UNIVERSIDAD NACIONAL EXPERIMENTAL

“FRANCISCO DE MIRANDA”
AREA DE TECNOLOGIA
COMPLEJO ACADEMICO “EL SABINO”
DEPARTAMENTO DE FÍSICA Y MATEMATICA
Unidad Curricular: Matemática V

CONTENIDO pág
TEMA 3 POLINOMIOS INTERPOLANTES Y
AJUSTE DE CURVAS
3. Polinomios interpolantes y ajuste de
curvas ……………………………….. 25
3.1. Interpolación ……………….…… 25
3.1.1. Interpolación polinómica de
Lagrange ……………………… 25
3.1.2. Interpolación polinómica de
Newton en diferencias
divididas …………………...….. 28
3.2. Ajuste de curvas por mínimos
cuadrados ……………………….. 30
3.2.1. Mínimos cuadrados y análisis
de regresión lineal …………… 31
3.2.2. Mínimos cuadrados y análisis
de regresión polinomial …….. 35

Autor: Ing. Neptalí Franco (Esp) Punto Fijo, Octubre de 2019

 25

TEMA 3
POLINOMIOS INTERPOLANTES Y AJUSTE DE CURVAS

3.1. APLICACIÓN DE LA INTERPOLACIÓN POLINOMIAL PARA EL AJUSTE

DE CURVAS
En el campo matemático del cálculo numérico, se denomina interpolación a la
construcción de nuevos puntos partiendo del conocimiento de un conjunto discreto
de puntos.
En ingeniería y algunas ciencias es frecuente disponer de un cierto número de
puntos obtenidos por muestreo o a partir de un experimento y pretender construir
una función que los ajuste. Otro problema estrechamente ligado con el de la
interpolación es la aproximación de una función complicada por una más simple.
Si tenemos una función cuyo cálculo resulta costoso, podemos partir de un cierto
número de sus valores e interpolar dichos datos construyendo una función más
simple. En general, por supuesto, no obtendremos los mismos valores evaluando
la función obtenida que si evaluásemos la función original, si bien dependiendo de
las características del problema y del método de interpolación usado la ganancia
en eficiencia puede compensar el error cometido.
En todo caso, se trata de, a partir de n parejas de puntos , obtener una
función f que verifique

A la que se denomina función interpolante de dichos puntos. A los puntos se les

llama nodos. Algunas formas de interpolación que se utilizan con frecuencia son la
interpolación lineal, la Interpolación Polinómica de Newton en Diferencias
Divididas, la Interpolación Polinómica de Lagrange o la Interpolación por medio de
splines o la interpolación polinómica de Hermite.

3.1.1. Interpolación polinómica de Lagrange:

En análisis numérico, el polinomio de Lagrange, llamado así en honor a Joseph-
Louis de Lagrange, es el polinomio que interpola un conjunto de puntos dado en la
forma de Lagrange. Fue descubierto por Edward Waring en 1779 y redescubierto
más tarde por Leonhard Euler en 1783.
Dado que existe un único polinomio interpolador para un determinado conjunto de
puntos, resulta algo confuso llamar a este polinomio el polinomio interpolador de
Lagrange. Un nombre más conciso es interpolación polinómica en la forma de
Lagrange.
Dada un conjunto de n + 1 puntos:
 26

donde todos los se asumen distintos, el polinomio interpolador en la forma de

Lagrange es la combinación lineal:

∑ ( )

de bases polinómicas de Lagrange:

Para obtener un polinomio interpolador en la forma de Lagrange de primer

grado, se hace n=1

Reordenando la expresión anterior, se obtiene la fórmula de interpolación lineal:

Para obtener un polinomio interpolador en la forma de Lagrange de segundo

grado, se hace n=2

Ejemplo:
Ajuste los datos siguientes
x − 3/2 − 3/4 0 3/4 3/2
− 0,99749 − 0,68164 0 0,68164 0,99749
Mediante (a) Un polinomio interpolante de primer grado que pase por los
puntos x0 = -3/2, x1 = 3/2. (b) Un polinomio interpolante de segundo grado que
pase por los puntos x0 = 0, x1 = 3/4, x2 = 3/2. Estime f (1).

(a) Usando la fórmula de polinomio interpolante de primer grado:

 27

Para x = 1

Mediante una gráfica puede visualizarse el comportamiento del polinomio

interpolante de primer grado con respecto a los datos dados. En la misma se
observa que no se obtiene un buen ajuste en torno a x = 1.

(b) Usando la fórmula de polinomio interpolante de segundo grado:

Para x = 1

Mediante una gráfica puede visualizarse el comportamiento del polinomio

interpolante de segundo grado con respecto a los datos dados. En la misma se
observa que se obtiene un buen ajuste en torno a x = 1.
 28

Desventajas de su uso:
Debido a que el polinomio interpolador de Lagrange ajusta a todos los puntos que
le son especificados, en situaciones con una gran cantidad de datos se obtiene un
polinomio de grado muy alto, lo cual normalmente resulta impráctico. Es por esta
razón que en la práctica no es común utilizar este método, sino que se prefiere
ajustar los datos lo mejor posible, utilizando un polinomio de menor grado, incluso
si este polinomio no pasa por ninguno de los puntos que le son especificados
(pero ajusta en forma aproximada siguiendo algún criterio de optimalidad).

3.1.2. Interpolación polinómica de Newton en diferencias divididas:

Éste método es más algorítmico y resulta sumamente cómodo en determinados
casos, sobre todo cuando queremos calcular un polinomio interpolador de grado
elevado.
Tomemos f una función y escribamos su polinomio interpolador de grado n como
sigue:

∑ ∏( )

Estos coeficientes se calculan mediante diferencias divididas, cuya expresión

general está dada por:
[ ] [ ]
[ ]

Como se ve en la fórmula, las diferencias divididas se calculan de modo recursivo

usando coeficientes anteriores. Una vez hayamos realizado todos los cálculos,
notaremos que hay (muchas) más diferencias divididas que coeficientes ai. El
cálculo de todos los términos intermedios debe realizarse simplemente porqué son
 29

necesarios para poder formar todos los términos finales. Sin embargo, los
términos usados en la construcción del polinomio interpolador son todos aquéllos
que involucren a x0, así:
[ ] [ ]
Con esta notación, podemos reescribir la ecuación (1) como:
[ ] [ ]

A esta ecuación se le conoce con el nombre de fórmula de Interpolación

polinómica de Newton en diferencias divididas

Así, podemos obtener un polinomio interpolador de primer grado, haciendo n=1

[ ]

El cálculo de las diferencias divididas se muestra en la tabla:

Primeras diferencias
divididas

[ ]

Para obtener un polinomio interpolador de segundo grado, se hace n=2

[ ] [ ]

El cálculo de las diferencias divididas se muestra en la tabla:

Primeras diferencias Segundas diferencias

divididas divididas
[ ] [ ]
[ ] [ ]

[ ]
 30

Ejemplo:
Ajuste los datos siguientes
x − 3/2 − 3/4 0 3/4 3/2
− 0,99749 − 0,68164 0 0,68164 0,99749
Mediante un polinomio interpolante de primer grado que pase por los puntos x0
= -3/2, x1 = 3/2. Estime f (1).

Usando la fórmula de polinomio interpolador de Newton en diferencias divididas

primer grado.
[ ]
El cálculo de las diferencias divididas se muestra en la tabla:
Primeras diferencias divididas

−3/2 [ ]

3/2

Para x = 1

3.2. AJUSTE DE CURVAS POR MINIMOS CUADRADOS

El día de Año Nuevo de 1801, el astrónomo italiano Giuseppe Piazzi descubrió el
asteroide Ceres. Fue capaz de seguir su órbita durante 40 días. Durante el curso
de ese año, muchos científicos intentaron estimar su trayectoria con base en las
observaciones de Piazzi (resolver las ecuaciones no lineales de Kepler de
movimiento es muy difícil). La mayoría de evaluaciones fueron inútiles; el único
cálculo suficientemente preciso para permitir a Zach, astrónomo alemán,
reencontrar a Ceres al final del año fue el de Carl Friedrich Gauss de 24 años (los
fundamentos de su enfoque ya los había plantado en 1795, cuando aún tenía 18
años). Pero su método de mínimos cuadrados no se publicó hasta 1809,
apareciendo en el segundo volumen de su trabajo sobre mecánica celeste,
Theoria Motus Corporum Coelestium in sctionibus conicis solem ambientium.
 31

Mínimos cuadrados es una técnica de optimización matemática que, dada una

serie de mediciones, intenta encontrar una función que se aproxime a los datos
minimizando la suma de cuadrados de las diferencias ordenadas (llamadas
residuos) entre los puntos generados por la función y los correspondientes en los
datos.
Un requisito implícito para que funcione el método de mínimos cuadrados es que
los errores de cada medida estén distribuidos de forma aleatoria. El teorema de
Gauss-Markov prueba que los estimadores mínimos cuadráticos carecen de sesgo
y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribución
normal. También es importante que los datos recogidos estén bien escogidos,
para que permitan visibilidad en las variables que han de ser resueltas (para dar
más peso a un dato en particular, véase mínimos cuadrados ponderados).

3.2.1. Mínimos cuadrados y análisis de regresión lineal:

El ejemplo más simple de una aproximación por mínimos cuadrados es ajustar
una línea recta a un conjunto de observaciones definidas por puntos: ,
, …, . La expresión matemática para la línea recta es:

Donde los coeficientes a y b son que representan la pendiente y la intersección

con el eje y respectivamente. ε es el error o diferencia entre el modelo y las
observaciones. Así el error o residuo puede expresarse como:

Luego la suma de los cuadrados de dichas desviaciones estaría dada por:

∑ ∑

La obtención de los valores de los coeficientes, tales que esta suma sea mínima
es un problema que se puede resolver recurriendo a la derivación parcial de la
función en términos de a y b e igualando a cero:

∑ ∑

∑ ∑ ∑ (∑ ) ∑

∑ ∑

∑ ∑ ∑ (∑ ) (∑ ) ∑
 32

De esta forma se obtienen dos ecuaciones llamadas ecuaciones normales del

modelo que pueden ser resueltas por cualquier método.
Escribiendo el sistema de ecuaciones en forma matricial tenemos:

∑ ∑ ∑
| |
| | ∑ (∑ )
| |
∑ ∑ ∑ ∑ ∑
[ ] [ ] [ ]
Si usamos la regla de Cramer:
𝑛 𝑛 𝑛 𝑛

∑ ∑ ∑ 𝑦𝑖 ∑ 𝑥𝑖 ∑ 𝑥𝑖 ∑ 𝑥𝑖 𝑦𝑖
| | 𝑖 𝑖 𝑖 𝑖

| || | 𝑛 𝑛
∑ ∑ 𝑛 ∑ 𝑥𝑖 (∑ 𝑥𝑖 )
𝑖 𝑖

𝑛 𝑛 𝑛

∑ 𝑛 ∑ 𝑥𝑖 𝑦𝑖 ∑ 𝑥𝑖 ∑ 𝑦𝑖
| | 𝑖 𝑖 𝑖

| || | 𝑛 𝑛
∑ ∑ 𝑛 ∑ 𝑥𝑖 (∑ 𝑥𝑖 )
𝑖 𝑖

Que se escriben en forma abreviada como:

∑ ∑ ∑ ∑
∑ ∑
∑ ∑ ∑
∑ ∑
Otra forma de calcular los coeficientes es a partir de las medias aritméticas de las
observaciones:
∑ ∑
̅ ̅
∑ ̅̅
̅ ̅
∑ ̅
Se debe tener presente la diferencia entre el valor obtenido con la ecuación de
regresión y el valor de y observado. Mientras es una estimación y su bondad en la
estimación depende de lo estrecha que sea la relación entre las dos variables que
se estudian. Esta diferencia se conoce como error en la estimación, este error se
puede medir a partir de la Desviación estándar de la estimación:
 33

√ ∑ ∑ ̂

Como esta medida trata de resumir la disparidad entre lo observado y lo estimado,

es decir, trata de medir la diferencia promedio entre lo observado y lo estimado ó
esperado de acuerdo al modelo, puede considerarse como un indicador del grado
de precisión con que la ecuación de regresión, describe la relación entre las dos
variables. No es posible comparar con las relaciones de variables dadas en
distinta unidad de medida. Es necesario entonces calcular una medida que
interprete o mida mejor el grado de relación entre las variables:

Coeficientes de determinación y de correlación:

El coeficiente de determinación es la relación entre la variación explicada y la
variación total. Este Coeficiente de correlación mide la fuerza de la relación entre
las variables. Su valor siempre estará 0 < r < 1

Donde es el error residual asociado con la variable dependiente antes de la

regresión. Una presentación alternativa es la siguiente:
∑ ∑ ∑
√ ∑ ∑ ∑ ∑
Criterios:
0 a 0,20 Correlación muy débil, despreciable
0,20 a 0,50 Correlación débil, baja
0,50 a 0,75 Correlación moderada
0,75 a 0,95 Correlación fuerte, importante
0,95 a 1,00 Correlación muy fuerte, muy alta

La correlación entre los valores de dos variables es un hecho. Que se considere

satisfactorio o no, depende de la interpretación. Otro problema que representa la
correlación es cuando se pregunta si una variable, de algún modo causa o
determina a la otra. La correlación no implica causalidad. Si las variables x e y
están correlacionadas, esto puede ser porque x causa a y, o porque y causa a x o
porque alguna otra variable afecta tanto a x como y, o por una combinación de
todas estas razones; o puede ser que la relación sea una coincidencia.

Ejemplo:
Se realizó un estudio de la basura doméstica de una ciudad, seleccionando
aleatoriamente un total de ocho contenedores de recolección. Se determinó el
peso en Kg. del contenido de cada contenedor, así como el peso en Kg. de
 34

materiales reciclables (vidrio, cartón, plástico y metales). Los resultados fueron los
siguientes:
Peso basura (x): 7,2 6,7 17,0 12,5 6,3 23,9 6,0 10,2
Peso reciclable (y): 4,2 4,9 7,0 6,2 3,8 7,6 4,4 5,4
Ajuste los datos siguientes mediante una ecuación de regresión de primer grado
y utilícela para estimar los Kg de material reciclable que se obtendría de 18 Kg de
basura. Calcule la desviación estándar de la estimación y el coeficiente de
correlación. Grafique los resultados.

Se construye la tabla que se muestra a continuación:

i x y xy x2 y2 ̂ ̂
1 7,2 4,2 30,24 51,84 17,64 4,6133 0,1708
2 6,7 4,9 32,83 44,89 24,01 4,5109 0,1514
3 17,0 7,0 119,00 289,00 49 6,6201 0,1443
4 12,5 6,2 77,50 156,25 38,44 5,6986 0,2514
5 6,3 3,8 23,94 39,69 14,44 4,429 0,3956
6 23,9 7,6 181,64 571,21 57,76 8,033 0,1875
7 6,0 4,4 26,40 36,00 19,36 4,3676 0,001
8 10,2 5,4 55,08 104,04 29,16 5,2276 0,0297

89,8 43,5 546,63 1292,92 249,81 1,3317

∑ ∑ ∑ ∑ ∑

∑ ̂
∑ ∑
̅ ̅
∑ ̅̅
∑ ̅
̅ ̅

Por tanto la ecuación de regresión está dada por:

̂
Esta ecuación permite estimar el valor de ̂ para cualquier valor de x. Para estimar
los Kg de material reciclable que se obtendrían de 18 Kg de basura, basta con
sustituir este valor:
̂
 35

La suma de los cuadrados de dichas desviaciones y la Desviación estándar de la

estimación está dada por:

√ √

El coeficiente de correlación:
∑ ∑ ∑
√ ∑ ∑ ∑ ∑ √

, Se observa que la correlación entre los valores de las dos variables

es fuerte.

Mediante una gráfica puede visualizarse el comportamiento la recta de regresión

con respecto a los datos dados.

3.2.2. Mínimos cuadrados y análisis de regresión polinomial:

En muchos casos una curva es más adecuada para ajustar los datos. El
procedimiento de mínimos cuadrados puede extenderse fácilmente para ajustar un
polinomio de grado superior un conjunto de observaciones definidas por puntos:
, , … , . Por ejemplo, supongamos que ajustamos un
polinomio de segundo grado o cuadrático:

Por ejemplo, supongamos que ajustamos un polinomio de segundo grado o

cuadrático:
 36

Luego la suma de los cuadrados de dichas desviaciones estaría dada por:

∑ ∑

Recurriendo a la derivación parcial de la función en términos de a, b y c e

igualando a cero:

∑( )

∑( )

∑( )

De esta forma se obtienen tres ecuaciones normales del modelo.

(∑ ) (∑ ) ∑

(∑ ) (∑ ) (∑ ) ∑

(∑ ) (∑ ) (∑ ) ∑

Escribiendo el sistema de ecuaciones en forma matricial tenemos:

∑ ∑ ∑

∑ ∑ ∑ ∑

∑ ∑ ∑ ∑
[ ] [ ]
[ ]

Resolviendo se obtienen los coeficientes a, b y c.

En general, para un polinomio de grado m:

̂ ∑

tenemos el siguiente sistema de ecuaciones normales en forma matricial

:
 37

∑ ∑ ∑ ∑
∑ ∑ ∑ ∑ ∑
∑ ∑ ∑ ∑ ∑

[ ∑ ∑ ∑ ∑ ] [ ] [∑ ]

Desviación estándar de la estimación:

√ ∑ ̂

Coeficientes de determinación y de correlación:

El coeficiente de determinación es la relación entre la variación explicada y la
variación total. Su valor siempre estará en el intervalo 0 < r ≤ 1

∑ ̅

Mientras que el Coeficiente de correlación mide la fuerza de la relación entre las

variables está dado por:

Ejemplo:
Los datos siguientes muestran la distancia recorrida (m) y la velocidad alcanzada
por un cuerpo (m/s).
x 0 1 2 3 4 5
2,1 7,7 13,6 27,2 40,9 61,1
Usando regresión polinomial (a) Encuentre una fórmula de la velocidad en
función de la distancia. Calcule la desviación estándar de la estimación y el
coeficiente de correlación. (b) Estime la velocidad a una distancia de 4,5 m. (c)
Estime que distancia había recorrido cuando la velocidad era de 20 m/s.

Se construye la tabla que se muestra a continuación:

x y xy x2 x2y x3 x4
0 0 2,1 0 0 0 0 0
1 1 7,7 7,7 1 7,7 1 1
2 2 13,6 27,2 4 54,4 8 16
 38

3 3 27,2 81,6 9 244,8 27 81

4 4 40,9 163,6 16 654,4 64 256
5 5 61,1 305,5 25 1527,5 125 625
15 152,6 585,6 55 2488,8 225 979

∑ ∑ ∑ ∑ ∑

∑ ∑

Escribiendo el sistema de ecuaciones en forma matricial tenemos:

[ ] [ ] [ ]

Resolviendo este sistema de ecuaciones se tiene:

a = 2,47857 , b = 2,35929 , c = 1,86071

(a) Por tanto la ecuación de regresión es:

̂

Calculando el error residual asociado con la variable dependiente antes de la

regresión y la suma de los cuadrados de las desviaciones:

∑ ̅ ∑ ̂

ŷ ̅ ̂
1 2,4786 544,4444 0,14334
2 6,6986 314,4711 1,0028
3 14,64 140,0278 1,0816
4 26,3029 3,1211 0,80479
5 41,6871 239,2178 0,61953
2513,3933 3,74637

La desviación estándar de la estimación está dada por:

√ √
 39

Coeficientes de determinación y de correlación:

√
Se observa la correlación entre los valores de dos variables es muy fuerte.

(b) El valor de la velocidad ̂ estimado para x = 4,5 m es:

̂

(c) Valor de la distancia cuando la velocidad es de 20 m/s

Resolviendo se obtiene . Por lo tanto, se

estima que a los m, el cuerpo ha alcanzado la velocidad es de 20
m/s.

Mediante una gráfica puede visualizarse el comportamiento la recta de regresión

con respecto a los datos dados.

En la misma se observa que se obtiene un buen ajuste de la ecuación de

regresión con respecto a los datos dados.
 40

ACTIVIDAD

1. Ajuste los datos siguientes

x 0 10 20 30 40
1 1,5 2 3 4
Mediante (a) Un polinomio interpolante de primer grado que pase por los
puntos x0 = 10, x1 = 30. (b) Un polinomio interpolante de segundo grado
que pase por los puntos x0 = 0, x1 = 20, x2 = 40. Estime f (15) y evalúe el ajuste
en cada caso.

2. Los datos siguientes representan el crecimiento bacterial en un cultivo líquido

durante cierto número de días.
dia 0 4 8 12 16 20
Cantidad x10-6 67 84 98 125 149 185
Mediante mínimos cuadrados encuentre la ecuación de mejor ajuste a la
tendencia de datos. Calcule el error estándar de la estimación y el coeficiente
de correlación. Grafique en cada caso e interprete los resultados. Pronostique
la cantidad de bacterias después de 40 días.

3. Un objeto se suspende en un túnel de viento y se mide la fuerza para varios

niveles de velocidad del viento. A continuación están tabulados los resultados
v (m/s) 10 20 30 40 50 60 70 80
F (N) 25 70 380 550 610 1220 830 1450
(a) Mediante mínimos cuadrados encuentre la ecuación de mejor ajuste a la
tendencia de datos. Calcule el error estándar de la estimación y el coeficiente
de correlación. Grafique en cada caso e interprete los resultados. (b) Estime la
fuerza aplicada sobre el objeto cuando la velocidad del viento es 65 m/s.

4. Los datos siguientes muestran la cantidad de producto (gr) generado durante

cierta reacción química en un lapso de 6 horas.
t 0 1 2 4 5
0 54 109 114 115
Usando regresión polinomial (a) Encuentre una fórmula de la masa de
producto en función del tiempo. Calcule la desviación estándar de la estimación
y el coeficiente de correlación. (b) Estime la cantidad de producto generada al
cabo de 3 hr. (c) Estime el tiempo que se requiere para generar 60 gr de
producto.
 41

5. En la figura, se muestra un esquema de un motor de combustión interna, en el

cual, la manivela (1) gira con una velocidad constante y acciona a través de la
biela (2) al pistón (3). Los siguientes datos corresponden a la velocidad de un
pistón determinada de manera experimental:
s
0 1,25 2,5 3,75 5 3
v (cm/s) 0 2,07 0,93 -0,93 -2,07 ø
2
Ajuste los datos de la velocidad del pistón en función de L
la posición de la manivela y estime la velocidad cuando
1
la posición de ésta sea de 1,05 rad, utilizando (a) θ R
Interpolación Polinómica de segundo grado que
pase por los puntos x0 = 0, x1 = 1,25, x2 = 3,75. (b)
Regresión por mínimos cuadrados.

6. Una barra sujeta a una carga axial se deformará,

como se muestra en la curva esfuerzo–deformación
unitaria (ver figuras a y b). El área bajo la curva que
va desde un esfuerzo cero hasta el punto de
ruptura, se le llama módulo de rigidez (E) del
material, el cual proporciona una medida de energía
por unidad de volumen requerido para causar la
ruptura del material. Como tal, es representativo de
la habilidad del material para resistir una carga por
impacto.
a) Obtenga una expresión para la curva esfuerzo–deformación unitaria. Estime
el esfuerzo cuando la deformación sea de 0,12. b) Aproxime el módulo de
rigidez, integrando la expresión obtenida.

7. La cantidad de calor requerido para elevar la temperatura de un fluido se

calcula mediante ∫ . Si la Capacidad calorífica del fluido se
determinó de manera experimental:
-150 0 200
c 0,11454 0,132 0,17376

Obtenga una expresión para la Capacidad calorífica del fluido en función de la

temperatura utilizando la Minimos cuadrados. Calcule la Capacidad calorífica
del fluido a la temperatura de 100 ºC y el calor necesario para elevar la
temperatura de 1000 gramos del fluido desde -100 ºC hasta 200 ºC.

8. Por la Ley de Hooke el resorte ejerce una fuerza restauradora opuesta a la

dirección de alargamiento y proporcional a la cantidad de elongación .
Expresada de forma simple como donde es una constante de
 42

proporcionalidad. En una gráfica F-s se identifica una parte lineal (en la cual se
cumple la Ley de Hooke). Cuando se supera el límite de elasticidad del
resorte, el resorte ya no recupera su longitud original. El Trabajo W realizado
contra un resorte está dado por el área bajo la curva de F:
∫
Se obtuvo de forma experimental el alargamiento de un resorte a medida que
aumentaba la fuerza ejercida sobre el mismo:
s (mm) 0 2 4 6 8 10 12
F (N) 0 6 11,9 18,1 23,9 40,9 79

Grafique los datos e identifique el intervalo en el cual se cumple la ley de

Hooke. Utilice mínimos cuadrados para determinar la ecuación de la recta
que mejor se ajusta al comportamiento lineal del resorte. Grafique. ¿Cuál es la
constante de elasticidad del resorte? Integre para calcular el máximo trabajo
que puede realizarse para alargar el resorte sin que este se deforme.

9. La figura muestra en primer plano un puente, en el que se destaca el arco de

la estructura de soporte. Comenzando desde el centro del puente, se midieron
las distancias en metros, desde el puente hasta el arco de la estructura de
soporte:
x -120 -110 -100 -90 -80 -70 -60 -50 -40 -30 -20 -10 0
y -57,3 -47,3 -38,6 -31,2 -24,8 -19,4 -14,9 -11,2 -8,15 -5,87 -4,27 -3,31 -3
x 10 20 30 40 50 60 70 80 90 100 110 120
y -3,31 -4,26 -5,85 -8,11 -11,1 -14,8 -19,3 -24,7 -31,1 -38,5 -47,2 -57,1
a) Grafique los datos, y aplique mínimos cuadrados para
encontrar una función que mejor se ajuste a las
medidas del arco de la estructura de soporte.

b) Use la fórmula ∫ √ ( ) , para calcular la

longitud del arco de la estructura de soporte.

10. Se realiza un estudio de la variación de la concentración de una sustancia

química en un reactor, midiendo la concentración de la misma durante un
minuto:
t, min 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
c, g/m3 6,27299 7,32039 8,15546 8,8046914 9,29962 9,6713 9,94729 10,15 10,3 10,40759

(a) Obtenga la gráfica de la curva de concentración (c vs t) durante el

periodo en estudio. Aplique mínimos cuadrados para encontrar una función
que mejor se ajuste a los datos. Estime la concentración inicial de la sustancia
 43

en el reactor. (b) Estime cuanto tiempo transcurre, para que la sustancia

alcance una concentración de 9 g/m3.

11. Las Escalas utilizadas para la medición de temperatura en grados Celsius o

Centígrados (°C) y en Grados Fahrenheit (°F) son denominadas escalas
relativas de temperatura por basarse en los puntos de fusión y de ebullición del
agua. Mientras que las escala Kelvin (K) y Rankine (R) son denominadas
escalas absolutas de temperatura. En la figura se muestran tres de estas
escalas:
A partir de la información suministrada en la
figura, obtenga las seis ecuaciones que se podrían
utilizar para convertir un valor de temperatura en
una escala cualquiera a las otras dos escalas.