Beruflich Dokumente
Kultur Dokumente
--> InterpolDifDiv(X)
Ingrese el valor de x = 0.05
P (0.050000) = 0.998753
Esta evaluación se realizo en los distintos valores de x solicitados y sus valores se consignaron en la
siguiente tabla:
Luego se compararon con los datos reales de la función y se calculo el error para cada punto.
● f(1.000000) = 0.525710
● f(2.000000) = -0.772380
● f(3.000000) = -2.706270
● f(4.000000) = -5.087960
3. Método Diferencias Divididas
Se tienen los siguientes datos:
i 1 2 3 4 5 6
xi 0,5 1 1,5 2 2,5 3
f(xi) 1,143 1 0,828 0,667 0,533 0,428
Se guardan los datos de xi y f(xi) en una matriz “v” en scilab, y posterior a esto se utiliza función
DiferenciasDiv(v) lo cual nos arrojara una matriz cuya primera fila corresponde a los coeficientes del
polinomio de interpolación con el método de newton.
--> DiferenciasDiv(v)
ans =
Para los numerales A, B, C y D se utiliza la misma función, pero con una matriz formada únicamente
con los datos que especifica cada numeral y se calcula el polinomio de interpolación.
--> DiferenciasDiv(A)
ans =
1.143 -0.286 -0.058 0.0533333
1. -0.344 0.022 0.
0.828 -0.322 0. 0.
0.667 0. 0. 0.
Polinomio de interpolación: 𝑃(𝑥) = 0.0533𝑥 3 − 0.2194𝑥 2 − 0.2523𝑥 + 1.21765
--> DiferenciasDiv(B)
ans =
0.828 -0.322 0.054 0.0026667
0.667 -0.268 0.058 0.
0.533 -0.21 0. 0.
0.428 0. 0. 0.
Polinomio de interpolación: 𝑃(𝑥) = 0.0026667𝑥 3 + 0,054𝑥 2 − 0,322𝑥 + 0.828
--> DiferenciasDiv(C)
ans =
1. -0.344 0.022 0.0213333
0.828 -0.322 0.054 0.
0.667 -0.268 0. 0.
0.533 0. 0. 0.
Polinomio de interpolación: 𝑃(𝑥) = 0.021333𝑥 3 − 0.022𝑥 2 − 0.344𝑥 + 1
--> DiferenciasDiv(D)
ans =
1.143 -0.315 0.01 0.0186667
0.828 -0.295 0.0567 0.
0.533 -0.21 0. 0.
0.428 0. 0. 0.
Polinomio de interpolación: 𝑃(𝑥) = 0.0186667𝑥 3 − 0.01𝑥 2 − 0.315𝑥 + 1.143
Se puede ver que existe una raíz en el intervalo [0,1] otra en el intervalo [2,3] y la última en el
intervalo [3.5,4].
MetodoSecante('cos(2*x)*cosh(2*x)+1',0,1,20,10^-7)
Raíz=0.9375520
MetodoSecante('cos(2*x)*cosh(2*x)+1',2,3,20,10^-7)
Raíz=2.347046
MetodoSecante('cos(2*x)*cosh(2*x)+1',3.5,4,20,10^-7)
Raíz=3.927379
Con estos valores de 𝜷 se procede a determinar las mínimas frecuencias en función de la densidad
𝜌:
0.937552
𝜛=√
𝜌
2.347046
𝜛=√
𝜌
3.927379
𝜛=√
𝜌
De la misma manera que en el ejercicio anterior, se gráfica con el fin de conocer los intervalos en los
que el valor de 𝜷 hace cumplir la ecuación.
Se puede ver que existe una raíz aproximadamente en el intervalo [1.5,2.3] otra en el intervalo [3,3.8]
y la última en el intervalo [4.5,5.3].
MetodoSecante('tan(2*x)-tanh(2*x)',1.5,2.3,100,10^-7)
Raíz=1.963301
MetodoSecante('tan(2*x)-tanh(2*x)',3,3.8,100,10^-7)
Raíz=3 534291
MetodoSecante('tan(2*x)-tanh(2*x)',4.5,5.3,100,10^-7)
Raíz=5.105088
Con estos valores de 𝜷 se procede a determinar las mínimas frecuencias en función de la densidad
𝜌:
1.963301
𝜛=√
𝜌
3.534291
𝜛=√
𝜌
5.105088
𝜛=√
𝜌
6. Hallar el coeficiente f.
𝟏 𝒆 𝟗.𝟑𝟓
= 𝟏. 𝟏𝟒 − 𝟐. 𝟎𝒍𝒐𝒈( + ) Ec. de la fricción (f) para un flujo turbulento
√𝒇 𝑫 𝑹𝒆√𝒇
MetodoSecante('1.14-2.*log10((0.0025./0.1)+(9.35./(30000.*((x)^(1/2)))))-
(1./(x)^(1/2))',0.01,0.1,100,10^-7)
MetodoSecante('1.14-2.*log10((0.0001./0.1)+(9.35./(30000.*((x)^(1/2)))))-
(1./(x)^(1/2))',0.01,0.1,100,10^-7)
7.
c.
𝑛
𝐴𝑥 = 𝑏𝑛 ,donde 𝑏𝑛 = [1 − 1 1 0]𝑇 + [1,1, 1, 1].Para 𝑛 = 1, . . .100.
100
Para esto se crea una matriz V donde cada columna representara un vector b diferente, para esto se
escribio el siguiente codigo:
b1=[1:0.01:2];
b2=[-1:0.01:0];
b3=[1:0.01:2];
b4=[0:0.01:1];
V=[b1;b2;b3;b4];
Lo siguiente era evaluar la solución del sistema con cada uno de los vectores b para lo cual se usó la
función Gauss(A,b) de la siguiente forma:
A=[6,-2,2,4;12,-8,6,10;3,-13,9,3;-6,4,1,-18]
N=9999999999999999999
n=0
xm=[]
for i = 1:100
b=V(:,i);
x=Gauss(A,b);
N1=norm(x);
if N1 < N then
N=N1
n=i
xm=x
end
end
lo que se hace en este código es crear dos valores N que indicara la norma más baja de los vectores
solución X y n que indicara en que columna se encuentra el vector con la norma mas baja. Se
resuelve el sistema para cada vector b y se evalúa si la norma del vector solución resultante es
menor a la del inmediatamente anterior y si es así asigna estos como nuevos valores de N, n y xm.
--> Trapecio('0.1*x*(100-x)',0,5,10)
La aproximación de la integral en [0.000000 , 5.000000] es : 120.8125
--> Simpson('0.1*x*(100-x)',0,5,10)
la integral en el intervalo [0.000000,5.000000] es :120.833333
5 0.1
--> Integrando ∫0 10𝑥 − 0.1𝑥 2 𝑑𝑥 = [5𝑥 2 − 𝑥 3 ]50 = 120.8333
3
Rta:
1
A. 𝑦 = en [0,ℼ ]
2+𝑐𝑜𝑠(𝑥)
--> Trapecio('1/(2+cos(x))',0,%pi,10)
La aproximación de la integral en [0.000000 , 3.141593] es : 1.8138
--> Simpson('1/(2+cos(x))',0,%pi,10)
la integral en el intervalo [0.000000,3.141593] es :1.813797
𝑙𝑜𝑔(1+𝑥)
B. 𝑦 = en [1,2]
𝑥
--> Trapecio('log(1+x)/x',1,2,10)
La aproximación de la integral en [1.000000 , 2.000000] es : 0.6144
--> Simpson('log(1+x)/x',1,2,10)
la integral en el intervalo [1.000000,2.000000] es :0.614279
𝑙𝑜𝑔(1+𝑥) ℼ
C. 𝑦 = en [0, ]
𝑥 2
--> Simpson('1/(1+sin(x)^2)',0,%pi/2,10)
la integral en el intervalo [0.000000,1.570796] es :1.110721
--> Trapecio('1/(1+sin(x)^2)',0,%pi/2,10)
La aproximación de la integral en [0.000000 , 1.570796] es : 1.1107
Rta:
𝑓(𝑥) − 𝑓(𝑥 − ℎ)
𝑓 ′ (𝑥) ≈
ℎ
- Diferencia centrada
𝑓(𝑥 + ℎ) − 𝑓(𝑥 − ℎ)
𝑓 ′ (𝑥) ≈
2ℎ
1
1
Se conoce el valor real debido a que 𝑓 ′ (𝑥) = 𝑥 −2
2
Evaluando esta ecuación con f(x)= √𝑥 y x=1 para ℎ = 0.1, 0.005 𝑦 0.025 se construyo la siguiente
tabla
𝑦 = 𝑓(𝑥) = 𝐴𝑥 + 𝐵
Para la regresión de mínimos cuadrados de una ecuación 𝑓(𝑥) = 𝐴𝑥 + 𝐵 se tienen las siguientes
formulas:
∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝐴=
∑ 𝑥 2 − (∑ 𝑥)2
𝐵 = 𝑦̅ − 𝐴𝑥̅
a-)
xk yk xy Xx
-2 1 -2 4
-1 2 -2 1
0 3 0 0
1 3 3 1
2 4 8 4
suma 0 13 7 10
Promedio 0 2,6 1,4 2
A=0,7
B=2,6
𝑓(𝑥) = 0,7𝑥 + 2,6
b-)
xk yk xy Xx
-6 7 -42 36
-2 5 -10 4
0 3 0 0
2 2 4 4
6 0 0 36
Suma 0 17 -48 80
Promedio 0 3,4 -9,6 16
A=-0,6
B=3,4
𝑓(𝑥) = −0,6𝑥 + 3,4
Para este cálculo se creó el código MinimosCuadrados(x,y) que toma los vectores con los valores de
X y de Y y retorna los valores de A y B para una regresión lineal de la forma 𝑓(𝑥) = 𝐴𝑥 + 𝐵.
12.
𝐸2 = ∑(𝑓(𝑥𝑖 ) − 𝑦𝑖 )2
𝑖=1
En este caso 𝑓(𝑥𝑖 ) = 𝐴𝑥𝑖 , entonces:
𝑛
𝐸2 = ∑(𝐴𝑥𝑖 − 𝑦𝑖 )2
𝑖=1
Ahora lo que deseamos encontrar es el valor de A con que este error sea mínimo por lo tanto
derivaremos esta ecuación
𝑛
𝜕𝐸
= 2 ∑(𝐴𝑥𝑖 − 𝑦𝑖 )𝑥𝑖
𝜕𝐴
𝑖=1
𝑛
𝜕𝐸
= 2 ∑(𝐴𝑥𝑖 2 − 𝑦𝑖 𝑥𝑖 )
𝜕𝐴
𝑖=1
𝑛 𝑛
𝜕𝐸
= 2𝐴 ∑(𝑥𝑖 2 ) − 2 ∑(𝑦𝑖 𝑥𝑖 )
𝜕𝐴
𝑖=1 𝑖=1
b-) A=0,574
x y f(x) E2
3 1,6 1,722 0,014884
4 2,4 2,296 0,010816
5 2,9 2,87 0,0009
6 3,4 3,444 0,001936
8 4,6 4,592 6,4E-05
c-) A=1,58
x y f(x) E2
1 1,6 1,58 0,0004
2 2,8 3,16 0,1296
3 4,7 4,74 0,0016
4 6,4 6,32 0,0064
5 8 7,9 0,01
De una forma similar al análisis anterior se tiene que en este caso 𝑓(𝑥𝑖 ) = 𝐴𝑥𝑖 2 y 𝑓(𝑥𝑖 ) = 𝐴𝑥𝑖 3 .
- Para 𝑓(𝑥𝑖 ) = 𝐴𝑥𝑖 2
𝑛
𝐸2 = ∑(𝐴𝑥𝑖 2 − 𝑦𝑖 )2
𝑖=1
Ahora lo que deseamos encontrar es el valor de A con que este error sea mínimo por lo tanto
derivaremos esta ecuación
𝑛
𝜕𝐸
= 2 ∑(𝐴𝑥𝑖 2 − 𝑦𝑖 )𝑥𝑖 2
𝜕𝐴
𝑖=1
𝑛
𝜕𝐸
= 2 ∑(𝐴𝑥𝑖 4 − 𝑦𝑖 𝑥𝑖 2 )
𝜕𝐴
𝑖=1
𝑛 𝑛
𝜕𝐸
= 2𝐴 ∑(𝑥𝑖 4 ) − 2 ∑(𝑦𝑖 𝑥𝑖 2 )
𝜕𝐴
𝑖=1 𝑖=1
∑𝑛𝑖=1(𝑦𝑖 𝑥𝑖 2 )
𝐴=
∑𝑛𝑖=1(𝑥𝑖 4 )
a-) A=1,68658116
x y f(x) E2
2 5,1 6,74632465 2,71038486
2,3 7,5 8,92201435 2,02212482
2,6 10,6 11,4012887 0,64206352
2,9 14,4 14,1841476 0,04659227
3,2 19 17,2705911 2,99085511
b-) A=1,61774873
x y f(x) E2
2 5,9 6,47099493 0,32603521
2,3 8,3 8,55789079 0,06650766
2,6 10,7 10,9359814 0,05568723
2,9 13,7 13,6052668 0,00897437
3,2 17 16,565747 0,18857565
𝐸2 = ∑(𝐴𝑥𝑖 3 − 𝑦𝑖 )2
𝑖=1
Ahora lo que deseamos encontrar es el valor de A con que este error sea mínimo por lo tanto
derivaremos esta ecuación
𝑛
𝜕𝐸
= 2 ∑(𝐴𝑥𝑖 3 − 𝑦𝑖 )𝑥𝑖 3
𝜕𝐴
𝑖=1
𝑛
𝜕𝐸
= 2 ∑(𝐴𝑥𝑖 6 − 𝑦𝑖 𝑥𝑖 3 )
𝜕𝐴
𝑖=1
𝑛 𝑛
𝜕𝐸
= 2𝐴 ∑(𝑥𝑖 6 ) − 2 ∑(𝑦𝑖 𝑥𝑖 3 )
𝜕𝐴
𝑖=1 𝑖=1
∑𝑛𝑖=1(𝑦𝑖 𝑥𝑖 3 )
𝐴=
∑𝑛𝑖=1(𝑥𝑖 6 )
a-) A=0,59015382
x y f(x) E2
2 5,1 2,36061526 7,50422874
2,3 7,5 3,12191369 19,1676398
2,6 10,6 3,98943979 43,6995062
2,9 14,4 4,96319359 89,0533152
3,2 19 6,04317507 167,879312
b-) A=0,56059611
x y f(x) E
2 5,9 2,24238443 13,3781517
2,3 8,3 2,96555341 28,4563205
2,6 10,7 3,78962968 47,7532179
2,9 13,7 4,71461326 80,7371749
3,2 17 5,74050414 126,776247
Analizando los errores en cada caso se concluye que el modelo mas apropiado para ambas tablas de
datos es el de 𝑓(𝑥𝑖 ) = 𝐴𝑥𝑖 2 aproximando de una manera más exacta a los datos del numeral b.
Si tenemos una función del tipo 𝒚 = 𝑨𝒙𝑩 se puede linealizar de la siguiente manera
𝑳𝒏(𝒚) = 𝑳𝒏(𝑨𝒙𝑩 )
a-)
𝑓(𝑥𝑖 ) = 1.0024691 𝑥𝑖 2,4640
b-)
𝑓(𝑥𝑖 ) = 0.9981509 𝑥𝑖 2.4889034
Igual al análisis anterior se tiene que en este caso 𝑓(𝑥𝑖 ) = 𝐴𝑥𝑖 −1 y 𝑓(𝑥𝑖 ) = 𝐵𝑥𝑖 −2 .
- Para 𝑓(𝑥𝑖 ) = 𝐴𝑥𝑖 −1
𝑛
𝐸2 = ∑(𝐴𝑥𝑖 −1 − 𝑦𝑖 )2
𝑖=1
Ahora lo que deseamos encontrar es el valor de A con que este error sea mínimo por lo tanto
derivaremos esta ecuación
𝑛
𝜕𝐸
= 2 ∑(𝐴𝑥𝑖 −1 − 𝑦𝑖 )𝑥𝑖 −1
𝜕𝐴
𝑖=1
𝑛
𝜕𝐸
= 2 ∑(𝐴𝑥𝑖 −2 − 𝑦𝑖 𝑥𝑖 −1 )
𝜕𝐴
𝑖=1
𝑛 𝑛
𝜕𝐸
= 2𝐴 ∑(𝑥𝑖 −2 ) − 2 ∑(𝑦𝑖 𝑥𝑖 −1 )
𝜕𝐴
𝑖=1 𝑖=1
∑𝑛𝑖=1(𝑦𝑖 𝑥𝑖 −1 )
𝐴=
∑𝑛𝑖=1(𝑥𝑖 −2 )
a-) A= 3,53392523
x y f(x) E
0,5 7,1 7,06785047 0,00103359
0,8 4,4 4,41740654 0,00030299
1,1 3,2 3,2126593 0,00016026
1,8 1,9 1,9632918 0,00400585
4 0,9 0,88348131 0,00027287
b-) A= 4,60133228
x y f(x) E
0,7 8,1 6,57333183 2,33071571
0,9 4,9 5,11259142 0,04519511
1,1 3,3 4,18302934 0,77974082
1,6 1,6 2,87583267 1,62774901
3 0,5 1,53377743 1,06869577
- Para 𝑓(𝑥𝑖 ) = 𝐵𝑥𝑖 −2
𝑛
𝐸2 = ∑(𝐵𝑥𝑖 −2 − 𝑦𝑖 )2
𝑖=1
Ahora lo que deseamos encontrar es el valor de A con que este error sea mínimo por lo tanto
derivaremos esta ecuación
𝑛
𝜕𝐸
= 2 ∑(𝐵𝑥𝑖 −1 − 𝑦𝑖 )𝑥𝑖 −2
𝜕𝐴
𝑖=1
𝑛
𝜕𝐸
= 2 ∑(𝐵𝑥𝑖 −3 − 𝑦𝑖 𝑥𝑖 −2 )
𝜕𝐴
𝑖=1
𝑛 𝑛
𝜕𝐸
= 2𝐴 ∑(𝑥𝑖 −3 ) − 2 ∑(𝑦𝑖 𝑥𝑖 −2 )
𝜕𝐴
𝑖=1 𝑖=1
∑𝑛𝑖=1(𝑦𝑖 𝑥𝑖 −2 )
𝐴=
∑𝑛𝑖=1(𝑥𝑖 −3 )
a-) A= 3,54057591
x y f(x) E
0,5 7,1 14,1623037 49,8761329
0,8 4,4 5,53214986 1,28176331
1,1 3,2 2,9260958 0,07502351
1,8 1,9 1,09277034 0,65161972
4 0,9 0,22128599 0,4606527
b-) A= 4,88521709
x y f(x) E
0,7 8,1 9,96983079 3,49626718
0,9 4,9 6,03113221 1,27946007
1,1 3,3 4,03736949 0,54371377
1,6 1,6 1,90828792 0,09504144
3 0,5 0,5428019 0,001832
k x y f(x) E2
1 0,1 0,64030 0,01650 0,38912
2 0,2 0,35594 0,02142 0,11191
3 0,3 0,13944 0,03213 0,01152
4 0,4 -0,01615 0,04283 0,00348
5 0,5 -0,11727 0,05354 0,02918
6 0,6 -0,16991 0,06425 0,05483
7 0,7 -0,17957 0,07496 0,06479
8 0,8 -0,15136 0,08567 0,05618
9 0,9 -0,08999 0,09638 0,03473
10 1 0,00021 0,10709 0,01142
11 1,1 0,11528 0,11780 0,00001
12 1,2 0,25156 0,12850 0,01514
13 1,3 0,40571 0,13921 0,07102
14 1,4 0,57470 0,14992 0,18044
15 1,5 0,75575 0,16063 0,35417
16 1,6 0,94636 0,17134 0,60065
17 1,7 1,14423 0,18205 0,92580
18 1,8 1,34734 0,19276 1,33306
19 1,9 1,55383 0,20347 1,82347
20 2 1,76205 0,21417 2,39593
21 2,1 1,97055 0,22488 3,04736
22 2,2 2,17803 0,23559 3,77306
23 2,3 2,38335 0,24630 4,56696
24 2,4 2,58551 0,25701 5,42192
25 2,5 2,78366 0,26772 6,32998
26 2,6 2,97707 0,27843 7,28268
27 2,7 3,16511 0,28913 8,27126
28 2,8 3,34728 0,29984 9,28688
29 2,9 3,52316 0,31055 10,32084
30 3 3,69242 0,32126 11,36471
31 3,1 3,85482 0,33197 12,41045
32 3,2 4,01018 0,34268 13,45059
33 3,3 4,15842 0,35339 14,47825
34 3,4 4,29947 0,36410 15,48720
35 3,5 4,43337 0,37480 16,47196
36 3,6 4,56017 0,38551 17,42776
37 3,7 4,67998 0,39622 18,35061
38 3,8 4,79295 0,40693 19,23721
39 3,9 4,89927 0,41764 20,08502
40 4 4,99914 0,42835 20,89218
41 4,1 5,09282 0,43906 21,65748
42 4,2 5,18055 0,44977 22,38032
43 4,3 5,26263 0,46047 23,06068
44 4,4 5,33935 0,47118 23,69906
45 4,5 5,41103 0,48189 24,29642
46 4,6 5,47799 0,49260 24,85413
47 4,7 5,54057 0,50331 25,37396
48 4,8 5,59909 0,51402 25,85795
49 4,9 5,65390 0,52473 26,30845
50 5 5,70535 0,53543 26,72800
function Simpson(funcion, a, b, n)
h=(b-a)/n;
x=a;
fa=evstr(funcion);
x=b;
fb=evstr(funcion);
suma=fa+fb;
for i=1:n-1
if modulo(i,3)==0 then
coef=2;
else
coef=3;
end
x=a+i*h;
fx_i=evstr(funcion);
suma=suma+coef*fx_i;
end
Integral = (3*h/8)*suma;
mprintf('\n\t la integral en el intervalo [%f,%f] es :%f',a,b,Integral);
endfunction
RungeKuttaSL('(-69*exp(-t))/25+(3*exp(4*t))/50','(-69*exp(-t))/25+(exp(4*t))/50',0,-2.7,0.5,0.1,10)
-> RungeKuttaSL('y','4*exp(-t/2)+7*exp(3*t)-9*exp(2*t)',0,2,1,0.1,10)
RungeKuttaSL('y','8*sin(5*t)-25*x',0,0,0,0.05,40)
i t(i) x(i) y(i)
0 0.0000000 0.0000000 0.0000000
1 0.0500000 0.0008312 0.0494805
2 0.1000000 0.0065072 0.1917636
3 0.1500000 0.0212670 0.4089654
4 0.2000000 0.0481947 0.6731448
5 0.2500000 0.0887793 0.9489384
6 0.3000000 0.1426252 1.1969366
7 0.3500000 0.2073447 1.3775181
8 0.4000000 0.2786467 1.4548179
9 0.4500000 0.3506199 1.4004890
10 0.5000000 0.4161927 1.1969283
11 0.5500000 0.4677340 0.8396758
12 0.6000000 0.4977486 0.3387557
13 0.6500000 0.4996099 -0.2811889
14 0.7000000 0.4682685 -0.9820242
15 0.7500000 0.4008719 -1.7144710
16 0.8000000 0.2972412 -2.4215232
17 0.8500000 0.1601533 -3.0427053
18 0.9000000 -0.0046035 -3.5188591
19 0.9500000 -0.1884193 -3.7970984
20 1.0000000 -0.3802968 -3.8355452
4. Resuelva el ejercicio (15 pág. 537 del libro de Matthews) del modØlo
predador-presa.
RungeKuttaSL('2*x-0.02*x*y','-y*0.8+0.0002*x*y',0,3000,120,0.2,25)
i t(i) x(i) y(i)
0 0.0000000 3000.0000000 120.0000000
1 0.2000000 2797.6319403 114.8006553
2 0.4000000 2666.7911177 109.0992209
3 0.6000000 2601.6265454 103.2772247
4 0.8000000 2597.1600333 97.6312442
5 1.0000000 2649.9741910 92.3840129
6 1.2000000 2758.2287730 87.7012087
7 1.4000000 2921.2600595 83.7088134
8 1.6000000 3138.8539914 80.5088075
9 1.8000000 3410.1737749 78.1924198
10 2.0000000 3732.2697140 76.8505537
11 2.2000000 4098.1167282 76.5806379
12 2.4000000 4494.2538069 77.4880490
13 2.6000000 4898.4044661 79.6784759
14 2.8000000 5277.9852554 83.2355647
15 3.0000000 5591.0625543 88.1775890
--> RungeKuttaSL('2*x-0.02*x*y','-y*0.8+0.0002*x*y',0,5000,100,0.2,25)
i t(i) x(i) y(i)
0 0.0000000 5000.0000000 100.0000000
1 0.2000000 4959.8962039 104.0251476
2 0.4000000 4842.7125523 107.8698425
3 0.6000000 4660.5657244 111.1828976
4 0.8000000 4433.2805042 113.6547218
5 1.0000000 4184.2033759 115.0708764
6 1.2000000 3935.7795395 115.3432470
7 1.4000000 3706.3743869 114.5106461
8 1.6000000 3508.9533876 112.7138780
9 1.8000000 3351.3415252 110.1582585
10 2.0000000 3237.3541060 107.0765532
11 2.2000000 3168.1314567 103.7003139
12 2.4000000 3143.2665556 100.2420261
13 2.6000000 3161.5630743 96.8868078
14 2.8000000 3221.4123825 93.7909249
15 3.0000000 3320.8386641 91.0843312
5.
ANEXOS
function [A, B]=MinimosCuadrados(x, y)
n=length(x);
SumaXX=sum(x.*x);
SumaXY=sum(x.*y);
SumaY=sum(y);
SumaX=sum(x);
PromX=SumaX/n;
PromY=SumaY/n;
A=(SumaXY-SumaX*SumaY)/(SumaXX-(SumaX^2));
B=PromY-A*PromX;
endfunction
--> [A,b]=DiferenciasFinitas('2','-1','(t^2)-1',5,10,0,0.1,11)
b =
5.5099 0.0096 0.0091 0.0084 0.0075 0.0064 0.0051 0.0036 0.0019 9.
A =
1.99 -0.9 0. 0. 0. 0. 0. 0. 0. 0.
-1.1 1.99 -0.9 0. 0. 0. 0. 0. 0. 0.
0. -1.1 1.99 -0.9 0. 0. 0. 0. 0. 0.
0. 0. -1.1 1.99 -0.9 0. 0. 0. 0. 0.
0. 0. 0. -1.1 1.99 -0.9 0. 0. 0. 0.
0. 0. 0. 0. -1.1 1.99 -0.9 0. 0. 0.
0. 0. 0. 0. 0. -1.1 1.99 -0.9 0. 0.
0. 0. 0. 0. 0. 0. -1.1 1.99 -0.9 0.
0. 0. 0. 0. 0. 0. 0. -1.1 1.99 -0.9
0. 0. 0. 0. 0. 0. 0. 0. -1.1 1.99
--> Gauss(A,b)
SOLUCIÓN DEL SISTEMA LINEAL
X(1) = 5.389678
X(2) = 5.795066
X(3) = 6.215483
X(4) = 6.650155
X(5) = 7.098197
X(6) = 7.558601
X(7) = 8.030221
X(8) = 8.511755
X(9) = 9.001722
X(10) = 9.498439
2. x''-1tx'+1t2x=1 con x (0.5) = 1 y x (4.5) = 2 en el intervalo [0.5, 4.5]. La solución exacta de esta
ecuación es:
x(t)=t2+0.2525826491t+2.528442297tln(t)
--> [A,b]=DiferenciasFinitas('1/t','-1/(t^2)','1',1,2,0.5,0.1,42)
b=
column 1 to 9
1.0733333 -0.01 -0.01 -0.01 -0.01 -0.01 -0.01 -0.01 -0.01
column 10 to 19
-0.01 -0.01 -0.01 -0.01 -0.01 -0.01 -0.01 -0.01 -0.01 -0.01…(etc.)
--> Gauss(A,b)
3. x''+1tx'+(1-1/4*t2) x=1 con x (1) = 1 y x (6) =0 en el intervalo [1,6]. La solución exacta de esta
ecuación es:
x(t)=0.2913843205cos(t) + 1.001299385sin(t)t
--> [A,b]=DiferenciasFinitas('1/t','1-(1/(4-t^2))','0',1,0,0,0.1,12)
b =
column 1 to 12… 52.
0.9545455 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
A =
column 1 to 6… 52.
1.9920661 -1.0454545 0. 0. 0. 0.
-0.9583333 1.9917361 -1.0416667 0. 0. 0.
0. -0.9615385 1.9914793 -1.0384615 0. 0.
0. 0. -0.9642857 1.9912755 -1.0357143 0.
0. 0. 0. -0.9666667 1.9911111 -1.0333333
0. 0. 0. 0. -0.96875 1.9909766
0. 0. 0. 0. 0. -0.9705882
0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0.
--> Gauss(A,b)
TALLER 3.
ECUACIONES
DIFERENCIALES (ECUACIÓN DE ONDA)
1. 𝑈𝑡𝑡 (𝑥, 𝑡) = 4𝑈𝑥𝑥 (𝑥, 𝑡) para 0 < 𝑥 < 1; 0 < 𝑡 < 0.5 con las condiciones de contorno.
𝑢(0, 𝑡) = 0 𝑦 𝑢(1, 𝑡) = 0 para 0 ≤ 𝑡 ≤ 0.5
u=
column 1 to 6
0. 0. 0. 0. 0. 0.
0.8968022 0.7694209 0.4316356 -2.220D-16 -0.3800368 -0.5877853
1.5388418 1.3284379 0.7694209 0.0515989 -0.5877853 -0.9510565
1.7600735 1.5388418 0.9484011 0.1816356 -0.5194209 -0.9510565
1.5388418 1.3800368 0.9510565 0.3773814 -0.1816356 -0.5877853
1. 0.9510565 0.809017 0.5877853 0.309017 -6.661D-16
0.3632713 0.4289802 0.5877853 0.7406526 0.7694209 0.5877853
-0.1420395 0. 0.3606159 0.7694209 1.0194209 0.9510565
-0.3632713 -0.2104039 0.1816356 0.6393841 0.9510565 0.9510565
-0.2787683 -0.1816356 0.0683644 0.3632713 0.5710198 0.5877853
-1.225D-16 0. 0. 0. 0. 0.
column 7 to 11
0. 0. 0. 0. 0.
-0.5710198 -0.3632713 -0.0683644 0.1816356 0.2787683
-0.9510565 -0.6393841 -0.1816356 0.2104039 0.3632713
-1.0194209 -0.7694209 -0.3606159 0. 0.1420395
-0.7694209 -0.7406526 -0.5877853 -0.4289802 -0.3632713
-0.309017 -0.5877853 -0.809017 -0.9510565 -1.
0.1816356 -0.3773814 -0.9510565 -1.3800368 -1.5388418
0.5194209 -0.1816356 -0.9484011 -1.5388418 -1.7600735
0.5877853 -0.0515989 -0.7694209 -1.3284379 -1.5388418
0.3800368 -6.661D-16 -0.4316356 -0.7694209 -0.8968022
0. 0. 0. 0. 0.
Para arrojar las curvas de cada zona, se adiciona este parámetro a la ecuación de onda para arrojar
una gráfica con cada una de las cuerdas detallada a los límites dados.
xg=zeros(11,11);
tg=zeros(11,11);
t=0:0.05:0.5
x=0:0.1:1
for i=1:11
xg(:,i)=x
tg(i,:)=t
end
param3d1(xg,tg,u);