METODO GAUSS-SEIDEL
50
TEMPERATURA EN NOD0S
100 Tx 0
T11
T01 T10
50 0
AISLADO
50 T11 12.5
AISLADO T21
T11 T20
12.5 0
T21 3.125
Txy 0
T31
T21 T30
3.125 0
T31 0.78125
T41
T31 T40
0.78125 0
T41 0.1953125
FLUJO DE CALOR
i=1 j =0
menos K -0.49 Qx 0
Para un:
delta X i=1 j=1
Qx 11.484375
delta Y
i=1 j =2
Qx 11.1015625
i=1 j =3
Qx 10.95800781
i=1 j =4
Qx -8.99609375
FLUJO DE CALOR RESULTAN
100
AISLADO
AISLADO
Ty 50
T12
T12 T21 T02 T11 T13 T22
0 0 50 12.5 0 0
T12 15.625
T22
T22 T31 T12 T21 T23 T32
0 0 15.625 3.125 0 0
T22 4.6875
T32
T32 T41 T22 T31 T33 T42
0 0 4.6875 0.78125 0 0
T32 1.3671875
T42
T42 T51 T32 T41 T43 T52
0 0 1.3671875 0.1953125 0 0
T42 0.390625
i=2 j=0
Qy 0 Qx 0 Qy 0
i=2 j=1
Qy 11.484375 Qx -0.19140625 Qy -0.19140625
i=2 j=2
Qy 11.1015625 Qx 3.493164063 Qy 3.493164063
i=2 j=3
Qy 10.95800781 Qx 3.612792969 Qy 3.612792969
i=2 j=4
Qy -8.99609375 Qx 0.520385742 Qy 0.520385742
JO DE CALOR RESULTANTE
suma de Qx 45.04925537 cuadrado de Qx
suma de Qy 45.04925537 cuadrado de Qy
Qn 63.70926792
FLUJO DE CALOR
T13
T03 T12 T14 T23
50 15.625 0 0
T13 16.40625
T23
T13 T22 T24 T33
16.40625 4.6875 0 0
T23 5.2734375
T33
T23 T32 T34 T43
5.2734375 1.3671875 0 0
T33 1.66015625
T43
T33 T42 T44 T53
1.66015625 0.390625 0 0
T43 0.512695313
i=3 j=0
Qx 0 Qy 0
i=3 j=1
Qx 0.717773438 Qy 0.717773438
i=3 j=2
Qx 1.052734375 Qy 1.052734375
i=3 j=3
Qx 1.166381836 Qy 1.166381836
i=3 j=4
Qx 0.72076416 Qy 0.72076416
cuadrado de Qx 2029.435409
cuadrado de Qy 2029.435409
Tyx 100
T14
T04 T13 T15 T24
50 16.40625 100 0
T14 41.6015625
T24
T11 T23 T25 T34
41.6015625 5.2734375 100 0
T24 36.71875
T34
T24 T33 T35 T44
36.71875 1.66015625 100 0
T34 34.59472656
T44
T34 T43 T45 T54
34.59472656 0.512695313 100 0
T44 33.77685547
i=4 j=0
Qx 0 Qy 0
i=4 j=1
Qx 0.19140625 Qy 0.19140625
i=4 j=2
Qx 0.334960938 Qy 0.334960938
i=4 j=3
Qx 0.406738281 Qy 0.406738281
i=4 j=4
Qx 8.475708008 Qy 8.475708008
MODELAMIENTO
ANALISIS DE DATOS
Scatter (x1,x2)
Aplicando el comando Scatter podemos evaluar la
correlación de los datos
Correlacionando todo
MODELAMIENTO
Podemos observar que el modelo matematico que mas se acerca al
los datos es un polinomial de grado 3
es te modelo si cumple con la condición del
problema que nos pedia un R cuadrado mayor al 0.7
R cuadrado = 0.98
el R cuadrado tiene tendencia a 1, lo que quiere decir
que el modelo es aceptable
COMPROBANDO COEFICIENTES
Aplicamos el siguiente comando para
comprobar los coefiecienes
ALGORITMO
clear
clc
load acetylene
x=[x1,x2];
y=x3;
modelfun = @(b,x)b(1)+b(2).*x(:,1)+b(3).*x(:,2)+b(4).*x(:,1).^2
+b(5).*x(:,1).*x(:,2)+b(6).*x(:,2).^2+b(7).*x(:,1).^2.*x(:,2)+b(8).*x(:,1).*x(:,2).^2
+b(9).*x(:,2).^3;
beta0=[1 1 1 1 1 1 1 1 1]
mdl=fitnlm(x,y,modelfun,beta0)
REGRESIÓN DE CRESTA
ALGORITMO
load acetylene
plotmatrix([x1 x2 x3])
X = [x1 x2 x3];
D = x2fx(X,'interaction');
D(:,1) = []; % No constant term
k = 0:1e-5:5e-3;
B = ridge(y,D,k);
figure
plot(k,B,'LineWidth',2)
ylim([-100 100])
grid on
xlabel('Ridge Parameter')
ylabel('Standardized Coefficient')
title('Ridge Trace')
legend('x1','x2','x3','x1x2','x1x3','x2x3')
atter (x1,x2)
Correlacionando todoas las variables en sus combinaciones
ndo para
enes
Notamos que los coeficientes si coincien
con llos del modelo
(:,1).^2
*x(:,1).*x(:,2).^2
el R cuadrado tambien
coincide con la del modelo
x3')
Scatter (x2,x3)
Podemos notar q
no tienen
Podemos notar que las variables x1, x2 y x3
no tienen un correlacion directa
Scatter (x3,x1)
DIFERENTES VISTAS DE LA GRAFICA
