Universidad Nacional de Chimborazo
Programa: Maestría en Matemática Aplicada con mención en Matemática Computacional
Módulo: Métodos numéricos
Integrantes:
Silvia Cuenca
Jose Cortes
Cesar Taday
Ember Zumba
Mario Calvopiña
Fecha: Riobamba, 26 de abril del 2025
Problema 1.1
Es frecuente que en los análisis avanzados de ingeniería surjan funciones de Bessel, como en el estudio de
campos eléctricos. Dichas funciones por lo general no son susceptibles de evaluarse en forma directa y, por
ello, no es raro que estén compiladas en tablas matemáticas estándar. Por ejemplo,
Estime 1(2.1) con el uso de trazadores cúbicos.
Desarrollo:
Para resolver lo planteado se va a realizar mediante la utilización de Spline. Para ello en primera instancia se
va a calcular mediante el Spline sin el ajuste, y posterior con el ajuste a -1 +1.
clc; clear; close all
%Primero dibujamos la curva real.
x1 = 1.8:0.01:2.6; % Creamos un vector de valores de x con un espaciado de 0.01
% Calcular los valores de la función de Bessel de primer tipo de orden 1
y1 = besselj(1, x1);
% Crear la gráfica
plot(x1, y1,'green'); hold on;
% Añadir etiquetas y título
xlabel('x');
ylabel('J_1(x)');
title('Función de Bessel de primer tipo, orden 1');
%Declarar valores de la tabla a ser usados.
x=[1.8 2 2.2 2.4 2.6];
y=[0.5815 0.5767 0.556 0.5202 0.4708];
1
%Declarar vector con límites indicados en la tabla.
xi=linspace(1.8,2.6);
cs1=spline(x,y); %sin control
yi = interp1(x,y,xi,'spline'); %sin control
plot(xi,ppval(cs1,xi),x,y,'r*')
j1=2.1;
R1=ppval(cs1,j1);
disp(['El valor de J1 mediante Spline sin condiciones de control es:',num2str(R1)])
El valor de J1 mediante Spline sin condiciones de control es:0.5683
grid on
hold on
%spline con control
cs=spline(x,[-1 y 1]);
plot(x,y,'bo',xi,ppval(cs,xi),'--')
legend('Bessel J1','spline','datos','datos','Spline with conditions')
R2=ppval(cs,j1);
disp(['El valor de J1 mediante Spline sin condiciones de control es:',num2str(R2)])
El valor de J1 mediante Spline sin condiciones de control es:0.57407
%coeficientes
coeficientes=[Link]
2
coeficientes = 4×4
0.0130 -0.2066 0.0168 0.5815
0.0130 -0.1987 -0.0643 0.5767
0.0349 -0.1909 -0.1422 0.5560
0.0349 -0.1700 -0.2144 0.5202
Para el primer punto sin las condiciones de control, el coeficiente solicitado se representa por la curva:
coeficientes=[Link]
coeficientes = 4×4
-19.1685 8.7137 -1.0000 0.5815
6.7181 -2.7874 0.1853 0.5767
-7.6038 1.2434 -0.1235 0.5560
23.8846 -3.3188 -0.5386 0.5202
Para el segundo punto con las condiciones de control, el coeficiente solicitado se representa por la curva:
De las gráficas obtenidas se puede evidenciar que para este caso, el sistema que mejor se ajusta es el sistema
sin condiciones de ajuste. Cuando se colocan dichas condiciones, para el este caso fueron [-1 1], el sistema
comienza a oscilar. Para el punto pedido (x=2.1), si bien es cierto los valores no estan tan lejanos, pero como
se evidencia, no es una respuesta adecuada.
Problema 1.2
La población (p) de una comunidad pequeña en los suburbios de una ciudad crece con rapidez durante un
periodo de 20 años:
Como ingeniero que trabaja para una ONG, el lector debe pronosticar la población que habrá dentro de 5 años
a fin de anticipar la demanda de energía. Emplee un modelo exponencial y regresión lineal para efectuar dicha
predicción.
Desarrollo:
Para la solución solicitada se va a usar el siguiente modelo:
3
Su modelo equivalente es el siguiente:
Donde:
Para obtener de la constante k se calcula el valor de , mostrado en la tabla:
y posterior se aplica la fórmula:
Reemplazando los valores respectivos:
Se calcula despejando de su modelo equivalente:
Reemplazando los coeficientes se tiene
4
Calculando para el punto solicitado:
Implementación en MATLAB:
% Datos de entrada
t = [0, 5, 10, 15, 20];
P = [100, 200, 450, 950, 2000];
t_pred=25;
%% --------------------------
% REGRESIÓN EXPONENCIAL
% Modelo: P(t) = P0 * exp(k*t)
% Linealizando: ln(P) = ln(P0) + k*t
% --------------------------
lnP = log(P); % Transformación logarítmica
coeffs_exp = polyfit(t, lnP, 1); % Ajuste lineal a ln(P)
k = coeffs_exp(1);
ln_P0 = coeffs_exp(2);
P0 = exp(ln_P0);
% Predicción exponencial para t = 25
P_pred_exp = P0 * exp(k * t_pred);
% Mostrar resultados exponenciales
fprintf('\nModelo exponencial: P(t) = %.2f * exp(%.4f*t)\n', P0, k);
Modelo exponencial: P(t) = 97.91 * exp(0.1510*t)
fprintf('Predicción exponencial para t=25: %.2f\n', P_pred_exp);
Predicción exponencial para t=25: 4268.01
%Grafica de resultados
t_plot = linspace(0, 30, 100);
P_exp_plot = P0 * exp(k * t_plot);
figure;
plot(t, P, 'ko', 'MarkerFaceColor', 'b', 'DisplayName', 'Datos reales'); hold on;
plot(t_pred, P_pred_exp, 'ko', 'MarkerFaceColor', 'r', 'DisplayName', 'Resultado t=25'); hold o
plot(t_plot, P_exp_plot, 'g-', 'LineWidth', 2, 'DisplayName', 'Modelo exponencial');
xlabel('Tiempo (años)');
ylabel('Población');
title('Modelos de predicción poblacional');
legend('Location','northwest');
grid on;
5
6
