Categoría: Solución 1ra Eva

  • s1Eva_IT2019_T2 Catenaria cable

    Ejercicio: 1Eva_IT2019_T2 Catenaria cable

    Las fórmulas con las que se requiere trabajar son:

    y = \frac{T_A}{w} cosh \Big( \frac{w}{T_A}x \Big) + y_0 - \frac{T_A}{w}

    Donde la altura y del cable está en función de la distancia x.

    Además se tiene que:

    cosh(z) = \frac{e^z+ e^{-z}}{2}

    que sustituyendo la segunda en la primera se convierte en:

    y = \frac{T_A}{w} \frac{e^{\frac{w}{T_A}x}+ e^{-\frac{w}{T_A}x}}{2} + y_0 - \frac{T_A}{w}

    y usando los valores del enunciado w=12, y0=6 , y=15, x=50 se convierte en:

    15 = \frac{T_A}{12} \frac{e^{\frac{12}{T_A}50}+ e^{-\frac{12}{T_A}50}}{2} + 6 - \frac{T_A}{12}

    simplificando, para usar el método de búsqueda de raíces:

    \frac{1}{2}\frac{T_A}{12} e^{\frac{12}{T_A}50} + \frac{1}{2}\frac{T_A}{12} e^{-\frac{12}{T_A}50} - \frac{T_A}{12} - 9 = 0

    cambiando la variable \frac{12}{T_A}=x

    \frac{1}{2x} e^{50x} + \frac{1}{2x} e^{-50x} - \frac{1}{x}-9=0

    la función a usar para la búsqueda de raíces es:

    f(x)=\frac{1}{2x} e^{50x} + \frac{1}{2x} e^{-50x} - \frac{1}{x}-9

    Para el método de Newton-Raphson se tiene que:

    x_{i+1} = x_i -\frac{f(x_i)}{f'(x_i)}

    por lo que se determina:

    f'(x)= - \frac{1}{2x^2}e^{50x} + \frac{1}{2x}(50) e^{50x} + - \frac{1}{2x^2} e^{-50x} + \frac{1}{2x}(-50)e^{-50x} + \frac{1}{x^2} f'(x)= -\frac{1}{2x^2}[e^{50x}+e^{-50x}] + + \frac{25}{x}[e^{50x}-e^{-50x}] +\frac{1}{x^2} f'(x)= \Big[\frac{25}{x} -\frac{1}{2x^2}\Big]\Big[e^{50x}+e^{-50x}\Big] +\frac{1}{x^2}

    Con lo que se puede inicar las iteraciones.

    Por no disponer de valor inicial para TA, considere que el cable colgado no debería tener tensión TA=0 N, pues en la forma x=12/TA se crea una indeterminación. Si no dispone de algún criterio para seleccionar el valor de TA puede iniciar un valor positivo, por ejemplo 120 con lo que el valor de x0=12/120=0.1

    Iteración 1

    f(0.1)=\frac{1}{2(0.1)} e^{50(0.1)} + \frac{1}{2(0.1)} e^{-50(0.1)} - \frac{1}{0.1}-9 =723.0994 f'(0.1)=\Big[\frac{25}{0.1} - \frac{1}{2(0.1)^2}\Big]\Big[e^{50(0.1)}+e^{-50(0.1)}\Big] + +\frac{1}{(0.1)^2} = 29780.61043 x_{1} = 0.1 -\frac{723.0994}{29780.61043} = 0.07571

    error = | x1 - x0| = | 0.07571 - 0.1| = 0.02428

    Iteración 2

    f(0.07571)=\frac{1}{2(0.07571)} e^{50(0.07571)}+ + \frac{1}{2(0.07571)} e^{-50(0.07571)} - \frac{1}{0.07571}-9 = 269.0042 f'(0.07571)= \Big[\frac{25}{0.07571} -\frac{1}{2(0.07571)^2}\Big]. .\Big[e^{50(0.07571)}+e^{-50(0.07571)}\Big] + +\frac{1}{(0.07571)^2} = 10874.0462 x_{2} = 0.07571 -\frac{269.0042}{10874.0462} = 0.05098

    error = | x2 - x1| = |0.05098- 0.02428| = 0.02473

    Iteración 3

    f(0.05098) = 97.6345 f'(0.05098) = 4144.1544 x_{3} = 0.0274

    error = | x3 - x2| = |0.05098- 0.0274| = 0.0236

    finalmente después de varias iteraciones, la raiz se encuentra en: 0.007124346154337298

    que convitiendo

    T_A = \frac{12}{x} = \frac{12}{0.0071243461} = 1684.36 N

    Revisión de resultados

    Usando como base los algoritmos desarrollados en clase:

    ['xi', 'xnuevo', 'tramo']
    [0.1    0.0757 0.0243]
    [0.0757 0.051  0.0247]
    [0.051  0.0274 0.0236]
    [0.0274 0.0111 0.0163]
    [0.0111 0.0072 0.0039]
    [7.2176e-03 7.1244e-03 9.3199e-05]
    [7.1244e-03 7.1243e-03 3.8351e-08]
    raiz en:  0.007124346154337298
    TA = 12/x =  1684.365096815854
    

    catenaria cable

    Algoritmos Python usando el procedimiento de:

    https://blog.espol.edu.ec/analisisnumerico/2-3-1-newton-raphson-ejemplo01/

    # 1Eva_IT2019_T2 Catenaria cable
    import numpy as np
    import matplotlib.pyplot as plt
    
    # INGRESO
    a = 0.001
    b = 0.1
    muestras = 51
    
    x0 = 0.1
    tolera = 0.00001
    
    fx = lambda x: 0.5*(1/x)*np.exp(50*x) + 0.5*(1/x)*np.exp(-50*x)-1/x -9
    dfx = lambda x: -0.5*(1/(x**2))*(np.exp(50*x)+np.exp(-50*x)) + (25/x)*(np.exp(50*x)-np.exp(-50*x)) + 1/(x**2)
    
    # PROCEDIMIENTO
    tabla = []
    tramo = abs(2*tolera)
    xi = x0
    while (tramo>=tolera):
        xnuevo = xi - fx(xi)/dfx(xi)
        tramo = abs(xnuevo-xi)
        tabla.append([xi,xnuevo,tramo])
        xi = xnuevo
    
    tabla = np.array(tabla)
    n=len(tabla)
    
    TA = 12/xnuevo
    
    # para la gráfica
    xp = np.linspace(a,b,muestras)
    fp = fx(xp)
    
    # SALIDA
    print(['xi', 'xnuevo', 'tramo'])
    np.set_printoptions(precision = 4)
    for i in range(0,n,1):
        print(tabla[i])
    print('raiz en: ', xi)
    print('TA = 12/x = ', TA)
    
    # Grafica
    plt.plot(xp,fp)
    plt.xlabel('x=12/TA')
    plt.ylabel('f(x)')
    plt.axhline(0, color = 'green')
    plt.grid()
    plt.show()
    
  • s1Eva_IT2019_T1 Oxígeno y temperatura en agua

    Ejercicio: 1Eva_IT2019_T1 Oxígeno y temperatura en agua

    Literal a

    Se requiere un polinomio de grado 3 siendo el eje x correspondiente a temperatura. Son necesarios 4 puntos de referencia alrededor de 15 grados, dos a la izquierda y dos a la derecha.

    Se observa que los datos en el eje x son equidistantes, h=8, y ordenados en forma ascendente, se cumple con los requisitos para usar diferencias finitas avanzadas. que tiene la forma de:

    p_n (x) = f_0 + \frac{\Delta f_0}{h} (x - x_0) + + \frac{\Delta^2 f_0}{2!h^2} (x - x_0)(x - x_1) + + \frac{\Delta^3 f_0}{3!h^3} (x - x_0)(x - x_1)(x - x_2) + \text{...}

    Tabla

    xi f[xi] f[x1,x0] f[x2,x1,x0] f[x2,x1,x0] f[x3,x2,x1,x0]
    8 11.5 9.9-11.5=
    -1.6
    -1.5-(-1.6) =
    0.1
    0.4-0.1=
    0.3
    ---
    16 9.9 8.4-9.9=
    -1.5
    -1.1-(1.5)=
    0.4
    --- ---
    24 8.4 7.3-8.4=
    -1.1
    --- --- ---
    32 7.3 --- --- --- ---

    Con lo que el polinomio buscado es:

    p_3 (x) = 11.5 + \frac{-1.6}{8} (x - 8) + + \frac{0.1}{2!8^2} (x - 8)(x - 16) + \frac{0.3}{3!8^3} (x - 8)(x - 16)(x - 24)

    Resolviendo y simplificando el polinomio, se puede observar que al aumentar el grado, la constante del término disminuye.

    p_3(x)=12.9- 0.15 x - 0.00390625 x^2 + 0.00009765625 x^3

    para el cálculo del error se puede usar un término adicional del polinomio, añadiendo un punto más a la tabla de diferencia finitas. Se evalúa éste término y se estima el error que dado que el término de grado 3 es del orden de 10-5, el error será menor. (Tarea)

    p_3(15)=12.9- 0.15 (15) - 0.00390625 (15)^2 + 0.00009765625 (15)^3

    Evaluando el polinomio en temperatura = 15:

    p3(15) = 10.1006835937500

    literal b

    se deriva el polinomio del literal anterior y se evalúa en 16:

    p'_3(x)=0- 0.15 - 0.00390625 (2) x + 0.00009765625 (3)x^2 p'_3(16)=0- 0.15 - 0.00390625 (2)(16) + 0.00009765625 (3)(16)^2

    p'3(16) = -0.20

    literal c

    El valor de oxígeno usado como referencia es 9, cuyos valores de temperatura se encuentran entre 16 y 24 que se toman como rango inicial de búsqueda [a,b]. Por lo que el polinomio se iguala a 9 y se crea la forma estandarizada del problema:

    p_3(x)=9 9 = 12.9- 0.15 x - 0.00390625 x^2 + 0.00009765625 x^3 12.9- 0.15 x - 0.00390625 x^2 + 0.00009765625 x^3 -9 = 0 f(x) = 3.9- 0.15 x - 0.00390625 x^2 + 0.00009765625 x^3

    Para mostrar el procedimiento se realizan solo tres iteraciones,

    1ra Iteración
    a=16 , b = 24, c = (16+24)/2 = 20
    f(a) = 0.9, f(b) = -0.6, f(c) = 0.011
    error = |24-16| = 8
    como f(c) es positivo, se mueve el extremo f(x) del mismo signo, es decir a

    2da Iteración
    a=20 , b = 24, c = (20+24)/2 = 22
    f(a) = 0.119, f(b) = -0.6, f(c) = -0.251
    error = |24-20|= 4
    como f(c) es negativo, se mueve el extremo f(x) del mismo signo, b

    3ra Iteración
    a=20 , b = 22, c = (20+22)/2 = 21
    f(a) = 0.119, f(b) = -0.251, f(c) = -0.068
    error = |22-20| = 2
    como f(c) es negativo, se mueve el extremo f(x) del mismo signo, b
    y así sucesivamente hasta que error< que 10-3

    Usando el algoritmo en python se obtendrá la raiz en 20.632 con la tolerancia requerida.


    Revisión de resultados

    Usando como base los algoritmos desarrollados en clase:

    oxigeno Temperatura p3

    tabla de diferencias finitas
    ['i', 'xi', 'fi', 'df1', 'df2', 'df3', 'df4']
    [[ 0.   8.  11.5 -1.6  0.1  0.3  0. ]
     [ 1.  16.   9.9 -1.5  0.4  0.   0. ]
     [ 2.  24.   8.4 -1.1  0.   0.   0. ]
     [ 3.  32.   7.3  0.   0.   0.   0. ]]
    dfinita:  [-1.6  0.1  0.3  0. ]
    11.5 +
    +( -1.6 / 8.0 )* ( x - 8.0 )
    +( 0.1 / 128.0 )*  (x - 16.0)*(x - 8.0) 
    +( 0.3 / 3072.0 )*  (x - 24.0)*(x - 16.0)*(x - 8.0) 
    polinomio simplificado
    9.8e-5*x**3 - 0.003923*x**2 - 0.149752*x + 12.898912
    Literal a
    9.8e-5*x**3 - 0.003923*x**2 - 0.149752*x + 12.898912
    p(15) =  10.1007070000000
    
    Literal b
    0.000294*x**2 - 0.007846*x - 0.149752
    dp(16) = -0.200024000000000
    método de Bisección
    i ['a', 'c', 'b'] ['f(a)', 'f(c)', 'f(b)']
       tramo
    0 [16, 20.0, 24] [ 0.9     0.1187 -0.6   ]
       4.0
    1 [20.0, 22.0, 24] [ 0.1187 -0.2509 -0.6   ]
       2.0
    2 [20.0, 21.0, 22.0] [ 0.1187 -0.0683 -0.2509]
       1.0
    3 [20.0, 20.5, 21.0] [ 0.1187  0.0246 -0.0683]
       0.5
    4 [20.5, 20.75, 21.0] [ 0.0246 -0.022  -0.0683]
       0.25
    5 [20.5, 20.625, 20.75] [ 0.0246  0.0013 -0.022 ]
       0.125
    6 [20.625, 20.6875, 20.75] [ 0.0013 -0.0104 -0.022 ]
       0.0625
    7 [20.625, 20.65625, 20.6875] [ 0.0013 -0.0045 -0.0104]
       0.03125
    8 [20.625, 20.640625, 20.65625] [ 0.0013 -0.0016 -0.0045]
       0.015625
    9 [20.625, 20.6328125, 20.640625] [ 0.0013 -0.0002 -0.0016]
       0.0078125
    10 [20.625, 20.62890625, 20.6328125] [ 0.0013  0.0006 -0.0002]
       0.00390625
    11 [20.62890625, 20.630859375, 20.6328125] [ 0.0006  0.0002 -0.0002]
       0.001953125
    12 [20.630859375, 20.6318359375, 20.6328125] [ 1.9762e-04  1.5502e-05 -1.6661e-04]
       0.0009765625
    raíz en:  20.6318359375
    

    Algoritmos Python usando la función de interpolación y un procedimiento encontrado en:

    Interpolación por Diferencias finitas avanzadas

    Método de la Bisección – Ejemplo con Python

    # 1Eva_IT2019_T1 Oxígeno y temperatura en mar
    import numpy as np
    import math
    import matplotlib.pyplot as plt
    import sympy as sym
    
    def interpola_dfinitasAvz(xi,fi, vertabla=False,
                           precision=6, casicero = 1e-15):
        '''Interpolación de diferencias finitas
        resultado: polinomio en forma simbólica,
        redondear a cero si es menor que casicero 
        '''
        xi = np.array(xi,dtype=float)
        fi = np.array(fi,dtype=float)
        n = len(xi)
        # revisa tamaños de paso equidistantes
        h_iguales = pasosEquidistantes(xi, casicero)
        if vertabla==True:
            np.set_printoptions(precision)
        # POLINOMIO con diferencias Finitas avanzadas
        x = sym.Symbol('x')
        polisimple = sym.S.Zero # expresión del polinomio con Sympy
        if h_iguales==True:
            tabla,titulo = dif_finitas(xi,fi,vertabla)
            h = xi[1] - xi[0]
            dfinita = tabla[0,3:]
            if vertabla==True:
                print('dfinita: ',dfinita)
                print(fi[0],'+')
            n = len(dfinita)
            polinomio = fi[0]
            for j in range(1,n,1):
                denominador = math.factorial(j)*(h**j)
                factor = np.around(dfinita[j-1]/denominador,precision)
                termino = 1
                for k in range(0,j,1):
                    termino = termino*(x-xi[k])
                if vertabla==True:
                    txt1='';txt2=''
                    if n<=2 or j<=1:
                        txt1 = '('; txt2 = ')'
                    print('+(',np.around(dfinita[j-1],precision),
                          '/',np.around(denominador,precision),
                          ')*',txt1,termino,txt2)
                polinomio = polinomio + termino*factor
            # simplifica multiplicando entre (x-xi)
            polisimple = polinomio.expand() 
        if vertabla==True:
            print('polinomio simplificado')
            print(polisimple)
        return(polisimple)
    
    def dif_finitas(xi,fi, vertabla=False):
        '''Genera la tabla de diferencias finitas
        resultado en: [título,tabla]
        Tarea: verificar tamaño de vectores
        '''
        xi = np.array(xi,dtype=float)
        fi = np.array(fi,dtype=float)
        # Tabla de Diferencias Finitas
        titulo = ['i','xi','fi']
        n = len(xi)
        ki = np.arange(0,n,1)
        tabla = np.concatenate(([ki],[xi],[fi]),axis=0)
        tabla = np.transpose(tabla)
        # diferencias finitas vacia
        dfinita = np.zeros(shape=(n,n),dtype=float)
        tabla = np.concatenate((tabla,dfinita), axis=1)
        # Calcula tabla, inicia en columna 3
        [n,m] = np.shape(tabla)
        diagonal = n-1
        j = 3
        while (j < m):
            # Añade título para cada columna
            titulo.append('df'+str(j-2))
            # cada fila de columna
            i = 0
            while (i < diagonal):
                tabla[i,j] = tabla[i+1,j-1]-tabla[i,j-1]
                i = i+1
            diagonal = diagonal - 1
            j = j+1
        if vertabla==True:
            print('tabla de diferencias finitas')
            print(titulo)
            print(tabla)
        return(tabla, titulo)
    
    def pasosEquidistantes(xi, casicero = 1e-15):
        ''' Revisa tamaños de paso h en vector xi.
        True:  h son equidistantes,
        False: h tiene tamaño de paso diferentes y dónde.
        '''
        xi = np.array(xi,dtype=float)
        n = len(xi)
        # revisa tamaños de paso equidistantes
        h_iguales = True
        if n>3: 
            dx = np.zeros(n,dtype=float)
            for i in range(0,n-1,1): # calcula hi como dx
                dx[i] = xi[i+1]-xi[i]
            for i in range(0,n-2,1): # revisa diferencias
                dx[i] = dx[i+1]-dx[i]
                if dx[i]<=casicero: # redondea cero
                    dx[i]=0
                if abs(dx[i])>0:
                    h_iguales=False
                    print('tamaños de paso diferentes en i:',i+1,',',i+2)
            dx[n-2]=0
        return(h_iguales)
    
    # PROGRAMA ----------------
    
    # INGRESO
    tm = [0.,8,16,24,32,40]
    ox = [14.6,11.5,9.9,8.4,7.3,6.4]
    
    xi = [8,16,24,32]
    fi = [11.5,9.9,8.4,7.3]
    
    # PROCEDIMIENTO
    x = sym.Symbol('x')
    # literal a
    polinomio = interpola_dfinitasAvz(xi,fi, vertabla=True)
    p15 = polinomio.subs(x,15)
    # literal b
    derivap = polinomio.diff(x,1)
    dp16 = derivap.subs(x,16)
    
    px =  sym.lambdify(x,polinomio)
    xk = np.linspace(np.min(xi),np.max(xi))
    pk = px(xk)
    
    # SALIDA
    print('Literal a')
    print(polinomio)
    print('p(15) = ',p15)
    print('Literal b')
    print(derivap)
    print('dp(16) =', dp16)
    
    # gráfica
    plt.plot(tm,ox,'ro')
    plt.plot(xk,pk)
    plt.axhline(9,color="green")
    plt.xlabel('temperatura')
    plt.ylabel('concentracion de oxigeno')
    plt.grid()
    plt.show()
    
    # --------literal c ------------
    
    def biseccion(fx,a,b,tolera,iteramax = 20, vertabla=False, precision=4):
        '''
        Algoritmo de Bisección
        Los valores de [a,b] son seleccionados
        desde la gráfica de la función
        error = tolera
        '''
        fa = fx(a)
        fb = fx(b)
        tramo = np.abs(b-a)
        itera = 0
        cambia = np.sign(fa)*np.sign(fb)
        if cambia<0: # existe cambio de signo f(a) vs f(b)
            if vertabla==True:
                print('método de Bisección')
                print('i', ['a','c','b'],[ 'f(a)', 'f(c)','f(b)'])
                print('  ','tramo')
                np.set_printoptions(precision)
                
            while (tramo>=tolera and itera<=iteramax):
                c = (a+b)/2
                fc = fx(c)
                cambia = np.sign(fa)*np.sign(fc)
                if vertabla==True:
                    print(itera,[a,c,b],np.array([fa,fc,fb]))
                if (cambia<0):
                    b = c
                    fb = fc
                else:
                    a = c
                    fa = fc
                tramo = np.abs(b-a)
                if vertabla==True:
                    print('  ',tramo)
                itera = itera + 1
            respuesta = c
            # Valida respuesta
            if (itera>=iteramax):
                respuesta = np.nan
    
        else: 
            print(' No existe cambio de signo entre f(a) y f(b)')
            print(' f(a) =',fa,',  f(b) =',fb) 
            respuesta=np.nan
        return(respuesta)
    # se convierte forma de símbolos a numéricos
    buscar = polinomio-9
    fx = sym.lambdify(x,buscar)
    
    # INGRESO
    a = 16
    b = 24
    tolera = 0.001
    
    # PROCEDIMIENTO
    respuesta = biseccion(fx,a,b,tolera,vertabla=True)
    
    # SALIDA
    print('raíz en: ', respuesta)
    
  • s1Eva_IIT2018_T4 Tasa de interés en hipoteca

    Ejercicio: 1Eva_IIT2018_T4 Tasa de interés en hipoteca

    literal a

    Siguiendo el desarrollo analítico tradicional, para adecuar la ecuación para los algoritmo de búsquda de raíces de ecuaciones,  se reemplazan los valores en la fórmula.

    P = A\Big(\frac{1-(1+i)^{-n}}{i} \Big) 70000 = 1200\Big(\frac{1-(1+i)^{-300}}{i} \Big)

    Como ambos lados de la ecuación deben ser iguales, si se restan ambos se obtiene una ecuación que tiene como resultado cero, que es la forma ideal para usar en el algoritmo que representa f(x) o en este caso f(i)

    70000 - 1200\Big(\frac{1-(1+i)^{-300}}{i} \Big) = 0

    Para evitar inconvenientes con la división para cero en caso que i tome el valor de cero, dado se multiplica toda la ecuación por i:

    i \Big[70000 - 1200\Big(\frac{1-(1+i)^{-300}}{i} \Big) \Big]= i (0) 70000 i - 1200 (1-(1+i)^{-300}) = 0

    La ecuación es la utilizada en el algoritmo de búsqueda de raíces pueden ser:

    fx(i) = 70000 - 1200\Big(\frac{1-(1+i)^{-300}}{i} \Big) fx(i) = 70000i - 1200(1-(1+i)^{-300})

    literal b

    El intervalo de existencia correspondería a la tasa de interés mínimo y el interés máximo.

    [izquierda, derecha] = [a,b]

    Para el intervalo se deben tomar en cuenta algunas consideraciones descritas a continuación:

    izquierda:

    En el extremo izquierdo, las tasas no son negativas, lo que se interpreta en que un banco paga por que le presten dinero.

    Tampoco tiene mucho sentido el valor cero, que son prestamos sin intereses. A menos que sean sus padres quienes le dan el dinero.

    Un valor inicial para el interés puede ser por ejemplo 1% ó 0.01, siempre que se cumpla que existe cambio de signo en la función a usar.

    derecha:

    En el extremo derecho, si se propone por ejemplo i con 100%, o 1.00, no tendría mucho sentido un préstamo con intereses al 100% anual, que resulta en el doble del valor inicial en tan solo un periodo o año.

    La tasa de interés de consumo que son de las más alto valor, se encuentran reguladas. En Ecuador es un valor alrededor del 16% anuales o 0.16.

    Considerando las observaciones iniciales del problema, se propone empezar el análisis para la búsqueda de la raíz en el intervalo en un rango más amplio:

    [ 0.01, 0.50]

    Ser realiza la comprobación que existe cambio de signo en los extremos del intervalo.

    fx(0.001) =- 43935.86

    fx(0.50) = 67600.0

    Para el ejercicio se hace notar que la es tasa nominal anual, pero los pagos son mensuales. Por lo que se debe unificar las tasas de interes a mensuales. Una aproximación es usar las tasas anuales divididas para los 12 meses del año.

    Tolerancia al error

    La tolerancia se considera en éste ejercicio como el valor de diferencias  (tramo) entre iteraciones con precisión satisfactoria.

    Por ejemplo si no negociaremos más con el banco por variaciones de tasas del 0.1% , entonces la tolerancia será de 0.001.

    Las publicaciones de tasas en el mercado incluyen dos decimales, por lo que para el ejercicio aumentamos la precisión a : 0.0001

    tolera = 1x10-4


    Literal c


    Se presentan dos formas se solución para el litera c:

    - c.1 la requerida en el enunciado con Newton-Raphson

    - c.2 una alterna con el método de la Bisección.


    c.1. Desarrollo del ejercicio con el método del enunciado Newton-Raphson


    Para el método de Newton-Raphson se tiene que:

    x_{i+1} = x_{i} - \frac{f(x_0i)}{f'(x_i)}

    Se requiere la derivada de la función planteada en el literal a:

    fx(i) = 70000i - 1200(1-(1+i)^{-300}) f'x(i) = 70000 + 1200(300)(1+i)^{-301})

    tomando como valor inicial xi = 0.16/12 ≈ 0.013

    Se realizan las iteraciones suponiendo que tolera = 1x10-4

    iteración 1

    fx(0.013) = 70000(0.013) - 1200(1-(1+0.013)^{-300})

     = -265.09

    f'x(0.013) = 70000 + 1200(300)(1+0.013)^{-301})

    = 62623.3

    x_{2} = 0.013 - \frac{-265.09}{62623.34} = 0.017233

    error = |0.013 - 0.01723| = 0.004331

    iteración 2

    fx(0.01723) = 70000i - 1200(1-(1+0.0.01723)^{-300})

    = 13.446

    f'x(0.01723) = 70000 + 1200(300)(1+0.01723)^{-301}

    = 67897.5

    x_{3} = 0.017233 - \frac{13.446}{67897.5} = 0.017031

    error = |0.017233 - 0.017031| = 0.000198

    cuyo valor de error está casi dentro del valor de tolerancia,

    que permite tomar el último valor como respuesta de tasa mensual

    raiz = tasa mensual = 0.01703

    Convirtiendo a la tasa tasa anual que es la publicada por las instituciones financieras se tiene que:

    tasa anual nominal =  0.01703*12 = 0.2043

    Teniendo como resultado una tasa anual de 20.43%

    E2_IIT2018_T4 Tasa Interes Hipoteca 01


    Algoritmo en Python

    El resultado con el algoritmo es:

    método de Newton-Raphson
    i ['xi', 'fi', 'dfi', 'xnuevo', 'tramo']
    0 [ 1.30000e-02 -2.65091e+02  6.26233e+04  1.72331e-02  4.23311e-03]
    1 [1.72331e-02 1.34468e+01 6.78975e+04 1.70351e-02 1.98045e-04]
    2 [1.70351e-02 1.24433e-02 6.77706e+04 1.70349e-02 1.83609e-07]
    raiz encontrada en:  0.017034880749732726
    tasa anual:  0.20441856899679273

    Instrucciones en Python

    # 1ra Evaluación II Término 2018
    # Tema 4. Tasa de interes para hipoteca
    import numpy as np
    
    def newton_raphson(fx,dfx,xi, tolera, iteramax=100,
                       vertabla=False, precision=4):
        '''fx y dfx en forma numérica lambda
        xi es el punto inicial de búsqueda
        '''
        itera=0
        tramo = abs(2*tolera)
        if vertabla==True:
            print('método de Newton-Raphson')
            print('i', ['xi','fi','dfi', 'xnuevo', 'tramo'])
            np.set_printoptions(precision)
        while (tramo>=tolera):
            fi = fx(xi)
            dfi = dfx(xi)
            xnuevo = xi - fi/dfi
            tramo = abs(xnuevo-xi)
            if vertabla==True:
                print(itera,np.array([xi,fi,dfi,xnuevo,tramo]))
            xi = xnuevo
            itera = itera + 1
    
        if itera>=iteramax:
            xi = np.nan
            print('itera: ',itera,
                  'No converge,se alcanzó el máximo de iteraciones')
    
        return(xi)
    
    # INGRESO
    P = 70000.00
    A = 1200.00
    n = 25*12
    fx  = lambda i: P*i - A*(1-(1+i)**(-n))
    dfx = lambda i: P + A*(-n)*(i+1)**(-n-1)
    
    x0 = 0.013 # 0.16/12
    tolera = 0.0001
    
    # PROCEDIMIENTO
    raiz   = newton_raphson(fx, dfx, x0, tolera, vertabla=True, precision=5)
    tanual = 12*raiz
    
    # SALIDA
    print('raiz encontrada en: ', raiz)
    print('tasa anual: ',tanual)
    
    # GRAFICA
    import matplotlib.pyplot as plt
    a = 0.01/12
    b = 0.25/12
    muestras = 21
    
    tasa = np.linspace(a,b,muestras)
    fi   = fx(tasa)
    
    plt.plot(tasa*12,fi, label="tasa anual")
    plt.axhline(0, color='green')
    plt.title('tasa anual de interes para Hipoteca')
    plt.xlabel('tasa')
    plt.ylabel('fx(tasa)')
    plt.grid()
    plt.legend()
    plt.show()
    

    c.2. Desarrollo con el método de la Bisección


    Desarrollo Analítico con Bisección

    Como parte del desarrollo del ejercicio se presenta las iteraciones para el algoritmo, tradicionalmente realizadas con una calculadora.

    fx(i) = 70000 - 1200\Big(\frac{1-(1+i)^{-300}}{i} \Big)

    iteración 1

    a = 0.01, b = 0.5 c = \frac{a+b}{2} = \frac{0.01+0.5}{2} = 0.255 fx(0.01) = 70000 - 1200\Big(\frac{1-(1+(0.01))^{-300}}{0.01} \Big) = -43935.86 fx(0.255) = 70000 - 1200\Big(\frac{1-(1+(0.255))^{-300}}{0.255} \Big) = 65294.11 fx(0.5) = 70000 - 1200\Big(\frac{1-(1+(0.5))^{-300}}{0.5} \Big) = 67600.0 tramo = 0.5-0.01 =0.49

    cambio de signo a la izquierda

    a = 0.01, b=0.255

    iteración 2

    c = \frac{a+b}{2} = \frac{0.01+0.225}{2} = 0.1325 fx(0.1325) = 70000 - 1200\Big(\frac{1-(1+(0.1325))^{-300}}{0.1325} \Big) = 60943.39 tramo = 0.225-0.01 =0.215

    cambio de signo a la izquierda

    a = 0.01, b=0.1325

    iteración 3

    c = \frac{a+b}{2} = \frac{0.01+0.1325}{2} = 0.07125 fx(0.07125) = 70000 - 1200\Big(\frac{1-(1+(0.07125))^{-300}}{0.07125} \Big) = 53157.89 tramo = 0.1325-0.01 =0.1225

    cambio de signo a la izquierda

    a = 0.01, b=0.07125

    y se continuaría con las iteraciones, hasta cumplir que tramo<=tolera

    Tabla de datos obtenidos

    tabla para Bisección
    i a c b f(a) f(c) f(b) tramo
    1 0.01 0.255 0.5 -43935.86 65294.11 67600.0 0.49
    2 0.01 0.1325 0.255 -43935.86 60943.39 65294.11 0.215
    3 0.01 0.07125 0.1325 -43935.86 53157.89 60943.39 0.1225

    hasta lo calculado la raiz se encontraría en el intervalo [0.01,0.07125] con error estImado de 0.06125, aún por mejorar con más iteraciones.

    Algoritmo en Python para Bisección

    • El algoritmo bisección usa las variables a y b, por lo que los limites en el intervalo usados son [La,Lb]
    • para el problema la variable 'i' se usa en el eje x.
    • La selección de cambio de rango [a,b] se hace usando solo el signo del valor.
    • El algoritmo presentado es tal como se explica en la parte conceptual

    Se deja como tarea convertir el algoritmo a funcion def-return de Python.

    # 1Eva_IIT2018_T4 Tasa de interés en hipoteca
    import numpy as np
    import matplotlib.pyplot as plt
    
    # INGRESO
    P = 70000.00
    A = 1200.00
    n = 25*12
    fi = lambda i: P - A*(1-((1+i)**-n))/i
    
    # Intervalo de observación
    # e inicio de Bisección
    La = 0.01
    Lb = 0.50
    
    tolera = 0.0001 #grafica
    
    muestras = 21
    
    # PROCEDIMIENTO
    
    # Método de Bisección
    a = La
    b = Lb
    c = (a+b)/2
    tramo = np.abs(b-a)
    while (tramo>tolera):
        fa = fi(a)
        fb = fi(b)
        fc = fi(c)
        cambio = np.sign(fc)*np.sign(fa)
        if (cambio>0):
            a = c
            b = b
        else:   
            b = c
            a = a
        c = (a+b)/2
        tramo = np.abs(b-a)
    
    # Para la gráfica
    tasa = np.linspace(La,Lb,muestras)
    fr = fi(tasa)
    
    # SALIDA
    print('a, f(a):', a,fa)
    print('c, f(c):', c,fc)
    print('b, f(b):', b,fb)
    print('la raiz esta entre: \n',a,b)
    print('con un error de: ', tramo)
    print('raiz es tasa buscada: ', c)
    print('tasas anual buscada: ',c*12)
    
    # Gráfica
    plt.plot(tasa,fr)
    plt.axhline(0, color='green')
    plt.title('tasa de interes mensual')
    plt.show()
    

    la ejecución del algoritmo da como resultado

    >>> 
     RESTART: D:/MATG1052Ejemplos/HipotecaInteres.py 
    a, f(a): 0.016998291015625 -385.52828922150366
    c, f(c): 0.0170281982421875 -145.85350695741363
    b, f(b): 0.01705810546875 92.28034212642524
    la raiz esta entre: 
     0.016998291015625 0.01705810546875
    con un error de:  5.981445312500111e-05
    raiz es tasa buscada:  0.0170281982421875
    tasas anual buscada:  0.20433837890625
    

    y la gráfica obtenida es:

    tasa interes mensual

  • s1Eva_IIT2018_T1 Interpolar velocidad del paracaidista

    Ejercicio: 1Eva_IIT2018_T1 Interpolar velocidad del paracaidista

    El ejercicio tiene dos partes: la interpolación y el integral.

    Literal a

    t [s] 0 2 4 6 8
    v(t) [m/s] 0.0 16.40 27.77 35.64 41.10

    https://www.dreamstime.com/stock-photo-skydiving-formation-group-people-image62015024No se especifica el método a seguir, por lo que se puede seleccionar el de mayor preferencia.

    Por ejemplo. usando el método de Lagrange, con los puntos primero, medio y último, para cubrir todo el intervalo:

    p_2(t) = 0\frac{(t-4)(t-8)}{(0-4)(0-8)} + + 27.77\frac{(t-0)(t-8)}{(4-0)(4-8)} + + 41.10\frac{(t-0)(t-4)}{(8-0)(8-4)} p_2(t) = 0 + 27.77\frac{t(t-8)}{-16}) + + 41.10\frac{t(t-4)}{32} p_2(t) = -1.73(t^2-8t) + 1.28(t^2-4t) p_2(t) = -0.45 t^2 + 8.74t

    2_IIT2018_T1 Interpola Paracaidista 01


    Literal b

    El tema de integración para primera evaluación se realiza de forma analítica.

    Una de las formas, que es independiente si se resolvió el literal a, es usar los datos proporcionados en la tabla el ejercicio:

    t [s] 0 2 4 6 8
    v(t) [m/s] 0.0 16.40 27.77 35.64 41.10

    Se podría usar el método de Simpson de 1/3, puesto que los tamaños de paso en t son equidistantes se puede aplicar: h=2-0=2

    \int_0^8 v(t)dt = \frac{2}{3}\Big( 0+ 4(16.40)+27.77\Big) + \frac{2}{3}\Big( 27.77+ 4(35.64)+41.10\Big) =203.2

    con error del orden de O(h5) que al considerar h=2 no permite hacer una buena estimación del error. Sin embargo la respuesta es bastante cercana si se usa el método el trapecio con el algoritmo:

        valores de fi:  [ 0.   27.77 41.1 ]
    divisores en L(i):  [ 32. -16.  32.]
    
    Polinomio de Lagrange, expresiones
    -1.735625*x*(x - 8.0) + 1.284375*x*(x - 4.0)
    
    Polinomio de Lagrange: 
    -0.45125*x**2 + 8.7475*x
    Método del trapecio
    distancia recorrida:  193.28
    >>> 
    

    El error entre los métodos es |203.2-193.28|= 9.92

    Revisar el resultado usando un método con mayor precisión que el trapecio.


    Algoritmo con Python

    Las instrucciones en Python para el ejercicio son:

    # 1ra Evaluación II Término 2018
    # Tema 1. Interpolar velocidad del paracaidista
    import numpy as np
    import sympy as sym
    import matplotlib.pyplot as plt
    
    # Literal a)
    # Interpolacion de Lagrange
    # divisoresL solo para mostrar valores
    
    # INGRESO
    t = [0.0, 2, 4, 6, 8]
    v = [0.0, 16.40, 27.77, 35.64, 41.10]
    
    cuales = [0,2,4]
    
    # PROCEDIMIENTO
    xi = np.array(t,dtype=float)
    fi = np.array(v,dtype=float)
    
    xi = xi[cuales]
    fi = fi[cuales]
    
    # Polinomio de Lagrange
    n = len(xi)
    x = sym.Symbol('x')
    polinomio = 0
    divisorL = np.zeros(n, dtype = float)
    for i in range(0,n,1):
        
        # Termino de Lagrange
        numerador = 1
        denominador = 1
        for j  in range(0,n,1):
            if (j!=i):
                numerador = numerador*(x-xi[j])
                denominador = denominador*(xi[i]-xi[j])
        terminoLi = numerador/denominador
    
        polinomio = polinomio + terminoLi*fi[i]
        divisorL[i] = denominador
    
    # simplifica el polinomio
    polisimple = polinomio.expand()
    
    # para evaluación numérica
    px = sym.lambdify(x,polisimple)
    
    # Puntos para la gráfica
    muestras = 51
    a = np.min(xi)
    b = np.max(xi)
    pxi = np.linspace(a,b,muestras)
    pfi = px(pxi)
    
    # SALIDA
    print('    valores de fi: ',fi)
    print('divisores en L(i): ',divisorL)
    print()
    print('Polinomio de Lagrange, expresiones')
    print(polinomio)
    print()
    print('Polinomio de Lagrange: ')
    print(polisimple)
    
    # Gráfica
    plt.plot(t,v,'o', label = 'Puntos')
    plt.plot(xi,fi,'o', label = 'Puntos en polinomio')
    plt.plot(pxi,pfi, label = 'Polinomio')
    plt.legend()
    plt.xlabel('xi')
    plt.ylabel('fi')
    plt.title('Interpolación Lagrange')
    plt.grid()
    plt.show()
    
    # Literal b
    # INGRESO
    # El ingreso es el polinomio en forma lambda
    # se mantienen las muestras
    
    # intervalo de integración
    # a, b seleccionados para la gráfica anterior
    tramos = muestras -1
    
    # PROCEDIMIENTO
    def integratrapecio_fi(xi,fi):
        ''' sobre muestras de fi para cada xi
            integral con método de trapecio
        '''
        n = len(xi)
        suma = 0
        for i in range(0,n-1,1):
            dx = xi[i+1]-xi[i]
            untrapecio = dx*(fi[i+1]+fi[i])/2
            suma = suma + untrapecio
        return(suma)
    
    
    tramos = muestras-1
    # PROCEDIMIENTO
    distancia = integratrapecio_fi(xi,fi)
    
    # SALIDA
    print('Método del trapecio')
    print('distancia recorrida: ', distancia)
    
  • s1Eva_IIT2018_T3 Interpolar con sistema de ecuaciones

    Ejercicio: 1Eva_IIT2018_T3 Interpolar con sistema de ecuaciones

    Los datos del ejercicio proporcionados son:

    i 0 1 2 3 4 5
    x 1.0 1.1 1.3 1.5 1.9 2.1
    y(x) 1.84 1.90 2.10 2.28 2.91 3.28

    Literal a

    El tema es semejante al tema 1, cambiando el método de interpolación.
    Se usan los puntos de las posiciones 0, 3 y 5.

    p_2(x) = b_0 + b_1x + b_2 x^2

    en la fórmula:

    punto x[0] = 1, y[0]= 1.84

    1.84 = b_0 + b_1(1) + b_2 (1)^2 1.84 = b_0 + b_1 + b_2

    punto x[3] = 1.5, y[3]= 2.28

    2.28 = b_0 + b_1(1.5) + b_2 (1.5)^2 2.28 = b_0 + 1.5 b_1 + 2.25 b_2

    punto x[5] = 2.1, y[5]= 3.28

    3.28= b_0 + b_1(2.1) + b_2 (2.1)^2 3.28= b_0 + 2.1 b_1 + 4.41 b_2

    se obtiene el sistema de ecuaciones:

    b_0 + b_1 + b_2 = 1.84 b_0 + 1.5 b_1 + 2.25 b_2 = 2.28 b_0 + 2.1 b_1 + 4.41 b_2 = 3.28

    Con lo que se plantea la forma Ax=B:

    A = \begin{bmatrix} 1 & 1 & 1\\ 1 & 1.5 & 2.25 \\1 & 2.1 & 4.41 \end{bmatrix} B = \begin{bmatrix} 1.84\\ 2.28 \\ 3.28 \end{bmatrix}

    Matriz Aumentada

    AB = \begin{bmatrix} 1 & 1 & 1 & 1.84 \\ 1 & 1.5 & 2.25 & 2.28 \\1 & 2.1 & 4.41 &3.28 \end{bmatrix}

    Pivoteo parcial por filas

    Para el primer pivote no se requieren cambio de filas.
    para el segundo pivote de la diagonal se deben intercambiar la fila segunda con la tercera

    \begin{bmatrix} 1 & 1 & 1 & 1.84 \\ 1 & 2.1 & 4.41 &3.28 \\ 1 & 1.5 & 2.25 & 2.28 \end{bmatrix}

    Se aplica eliminación hacia adelante:

    fila = 0, columna=0  pivote = AB[0,0]=1

    factor entre las filas es 1/1=1.

    \begin{bmatrix}1 & 1 & 1 & 1.84 \\ 1-1 & 2.1-1 & 4.41 -1 &3.28 -1.84 \\ 1-1 & 1.5 -1 & 2.25 -1 & 2.28 - 1.84 \end{bmatrix} \begin{bmatrix} 1 & 1 & 1 & 1.84 \\ 0 & 1.1 & 3.41 &1.44 \\ 0 & 0.5 & 1.25 & 0.44 \end{bmatrix}

    fila =1,  columna=1, pivote=AB[1,1] =1.1

    factor entre filas es 0.5/1.1 = 1/2.2

    \begin{bmatrix} 1 & 1 & 1 & 1.84 \\ 0 & 1.1 & 3.41 &1.44 \\ 0 & 0.5 -\frac{0.5}{1.1}(1.1)& 1.25 -\frac{0.5}{1.1}(3.41)& 0.44-\frac{0.5}{1.1}(1.44) \end{bmatrix} \begin{bmatrix} 1 & 1 & 1 & 1.84 \\ 0 & 1.1 & 3.41 &1.44 \\ 0 & 0 & -0.3 & -0.214545 \end{bmatrix}

    aplicando sustitución hacia atrás

    b2 = -0.21/(-0.3) = 0.71515 b1= \frac{1.44-3.41 b_2}{1.1} = \frac{1.44-3.41( 0.71515)}{1.1}=-0.9078 b3= \frac{1.84-b_1-b_2}{1} = \frac{1.84-(-0.9078)-(0.71515)}{1} =2.0327

    con lo que el polinomio buscado es:

    p_2(x) = 2.0327 -0.9078 x + 0.71515 x^2

    y se obtiene el resultado de la interpolación.

    E2_IIT2018_T3 Interpola Sistema Ecuaciones 01Observación: En la gráfica se muestra que el polinomio pasa por los puntos seleccionados de la tabla. En los otros puntos hay un error que se puede calcular como la resta del punto y su valor con p(x). Queda como tarea.

    Usando el algoritmo del polinomio de interpolación con la matriz de Vandermonde se obtiene:

    Matriz Vandermonde: 
    [[1.   1.   1.  ]
     [2.25 1.5  1.  ]
     [4.41 2.1  1.  ]]
    los coeficientes del polinomio: 
    [ 0.71515152 -0.90787879  2.03272727]
    Polinomio de interpolación: 
    0.715151515151516*x**2 - 0.907878787878792*x + 2.03272727272728
    
     formato pprint
                       2                                         
    0.715151515151516*x  - 0.907878787878792*x + 2.03272727272728
    suma de columnas:  [3.   4.75 7.51]
    norma D:  7.51
    numero de condicion:  97.03737354737122
    solucion: 
    [ 0.71515152 -0.90787879  2.03272727]
    >>> 
    
    

    Literal b

    Se requiere calcular una norma de suma de filas. es suficiente para demostrar el conocimiento del concepto el usar A.

    Se adjunta el cálculo del número de condición y la solución al sistema de ecuaciones:

    suma de columnas:  [3.   4.75 7.51]
    norma A:  7.51
    numero de condición:  97.03737354737129
    solución: 
    [ 2.03272727 -0.90787879  0.71515152]
    

    El comentario importante corresponde al número de condición, que es un número muy alto para usar un método iterativo, por lo que la solución debe ser un método directo.
    Se puede estimar será un número mucho mayor que 1, pues la matriz no es diagonal dominante.


    Instrucciones en Python

    # 1Eva_IIT2018_T3 Interpolar con sistema de ecuaciones
    # El polinomio de interpolación
    import numpy as np
    import sympy as sym
    import matplotlib.pyplot as plt
    
    # INGRESO
    xj = [1.0,  1.1,  1.3,  1.5,  1.9,  2.1 ]
    yj = [1.84, 1.90, 2.10, 2.28, 2.91, 3.28]
    cuales = [0, 3, 5]
    
    # muestras = tramos+1
    muestras = 51
    
    # PROCEDIMIENTO
    # Convierte a arreglos numpy 
    xi = np.array(xj,dtype=float)
    fi = np.array(yj,dtype=float)
    
    xi = xi[cuales]
    fi  = fi[cuales]
    B = fi
    
    n = len(xi)
    
    # Matriz Vandermonde D
    D = np.zeros(shape=(n,n),dtype =float)
    for i in range(0,n,1):
        for j in range(0,n,1):
            potencia = (n-1)-j # Derecha a izquierda
            D[i,j] = xi[i]**potencia
    
    # Aplicar métodos Unidad03. Tarea
    # Resuelve sistema de ecuaciones A.X=B
    coeficiente = np.linalg.solve(D,B)
    
    # Polinomio en forma simbólica
    x = sym.Symbol('x')
    polinomio = 0
    for i in range(0,n,1):
        potencia = (n-1)-i   # Derecha a izquierda
        termino = coeficiente[i]*(x**potencia)
        polinomio = polinomio + termino
    
    # Polinomio a forma Lambda
    # para evaluación con vectores de datos xin
    px = sym.lambdify(x,polinomio)
    
    # Para graficar el polinomio en [a,b]
    a = np.min(xi)
    b = np.max(xi)
    xin = np.linspace(a,b,muestras)
    yin = px(xin)
    
    # Usando evaluación simbólica
    ##yin = np.zeros(muestras,dtype=float)
    ##for j in range(0,muestras,1):
    ##    yin[j] = polinomio.subs(x,xin[j])
        
    # SALIDA
    print('Matriz Vandermonde: ')
    print(D)
    print('los coeficientes del polinomio: ')
    print(coeficiente)
    print('Polinomio de interpolación: ')
    print(polinomio)
    print('\n formato pprint')
    sym.pprint(polinomio)
    
    # Grafica
    plt.plot(xj,yj,'o', label='Puntos')
    plt.plot(xi,B,'o', label='[xi,fi]')
    plt.plot(xin,yin, label='p(x)')
    plt.xlabel('xi')
    plt.ylabel('fi')
    plt.legend()
    plt.title(polinomio)
    plt.show()
    
    
    # literal b
    sumacolumnas = np.sum(D, axis =1)
    norma = np.max(sumacolumnas)
    print('suma de columnas: ', sumacolumnas)
    print('norma D: ', norma)
    
    numerocondicion = np.linalg.cond(D)
    print('numero de condicion: ', numerocondicion)
    
    solucion = np.linalg.solve(D,B)
    print('solucion: ')
    print(solucion)
    

    .

  • s1Eva_IIT2018_T2 Distancia mínima a un punto

    Ejercicio: 1Eva_IIT2018_T2 Distancia mínima a un punto

    Literal a

    Se requiere analizar la distancias entre una trayectoria y el punto = [1,1]

    Al analizar las distancias de ex y el punto [1,1] se trazan lineas paralelas a los ejes desde el punto [1,1], por lo que se determina que el intervalo de x = [a,b] para distancias se encuentra en:

    a > 0, a = 0.1
    b < 1, b = 0.7

    El ejercicio usa la fórmula de distancia entre dos puntos:

    d = \sqrt{(x_2-x_1)^2+(y_2- y_1)^2}

    en los cuales:

    [x1,y1] = [1,1]
    [x2,y2] = [x, ex]

    que al sustituir en la fórmula se convierte en:

    d = \sqrt{(x-1)^2+(e^x- 1)^2}

    que es lo requerido en el literal a


    Literal b

    Para usar un método de búsqueda de raíces, se requiere encontrar el valor cuando f(x) = d' = 0.

    Un método como el de Newton Raphson requiere también f'(x) = d''

    f(x) = \frac{x + (e^x - 1)e^x - 1}{\sqrt{(x - 1)^2 + (e^x - 1)^2}} f'(x)= \frac{(e^x - 1)e^x + e^{2x} + 1 - \frac{(x + (e^x - 1)e^x - 1)^2}{(x - 1)^2 + (e^x - 1)^2}} {\sqrt{(x - 1)^2 + (e^x - 1)^2}}

    expresiones obtenidas usando Sympy

    f(x) :
    (x + (exp(x) - 1)*exp(x) - 1)/sqrt((x - 1)**2 + (exp(x) - 1)**2)
    f'(x) :
    ((exp(x) - 1)*exp(x) + exp(2*x) + 1 - (x + (exp(x) - 1)*exp(x) - 1)**2/((x - 1)**2 + (exp(x) - 1)**2))/sqrt((x - 1)**2 + (exp(x) - 1)**2)
    
    f(x) :
           / x    \  x        
       x + \e  - 1/*e  - 1    
    --------------------------
        ______________________
       /                    2 
      /         2   / x    \  
    \/   (x - 1)  + \e  - 1/  
    f'(x) :
                                                  2
                             /    / x    \  x    \ 
    / x    \  x    2*x       \x + \e  - 1/*e  - 1/ 
    \e  - 1/*e  + e    + 1 - ----------------------
                                                 2 
                                     2   / x    \  
                              (x - 1)  + \e  - 1/  
    -----------------------------------------------
                   ______________________          
                  /                    2           
                 /         2   / x    \            
               \/   (x - 1)  + \e  - 1/            
    
    
    

    lo que permite observar la raíz de f(x) en una gráfica:
    distancia mínima f(x)
    con las siguientes instrucciones:

    # Eva_IIT2018_T2 Distancia mínima a un punto
    import numpy as np
    import matplotlib.pyplot as plt
    import sympy as sym
    
    # INGRESO
    x = sym.Symbol('x')
    fx = sym.sqrt((x-1)**2+(sym.exp(x) -1)**2)
    
    a = 0
    b = 1
    muestras = 21
    
    # PROCEDIMIENTO
    dfx = sym.diff(fx,x,1)
    d2fx = sym.diff(fx,x,2)
    
    f = sym.lambdify(x,dfx)
    xi = np.linspace(a,b,muestras)
    fi = f(xi)
    
    
    # SALIDA
    print('f(x) :')
    print(dfx)
    print("f'(x) :")
    print(d2fx)
    print()
    print('f(x) :')
    sym.pprint(dfx)
    print("f'(x) :")
    sym.pprint(d2fx)
    
    # GRAFICA
    plt.plot(xi,fi, label='f(x)')
    plt.axhline(0)
    plt.xlabel('x')
    plt.ylabel('f(x)')
    plt.legend()
    plt.grid()
    plt.show()
    

    Usando el método de la bisección para el intervalo dado, se tiene:

    f(x) = \frac{x + (e^x - 1)e^x - 1}{\sqrt{(x - 1)^2 + (e^x - 1)^2}}

    itera = 0 , a = 0, b=1

    c= \frac{0+1}{2} = 0.5 f(0) = \frac{0 + (e^0 - 1)e^0 - 1}{\sqrt{(0 - 1)^2 + (e^0 - 1)^2}} = -1 f(1) = \frac{1 + (e^1 - 1)e^1 - 1}{\sqrt{(1 - 1)^2 + (e^1 - 1)^2}} 2.7183 f(0.5) = \frac{(0.5) + (e^(0.5) - 1)e^(0.5) - 1}{\sqrt{((0.5) - 1)^2 + (e^(0.5) - 1)^2}} = 0.6954

    cambio de signo a la izquierda,

    a= 0, b=c=0.5

    tramo = |0.5-0| = 0.5

    itera = 1

    c= \frac{0+0.5}{2} = 0.25 f(0.25) = \frac{(0.25) + (e^(0.25) - 1)e^(0.25) - 1}{\sqrt{((0.25) - 1)^2 + (e^(0.25) - 1)^2}} = -0.4804

    cambio de signo a la derecha,

    a=c= 0.25, b=0.5

    itera = 2

    c= \frac{0.25+0.5}{2} = 0.375 f(0.375) = \frac{(0.375) + (e^(0.375) - 1)e^(0.375) - 1}{\sqrt{((0.375) - 1)^2 + (e^(0.375) - 1)^2}} = 0.0479

    cambio de signo a la izquierda,

    a= 0.25, b=c=0.375

    se continúan las iteraciones con el algoritmo, para encontrar la raíz en 0.364:

    método de Bisección
    i ['a', 'c', 'b'] ['f(a)', 'f(c)', 'f(b)']
       tramo
    0 [0, 0.5, 1] [-1.      0.6954  2.7183]
       0.5
    1 [0, 0.25, 0.5] [-1.     -0.4804  0.6954]
       0.25
    2 [0.25, 0.375, 0.5] [-0.4804  0.0479  0.6954]
       0.125
    3 [0.25, 0.3125, 0.375] [-0.4804 -0.2388  0.0479]
       0.0625
    4 [0.3125, 0.34375, 0.375] [-0.2388 -0.1004  0.0479]
       0.03125
    5 [0.34375, 0.359375, 0.375] [-0.1004 -0.0274  0.0479]
       0.015625
    6 [0.359375, 0.3671875, 0.375] [-0.0274  0.01    0.0479]
       0.0078125
    7 [0.359375, 0.36328125, 0.3671875] [-0.0274 -0.0088  0.01  ]
       0.00390625
    8 [0.36328125, 0.365234375, 0.3671875] [-0.0088  0.0006  0.01  ]
       0.001953125
    9 [0.36328125, 0.3642578125, 0.365234375] [-0.0088 -0.0041  0.0006]
       0.0009765625
    raíz en:  0.3642578125
    

    Al algoritmo anterior se complementa con las instrucciones de la función para la bisección.

    # Eva_IIT2018_T2 Distancia mínima a un punto
    import numpy as np
    import matplotlib.pyplot as plt
    import sympy as sym
    
    # INGRESO
    x = sym.Symbol('x')
    fx = sym.sqrt((x-1)**2+(sym.exp(x) -1)**2)
    
    a = 0
    b = 1
    muestras = 21
    
    # PROCEDIMIENTO
    dfx = sym.diff(fx,x,1)
    d2fx = sym.diff(fx,x,2)
    
    f = sym.lambdify(x,dfx)
    xi = np.linspace(a,b,muestras)
    fi = f(xi)
    
    
    # SALIDA
    print('f(x) :')
    print(dfx)
    print("f'(x) :")
    print(d2fx)
    print()
    print('f(x) :')
    sym.pprint(dfx)
    print("f'(x) :")
    sym.pprint(d2fx)
    
    # GRAFICA
    plt.plot(xi,fi, label='f(x)')
    plt.axhline(0)
    plt.xlabel('x')
    plt.ylabel('f(x)')
    plt.legend()
    plt.grid()
    plt.show()
    
    # Algoritmo de Bisección
    # [a,b] se escogen de la gráfica de la función
    # error = tolera
    import numpy as np
    
    def biseccion(fx,a,b,tolera,iteramax = 20, vertabla=False, precision=4):
        '''
        Algoritmo de Bisección
        Los valores de [a,b] son seleccionados
        desde la gráfica de la función
        error = tolera
        '''
        fa = fx(a)
        fb = fx(b)
        tramo = np.abs(b-a)
        itera = 0
        cambia = np.sign(fa)*np.sign(fb)
        if cambia<0: # existe cambio de signo f(a) vs f(b)
            if vertabla==True:
                print('método de Bisección')
                print('i', ['a','c','b'],[ 'f(a)', 'f(c)','f(b)'])
                print('  ','tramo')
                np.set_printoptions(precision)
                
            while (tramo>=tolera and itera<=iteramax):
                c = (a+b)/2
                fc = fx(c)
                cambia = np.sign(fa)*np.sign(fc)
                if vertabla==True:
                    print(itera,[a,c,b],np.array([fa,fc,fb]))
                if (cambia<0):
                    b = c
                    fb = fc
                else:
                    a = c
                    fa = fc
                tramo = np.abs(b-a)
                if vertabla==True:
                    print('  ',tramo)
                itera = itera + 1
            respuesta = c
            # Valida respuesta
            if (itera>=iteramax):
                respuesta = np.nan
    
        else: 
            print(' No existe cambio de signo entre f(a) y f(b)')
            print(' f(a) =',fa,',  f(b) =',fb) 
            respuesta=np.nan
        return(respuesta)
    
    # INGRESO
    tolera = 0.001
    
    # PROCEDIMIENTO
    respuesta = biseccion(f,a,b,tolera,vertabla=True)
    # SALIDA
    print('raíz en: ', respuesta)
    

    .

  • s1Eva_IT2018_T1 Tanque esférico canchas deportivas

    Ejercicio: 1Eva_IT2018_T1 Tanque esférico canchas deportivas

    a) Para seleccionar el rango para h=[a,b], se observa que el tanque puede estar vacío, a=0 o lleno al máximo, b=2R = 2(3)=6, con lo que se obtiene:

    h =[0.0, 6.0]

    conociendo la proporción con el valor máximo, se tiene un valor inicial para h0 para las iteraciones.

    Vmax = \frac{\pi}{3} (2R)^2 (3R-2R) Vmax = \frac{4\pi }{3}R^{3}= 113.09 h_0 = (6)*30/113.09 = 1.59

    b) Usar Newton-Raphson con tolerancia 1e-6

    f(h) = \frac{\pi }{3}h^2 (3(3)-h)-30 f(h) = \frac{\pi }{3}(9h^2 -h^3-28.647) f'(h) = \frac{\pi }{3}(18h-3h^2)

    el punto siguiente de iteración es:

    h_{i+1} = h_{i} -\frac{f(h)}{f'(h)} = h_{i}-\frac{ \frac{\pi }{3}(9h^2 -h^3-28.647)}{ \frac{\pi }{3}(18h-3h^2)} h_{i+1} = h_{i} -\frac{(9h^2 -h^3-28.647)}{(18h-3h^2)}

    con lo que se realiza la tabla de iteraciones:

    hi hi+1 error orden
    1.590 2.061 0.47 10-1
    2.061 2.027 -0.034 10-2
    2.027 2.02686 -0.00014 10-4
    2.02686 2.0268689 -2.32E-09 10-9

    En valor práctico 2.028 m usando flexómetro, a menos que use medidor laser con precisión 10-6 usará más dígitos con un tanque de 6 metros de altura ganará una precisión de una gota de agua para usar en duchas o regar el césped .

    c) El orden de convergencia del error observando las tres primeras iteraciones es cuadrático

    Tarea: Realizar los cálculos con Python, luego aplique otro método. Añada sus observaciones y conclusiones.

  • s1Eva_IT2018_T3 Temperatura en nodos de placa

    Ejercicio: 1Eva_IT2018_T3 Temperatura en nodos de placa

    a) Plantear el sistema de ecuaciones. Usando el promedio para cada nodo interior: Placa Temp 03

    a=\frac{50+c+100+b}{4} b=\frac{a+30+50+d}{4} c=\frac{a+60+100+d}{4} d=\frac{b+60+c+30}{4}

    que reordenando se convierte en:

    4a=150+c+b 4b=a+80+d 4c=a+160+d 4d=b+c+90

    simplificando:

    4a-b-c= 150 a-4b+d = -80 a-4c+d = -160 b+c-4d = -90

    que a forma matricial se convierte en:

    A = [[ 4, -1, -1, 0.0],
         [ 1, -4,  0, 1.0],
         [ 1,  0, -4, 1.0],
         [ 0,  1,  1,-4.0]]
    B = [[ 150.0],
         [ -80.0],
         [-160.0],
         [ -90.0]]
    

    Observación: la matriz A ya es diagonal dominante, no requiere pivotear por filas.  Se aumentó el punto decimal a los valores de la matriz A y el vector B  para que sean considerados como números reales.

    El número de condición es: np.linalg.cond(A) = 3.0

    que es cercano a 1 en un orden de magnitud, por lo que la solución matricial es "estable" y los cambios en los coeficientes afectan proporcionalmente a los resultados. Se puede aplicar métodos iterativos sin mayores inconvenientes.

    b y c) método de Jacobi para sistemas de ecuaciones, con vector inicial

     
    X(0) = [[60.0],
            [40], 
            [70],
            [50]] 
    

    reemplazando los valores iniciales en cada ecuación sin cambios.

    iteración 1
    a=\frac{50+70+100+40}{4} = 65

    b=\frac{60+30+50+50}{4} = 47.5 c=\frac{60+60+100+50}{4} = 67.5 d=\frac{40+60+70+30}{4} = 50
    X(1) = [[65],
            [47.5],
            [67.5],
            [50]]
    
    vector de error = 
         [|65-60|,
          |47.5-40|,
          |67.5-70|,
          |50-50|]
      = [|5|,
         |7.5|,
         |-2.5|,
         |0|]
    errormax = 7.5
    

    iteración 2
    a=\frac{50+67.5+100+47.5}{4} = 66.25

    b=\frac{65+30+50+50}{4} = 48.75 c=\frac{65+60+100+50}{4} = 68.75 d=\frac{47.5+60+67.7+30}{4} = 51.3
    X(2) = [[66.25],
            [48.75],
            [68.75],
            [51.3]]
    
    vector de error = 
           [|66.25-65|,
            |48.75-47.5|,
            |68.75-67.5|,
               |51.3-50|] 
      = [|1.25|,
         |1.25|,
         |1.25|,
         |1.3|]
    errormax = 1.3
    

    iteración 3
    a=\frac{50+68.75+100+48.75}{4} = 66.875

    b=\frac{66.25+30+50+51.3}{4} = 49.38 c=\frac{66.25+60+100+51.3}{4} = 69.3875 d=\frac{48.75+60+68.75+30}{4} = 51.875
    X(2) = [[66.875],
            [49.38],
            [69.3875],
            [51.875]]
    
    vector de error = 
          [|66.875-66.25|,
           |49.38-48.75|,
           |69.3875-68.75|,
           |51.875-51.3|]
        = [|0.655|,
           |0,63|,
           |0.6375|,
            |0.575|]
    errormax = 0.655
    con error relativo de:
    100*0.655/66.875 = 0.97%

    siguiendo las iteraciones se debería llegar a:

    >>> np.linalg.solve(A,B)
    array([[ 67.5],
           [ 50. ],
           [ 70. ],
           [ 52.5]])
    
  • s1Eva_IT2018_T4 El gol imposible

    Ejercicio: 1Eva_IT2018_T4 El gol imposible

    Tabla de datos:

    ti = [0.00, 0.15, 0.30, 0.45, 0.60, 0.75, 0.90, 1.05, 1.20]
    xi = [0.00, 0.50, 1.00, 1.50, 1.80, 2.00, 1.90, 1.10, 0.30]
    yi = [0.00, 4.44, 8.88,13.31,17.75,22.19,26.63,31.06,35.50]
    zi = [0.00, 0.81, 1.40, 1.77, 1.91, 1.84, 1.55, 1.03, 0.30]
    

    Observe que, un gol simplificado con física básica es un tiro parabólico cuya trayectoria se compone de movimientos en los ejes, Y y Z. Sin embargo, lo "imposible" del gol mostrado es añadir el movimiento en X. (Referencia de la imagen en el enunciado)

    El movimiento de "profundidad" o dirección hacia el arco y(t) es semejante a un polinomio de primer grado, y el movimiento de "altura" z(t) es un polinomio de segundo grado. El movimiento "imposible" en el eje X, podría ser descrito por un polinomio de segundo o mayor grado.

    a) Encontrar t para altura máxima, que se encuentra al igualar la derivada dz/dt a cero. Para interpolar el polinomio z(t), de segundo grado, se puede usar tres puntos de los sugeridos: 0, 0.3 y 0.6, que además son equidistantes en t (facilita usar cualquier método de interpolación).

    Por ejemplo, con diferencias finitas avanzadas:

    t z(t) d1 d2 d3
    0.00 0.00 1.40 -0.89
    0.30 1.40 0.51
    0.60 1.91
    z(t) = 0 + 1.40\frac{(t-0)}{1!(0.3)} - 0.89 \frac{(t-0)(t-0.3)}{2!(0.3)^2} = 0 + 4.66 t - 4.94(t^2-0.3t) = 4.66 t + 1.48 t - 4.94 t^2 z(t) = 6.42 t - 4.94 t^2

    para encontrar el valor máximo se encuentra \frac{dz}{dt} = 0

    \frac{dz}{dt} = 6.42 - 2(4.94) t 6.42 - 2(4.94) t = 0 t = \frac{6.42}{2(4.94)} t = 0.649

    Observe que el resultado tiene sentido, pues según la tabla, el máximo debería estar entre 0.60 y 0.75

    b) El cruce por la "barrera", corresponde al desplazamiento del balón en el eje Y a 9 metros: y(t) = 9.
    El polinomio modelo de primer grado usa dos puntos para la interpolación, de los sugeridos se escogen dos, por ejemplo: 0.0 y 0.3.

    Usando diferencias finitas avanzadas :

    d1 = (8.88-0) = 8.88 y(t) = 0 + 8.88\frac{(t-0)}{1!(0.3)} y(t) = 29.6 t

    usando y(t) = 9

    29.6 t = 9
    t = 0.30
    z(0.30) = 1.40
    (de la tabla de datos)

    cuya respuesta con solo dos dígitos decimales es coherente, al estar cercano el valor a una distancia y=8.88 o aproximado a 9.
    La respuesta puede ser mejorada usando más digitos significativos en las operaciones.

    c)  La desviación máxima en eje X.
    Determine un polinomio para la trayectoria en el eje X y obtenga el máximo igualando la derivada del polinomio x(t) a cero.

    Por simplicidad, se usa un polinomio de segundo grado, alrededor de los valores máximos en el eje X

    t x(t) d1 d2 d3
    0.60 1.80 0.20 -0.30
    0.75 2.00 -0.10
    0.90 1.90
    x(t) = 1.80 + 0.20 \frac{(t-0.60)}{1!(0.15)} -0.30 \frac{(t-0.60)(t-0.75)}{2!(0.15)^2} x(t) = 1.80 + 1.33 (t-0.60) - 6.67(t-0.60)(t-0.75)

    como se busca el máximo, se usa la derivada \frac{dx}{dt} = 0

    \frac{dx}{dt} = 1.33 - 6.67(2t +(-0.60-0.75)) 1.33 - 13.34t + 9.00 = 0 -13.34t + 10.33 = 0

    t = 0.77

    x(0.77) = 1.80 + 1.33(0.77-0.60) - 6.67(0.77-0.60)(0.77-0.75) x(0.77) = 2.003

    lo que es coherente con la tabla para el eje x, pues el máximo registrado es 2, y el próximo valor es menor, la curva será decreciente.


    Desarrollo extra para observar y verificar resultados:

    Usando los puntos y un graficador 3D se puede observar la trayectoria:

    Gol Imposible 02

    Tarea: Realice el ejercicio usando los algoritmos en Python, muestre los polinomios obtenidos y compare.

    Nota: La gráfica 3D presentada usa interpolación de Lagrange con todos los puntos. Realice las observaciones y recomendaciones necesarias y presente su propuesta como tarea.

  • s1Eva_IIT2017_T1 Aproximar a polinomio usando puntos

    Ejercicio: 1Eva_IIT2017_T1 Aproximar a polinomio usando puntos

    Se dispone de tres puntos para la gráfica.

    x  f(x)
     0  1
     0.2  1.6
     0.4  2.0

    Si el polinomio de Taylor fuera de grado 0, sería una constante, que si se evalúa en x0 = 0 para eliminar los otros términos, se encuentra que sería igual a 1

    Como se pide el polinomio de grado 2, se tiene la forma:

    p(x) = a + bx + c x ^2 p(x) = 1 + bx + c x^2

    Se disponen de dos puntos adicionales que se pueden usar para determinar b y c:

    p(0.2) = 1 + 0.2 b + (0.2)^2 c = 1.6 p(0.4) = 1 + 0.4 b + (0.4)^2 c = 2.0

    simplificando:

    0.2 b + (0.2)^2 c = 1.6 - 1 = 0.6 0.4 b + (0.4)^2 c = 2.0 - 1 = 1

    multiplicando la primera ecuación por 2 y restando la segunda ecuación:

    0 - 0.08 c = 1.2-1 = 0.2 c = - 0.2/0.08 = -2.5

    sustituyendo el valor de c obtenido en la primera ecuación

    0.2 b + 0.04(-2.5) = 0.6 0.2 b = 0.6 - 0.04(-2.5) = 0.6 + 0.1 = 0.7 b = 0.7/0.2 = 3.5

    con lo que el polinomio queda:
    p(x) = 1 + 3.5 x - 2.5 x^2

    validando con python:
    tomando los puntos de prueba:

    xi = [ 0, 0.2, 0.4]
    fi = [ 1, 1.6, 2 ]
    >>>

    se obtiene la gráfica:

    se adjunta las instrucciones usadas para validar que el polinomio pase por los puntos requeridos.

    # 1Eva_IIT2017_T1 Aproximar a polinomio usando puntos
    import numpy as np
    import matplotlib.pyplot as plt
    
    # INGRESO
    xi = [ 0, 0.2, 0.4]
    fi = [ 1, 1.6, 2 ]
    
    px = lambda x: 1 + 3.5*x - 2.5*(x**2)
    a = -0.5
    b = 1
    muestras = 21
    
    # PROCEDIMIENTO
    xj = np.linspace(a,b,muestras)
    pxj = px(xj)
    
    # SALIDA
    print(xj)
    print(pxj)
    
    # Gráfica
    plt.plot(xj,pxj,label='p(x)')
    plt.plot(xi,fi,'o', label='datos')
    
    plt.xlabel('x')
    plt.ylabel('f(x)')
    plt.grid()
    plt.legend()
    plt.show()
    
    

    Nota: Se puede intentar realizar los polinomios aumentando el grado, sin embargo cada término agrega un componente adicional a los términos anteriores por la forma (x - x0)k

    literal b

    se requiere el integral aproximado de f(x) en el intervalo limitado por los 3 puntos de la tabla:

    \int_{0}^{0.4}f(x) dx

    Esta aproximación con un polinomio es el concepto de integración numérica con la regla de Simpson de 1/3, tema desarrollado en la unidad 5

    I_{S13} = \frac{0.2}{3} \Big(1+4(1.6)+ 2 \Big) = 0.62666