METODOS NUMERICOS

EJERCICIOS AJUSTE DE CURVAS

1. Ajustar los siguiente datos que se muestran:

a) Encontrar la ecuación de ajuste

b) Graficar los valores observados y los ajustados
c) Determinar la desviación estándar de la regresión y el r2.

2. Determinar los parámetros a y b del modelo exponencial.

a) Encontrar la ecuación de ajuste

b) Graficar los valores observados y los ajustados
c) Determinar la desviación estándar de la regresión y el r2.
3. Encontrar una ecuación de ajuste polinómica para los datos que se muestran
abajo:

Cuadro1

Cuadro2
4. Sean los siguientes datos que se muestran a continuación

Determinar:
a) Encontrar la ecuación de ajuste. Probar hasta polinomios de grado 1, 3 5 y 7;
escoger el mejor. Usar el r2
b) Graficar los valores observados y los ajustados (deberá mostrar los 4
modelos)

5. Sea los siguientes datos:

X 2 3 4 7 8 9 5 5
y 9 6 5 10 9 11 2 3

a) Determinar la pendiente y el intercepto, calcular el error de la estimación y el

coeficiente de correlación. Grafique los datos y la línea recta.
b) Recalcular pero usando regresión polinomial de segundo orden, y comparar
los resultados con los encontrados en la parte a
 AJUSTE INTERPOLACION DE CURVAS
APLICACIONES EN INGENIERIA

1. Se tiene los siguientes datos para secar café donde “t” es el tiempo en horas:
Tabla.- Comportamiento de secado de café a 46ºC
t( hr) % H2O
0 105
1 71
2 62
3 48
4 32
5 29
6 21
7 15
8 13
9 11
10 9
a) La
>> t=[0:10]' >> H=[105 71 62 48 32 29 21 >> data1=[t H]
t= 15 13 11 9]' data1 =
0 H= 0 105
 1 105 1 71
2 71 2 62
3 62 3 48
4 48 4 32
5 32 5 29
6 29 6 21
7 21 7 15
8 15 8 13
9 13 9 11
10 11 10 9
9
Del gráfico podemos decir que la curva de tipo exponencial
 t
Y  e
ln Y  ln   t
𝑌 = 𝑎0 + 𝑎1 𝑋

Es decir:

𝑌 = 𝑙𝑛𝑌
𝑎0 = 𝑙𝑛𝛼
𝑎1 = 𝛽

Encontrando los valores

>> lny=log(H) >> t
lny = t=
4.6540 0
4.2627 1
4.1271 2
3.8712 3
3.4657 4
3.3673 5
3.0445 6
2.7081 7
2.5649 8
>> n=length(t) >> sumx2=sum(t.^2)
n= sumx2 =
11 385
>> sumx=sum(t) >> promx=mean(t)
sumx = promx =
55 5
>> sumy=sum(lny) >> promy=mean(lny)
sumy = promy =
36.6606 3.3328
>> sumxy=sum(t.*lny)
sumxy =
156.1264
2. Modelo de crecimiento poblacional (ajuste de curva)
En muchos modelos, es fundamental la hipótesis de que la razón de cambio de la
población (dp/dt) es proporcional a la población real (p) en cualquier tiempo, o en
forma de ecuación:
dp
 kp
dt
Donde k : es el factor de proporcionalidad conocido como crecimiento específico,
unidades (tiempo-1).
La ecuación anterior se puede establecer finalmente en:
 p(t )  po e kt
po: población cuando t = 0.
Se observa que cuando p(t) se aproxima al infinito a medida que t crece, este
comportamiento es imposible para sistemas reales. Por lo tanto el modelo debe
ser modificado.

Solución
La razón de crecimiento k, no puede ser constante en tanto la población se vuelve
más grande. El modelo para expresar este comportamiento es:
f
k  k max
K f
kmax : razón de crecimiento obtenible máxima para grandes valores de comida
K : constante de saturación media
Las constantes kmax y K son valores empíricos basados en resultados
experimentales
1 K f K 1 1
  
k k max f k max f k max
Esta ecuación es una función lineal:
Y=1/k
X= 1/f
K/kmáx =pendiente
1/kmax = intercepto
Tabla de crecimiento saturado de bacterias
f(mg/L) k (día -1)
7 0.29
9 0.37
15 0.48
25 0.65
40 0.8
75 0.97
100 0.99
150 1.07

>> load CRECI_1.txt >> data=[f k f1 k1]

>> cr=CRECI_1 data =
>> f=cr(:,1); 7.0000 0.2900 0.1429 3.4483
>> k=cr(:,2); 9.0000 0.3700 0.1111 2.7027
>> f1=1./f; 15.0000 0.4800 0.0667 2.0833
>> k1=1./k; 25.0000 0.6500 0.0400 1.5385
>> data=[f k f1 k1] 40.0000 0.8000 0.0250 1.2500
75.0000 0.9700 0.0133 1.0309
100.0000 0.9900 0.0100 1.0101
150.0000 1.0700 0.0067 0.9346

Encontrando el modelo:
>> p=polyfit(f1,k1,1)
p=
18.0365 0.8127
 y  a1 X  a0 1
 0.8127
1 1 k max
 18 .0365  0.8127
k f k max  1.2305
K
 18 .0365
k max
K  18 .0365 *1.2305  22 .1781

>> kcal_1=18.0365*f1+0.8127 MODELO RAZON DE CRECIMIENTO SATURADO

3.5
>> data2=[f1 k1 kcal_1]
3
data2 =
2.5
0.1429 3.4483 3.3893 1/k (día)

0.1111 2.7027 2.8168 2

0.0667 2.0833 2.0151
0.0400 1.5385 1.5342 1.5

0.0250 1.2500 1.2636

0.0133 1.0309 1.0532 1

0.0100 1.0101 0.9931

0.0067 0.9346 0.9329 0.5
0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16
1/f (L/mg)

>> plot(f1,k1,'o',f1,kcal_1),grid

Entonces el modelo quedaría:

f
k  k max
K f
f
k  1.2305
22 .1781  f
dp
 kp
dt
dp f
 1.2305 p
dt 22 .1781  f

Esta ecuación diferencial se puede resolver por cualquier método

3. Un estudio en ingeniería de fluidos, indica que el flujo de un fluido a través de una

tubería está relacionado con el diámetro de la tubería y la pendiente.
Use una regresión lineal múltiple para analizar estos datos. Después use el
modelo resultante para predecir el flujo en una tubería con un diámetro de 2.5 pies
y una pendiente de 0.025 pies/pies

Tabla: Datos experimentales para diámetro, pendiente y flujo en tubos circulares

de concreto
Experimento Diámetro(pies) Pendiente Flujo (pies3/s)
(pies/pies)
1 1 0.001 1.4
 2 2 0.001 8.3
3 3 0.001 24.2
4 1 0.01 4.7
5 2 0.01 28.9
6 3 0.01 84.0
7 1 0.05 11.1
8 2 0.05 69.0
9 3 0.05 200.0

Solución:
La ecuación de potencias a evaluar es:
Q  a0 D a1S a 2
Donde:
Q : Flujo(pies3/s)
S : pendiente (pies/pies)
D : Diámetro tubería (pies)
a0, a1, a2 : coeficientes

Tomando el logaritmo de la ecuación:

log Q  log a0  a1 log D  a2 log S
Que corresponde a una ecuación de regresión múltiple:
Y  a0  a1 x1  a2 x2  e
Hacendo una equivalencia de:
Y = Q (flujo)
x1 =D (diámetro)
x2 = S (Pendiente)
 n
  X 1i 
X 2 i  a o  
     Y  i



 X 1i  X 12i    
 X Y 
X 1i X 2i   a1    1i i


 X 2i  X 1i X 2i 
X 22i  a 2  
  X Y 
 2i i

SR
Sx/ y 
n  (m  1)
Generando los datos:
>> load tubo_1.txt
>> data1=tubo_1
data1 =
1.0000 0.0010 1.4000
2.0000 0.0010 8.3000
3.0000 0.0010 24.2000
1.0000 0.0100 4.7000
2.0000 0.0100 28.9000
3.0000 0.0100 84.0000
1.0000 0.0500 11.1000
2.0000 0.0500 69.0000
3.0000 0.0500 200.0000

>> x1=data1(:,1) >> x2=data1(:,2) >> y=data1(:,3)

x1 = x2 = y=
1 0.0010 1.4000
 2 0.0010 8.3000
3 0.0010 24.2000
1 0.0100 4.7000
2 0.0100 28.9000
3 0.0100 84.0000
1 0.0500 11.1000
2 0.0500 69.0000
3 0.0500 200.0000

>> Lx1=log10(x1) >> Lx2=log10(x2) >> Ly=log10(y)

Lx1 = Lx2 = Ly =
0 -3.0000 0.1461
0.3010 -3.0000 0.9191
0.4771 -3.0000 1.3838
0 -2.0000 0.6721
0.3010 -2.0000 1.4609
0.4771 -2.0000 1.9243
0 -1.3010 1.0453
0.3010 -1.3010 1.8388
0.4771 -1.3010 2.3010

Desarrollando el sistema matricial:

a) Encontrando los coeficientes
>> >> >> sumLx1_Lx2=sum(Lx1.*Lx2)
sumLx1=sum(Lx1) sumLx1c=sum(Lx1.^2) sumLx1_Lx2 =
sumLx1 = sumLx1c = -4.9032
2.3345 0.9548 >> sumLx1_Ly=sum(Lx1.*Ly)
>> >> sumLx1_Ly =
sumLx2=sum(Lx2) sumLx2c=sum(Lx2.^2) 3.9462
sumLx2 = sumLx2c = >> sumLx2_Ly=sum(Lx2.*Ly)
-18.9031 44.0780 sumLx2_Ly =
>> sumLy=sum(Ly) -22.2077
sumLy =
11.6915

m2
n9
x 1  2.3345  x x  4.9032
1 2

 y  11 .6915 x 2  18 .9031  x y  3.9462

1

x 2
1  0.9548  x y  22.2077
2

x 2
2  44 .0780

Reemplazando en las ecuaciones normales:

 9 2.3345  18 .9031  log ao   11 .6915 
 2.3345    
 0.9548  4.9032   a1    3.9462 
 18 .9031  4.9032 44 .0780    
 a 2   22 .2077 

b) Resolviendo el sistema:
>> M=[9 2.3345 -18.9031;2.3345 >> C=[11.6915 3.9462 -22.2077]'
0.9548 -4.9032; -18.9031 -4.9032 C =
44.0780] 11.6915
M= 3.9462
 9.0000 2.3345 -18.9031 -22.2077
2.3345 0.9548 -4.9032
-18.9031 -4.9032 44.0780

>> co=bicg(M,C) >> CO=inv(M)*C

bicg converged at iteration 3 to a CO =
solution with relative residual 5.1e-013 1.7480
co = 2.6156
1.7480 0.5368
2.6156
0.5368

c) Encontrando la ecuación de ajuste

log a 0  1.7480 a1  2.6156
a0  10 1.7480  55 .9758 a 2  0.5368

Q  a0 Da1S a 2  55.9758D2.6156S 0.5368

d) Generando una tabla de valores observados y calculados
>> >> tabla=[x1,x2,y,Q]
Q=55.9758.*x1.^2.6156.*x2.^0.5368 tabla =
Q= 1.0000 0.0010 1.4000 1.3728
1.3728 2.0000 0.0010 8.3000 8.4135
8.4135 3.0000 0.0010 24.2000 24.2973
24.2973 1.0000 0.0100 4.7000 4.7250
4.7250 2.0000 0.0100 28.9000 28.9584
28.9584 3.0000 0.0100 84.0000 83.6293
83.6293 1.0000 0.0500 11.1000 11.2100
11.2100 2.0000 0.0500 69.0000 68.7039
68.7039 3.0000 0.0500 200.0000 198.4110
198.4110

Para predecir el flujo para D= 2.5 pies y S= 0.025pies/pies sería:

Q  55.9758(2.5) 2.6156
(0.025) 0.5368

>> X1=2.5;X2=0.025;
>> Q=55.9758.*X1.^2.6156.*X2.^0.5368
Q=
84.8919 pies3/s
e) Graficando
>> plot3(x1,x2,y,'o',x1,x2,Q),grid
>> xlabel('x1');
>> ylabel('x2');
>> zlabel('y');
 Obs
Modelo

200

150

100
y

50

0
0.06
3
0.04
2.5
0.02 2
1.5
x2 0 1
x1

4. La resistencia a la tensión de un plástico aumenta como una función del tiempo

cuando se calienta. Se dispone de los siguientes datos:
Tiempo 10 15 20 25 40 50 55 60 75
Resist. Tensión 4 20 18 50 33 48 80 60 78
Ajuste a una línea recta estos datos y use la ecuación para determinar la
resistencia a la tensión en un tiempo de 30 minutos
>> x=[10 15 20 25 40 50 55 60 75];
>> y=[4 20 18 50 33 48 80 60 78];
>> xx=30

xx =

30

>> yy=interp1(x,y,xx)z

yy =

44.3333
5. Tres ensayos de tensión fueron llevados a cabo en una barra de aluminio. En
Cada ensayo fue medida la deformación. Los resultados se muestran a
continuación:

La deformación está en unidades mm/m. Usar regresión lineal para estimar el

modulo de elasticidad de la barra (modulo de elasticidad = Tensión/deformación)
 6. La densidad del aire fue medida a varias altitudes. Los resultados fueron:

Use un ajuste cuadrático para determinar la densidad del aire a una altitud de 10.5
km.
7. La viscosidad del agua varia con la temperatura, tal como se presenta en la tabla.
Determinar un ajuste cúbico de los datos y determinar la viscosidad a T=10, 30, 60
y 19ºC.

8. La tabla nos muestra la masa (M) y el consumo promedio de combustible (C) de

los motores fabricados por Ford y Honda en el año 1999. Encontrar un ajuste
lineal C  a0  a1M y la desviación estándar el r2.

>> M=[1310 1810 1175 2360 1960 2020 1755 1595 1470 1430 1110 1785];
>> s=[10.2 8.1 11.9 5.5 6.8 6.8 7.7 8.9 9.8 10.2 13.2 7.7];
9. La tabla nos muestra las eficiencias de algunos calderos. Determinar la ecuación
polinomial que mejor se ajuste para predecir la eficiencia térmica para el año 2000

>> y=[1718 1767 1774 1775 1792 1816 1828 1834 1878 1906];
>> E=[0.5 0.8 1.4 2.7 4.5 7.5 12.0 17.0 17.2 23.0];
10. La siguiente tabla nos muestra la variación de la conductividad térmica del sodio
con la temperatura T. Encontrar una ecuación de ajuste cuadrática usando los
mínimos cuadrados

>> T=[79 190 357 524 690];

>> k=[1.00 0.932 0.839 0.759 0.693];

11. La intensidad de la radiación de una sustancia radiactiva fue medida en intervalos

de cada medio año. Los resultados fueron:

Donde γ es la intensidad relativa de la radiación. Se tiene el antecedente que la

radiactividad decae exponencialmente con el tiempo  (t )  aebt , estimar la vida
media de la sustancia

>> ty=[0 0.5 1 0.5 2 2.5 3 3.5 4 4.5 5 5.5];

>> la=[1.000 0.994 0.990 0.985 0.979 0.977 0.972 0.969 0.967 0.960 0.956
0.952];
12. Considerar el calor específico a presión constante del aire a bajas temperaturas,
tal como se muestra en la tabla adjunta, donde T es la temperatura (K) y Cp es el
calor específico (J/g-K). Determinar la ecuación C p  a  bT y graficar
T(K) Cp (
300 1.0045
400 1.0134
500 1.0296
600 1.0507
700 1.0743
800 1.0984
900 1.1212
1000 1.1410

13. Considerar el calor específico del aire a presión constante a altas temperaturas,
tal como se ve en la tabla adjunta, donde T es la temperatura en (K) y Cp, es el
calor específico en (J/g-K). Determinar la ecuación C p  a  bT  cT y graficar
2

T(K) Cp (
1000 1.1410
1500 1.2095
2000 1.2520
2500 1.2782
3000 1.2955

14. La ley de Hooke es F =kx; donde f es la fuerza (libras) usadas para comprimir un
resorte y x es el incremento del resorte ( en pulgadas). Encontrar la constante k

Tabla a Tabla b
xk Fk xk Fk
0.2 3.6 0.2 5.3
0.4 7.3 0.4 10.6
0.6 10.9 0.6 15.9
0.8 14.5 0.8 21.2
1.0 18.2 1.0 26.4
 METODOS NUMERICOS

EJERCICIOS INTERPOLACION DE CURVAS

1. Estimar el logaritmo natural de 2; tendiendo como datos

Ln(1)= 0
Ln(4)=1.386294
Ln(5)=1.609438
Ln(6)=1.791759

Solución:
Graficando

0.85
ln(2)
0.8

0.75

0.7

0.65

0.6

0.55

0.5

0.45

0.4

0.35

1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3 3.2 3.4

Dando valores:
>> x=[1 4 6 8]' Usando funciones de Matlab Calculando el Error:
x= >> ylin=interp1(x,y,2)
1 ylin = >> e=(vv-ylin)/vv*100
4 0.4621 e=
6 33.3333
8 >> yseg=spline(x,y,2) >> er_lin=(vv-ylin)/vv*100
>> y=log(x) yseg = er_lin =
y= 0.6083 33.3333
0 >> er_seg=(vv-
1.3863 >> vv=log(2) yseg)/vv*100
1.7918 vv = er_seg =
2.0794 0.6931 12.2406
 2 y vs. x
Lineal
1.8 cubica seg
1.6

1.4

1.2
0.6931
log (X)

0.8

0.6

0.4

0.2

0
1 2 3 4 5 6 7 8
X

2. Estime el logaritmo decimal de 5 mediante interpolación lineal

a) Interpole entre log de 4 y log de 6
b) Interpole entre log de 4.5 y log de 5.5
Para cada una de las interpolaciones, calcule el % de error relativo
Solución

>> xx=[4:6]' >> interlin=interp1(x,y,5)

xx = interlin =
4 1.6094
5
6

>> y=log(x)
y=
1.3863
1.6094
1.7918

3. Ajuste con un polinomio de interpolación de Newton de segundo orden para estimar log(5) con los
valores de log(1) y log(6). Calcular el error relativo

>> x=[1 6];

>> y=log(x)

y=

0 1.7918
>> xx=5
xx =
5
>> interp1(x,y,xx)
ans =
1.4334

4. Ajuste con un polinomio de interpolación de Newton de tercer orden para estimar log(5) usando
como datos de entrada: log(1); log(4), log(6) log(7)
5. Sean los siguientes datos
x 1 2 2.5 3 4 5
f(x) 1 5 7 8 2 1
a) Calcular mediante polinomios de interpolación de Newton de orden 1 a 3. Escoja la mejor
estimación.
b) Estimar el error de cada estimación

6. Repita los ejercicios de 1 a 4 usando la interpolación de Lagrange.

7. Un reactor está térmicamente estratificado con los valores de la siguiente tabla:

Profundidad (m) 0 0.5 1.0 1.5 2.0 2.5 3.0
Temperatura(ºC) 70 68 55 22 13 11 10
Se puede idealizar el tanque como dos zonas separadas por un fuerte gradiente de temperatura
Usar interpolaciones segmentarias para determinar la profundidad de la Thermocline. Tambien
encontrar el valor del gradiente

15. El esfuerzo cortante de nueve muestras tomadas a distintas profundidades es un estrato de arcilla
son:
Profundidad (m) 1.9 3.1 4.2 5.1 5.8 6.9 8.1 9.3 10.0
Temperatura(ºC) 0.3 0.6 0.4 0.9 0.7 1.1 1.5 1.3 1.6
Estime el esfuerzo cortante a una profundidad de 4.5 m

16. La Densidad del aire varía con la altitud de acuerdo a la siguiente tabla:
Expresar la densidad como función de la altitud, usando la interpolación cuadrática de Lagrange.

17. El calor específico

del aluminio depende de la
temperatura de acuerdo a
la siguiente tabla:
 Determinar el calor específico a la temperatura de 200ºC a 400ºC

18. La tabla nos muestra el coeficiente de arrastre CD de una esfera como una función del número de
Reynolds, use una interpolación segmentaria para encontrar el CD a Re=5, 50, 500, y 5000. Usar
la escala log-log

19. La viscosidad cinematic µK del agua varía con la temperatura T, de la siguiente manera:

Interpolar la viscosidad a T= 10, 30, 60 y 90ºC respectivamente

>> T=[0 21.1 37.8 54.4 71.1 87.8 100];

>> u=[1.79 1.13 0.696 0.519 0.338 0.321 0.296];
>> xx=[10 30 60 90]

xx =

10 30 60 90

>> yy=interp1(T,u,xx)

yy =

1.4772 0.8987 0.4583 0.3165

>> plot(T,u,'o',xx,yy),grid
>>

20. Desarrollar un programa para implementar interpolación de polinomios de Newton

21. Desarrollar un programa para implementar interpolación de Lagrange.