U NAD Universidad abierta y

Nacional a distancia

Joseph Fourier (1768-1830)

Matemático francés nacido en Auxerre y formado en el monasterio de Saint-Benoît-sur-Loire.

Enseñó en la Escuela Normal (1795), donde había estudiado, y en la Escuela Politécnica de París
desde 1795 hasta 1798, en que se unió a la campaña de Napoleón en Egipto. Después de volver a
Francia, en 1802, publicó un importante material sobre las antigüedades egipcias, y fue hasta 1815
prefecto del departamento de Isère. Fue nombrado barón por Napoleón en 1808. En 1816 fue
elegido miembro de la Academia de Ciencias y en 1827 de la Academia Francesa. Su fama
proviene de sus trabajos sobre matemáticas y sobre física matemática. En su tratado Teoría
analítica del calor (1822), empleó unas series trigonométricas (series de Fourier) mediante las
cuales las funciones discontinuas pueden expresarse como la suma de una serie infinita de senos
y cosenos. Amplió con éxito estos procedimientos al estudio analítico del calor.

CAPITULO SEIS

AJUSTE DE CURVAS

AJUSTE DE CURVAS, INTERPOLACIÓN Y APROXIMACIONES

Y Y

Y = f(X) Y = f(X)

X X
Regresión Interpolación

Las técnicas que se han desarrollado para ajustar datos a curvas son: la
regresión, empleada cuando hay un grado significativo de error en los datos; con
frecuencia los datos experimentales son de esta clase. A diferencia de la
interpolación que se utiliza cuando el objetivo es determinar valores intermedios
entre datos que estén, relativamente libres de error.

53
 U NAD Universidad abierta y
Nacional a distancia

6.1. OBJETIVOS

Objetivo General
Al completar la cuarta unidad, el estudiante habrá refinado en gran forma su
competencia para ajustar curvas con datos reportados. En general, manejará las
técnicas, habrá aprendido a avalar la confiabilidad de sus resultados y será capaz
de seleccionar el método (o métodos) para cualquier problema particular que
involucre un ajuste de curvas.

Objetivos Específicos
Comprender la diferencia fundamental entre regresión e interpolación.
Reconocer situaciones donde sean apropiadas las regresiones lineales,
polinomiales, múltiples y no lineales.
Entender la analogía entre el polinomio de Newton y la expansión de la serie
de Taylor y cómo se relaciona el error al truncamiento.
Reconocer las capacidades y riesgos asociados con la extrapolación.

6.2. TEMAS PARA CONSULTA

6.2.1. Regresión.
Regresión lineal.
Ajuste de curvas no lineales con una función de potencia.
Ajuste de curvas con un polinomio de orden superior.
Ajuste de curvas con una combinación lineal de funciones conocidas.

6.2.2. Polinomios e interpolación.

Polinomios de interpolación con diferencias divididas de Newton.
Polinomio de interpolación de Lagrange.
Otros métodos.

6.3. INTRODUCCIÓN TEÓRICA

El método más simple para ajustar a una curva los datos es ubicar los puntos y
después dibujar una línea que visualmente conforma a los datos. Aunque ésta es
una operación válida cuando se requiere una estimación rápida, los resultados son
dependientes del punto de vista subjetivo de la persona que dibuja la curva.
Su primera situación en el ajuste de curvas podría haber sido determinar valores
intermedios a partir de datos tabulados (por ejemplo, de tablas de interés para
ingeniería económica, o partir de tablas de vapor para termodinámica). En lo que
resta de su carrera, usted tendrá frecuentes oportunidades para estimar valores
intermedios de dichas tablas. Aunque muchas de las amplias propiedades usadas

54
 U NAD Universidad abierta y
Nacional a distancia

en la ingeniería han sido tabuladas, hay muchas más que no están disponibles en
esta forma conveniente.

Los antecedentes matemáticos como prerrequisitos para interpolación se

encuentran en el material sobre las expansiones de la serie de Taylor y las
diferencias finitas divididas. La regresión por mínimos cuadrados requiere de
información adicional del campo de la estadística. Si usted conoce estos
conceptos de la media, desviación estándar, suma residual de los cuadrados,
distribución normal e intervalos de confianza, puede pasar directamente al estudio
de esta sección, de lo contrario necesita un repaso de estos temas.

6.4. REGRESIÓN POR MÍNIMOS CUADRADOS

Un ejemplo más simple de una aproximación por mínimos cuadrados es mediante

el ajuste de un conjunto de pares de observaciones: (x1, y1), (x2, y2), ..., (xn, yn) a una
línea recta. La expresión matemática para esta última es: y = a0 + a1x + e, donde
a0 y a1 son coeficientes que representan el intercepto y la pendiente, respectiva, y
e es el error, o residuo, entre el modelo y las observaciones, las cuales se pueden
representar al reordenar la ecuación ¿?? como e = y – a0 – a1x .
Así, el error o residuo es la discrepancia entre el valor real y y el valor aproximado
a0 + a1x, predicho por la ecuación lineal.

6.4.1. Criterios para un “mejor ajuste”

Una estrategia para ajustar a la ¿”mejor”? línea a través de los datos podría ser
minimizar la suma de los errores residuales para todos los datos disponibles,
n n
como en ei ( yi a0 a1 xi ) , donde n = número total de puntos.
i 1 i 1

Otro criterio lógico podría ser minimizar la suma de los valores absolutos de las
n n
discrepancias, como en ei yi a0 a1 xi .
i 1 i 1

Pero este no es el único criterio, una tercera estrategia para ajustar a la mejor
línea es el criterio minimax. En esta técnica, la línea se elige de manera que
minimice la máxima distancia que tenga un punto individual desde la línea.
Debería observarse que el principio minimax es no es adecuada para regresión,
ya que tiene una excesiva influencia en puntos fuera del conjunto; es decir, un solo

55
 U NAD Universidad abierta y
Nacional a distancia

punto con un gran error, pero algunas ocasiones es muy adecuada para ajustar
una simple función a una complicada función (Carnahan, Luther y Wilkes, 1969).

Una estrategia que supera los defectos de los procedimientos mencionados es

minimizar la suma de los cuadrados de los residuos entre la ymedida la ycalculada con el
modelo lineal:
n n n 2
2 2
Sr e i yi , medida yi,mod elo yi a0 a1 xi (6.1)
i 1 i 1 i 1
Este criterio tiene varias ventajas, entre ellas el hecho de que se obtiene una línea
única para un cierto conjunto de datos. Antes de analizar esas propiedades,
veremos una técnica para determinar los valores de a0 y a1 que minimizan la
ecuación.

6.4.2. Ajuste por mínimos cuadrados de una línea recta

Para determinar los valores de a0 y a1, la ecuación 6.1 es diferenciada con

respecto a cada coeficiente:

Sr
2 yi a0 a1 xi (6.2)
a0
Sr
2 yi a0 a1 xi xi (6.3)
a1

Observe que hemos simplificado los símbolos de la sumatoria; a menos que se

indique otra cosa, todas las sumatorias son de i = 1 hasta n. Al fijar esas
derivadas igual a cero, resultará en un mínimo Sr. Si se hace esto, las ecuaciones
se pueden expresar como:

0 yi a0 a1 xi (6.4)
2
0 yi xi a0 xi ax 1 i (6.5)

Ahora si hacemos que a0 = na0, podemos expresar las ecuaciones como un

conjunto de dos ecuaciones lineales con dos incógnitas (a0 y a1):

na0 xi a1 yi (6.6)
xi a0 xi2 a1 xi yi (6.7)

56
 U NAD Universidad abierta y
Nacional a distancia

Éstas son llamadas ecuaciones normales, y pueden ser resueltas en forma

simultánea:
n xi yi xi yi
a1 2
, (6.8)
n xi xi

a0 y a1 x ,
donde y y x son las medias de y y x, respectivamente.

6.5. LINEARIZACIÓN DE RELACIONES NO LINEALES

La regresión lineal proporciona una técnica poderosa que ajusta a la “mejor” línea
los datos. Sin embargo, está predicha sobre el hecho de que la relación entre las
variables dependientes e independientes es lineal. Éste no es siempre el caso, y
el primer paso en cualquier análisis de regresión debería ser gratificar e
inspeccionar en forma visual para asegurarnos si se puede usar un modelo lineal.
Para otros, se puede usar transformaciones para expresar los datos en una forma
que sea compatible con la regresión lineal.
Un ejemplo es el modelo exponencial y = a1ebx, donde a1 y b son constantes. Otros
casos se observan en la figura 8.

6.6. INTERPOLACIÓN Y APROXIMACIÓN POLINOMICA

Usted a menudo habrá tenido la oportunidad de estimar valores intermedio entre

datos precisos. El método más común que se usa para este propósito es la
interpolación del polinomio. Recuerde que la formula general para un polinomio
de n-ésimo orden es: f(x) = a0 + a1x + a2x2 + +anxn.

Para n+1 puntos, hay uno y sólo un polinomio de orden n que pasa a través de
todos los puntos. Por ejemplo, hay una sólo una línea recta (es decir, un
polinomio de primer orden) que conecta dos puntos (vea figura 9a). De manera
similar, únicamente una parábola conecta un conjunto de tres puntos (ver figura
9b). Interpolación polinomial consiste determinar el único polinomio de n-ésimo
orden que ajuste n+1 puntos.

Este polinomio entonces proporciona una fórmula para calcular valores

intermedios. Aunque hay uno y sólo un polinomio de n-ésimo orden que ajusta n+1
puntos, existe una variedad de formatos matemáticos en los cuales este polinomio
puede expresarse.

57
 U NAD Universidad abierta y
Nacional a distancia

a) b) c)

Figura 8. Ejemplo de interpolación polinomial: a) de primer orden (lineal)

conectando dos puntos, b) de segundo orden (cuadrática o parabólica) enlazando
tres puntos y c) de tercer orden (cúbica) conectando cuatro puntos.

y y y
x
y a3
y=a2xb b x
y=a1eb

x x x
a) b) c)
Linearización

Linearización

Linearización

Lny Log y 1/y

Intercepto = Lna1 Pendiente = b

Pendiente = b Pendiente = b/a3

x Log x 1/x
Intercepto = Log 1/a3
d) e) Intercepto = Log a2 f)

Figura 9. a) La ecuación exponencial, b) la ecuación por potencias, c) la ecuación

de razón de crecimiento saturado. Los incisos d), e) y f) son versiones
linearizadas de estas ecuaciones producto de transformaciones simples.

Es muy común en las aplicaciones de la ingeniería requerir predicciones de un

grupo de datos discretos. Una función de ajuste a los datos dados es una técnica
muy común para resolver el problema y es conocida más como interpolación.

58
 U NAD Universidad abierta y
Nacional a distancia

Dentro de la interpolación existen muchos métodos de realizarla, los más usuales

y sencillos son las aproximaciones algebraicas, es decir un conjunto de funciones
de la forma P(x) = a0 + a1x + ... + anxn donde n es un entero no negativo y a0 ... an
son constantes reales.

6.6.1. Polinomio de Taylor

Condiciones para P(x):

Puede aproximarse uniformemente a una función continua.
En un intervalo dado existe un polinomio P(x) que está cerca de la función que se
desee.

Realizar aproximaciones con polinomios facilita el cálculo de derivadas e

integrales en caso de necesitarlas.

Teorema: El polinomio de enésimo grado que mejor se aproxima a la función f

cerca de x0 tendrá tantas derivadas en x0 como sea posible que coincidan con las
de f. Esto define prácticamente lo que se conoce como el polinomio de Taylor:

P(x)= f(x0) + f’(x0)(x-x0) + f’’(x0)(x-x0)2/2! + ... + f(n)(x0)(x-x0)n/n! (6.9)

Por tanto el polinomio de Taylor es muy útil para interpolar datos cuando de
intervalos pequeños se trate, ya que se requiere el conocimiento de valores de la
función f y sus derivadas en un punto muy cercano al punto de interés.

6.6.2. Polinomio de Lagrange

Este técnica tiene la virtud de encontrar polinomios de aproximación que pueden

determinarse son simplemente especificar algunos puntos en el plano por os
cuales deben pasar.

La idea general del polinomio de Lagrange es construir un polinomio a lo sumo de

grado n que coincida con los n+1 puntos de f. Cada término del polinomio es
básicamente el resultado de la construcción sucesiva de interpolaciones lineales.

P(x)= f(xk)Ln,k(x)
donde Ln,k(x) = (x-xi)/(xk-xi) para cada i k

59
 U NAD Universidad abierta y
Nacional a distancia

6.6.3. Diferencias Dividas

Esta técnica es útil para determinar una representación explícita de un polinomio

interpolante a partir de datos tabulados. Son métodos de fácil computo y pueden
usarse para aproximar derivadas e integrales. La fórmula de diferencia dividida
interpolante de Newton parte del mismo polinomio interpolante de Lagrange,
donde se redefine el polinomio P como:

P(x) = f [x0] + f [x0,x1,….,xk](x-x0)….(x-xk-1) (6.10)

donde f [xi,xi+1,....,Xi+k] = (f [xi+1,....,Xi+k] – f [xi....,Xi+k-1]) / (xi+k-xi)

Existen también dos versiones de esta fórmula que son las fórmulas de diferencia
progresiva y regresiva de Newton. La primera se expresa como:
( ) ( 0 ) , donde (s k) es la notación de coeficiente binomial:
0

( 1)....( 1)
. (6.11)
!

La diferencia regresiva es análoga a la anterior fórmula:

( ) ( 1) ( ) (6.12)
0

6.6.4 Interpolación de Hermite

El polinomio interpolante de Hermite es el resultado de una generalización de los

polinomios de Taylor y Lagrange mediante el concepto del os denominados
polinomios osculantes.

El polinomio de Hermite H(x) logra coincidir no solo con f en todos los puntos
x0,x1,....xn sino también sus primeras derivadas.
Condiciones

Si f es continua y definida en [a,b] y x0,....xn pertenece a [a,b] y son distintos, el

único polinomio de menor grado que coincide con f y f’ en x0,....,xn es un polinomio
de grado a lo más 2n+1 tal que:

60
 U NAD Universidad abierta y
Nacional a distancia

2 1 ( ) ( ) , ( ) '( )ˆ , ( )
0 0

, ( ) [1 2( ) ' , ( ) 2
, ( ) (6.13)
ˆ ( ) (
, ) 2 , ( )
Este método requiere determinar y evaluar los polinomios de Lagrange y sus
derivadas, lo cual hace que le procedimiento sea tedioso, aún para valores
pequeños de n.

6.6.5. Interpolación del Trazador Cúbico

Los polinomios de grado mayor tienen naturaleza oscilatoria y fluctuaciones sobre

una porción pequeña del intervalo estudiado puede inducir cambios muy grandes
sobre un rango considerable, restringen el uso cuando se aproximan muchas de
las funciones en situaciones físicas reales.

La técnica llamada aproximación polinómica segmentaria busca resolver este

problema dividiendo el intervalo de la función f en una colección de subintervalos y
construir polinomios aproximadamente diferentes en cada uno.

La aproximación de este tipo más empleada es la interpolación cúbica de trazador.

Esta técnica requiere que en el intervalo el polinomio sea diferenciable
continuamente y que además tenga segunda derivada. Pero a pesar de esta
condición, el trazador cúbico no supone que las derivadas del interpolante
coinciden con las de la función.
Dada una función f definida en [a,b] y un conjunto de números, llamados los
nodos, a=x0<x1<....<xn=b, un interpolante cúbico trazador, S, para f es una función
que satisface las siguientes condiciones:

a) S es un polinomio cúbico, denotado Sj, en el intervalo [xj,xj+1] para cada

j=0,1,....n-1
b) S(xj) = f(xj) para cada j=0,1,….,n
c) Sj+1(xj+1) = Sj(xj+1) para cada j=0,1,....,n-2
d) S’j+1(xj+1)=S’j(xj+1)= para cada j=0,1....,n-2
e) S’’j+1(xj+1)=S’’(xj+1) para cada j=0,1,....,n-2
f) Se satisface una del siguiente conjunto de condiciones de frontera
i) S’’(x0) = S’’(xn)=0 frontera libre
ii) S’(x0) = f’(x0) y S’(xn) = f’(xn) frontera sujeta

61
 U NAD Universidad abierta y
Nacional a distancia

6.7. RELACIONES Y FORMULAS IMPORTANTES

Método Formulación

Regresión lineal y = a0 + a1x, donde, a1

n xy
i i x y
i i

n x x
2 2
i i

a0 y a1 x

Regresión polinomial y = a0 + a1x + .... + amxm evaluación de las a

equivalentes para la solución de m+1 ecuaciones
algebraicas lineales.

Regresión lineal y = a0 + a1x1 + .... + amxm evaluación de las a

Múltiple equivalentes para la solución de m+1 ecuaciones
algebraicas lineales.

Interpolación polinomial por diferencias divididas de Newton

f2(x) = bo + b1(X-X0) + b2(X-X0) + b2(X-X0)(X-X1), en donde

b0 = f(X0), b1 = f(X1, X0), b2 = f(X2, X1, X0).

Interpolación polinomial de Lagrange

x x1 x x2 x x0 x x2 x x0
f 2 ( x) f ( x0 ) f ( x1 ) f (x2 )
x0 x1 x0 x2 x1 x0 x1 x2 x 2 x1

62
 U NAD Universidad abierta y
Nacional a distancia

6.8. EJERCICIOS RESUELTOS

6.8.1. Linearización de una ecuación de potencias: ajustar la ecuación y = a2xb

con los datos en la siguiente tabla mediante transformaciones logarítmicas de los
datos.

Solución. La figura 9a es una gráfica de los datos originales en su estado no

transformado. La figura 9b muestra la gráfica de los datos transformados. Una
regresión lineal de éstos mediante Log dan el resultado Log y = 1.75Log x – 0.300.
Así, el intercepto, Log a2, igual –0.300, y por tanto, al tomar el antilogaritmo, a2 =
10-0.3 = 0.5. La pendiente es b2 = 1.75. En consecuencia, la ecuación de
potencias es y = 0.5x1.75.

x y Log x Log y
1 0.5 0 -0.301
2 1.7 0.301 0.226
3 3.4 0.477 0.534
4 5.7 0.602 0.753
5 8.4 0.699 0.922

6.8.2. Enunciado del problema. Determinar la concentración, en ppm, del ion

yoduro presente en la sal de mesa a partir de la diferencia de potencial, en mV,
obtenido de la muestra y la solución interna del electrodo ion específico.

A partir de una solución stock de 1000 pmm de Yodo se prepararon 4 soluciones

patrón de concentraciones 0,5 ppm, 2,5 ppm, 5 ppm y 10 ppm de Yodo y se
procedió a determinar las variaciones de Potencial en milivoltios )mV0 siguiendo
las especificaciones dadas por el INVIMA en el manual de Análisis Físico-químico
de sal para consumo humano, obteniéndose las lecturas a una temperatura de 20
0,2 C. De igual forma se preparó una muestra de sal determinándose también
su potencial, información que se presenta a continuación:

Concentración (C) Potencial ( )

Ppm I mV
0.5 -31.9
2.5 -73.1
5.0 -90.9
10.0 -108.7
M* -105.3
M* Muestra de sal

63
 U
NAD Universidad abierta y
Nacional a distancia

A continuación se presenta la representación gráfica de los datos:

0
-20 0 2.5 5 7.5 10
Potencial, mV

-40
-60
-80
-100
-120
Concentración, ppm

Ya que la concentración de Yodo no puede obtenerse directamente de la medición

de Potencial ( ), ya que el método potenciométrico directo es una función
logarítmica (cumple con la ecuación de Nernst), se obtiene:

Log C , mV
-0.301 -31.9
0.398 -73.1
0.699 -90.9
1.00 -108.7

Se obtiene la siguiente recta:

0
-0.5 -20 0 0.5 1
Potencial, mV

-40
-60
-80

-100
-120
log C

64
 U NAD Universidad abierta y
Nacional a distancia

Interpolando directamente se obtiene que para =-105.3, Log C = 0.96, donde C =

9.12 ppm.
Si la recta cumple la ecuación Y = m X + b, entonces: la relación entre la medida
de potencial y la concentración C está dada por: = s Log C + o
donde: : Potencial medido con el electrodo, (mV)
S : Pendiente (según ecuación de Nernst 2.303 RT/nF)
C : Concentración de Yodo en ppm
o : Potencial estándar del electrodo (en mV)

Esta ecuación es de la forma Y = a1 X + ao

Realizando el ajuste por mínimos cuadrados de la recta se obtiene:
Y = -58.976 log X – 49.729
Reemplazando para m = -105.3, X = 8.76 ppm.

6.8.3. Enunciado del problema.

Ajuste a una línea recta los valores de x y y en las dos primeras columnas de la
tabla que se muestra a continuación:

xi yi (yi - y)2 (yi – a0 – a1xi)2

1 0.5 8.5765 0.1687
2 2.5 0.8622 0.5625
3 2.0 2.0408 0.3473
4 4.0 0.3265 0.3265
5 3.5 0.0051 0.5896
6 6.0 6.6122 0.7972
7 5.5 54.2908 0.1993
s 24.0 22.7143 2.9911

Solución. Se calculan las siguientes cantidades:

n = 7, xiyi = 119.5, xi2 = 140, xi = 28, x = 28/4 = 4, yi = 24, x =24/7=3.428571
Mediante las ecuaciones ¿? y ¿?: a1 = 0.8392857; a0 = 0.07142857, por tanto el
ajuste por mínimos cuadrados es y = 0.07142857 + 0.8392857x.

65
 U NAD Universidad abierta y
Nacional a distancia

6.10. EJERCICIOS PROPUESTOS

Reúnase en grupos de 4-5 y resuelvan los siguientes ejercicios :

6.10.1. Realice los siguientes problemas propuestos:

a) Dados los datos:

0.90 1.42 1.30 1.55 1.63
1.32 1.35 1.47 1.95 1.66
1.96 1.47 1.92 1.35 1.05
1.85 1.74 1.65 1.78 1.71
2.29 1.82 2.06 2.14 1.27

Determine i) la media, ii) la desviación estándar, iii)la varianza, iv)el coeficiente de

variación y v) el intervalo de confianza al 95% para la media.

a) Use la regresión por mínimos cuadrados para ajustar a una línea recta a

x 1 3 5 7 10 12 13 16 18 20
y 4 5 6 5 8 7 6 9 12 11

Junto con la pendiente y el intercepto, calcule el error estándar del estimado y el

coeficiente de correlación. Grafique los datos y la línea recta de regresión.
Después repita el problema, pero ahora haga la regresión de x contra y (es decir,
cambie las variables). Interprete sus resultados.

b) Adecue los siguientes datos a una ecuación a un modelo exponencial

x 0.4 0.8 1.2 1.6 2.0 2.3

y 750 1000 1400 2000 2700 3750

Grafique los datos y analice los resultados.

6.10.2. Usted realiza experimentos y determina los siguientes valores de

capacidad calorífica C para varias temperaturas T de un gas:
T, ºC -40 -20 10 70 100 120
C, 1250 1280 1350 1480 1580 1700
kJ/kg·ºC

Use regresión y determine un modelo para predecir C como una función de T.

70
 U NAD Universidad abierta y
Nacional a distancia

6.10.3. En la ingeniería de abastecimiento de aguas, el tamaño del reservorio

depende de la estimación exacta del flujo de agua en el río del cual se toma. Para
algunos ríos es difícil obtener registros históricos de muchos años atrás de tales
datos de flujo. Por el contrario, datos metereológicos sobre la precipitación de
muchos años atrás están a menudo disponibles. Por tanto, con frecuencia es útil
determinar una relación entre flujo y precipitación. Esta relación se puede
entonces usar para estimar flujos por años pero sólo cuando se hicieron dichas
mediciones de precipitación. Para un río que se va encauzar a un dique, se tienen
los siguientes datos:

Precipitación, 88.9 101.6 104.1 139.7 132.1 94.0 116.8 121.9 99.1
cm
Flujo, m3/s 114.7 172.0 152.9 269.0 206.4 161 175.8 239.0 130

a. Grafique los datos.

b. Ajuste a una línea recta los datos mediante regresión lineal. Sobreponga la
línea de su gráfica.
c. Use la mejor línea de ajuste para predecir el flujo de agua anual si la
precipitación es de 120 cm.

6.10.4. El volumen en específico de un vapor sobrecalentado es enlistado en

tablas de vapor para diferentes temperaturas. Por ejemplo, a una presión de 2950
lb/pulg2 absolutas:

T, ºF 700 720 740 760 780

v 0.1058 0.1280 0.1462 0.1603 0.1703

Determine v para T = 750 ºF.

6.10.5. La viscosidad del agua ( agua) y el aire ( aire) en centipoise (cp) a 1 atm de
presión son enlistadas a continuación para distintas temperaturas:

T, ºC 0 20 40 60 80 100
agua, cp 1.787 1.0019 0.6530 0.4665 0.3548 0.2821
aire , cp 0.01716 0.01813 0.01908 0.01999 0.02087 0.02173
Determine agua (45ºC) y aire (30ºC).

AUTOEVALUACIÓN III

71
 U NAD Universidad abierta y
Nacional a distancia

Ubique correctamente los números de la derecha con su respectiva definición

de la izquierda:

St
( ) Interpolación polinomial de Newton 1. S y
n 1
( ) Regresión lineal 2. Ajusta polinomios a datos
pero en forma de trozos.
yi
( ) Interpolación segmentaria 3. y
n
( ) Varianza 4. Cuando se desconoce el
orden apropiado de los
polinomios.
( ) Desviación estándar 5. Ajustar la mejor línea recta a
través de un conjunto de datos.
St
( ) Media aritmética 6. S y2
n 1

La radiación (R) solar del Valle del Cauca, en 1998 ha sido tabulada como:

Mes E F M A M J J A S O N D
R, 122 --- 188 230 267 270 252 --- 196 160 138 120
2
W/m
Suponiendo que cada mes es de 30 días, ajuste a un sinusoide estos datos. Use
la ecuación resultante para predecir la radiación que habrá durante la mitad de
agosto.

La concentración de fósforo total (p en mg/m3) y clorofila a (c en mg/m3) para

cada uno de los Grandes Lagos es:
p c
Lago Superior 4.5 0.8
Lago Michigan 8.0 2.0
Lago Hurón 5.5 1.2
Lago Eire:
Cuenca oeste 39.0 11.o
Cuenca central 19.5 4.4
Cuenca este 17.5 3.8
Lago Ontario 21.0 5.5

72
 U NAD Universidad abierta y
Nacional a distancia

La clorofila a es un parámetro que indica cuánta vida de plantas está suspendida

en el agua. Como tal, indica qué tan turbia y opaca parece el agua. Use los datos
anteriores para determinar una relación c como una función de p. Use esta
ecuación para predecir el nivel de clorofila que puede esperarse si el tratamiento
de desechos es usado para disminuir la concentración de fósforo en la cuenca
oeste del Lago Eire a 15 mg/m3.

Tres organismos portadores de enfermedades decaen de manera exponencial

en las aguas de un tanque de acuerdo con el siguiente modelo:
p(t)= Ae-1.5t + Be-0.3t + Ce-0.05t
Calcule la población inicial de cada organismo (A, B y C) dadas las siguientes
mediciones:

t, h 0.5 1 2 3 4 5 6 7 8 9
p(t) 7 5.2 3.8 3.2 2.5 2.1 1.8 1.5 1.2 1.1

La viscosidad cinemática de un jarabe, , está relacionada con la temperatura

en la siguiente forma:

T, C 0 4 8 12 16 20 24
-2
, (10 ) 1.792 1.5676 1.3874 1.2396 1.1168 1.0105 0.9186
2
cm /s 3

Grafique estos datos

a) Use interpolación para predecir a T = 7.5 C.
b) Use regresión polinomial para ajustar una parábola a los datos para realizar la
misma predicción.

73