc; clear all; close all
%Modelo lineal para la temperatura de abullicion del agua
h=[0 2000 5000 7500 10000 20000 26000];
t=[212 210 203 198 194 178 168];
%grafica de dispersion
plot(h,t,'o','Markersize',5,'MarkerFaceColor','r','MarkerEdgeColor','b')
grid on
% Calculo de los coeficientes del modelo lineal
A=[length(t) sum(h); sum(h) sum(h.^2)]
B=[sum(t);sum(t.*h)]
x=inv(A)*B
syms H
T=vpa(x(2)*H+x(1),7) %Ecuacion lineal
hold on
a=ezplot(T,[min(h),max(h)]) % grafica del modelo lineal
set(a,'color','g')
ylabel('Temperatura (°F)')
xlabel('Altura (ft)')
title('Regresion lineal altura vs temperatura')
legend('datos de altura-temp.','regresion lineal')
Temperatura=subs(T,16000)
%Temperatura = 184.61105351820677578089657799865
%calculo del CCPearson
Sr=sum((t-subs(T,h)).^2) %Suma de los residuales
St=sum((t-mean(t)).^2)
r=sqrt((St-Sr)/St)
T=
211.8776 - 0.00170416*H
a=
175.0179
Temperatura =
184.61105351820677578089657799865
Sr =
4.6140339510172346766878324019552
St =
1.6054e+03
r=
0.99856195597477615485668251998558
Los siguientes datos experimentales representan el valor especifico de una sustancia como función
de la temperatura. La temperatura en °K y el calor especifico (Cp) en cal/g °K según los siguientes
datos:
t= [273 283 293 303 313 323 333 343 353 363];
Cp= [1.00783 1.00129 0.99880 0.99800 0.99850 0.99940 1.00060 1.00229 1.00437];
clc; clear all; close all
%Modelo lineal para la temperatura de abullicion del agua
t= [273 283 293 303 313 323 333 343 353 363];
c= [1.00783 1.00129 0.99880 0.99800 0.99800 0.99850 0.99940 1.00060
1.00229 1.00437];
%grafica de dispersion
plot(t,c,'o','Markersize',5,'MarkerFaceColor','g','MarkerEdgeColor','r')
grid on
% Calculo de los coeficientes del modelo lineal
A=[length(t) sum(t) sum(t.^2);
sum(t) sum(t.^2) sum(t.^3);
sum(t.^2) sum(t.^3) sum(t.^4)];
B=[sum(c);sum(c.*t);sum(c.*t.^2)];
x=inv(A)*B;
syms L
P2=vpa(x(3)*L^2+x(2)*L+x(1),7)
hold on
a=ezplot(P2,[min(t),max(t)])
ce=subs(P2,293)
set(a,'color','b')
ylabel('Calor especifico (cal/g °K)')
xlabel('Temperatura (°K)')
title('Regresion lineal Cp vs T')
legend('datos de Cp-temp.','regresion lineal')
P2 =
a=
175.0330
ce =
1.0002876964189997555099154169511
En su tiempo el astrónomo Johannes Keplerformulo su tercera ley del movimiento planetario
mediante el siguiente modelo:
𝑇 = 𝐶𝑥 𝛽
Donde x es la distancia al sol media en millones de kilómetros, T es el periodo orbital en días y c es
una constante de proporcionalidad. Encuentre el valor de la constante c y β de acuerdo a los
siguientes datos: (x, T)
ln(𝑇) = ln(𝐶𝑥 𝛽 )
Y = a0+ a1 X
Y = ln (T)
a0 = ln (C)
a1 =β
X = ln (x)
% grafica de linealizacion
Y=log(p);
X=log(d);
figure
plot(X,Y,'*')
grid on
legend('Linealizacion')
-1.6028
a1 =
1.4988
c=
0.2013
beta =
1.49882
T=
0.20132839*x^1.4988234
a=
574.0007