Notas del curso en formato PDF
Transcripción
Notas del curso en formato PDF
Laboratorio de Simulación Jorge Garza [email protected] Versión 1.1 Índice 1. Objetivos del curso 1.1. Temario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Evaluación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3 3 2. Introducción 5 3. Máximos, mı́nimos y series de Taylor en funciones de una variable 6 3.1. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.2. Series de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . 7 4. La función logaritmo natural y derivadas implı́citas 9 4.1. Propiedades de la función logaritmo natural . . . . . . . . . . 9 4.2. Derivadas implı́citas . . . . . . . . . . . . . . . . . . . . . . . 11 5. La función exponencial 13 5.1. Simulación de la resistencia del aire sobre un móvil . . . . . . 13 6. Números Complejos 6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2. Operaciones entre números complejos . . . . . . . . . . . . . . 6.3. Representación Polar . . . . . . . . . . . . . . . . . . . . . . . 6.3.1. Potencias de un número complejo: Fórmula de De Moivre 6.4. Rotación de un número complejo . . . . . . . . . . . . . . . . 6.5. Raı́ces del 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 17 17 18 19 19 20 20 Laboratorio de Simulación, Jorge Garza 2 7. Sistemas oscilantes 7.1. Oscilador armónico . . . . . . . . . . . . . . . . . . . . 7.2. Análisis de la energı́a en el oscilador armónico . . . . . 7.3. Oscilador amortiguado . . . . . . . . . . . . . . . . . . 2 + γ dx(t) + ω02 x = 0 7.3.1. Solución de la ecuación d dtx(t) 2 dt 2 7.3.2. Análisis de la solución cuando γ < 4ω02 . . . . 7.3.3. Análisis de la solución cuando γ 2 = 4ω02 . . . . . 7.3.4. Análisis de la solución cuando γ 2 > 4ω02 . . . . . 8. Métodos de interpolación: Integración numérica 8.1. Interpoladores de Lagrange . . . . . . . . . . . . . 8.1.1. Aproximación lineal . . . . . . . . . . . . . 8.1.2. Aproximación cuadrática . . . . . . . . . . 8.2. Integración Numérica . . . . . . . . . . . . . . . . 8.2.1. La regla del trapecio . . . . . . . . . . . . 8.2.2. La regla de Simpson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 21 24 25 26 27 29 29 . . . . . . 30 30 30 31 32 32 33 9. Ajuste de curvas por el método de mı́nimos cuadrados 34 9.1. Ajuste de una función cuadrática . . . . . . . . . . . . . . . . 34 9.2. Ajuste de una función lineal . . . . . . . . . . . . . . . . . . . 36 Laboratorio de Simulación, Jorge Garza 1. 3 Objetivos del curso Profesor: Oficina: Trimestre: Grupo: Horario Teorı́a: Laboratorio: Asesorı́a: Jorge Garza Olguı́n AT-248 08-0 CC01A Lunes de 11:00 a 12:30 (Salón B201) Miércoles de 11:00 a 14:00 (Sala E del edificio anexo al A) Martes de 15:00 a 16:00 (AT-248) El Laboratorio de Simulación usa como herramienta software, basado en un lenguaje simbólico, para resolver problemas propios del tronco general de asignaturas de la División de Ciencias Básicas e Ingenierı́a de la Universidad Autónoma Metropolitana-Iztapalapa. En particular, en este curso se usará el paquete Mathematica. De ninguna manera se pretende enseñar un lenguaje de programación para la solución de dichos problemas. 1.1. Temario Introducción a Mathematica: Operaciones básicas y creación de gráficas. Máximos, mı́nimos y series de Taylor en funciones de una variable. La función logaritmo natural y derivadas implı́citas. Números Complejos La función exponencial: Ecuaciones de Newton. Manejo de datos y Métodos de Interpolación. Integración y diferenciación numérica. 1.2. Evaluación Prácticas Exámenes [0, 6) [6,0, 7,5) [7,5, 8,4) [8,4, 10,0] 70 % 30 % NA S B MB Laboratorio de Simulación, Jorge Garza 4 La asistencia es muy importante para aprobar el curso, por lo tanto se tendrán 10 minutos de tolerancia para entrar a las prácticas y como máximo una inasistencia al laboratorio. Después de terminar la sesión del taller, el alumno debe de enviar la práctica correspondiente al profesor por el correo electrónico que le asignó la UAM. No se permite el uso de teléfono celular en ninguna de las sesiones. Bibliografı́a: Notas y prácticas del laboratorio: http://www.fqt.izt.uam.mx/Profes/JGO/Simulacion/Simulacion.html Manual de Prácticas:Taller de Simulación.UAMI,1999. Eugene Don. Theory and problems of Mathematica. Schaum’s Outline Series. McGraw-Hill, USA 2001. Nino Boccara. Essentials of Mathematica with Applications to Mathematics and Physics. Springer, USA 2007. William T. Shaw and Jason Tigg. Applied Mathematica. AddisonWesley Publishing Company, USA 1994. Richard E. Crandall, Mathematica for the Sciences. Addison-Wesley, USA 1991. Laboratorio de Simulación, Jorge Garza 2. 5 Introducción El alumno debe buscar información relacionada con los conceptos de simulación y modelaje en las ciencias básicas. Discutir estos conceptos en clase y enmarcar los objetivos del curso alrededor de estos conceptos. En clase discutiremos las definiciones de modelo, modelaje, simulación y simular, obtenidas de un diccionario en español. Dentro de la discusión se debe de contrastar estas definiciones con lo encontrado por los alumnos. Entendemos por modelo matemático aquel modelo que imita la realidad usando un lenguaje matemático. Esto significa que usaremos un lenguaje preciso, seremos explı́citos sobre las suposiciones que hagamos, por supuesto que se hará uso de la computadora y de todos los conocimientos adquiridos hasta el primer ño de la universidad. Usemos como ejemplo el problema de la recolección de basura en el Distrito Federal. ¿Cómo hacerlo más eficiente? ¿Podemos dar solución a este problema modelándolo? ¿En qué variables debemos pensar? Cantidad de basura. Métodos de recolección. Primero pensemos en la cantidad de basura que generamos. Seguramente la cantidad generada de basura dependerá de la zona. Por ejemplo, si es una zona rural, una ciudad, una zona industrial, un parque, un deportivo, etc. Entonces es claro que nuestro modelo se debe ajustar a nuestras necesidades. Ya delimitada la zona, ¿Cómo saber la cantidad de basura que se genera por dı́a, por semana o por mes? Probablemente con esto podemos determinar el tipo de método de recolección que se debe de usar. Ahora pensemos en las formas que se tienen en la recolección: Pasa el camión de la basura, pasa un señor con su bote, hay botes de recolección en cada calle, ¿alguna más? ¿Con esto podemos solucionar el problema? Lo primero que haremos en el curso será recordar algunos conceptos de matemáticas y familiarizarnos con el programa que usaremos, en este caso será Mathematica. A la mitad del curso empezaremos a usar el modelaje y finalmente acoplaremos este modelaje con el manejo de datos. Laboratorio de Simulación, Jorge Garza 3. 6 Máximos, mı́nimos y series de Taylor en funciones de una variable Recordemos que los máximos y mı́nimos en una función se encuentran cuando se satisface la relación df (x) = 0. dx Para un máximo, además de esta condición se debe de cumplir con que d2 f (x) < 0, dx2 y para un mı́nimo que d2 f (x) > 0. dx2 Se obtiene un punto de inflexión cuando d2 f (x) = 0. dx2 En clase hay que encontrar los máximos, mı́nimos y puntos de inflexión de las funciones: y = x2 − 3x + 1. y = x3 − 7x2 + 15x − 9. Con Mathematica podemos abordar estos problemas de la siguiente manera. Por ejemplo, para la primer función definimos f[x ]=xˆ2 - 3 x + 1; Luego la derivamos con respecto a x para obtener la primer y segunda derivada primera=D[f[x],x] segunda=D[f[x],{x,2}] finalmente debemos de buscar las x’s para las cuales la primer derivada es igual a cero criticos=NSolve[derivada == 0,x] Ya que estamos interesados en evaluar a la segunda derivada en los puntos crı́ticos encontrados es recomendable asignar a una variable lo que se obtuvo en criticos x1=x/.criticos[[1]] Laboratorio de Simulación, Jorge Garza 7 x2=x/.criticos[[2]] y luego hacemos la respectiva evaluación en la segunda derivada segunda/.x→x1 segunda/.x→x2 3.1. Aplicaciones Una parte interesante de la búsqueda de máximos y mı́nimos son las aplicaciones. Por ejemplo: Hallar dos números no negativos de suma 1 que hagan máxima la suma de sus cuadrados. Lo mismo del inciso anterior para minimizar la suma. Hallar las dimensiones del rectángulo de máximo perı́metro que puede inscribirse en un cı́rculo de radio a. 3.2. Series de Taylor En muchas ocasiones es necesario tener una representación polinomial de una función para saber su comportamiento alrededor de un punto. Para este fin la expansión en series de Taylor, de la función f (x) alrededor del punto x0 , es útil, ya que se obtiene de à ! ∞ X 1 d(n) f (x) f (x) = (x − x0 )n . n n! dx n=0 x=x0 Por ejemplo, si x ∼ = x0 entonces una muy buena representación de f (x) podrı́a ser una lı́nea recta df (x) |x=x0 (x − x0 ), f (x) ∼ = f (x0 ) + dx la cual se le conoce como aproximación primer orden. La aproximación a segundo orden tiene la forma df (x) 1 d2 f (x) f (x) ∼ |x=x0 (x − x0 ) + |x=x0 (x − x0 )2 . = f (x0 ) + dx 2 dx2 De esta manera podemos representar a una función en un polinomio del orden que nosotros creamos que es conveniente. Laboratorio de Simulación, Jorge Garza 8 Busquemos el comportamiento de la función sen(x) x alrededor de x0 = 0, haciendo uso de las series de Taylor. Si deseamos obtener una aproximación a cuarto orden son necesarias cuatro derivadas evaluadas en x0 = 0. Al evaluar estas derivadas encontramos que alrededor de x0 = 0 la función seno tiene la siguiente forma 1 sen(x) ∼ = x − x3 , 6 y por lo tanto sen(x) ∼ =1− x Es claro que si deseamos obtener el lı́mite respuesta será 1. 1 2 x. 6 de esta función cuando x → 0 la Encuentre el desarrollo en series de Taylor de: cos(x) 1 cos2 (x) Haciendo un desarrollo en series de Taylor encuentre el lı́mite cuando x → 0 de: tan(x)−x cos(x)−1 Laboratorio de Simulación, Jorge Garza 4. 9 La función logaritmo natural y derivadas implı́citas R Tratemos de evaluar la siguiente integral x1n dx. Todos sabemos que el resultado es Z x−n+1 + c. x−n dx = −n + 1 Sin embargo, se tienen problemas cuando n = 1. Esto es precisamente lo que motiva a definir a la función logaritmo. Z x 1 ln(x) = dt, 1 t para x > 0. Del teorema fundamental del cálculo sabemos que si G(x) está definida como Z x f (t) dt G(x) = a para xǫ [a, b]. Entonces G es una antiderivada de f en [a, b], con lo cual dG(x) = f (x). dx Para nuestro caso se tiene que Z x d 1 1 dt = , dx 1 t x o también 1 d ln(x) = . dx x 4.1. Propiedades de la función logaritmo natural A partir de la definición se encuentra que Z 1 1 dt = 0. ln(1) = 1 t Si y = ln(u) y u = g(x), encontramos que Laboratorio de Simulación, Jorge Garza 10 dy d ln(u) 1 du = = , dx dx u dx para u = g(x) > 0. Ahora supongamos que p > 0 y x > 0 forman a u = xp, por lo tanto d ln(xp) 1 d(xp) p 1 = = = . dx xp dx xp x Además sabemos que 1 d ln(x) = , dx x por lo que podemos decir que ln(xp) = ln(x) + c, ya que sus derivadas son iguales. Esta relación es válida para toda x, en particular para x = 1 se tiene que ln(p) = ln(1) + c, o que c = ln(p). Por lo tanto ln(xp) = ln(x) + ln(p). Si x = q con q > 0 ln(qp) = ln(q) + ln(p). Si p = 1 q 1 1 ln(q ) = ln(q) + ln( ), q q 1 ln(1) = ln(q) + ln( ) = 0, q 1 ln( ) = − ln(q). q Por lo tanto 1 1 p ln( ) = ln(p ) = ln(p) + ln( ) = ln(p) − ln(q), q q q Laboratorio de Simulación, Jorge Garza 11 p ln( ) = ln(p) − ln(q). q Ahora consideremos u = xr d ln(u) 1 du 1 = = r rxr−1 , dx u dx x d ln(xr ) 1 = rx−1 = r . dx x Pero sabemos que d ln(x) dx = x1 , por lo que r d ln(x) 1 = r( ) dx x o también 1 dr ln(x) = r( ), dx x lo cual lleva a dr ln(x) 1 d ln(xr ) = = r( ). dx dx x Este resultado sugiere que ln(xr ) = r ln(x) + c, para toda x. En particular para x = 1 se tiene ln(1) = r ln(1) + c, llevando a que c = 0 y que ln(xr ) = r ln(x). 4.2. Derivadas implı́citas En muchas ocasiones se nos pide encontrar la derivada de una función que depende en x, sin tener una expresión explı́cita de esa función en términos de x. En estos casos hay que recurrir a la derivación implı́cita. Supongamos que tenemos la ecuación x2 y + y 4 − 6x = 8y 2 + 6, Laboratorio de Simulación, Jorge Garza 12 dy y nos piden obtener a dx . Es claro que no podemos despejar a la variable y para tenerla en términos de x exclusivamente. Por lo tanto, vamos a derivar ambos lados de la ecuación para tener 2xy + x2 como nos piden a y factorizamos dy , dx dy dy dy + 4y 3 − 6 = 16y , dx dx dx agrupamos a los términos que contienen esta cantidad dy 2 (x + 4y 3 − 16y) = −2xy + 6. dx Finalmente despejamos a dy dx dy (−2xy + 6) = 2 . dx (x + 4y 3 − 16y) En muchos problemas aparece la función logaritmo natural, trabajemos dy a partir en un ejemplo donde aparece esa función. Encontrar la derivada dx de la siguiente expresión x y 2 + ln( ) − 4x + 3 = 0. y Al derivar implı́citamente se obtiene que (4 − x1 ) dy . = dx (2y − y1 ) Ejercicios: Obtener • • • dy , dx y evaluarla en el punto P indicado: 2xy + sen(y) = 2, P (1, π/2). π 2y 3 + 4xy + x2 = 7, P (1, 1). x + tan(xy) = 2, P (1, π/4). Encontrar los puntos sobre la gráfica de la función y = x2 + 4 ln(x), en los cuales la recta tangente es paralela a la recta y − 6x + 3 = 0. Laboratorio de Simulación, Jorge Garza 5. 13 La función exponencial La función exponencial, exp(x), es una función inversa a la función logaritmo natural. Por lo tanto exp(ln(x)) = x, o también ln(exp(x)) = x. Discutir en clase el comportamiento de la función exponencial y la función logaritmo natural. Pregunta: ¿Cómo es el crecimiento de la función exp(x) con respecto a las funciones x, x2 y xn ? Discutir el comportamiento de las funciones exp(x) y exp(−x). 5.1. Simulación de la resistencia del aire sobre un móvil Móvil a velocidad constante Supongamos que un móvil se mueve en una dimensión a velocidad constante y se somete a la acción de una fuerza de fricción, en nuestro caso supondremos que la fricción es provocada por el aire. Lo primero que debemos recordar es que la velocidad y la aceleración, en una dimensión, se definen como v= dx(t) , dt a= d2 x(t) . dt2 y 2 De acuerdo a la segunda ley de Newton F = m ddt2x . Cuando no está presente el aire, ninguna fuerza actúa sobre el móvil, lo cual lleva a 0=m d2 x(t) . dt2 En clase, este ejemplo servirá para discutir lo que siginifica resolver una ecuación diferencial, y resolverla para el caso más sencillo; el movimiento rectilı́neo uniforme. Es claro que la ecuación anterior se puede escribir como Laboratorio de Simulación, Jorge Garza 0= 14 dv(t) , dt ya que la masa pasa dividiendo al lado izquierdo y la aceleración se expresa en términos de la velocidad. La pregunta ahora es saber la expresión de v(t) tal que su derivada es cero. La respuesta es sencilla, la única expresión que puede cumplir esto es v(t) = k1 , siendo k1 una constante. Ya que nos interesa saber la posición del móvil, entonces recurrimos a la definicón de velocidad v= dx(t) , dt y como v(t) = k1 entonces dx(t) = k1 . dt Nuevamente nos preguntamos, ¿Cómo debe ser x(t) tal que su derivada sea una constante? Claramente x(t) = k1 t + k2 . Siendo k2 otra constante. Para encontrar los valores de k1 y k2 es necesario dar un par de relaciones que debe de satisfacer tanto la posición como la velocidad. Podemos suponer que a un determinado tiempo se conocen estas cantidades. A este conjunto se le conoce como condiciones iniciales, x(t = 0) = x0 , y vx (t = 0) = v0 . Con lo cual k1 = v0 y k2 = x0 , por lo tanto x(t) = vx0 t + x0 . Laboratorio de Simulación, Jorge Garza 15 Discutir en clase lo que se ha hecho, con lenguaje de cálculo integral, para recalcar que se han integrado las ecuaciones de Newton. ¿Cómo se ven modificadas estas ecuaciones cuando el móvil se encuentra en la presencia de aire? Lo primero que haremos es modelar la fuerza del aire sobre el móvil. Supondremos que la magnitud de la fuerza de resitencia del aire es directamente proporcional a la velocidad del móvil, en términos matemáticos se tiene que Faire = −αvx (t). El signo menos indica que la Faire tiene dirección contraria a la velocidad. El parámetro α dependerá de la naturaleza del móvil. Con este modelaje de la resistencia del aire, la segunda ley de Newton tendrá la forma −αvx (t) = m d2 x(t) , dt2 −αvx (t) = m dvx (t) . dt o también Muestre que la solución a este problema es vx (t) = vx0 exp(− y x(t) = x0 + αt ), m m αt vx0 (1 − exp(− )). α m Móvil bajo la acción de la fuerza gravitacional Ahora supongamos que nuestro móvil se mueve verticalmente dentro del campo gravitacional. Con la misma suposición del inciso anterior, la segunda ley de Newton tendrá la forma −αvy (t) − mg = m d2 y(t) , dt2 −αvy (t) − mg = m dvy (t) . dt o Laboratorio de Simulación, Jorge Garza Encuentre una expresión para y(t) y vy (t), si y(t = 0) = y0 , y vy (t = 0) = vy0 . 16 Laboratorio de Simulación, Jorge Garza 6. 17 Números Complejos 6.1. Introducción Tratemos de resolver la ecuación x2 + 1 = 0. La solución está dada por √ x = ± −1. Definición i= √ −1 i 2 = −1 . En general un número complejo, Z, se puede escribir como Z = a + ib. Siendo a la parte real y b la parte imaginaria, estas cantidades también son denotadas de la siguiente manera: Re [Z] = a ; Im [Z] = b. Desde un punto de vista geométrico el número complejo Z puede definirse como un par ordenado Z = (a, b) De esta manera un número real tendrá coordenadas (a, 0) , y un número imaginario puro (0, b) . Por lo tanto Z tendrá norma (o módulo), √ kZk = a2 + b2 , y el argumento está dado por b tan (θ) = . a Laboratorio de Simulación, Jorge Garza 6.2. 18 Operaciones entre números complejos Si Z1 = a1 + ib1 y Z2 = a2 + ib2 representan dos números complejos, entonces se definen las siguientes operaciones: Suma Z1 + Z2 = (a1 + a2 ) + i(b1 + b2 ). Producto Z1 Z2 = (a1 + ib1 )(a2 + ib2 ) = (a1 a2 − b1 b2 ) + i(a1 b2 + b1 a2 ). Si Z1 y Z2 son iguales, entonces Z12 = a21 − b21 + 2ia1 b1 . Complejo conjugado Si Z = a + ib entonces el complejo conjugado, Z̄ (o también Z ∗ ), se define como Z̄ = Z ∗ = a − ib. Con esta definición se tiene que Z Z̄ = ZZ ∗ = a2 + b2 . Por lo tanto Z Z̄ = ZZ ∗ = kZk2 . Pregunta: ¿(Z ∗ )∗ ? División Z1 a1 + ib1 (a1 + ib1 )(a2 − ib2 ) = = , Z2 a2 + ib2 (a2 + ib2 )(a2 − ib2 ) Z1 a1 a2 − ia1 b2 + ib1 a2 + b1 b2 = Z2 a22 − ib2 a2 + ib2 a2 + b22 Laboratorio de Simulación, Jorge Garza 19 Z1 b 1 a 2 − a1 b 2 a1 a2 + b 1 b 2 +i . = 2 Z2 kZ2 k kZ2 k2 ¿ Cuál es el resultado si Z2 = Z1 ? Ejercicios. Mostrar que (iZ)∗ = −iZ ∗ {(2 + i)2 }∗ = 3 − 4i √ √ k(2Z ∗ + 5)( 2 − i)k = 3k2Z + 5k 6.3. Representación Polar De la representación cartesiana del número complejo Z se obtiene que a = kZk cos(θ); b = kZk sin(θ). Tal que Z = kZk(cos(θ) + i sin(θ)). Haciendo uso de la fórmula de Euler exp(iθ) = cos(θ) + i sin(θ), se encuentra otra forma de la representación polar de un número complejo Z = kZk exp(iθ). 6.3.1. Potencias de un número complejo: Fórmula de De Moivre La representación polar de un número complejo es conveniente para obtener sus potencias Z n = kZkn exp(iθn) = kZkn (cos(nθ) + i sin(nθ)), también es cierto que Z n = kZkn (cos(θ) + i sin(θ))n , y por lo tanto (cos(θ) + i sin(θ))n = cos(nθ) + i sin(nθ). Laboratorio de Simulación, Jorge Garza 6.4. 20 Rotación de un número complejo Vamos a suponer que tenemos al número Z = kZk exp(iθ) y lo multiplicamos por exp(iα). ¿Cuál es el resultado de esta oparación? exp(iα)kZk exp(iθ) = kZk exp(i(α + θ)). Se encuentra otro número complejo con la misma norma y ángulo α + θ. Ejemplo. Multiplicar al número 1 por: exp( π2 i) exp(πi) i) exp( 3π 2 6.5. Raı́ces del 1 El número Zk representa una raı́z del número 1 si cumple con Zkn = 1. Vamos a suponer que estamos interesados en las raı́ces cúbicas del 1. Entonces proponemos al número Zk = exp( 2πk i) con k = 0, 1, 2. ¿Cumple este número 3 3 con Zk = 1? Zk3 = exp(2πki) = cos(2πk) + i sin(2πk). i) son las raı́ces cúbicas del 1, con k = 0, 1, 2 Por lo tanto, Zk = exp( 2πk 3 Z0 = exp(0) = 1 i) = cos( 2π ) + i sin( 2π ) Z1 = exp( 2π 3 3 3 Z2 = exp( 4π i) = cos( 4π ) + i sin( 4π ) 3 3 3 En general, la raı́z n-ésima del 1 está dada por Zk = exp( con k = 0, 1, .., (n − 1). 2πk i), n Laboratorio de Simulación, Jorge Garza 7. 21 Sistemas oscilantes En esta sección trataremos sistemas que están sometidos a fuerzas que tratan de mantener al sistema en su posición inicial, con lo cual se presentan oscilaciones. Empezaremos con un sistema que no presenta fuerzas disipativas y luego tomaremos en cuenta este tipo de fuerzas. 7.1. Oscilador armónico Tomemos como ejemplo una partı́cula, de masa m, que se encuentra sujeta a un resorte. Si el desplazamiento, x, que experimenta la partı́cula es pequeño entonces una buena aproximación a la fuerza que impone el resorte es Fresorte = −kx, (1) en donde la k dependerá de la naturaleza del resorte. Por supuesto que a mayor k, mayor será la fuerza a la que esté sometida la partı́cula. La ecuación de Newton que debemos resolver es −kx(t) = m d2 x(t) , dt2 (2) o también d2 x(t) + kx = 0, dt2 d2 x(t) k + x = 0. 2 dt m Otra forma de escribir esta ecuación es (3) m (4) d2 x(t) + ω02 x = 0, dt2 (5) k con ω02 = m . Recordemos que en Mathematica podemos resolver esta ecuación diferencial con el comando DSolve. Al usar las condiciones iniciales x(t) = x0 , v(0) = v0 , con Mathematica encontramos que x(t) = x0 cos(w0 t) + v0 sen(w0 t). ω0 La velocidad se puede encontrar de esta ecuación ya que v(t) = v(t) = −x0 ω0 sen(w0 t) + v0 cos(w0 t). (6) dx(t) dt (7) Laboratorio de Simulación, Jorge Garza x 22 v 0.10 0.10 0.05 0.05 t 2 4 6 t 8 2 -0.05 -0.05 -0.10 -0.10 4 6 8 Figura 1: Posición y velocidad como funciones del tiempo en el oscilador armónico En este momento estamos en posición de hacer las gráficas de x(t) vs. t y v(t) vs. t. Para esto debemos de asignar valores a x0 , v0 , m y k. Vamos a suponer que x0 = 0,1 m, v0 = 0 m/s y k/m = 1 s−2 . Con estos datos se obtienen las gráficas que están en la Figura 1. Por supuesto que el comportamiento en las dos cantidades es periódico. Nos podemos dar cuenta que cuando la posición es cero la rapidez (la magnitud de la velocidad) toma su valor máximo. O que cuando la rapidez adquiere su valor más puequeño la posición toma su valor máximo. Una gráfica de este tipo describe a lo que se conoce como el espacio fase. Para realizar un análisis de este tipo es necesario trabajar con gráficas paramétricas. La gráfica paramétrica de las ecuaciones x(θ) = 3cosθ, y(θ) = 3senθ la presentamos en la Figura 2. 3 2 1 -3 -2 1 -1 2 3 -1 -2 -3 Figura 2: Gráfica paramétrica de las ecuaciones x(θ) = 3cosθ, y(θ) = 3senθ. Otro ejemplo de una gráfica paramétrica se muestra en la Figura 3, donde se tienen las ecuaciones x(θ) = 3cos3 θ, y(θ) = 3sen3 θ De la misma manera en que se construyeron las gráficas anteriores se puede construir la gráfica v(t) vs. x(t). En la Figura 4 se presenta el espacio fase en el oscilador armónico Laboratorio de Simulación, Jorge Garza 23 3 2 1 -3 -2 1 -1 2 3 -1 -2 -3 Figura 3: Gráfica paramétrica de las ecuaciones x(θ) = 3cos3 θ, y(θ) = 3sen3 θ. v 0.10 0.05 x -0.10 0.05 -0.05 0.10 -0.05 -0.10 Figura 4: Gráfica de v(t) vs. x(t) para el oscilador armónico. Laboratorio de Simulación, Jorge Garza 24 De esta figura es más claro que cuando x = 0, |v| toma su valor máximo y que cuando v = 0 entonces |x| es máximo. 7.2. Análisis de la energı́a en el oscilador armónico Partiendo de la ecuación de Newton, vamos a multiplicarla por x′ (t) e integremos sobre el tiempo Z Z dx d2 x dx m dt + k dt x = 0. (8) dt dt2 dt Estas integrales se pueden evaluar usando la técnica de integración por partes. La manera en que usemos esta técnica será ligeramente diferente a como se usa comunmente. Trabajemos con el segundo término de la ecuación 8, y reconozcamos la siguiente igualdad 1d 2 dx (x ) = x , 2 dt dt (9) dx 1 d 2 dt (x ) = dtx , 2 dt dt (10) o también 1 dx = d(x2 ). (11) dt 2 Al multiplicar esta ecuación por k e integrando sobre el tiempo obtenemos que Z Z dx 1 1 k dtx = k d(x2 ) = kx2 , (12) dt 2 2 a este resultado hay que sumarle una constante de integración. Vamos a proceder de la misma manera con el primer término de la ecuación 8 d2 x dx dx d2 x dx d2 x d dx dx ( )= 2 + = 2 , (13) dt dt dt dt dt dt dt2 dt dt2 con esto se obtiene que dtx dx d2 x 1 d dx dx = ( ), dt dt2 2 dt dt dt multiplicando por dt e integrando se tiene Z Z 1 1 dx dx dx d2 x d dx dx = )= . dt dt ( 2 dt dt 2 dt dt dt 2 dt dt (14) (15) Laboratorio de Simulación, Jorge Garza Con este resultado obtenemos que Z dx d2 x m dx m dt = ( )2 . 2 dt dt 2 dt 25 (16) Entonces, nuestro resultado final queda como m dx 2 1 2 ( ) + kx = E, 2 dt 2 (17) donde la constante E nos representa las dos constantes de integración. Uno de los dos términos lo podemos reconocer rápidamente con la energı́a cinética Ecin = m dx 2 ( ), 2 dt (18) y el segundo término nos representará a la energı́a potencial 1 Epot = kx2 . 2 (19) Por supuesto que con esta información podemos obtener las gráficas pertinentes para hacer un análisis de las componentes de la energı́a como funciones del tiempo. 7.3. Oscilador amortiguado Ahora vamos a utilizar el modelo de la resistencia del aire sobre un móvil, en el caso del oscilador. Supongamos que el cuerpo que está sujeto al resorte se mueve en una superficie horizontal donde experimenta una fuerza de fricción, y esta fuerza es proporcional a la velocidad con la que se mueve Ff ric. = −αv(t). (20) −αv(t) − kx = ma(t), (21) En este caso la α es un parámetro que nos permitirá simular la fuerza de fricción, como en el caso de la resistencia del aire. La ecuación de Newton a resolver tendrá la forma en términos de la coordenada x se tendrá −α d2 x(t) dx(t) − kx = m . dt dt2 (22) Diviendo la ecuación 22 entre la masa se tiene − α dx(t) k d2 x(t) − x= . m dt m dt2 (23) Laboratorio de Simulación, Jorge Garza Definiendo γ = ecuación 7.3.1. α m 26 y la ya conocida ω0 como ω02 = k , m se tiene la siguiente dx(t) d2 x(t) +γ + ω02 x = 0. 2 dt dt Solución de la ecuación d2 x(t) dt2 (24) + γ dx(t) + ω02 x = 0 dt La ecuación 23 se puede resolver con Mathematica utilizando DSolve. Con este comando se obtiene la siguiente solución i j "######################### 2 #y z 2 - 2 t j j z "######################### "######################### "######################### 2 #y 2 #y 2 # y "######################### yy jΓ+ Γ -4 Ω0 z z i i 2 2 2 ii i k { j ã j2 j j-1 + ãt Γ -4 Ω0 z z v0 + x0 j jj j-1 + ãt Γ -4 Ω0 z zΓ+j j1 + ãt Γ -4 Ω0 z z Γ2 - 4 Ω02 z zz z k k { kk { k { {{ x@tD ® "######################### 2 Γ2 - 4 Ω02 1 p Podemos ver que en la solución para x(t), la cantidad γ 2 − 4ω02 juega un papel importante ya que si γ 2 − 4ω02 es negativo entonces tendremos una cantidad imaginaria. Por lo tanto, es conveniente trabajar con una nueva variable definida como r γ2 ω = ω02 − , (25) 4 la cual se puede escribir de la siguiente manera r q 1 1 4ω02 − γ 2 , (26) ω= (4ω02 − γ 2 ) = 4 2 o también q q 2 2 2ω = −(γ − 4ω0 ) = i γ 2 − 4ω02 . p De aquı́ se obtiene una expresión para γ 2 − 4ω02 , q γ 2 − 4ω02 = −2ωi (27) (28) Tarea: Obtener la ecuación 28 a partir de la ecuación 27. Ahora vamos a sustituir la ecuación 28 en la solución que obtuvimos con Mathematica para x(t), e−tγ/2 e−t(−2ωi)/2 {2(−1+e−2tωi )v0 +x0 (−2ωi(1+e−2tωi )+(−1+e−2tωi )γ)} −4ωi (29) al factorizar la exponencial, dentro de las llaves, se obtiene que x(t) = x(t) = e−tγ/2 etωi {−2v0 − 2x0 ωi − x0 γ + e−2tωi (2v0 − 2x0 ωi + x0 γ)}. (30) −4ωi Laboratorio de Simulación, Jorge Garza 27 Tarea: Obtener la ecuación 30 a partir de la ecuación 29. Ahora, el factor etωi será incluido dentro de las llaves para obtener x(t) = e−tγ/2 {(−2v0 − 2x0 ωi − x0 γ)etωi + e−tωi (2v0 − 2x0 ωi + x0 γ)}. (31) −4ωi Al usar la fórmula de Euler eiθ = cos(θ) + isen(θ) obtenemos x(t) = e−tγ/2 {−4ix0 ωcos(ωt) − 2i(2v0 + x0 γ)sen(ωt)}, −4ωi (32) de aquı́ se obtiene la expresión final de la solución x(t) = e−tγ/2 {2x0 ωcos(ωt) + (2v0 + x0 γ)sen(ωt)}. 2ω (33) Tarea: Obtener la ecuación 32 a partir de la ecuación 31. Analizemos la ecuación 33. Si γ = 0 (no hay fricción y ω = ω0 ) entonces x(t) = x0 cos(ω0 t) + v0 sen(ωt). ω0 (34) Es claro que obtenemos la solución del oscilador armónico, donde no está presente la fricción. 7.3.2. Análisis de la solución cuando γ 2 < 4ω02 En este caso ω es real, y podemos darnos cuenta que la ecuación 33 tiene una parte oscilante 2x0 ωcos(ωt) + (2v0 + x0 γ)sen(ωt), (35) y una parte que decae e−tγ/2 . (36) 2ω Dependiendo de los valores de ω dominará la parte de la exponencial y no se tendrán oscilaciones. En la Figura 5 se presenta una gráfica donde las condiciones iniciales son x0 = 0,1 m y v0 = 0 m/s. Además k = 0,1 N/s, m = 0,1 Kg y α = 0,02 Ns/m. Tarea: Graficar en una hoja cuadriculada x(t) vs. t usando los datos con los que se construyó la Figura 5, excepto con α = 0,1. Por supuesto que ahora estamos en posición de obtener a la velocidad del móvil, ya que al derivar a la posición con respecto al tiempo obtenemos Laboratorio de Simulación, Jorge Garza 28 x HmL 0.10 0.05 t HsL 5 10 15 20 25 30 35 -0.05 -0.10 Figura 5: x(t) vs. t en el oscilador amortiguado. v HmsL 0.10 0.05 t HsL 5 10 15 20 25 30 35 -0.05 -0.10 Figura 6: v(t) vs. t en el oscilador amortiguado. v(t) = e−tγ/2 {4v0 ωcos(ωt) − (2v0 γ + x0 (γ 2 + 4ω 2 ))sen(ωt)}. 4ω (37) Usando los mismos valores con que se obtuvo la Figura 5, se obtiene la Figura 6 Recordemos que en el oscilador armónico, cuando la velocidad es cero su posición es máxima. Para analizar este comportamiento en el oscilador amortiguado, en la Figura 7 se presenta la gráfica del espacio fase. vHmsL 0.06 0.04 0.02 xHsL -0.10 0.05 -0.05 0.10 -0.02 -0.04 -0.06 -0.08 Figura 7: Espacio fase en el oscilador amortiguado. Laboratorio de Simulación, Jorge Garza 29 Evidentemente, el comportamiento del espacio fase en este caso difiere apreciablemente del oscilador armónico. 7.3.3. Análisis de la solución cuando γ 2 = 4ω02 En este caso ω = 0 y por lo tanto es conveniente hacer un desarrollo en series de Taylor de la ecuación 33. En la práctica 1 de este curso encontramos que θ2 θ4 cos(θ) ≈ 1 − + , (38) 2 24 θ5 θ3 + . (39) sen(θ) ≈ θ − 6 120 Sustituyendo estas expresiones en la ecuación 33 se obtiene que x(t) ≈ e−tγ/2 ω 2 t2 ω 4 t4 ω 3 t3 ω 5 t5 {2x0 ω(1 − + ) + (2v0 + x0 γ)(ωt − + )}, (40) 2ω 2 24 6 120 e−tγ/2 ω 2 t2 ω 4 t4 ω 2 t3 ω 4 t5 {2x0 (1 − + ) + (2v0 + x0 γ)(t − + )}. (41) 2 2 24 6 120 Tomando el lı́mite cuando ω → 0 se obtiene x(t) ≈ x(t) = e−tγ/2 {2x0 + (2v0 + x0 γ)t}, 2 (42) como γ = 2ω0 , la forma de la solución es muy sencilla x(t) = e−tω0 {x0 + (v0 + x0 ω0 )t}. (43) Evidentemente, en este caso no existen oscilaciones ya que la coordenada decae con el tiempo. Análisis de la solución cuando γ 2 > 4ω02 p En este caso γ 2 − 4ω02 será una cantidad real y la solución se puede escribir en términos de funciones hiperbólicas. Con la siguiente instrucción DSolve[{x”[t]+γx’[t]+ω02 x[t]==0,x’[0]==v0,x[0]==x0},x[t],t][[1]]//FullSimplify obtenemos 7.3.4. tΓ "######################### y "######################### # i "######################## 1 1 2 j ã- z jx0 Γ2 - 4 Ω02 CoshB 2 t Γ2 - 4 Ω02 F + H2 v0 + x0 ΓL SinhB 2 t Γ2 - 4 Ω02 Fz { k :x@tD ® > "######################## # Γ2 - 4 Ω02 Para este caso no existen oscilaciones, presentándose solamente un decaimiento exponencial. Laboratorio de Simulación, Jorge Garza 8. 8.1. 30 Métodos de interpolación: Integración numérica Interpoladores de Lagrange Vamos a suponer que tenemos un conjunto de datos, por ejemplo y vs. x. Estos datos pueden provenir de datos experimentales o de haber evaluado una función en ciertos valores de x. De esta manera se tienen N parejas de datos; (x1 , y1 ), (x2 , y2 ),..,(xN , yN ). Además, estamos interesados en evaluar el área bajo la curva que describe este conjunto de datos. Para evaluar el área bajo la curva vamos a seguir el procedimiento de los interpoladores de Lagrange. Bajo este método es necesario proponer una función que pase necesariamente por los puntos tabulados. 8.1.1. Aproximación lineal Como punto de partida usaremos una aproximación lineal. En este caso la función tendrá la forma flineal (x) = a + bx. Para poder fijar los parámetros a y b es necesario utilizar la información de los datos tabulados, ası́ usando los dos primeros puntos de los datos tabulados se tiene que flineal (x1 ) = y1 = a + bx1 , y flineal (x2 ) = y2 = a + bx2 . De esta manera se tienen dos incógnitas con dos ecuaciones, al resolverlas se tiene que x 2 y 1 − x1 y 2 a= , x 2 − x1 y y 2 − y1 . b= x 2 − x1 Teniendo la función interpoladora la forma flineal (x) = x 2 y 1 − x1 y 2 y 2 − y1 + x, x 2 − x1 x 2 − x1 la cual puede escribirse como flineal (x) = x2 − x x − x1 y1 + y2 . x 2 − x1 x 2 − x1 Laboratorio de Simulación, Jorge Garza 31 Las funciones que están multiplicando a los valores de y son conocidas como funciones interpoladoras de Lagrange. Es importante mencionar que estas funciones llegan a tener un valor máximo de 1 y un valor mı́nimo de 0. Otra manera de encontrar la expresión final de la función interpoladora es proponiendo flineal (x) = a1 (x − x1 ) + a2 (x − x2 ). Evaluando la función en los puntos (x1 , y1 ) y (x2 , y2 ) se tiene lo siguiente flineal (x1 ) = a2 (x1 − x2 ) = y1 , y flineal (x2 ) = a1 (x2 − x1 ) = y2 . De aquı́ se obtienen los valores de los parámetros a1 y a2 , a1 = y 1 y2 , (x2 − x1 ) 1 y1 . (x1 − x2 ) Sustituyendo estas expresiones en la expresión original, a2 = flineal (x) = (x − x2 ) (x − x1 ) y2 + y1 , (x2 − x1 ) (x1 − x2 ) la cual puede escribirse como flineal (x) = (x2 − x) (x − x1 ) y1 + y2 . (x2 − x1 ) (x2 − x1 ) Esta expresión corresponde a la expresión en donde se tuvo que resolver un sistema algebraico de dos incógnitas. 8.1.2. Aproximación cuadrática En el caso de usar una interpolación cuadrática es necesario usar tres puntos tabulados ya que hay que fijar tres parámetros, la forma de la función interpoladora que se propone será de la forma fcuad (x) = a1 (x − x2 )(x − x3 ) + a2 (x − x1 )(x − x3 ) + a3 (x − x1 )(x − x2 ). Al resolver para a1 , a2 y a3 se obtiene la forma final de la función interpoladora de segundo orden fcuad (x) = (x − x2 )(x − x3 ) (x − x1 )(x − x3 ) (x − x1 )(x − x2 ) y1 + y2 + y3 . (x1 − x2 )(x1 − x3 ) (x2 − x1 )(x2 − x3 ) (x3 − x1 )(x3 − x2 ) Laboratorio de Simulación, Jorge Garza 32 Es interesente mencionar que las funciones interpoladoras de Lagrange se cancelan en todos los valores de x tabulados, excepto en uno. Y que llegan a tomar como valor máximo 1. 8.2. Integración Numérica Ahora hagamos uso de las funciones interpoladoras para evaluar la integral bajo la curva que describen los puntos tabulados. 8.2.1. La regla del trapecio En la aproximación lineal es claro que tenemos que evaluar la integral total como la suma de contribuciones de cada uno de los elementos definidos entre x1 y x2 , x2 y x3 , x3 y x4 ,.., xN −1 y xN . Para el primer elemento definido entre x1 y x2 se tendrá un integral de la forma Z x2 flineal (x)dx. Int1 = x1 Sustituyendo la expresión que se obtuvo en la aproximación lineal, se tiene que ! Z x2 à (x2 − x) (x − x1 ) Int1 = y1 + y2 dx. (x2 − x1 ) (x2 − x1 ) x1 Evaluando la integral se obtiene que 1 Int1 = (x2 − x1 )(y1 + y2 ). 2 El valor correspondiente de la integral para el intervalo definido entre x2 y x3 será 1 Int2 = (x3 − x2 )(y2 + y3 ). 2 El último intervalo definido entre xN −1 y xN contribuirá a la integral con 1 IntN −1 = (xN − xN −1 )(yN −1 + yN ). 2 De esta forma la integral bajo la curva será obtenida al sumar todas las contribuciones Integral = Int1 + Int2 + Int3 + .. + IntN −1 , o también 1 1 1 Integral = (x2 −x1 )(y1 +y2 )+ (x3 −x2 )(y2 +y3 )+..+ (xN −xN −1 )(yN −1 +yN ). 2 2 2 Laboratorio de Simulación, Jorge Garza 33 En muchas aplicaciones los valores tabulados de x están igualmente espaciados, esto significa que el espaciamiento, h, será constante h = x2 − x1 = x3 − x2 = .. = xN − xN −1 . Con esta definición el valor de la integral total será 1 Integral = h(y1 + y2 + y2 + y3 + .. + yN −1 + yN −1 + yN ). 2 Esta manera de evaluar la integral es conocida como la regla del trapecio. 8.2.2. La regla de Simpson Si se desea evaluar la integral con un interpolador cuadrático es necesario usar tres puntos, esto significa que el número de puntos tabulados, N , debe de cumplir con que (N2−1) sea un número entero. De esta manera el primer intervalo para evaluar la integral está definido por los puntos x1 , x2 y x3 , el segundo por x3 , x4 y x5 , el último intervalo estará definido por los puntos xN2 , xN −1 y xN . La integral del primer intervalo tendrá un valor de Z x3 Int1cuad = fcuad (x)dx. x1 Sustituyendo la expresión de fcuad (x) la integral toma la forma ! Z x3 à (x − x1 )(x − x3 ) (x − x1 )(x − x2 ) (x − x2 )(x − x3 ) y1 + y2 + y3 dx. Int1cuad = (x1 − x2 )(x1 − x3 ) (x2 − x1 )(x2 − x3 ) (x3 − x1 )(x3 − x2 ) x1 Tomando en cuenta un espaciamiento de puntos uniforme, la integral tiene el valor h Int1cuad = (y1 + 4y2 + y3 ). 3 Laboratorio de Simulación, Jorge Garza 9. 34 Ajuste de curvas por el método de mı́nimos cuadrados A diferencia de los métodos de interpolación, el método de ajuste de curvas por mı́nimos cuadrados permite obtener una función que se acerque lo más posible a una serie de puntos tabulados. 9.1. Ajuste de una función cuadrática Supongamos que tenemos la siguiente tabla de datos: x 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 y 0.0030 0.0092 0.0215 0.0510 0.0653 0.0882 0.1201 0.1708 0.1989 0.2591 Ejercicio: Generar la gráfica correspondiente a la tabla anterior. Lo que vamos a proponer es una función que permita obtener una curva que se acerque lo más posible a este conjunto de datos, por ejemplo f (x) = ax2 . En este caso a será el parámetro que utilizaremos de ajuste. Al proponer un valor de a, digamos a = 0,2, tendremos una estimación de los valores yi ’s. La tabla que podemos obtener será de la forma x 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 y 0.0030 0.0092 0.0215 0.0510 0.0653 0.0882 0.1201 0.1708 0.1989 0.2591 0,2x2 0.0020 0.0080 0.0180 0.0320 0.0500 0.0720 0.0980 0.1280 0.1620 0.2000 Laboratorio de Simulación, Jorge Garza 35 Para saber que tan ”bueno.es el valor propuesto de a podemos obtener el error entre la estimación fi = f (xi ) y yi errori = fi − yi Al sumar sobre todos los errores obtenidos en cada punto se tendrı́a el error total (ERROR) N X ERROR = i=1 errori = f1 − y1 + f2 − y2 ... Sin embargo, estimar de esta manera el error que estamos cometiendo podrı́a generar un ERROR cercano a cero, ya que podrı́a ser que error1 sea positivo, error2 negativo, error3 positivo, error4 negativo, etc. De tal manera que los errores individuales se cancelen entre sı́ y consecuentemente tendrı́amos una idea errónea de nuestro ajuste. Para evitar esta cancelación de error el método de mı́nimos cuadrados propone medir como ERROR a ERROR = N X i=1 (errori )2 = (f1 − y1 )2 + (f2 − y2 )2 ... Otra manera de escribir esta ecuación es ERROR = N X (ax2i − yi )2 . i=1 Evidentemente, el ERROR depende del parámetro a y si queremos minimizarlo debemos seguir la receta del cálculo diferencial para la minimización de una función. Esto significa que debemos de derivar a ERROR con respecto a a e igualar el resultado a cero para encontrar un punto crı́tico. Derivando con respecto a a se tiene N ∂ERROR X = 2(ax2i − yi )x2i ∂a i=1 o también Como ∂ERROR ∂a N X ∂ERROR =2 (ax4i − yi x2i ) ∂a i=1 = 0 entonces N X i=1 (ax4i − yi x2i ) = 0, Laboratorio de Simulación, Jorge Garza 36 recordemos que necesitamos a la a que minimice a ERROR con lo que PN yi x2i a = Pi=1 . N 4 x i=1 i Al evaluar las sumatorias de la ecuación anterior se encuentra que a = 0,2554. Ejercicio: Generar la gráfica correspondiente al usar a = 0,2554 y sobreponerla con los datos tabulados. En la presente discusión se usó una función cuadrática muy particular ya que en general una función cuadrática tiene la forma f (x) = ax2 + bx + c. Sin embargo, al proponer una función de esta forma se tendrı́an tres parámetros y consecuentemente se tendrı́a que derivar el error obtenido con respecto a tres variable, a, b y c y resolver un sistema de ecuaciones con tres incógnitas. 9.2. Ajuste de una función lineal En el caso de un ajuste lineal se propone la función f (x) = b + mx, para este caso el error tendrá la forma N X ERROR = (b + mxi − yi )2 . i=1 De acuerdo a nuestra discusión se tiene que derivar a ERROR con respecto a b y con respecto a m. Ejercicio: Muestre que: à ! N N X X ∂ERROR = 2(bN + m xi − yi ) ∂b i=1 i=1 m à ∂ERROR ∂m ! b = 2(b N X i=1 xi + m N X i=1 x2i − N X xi yi ) i=1 Ejercicio: Iguale las anteriores derivadas a cero y resuelva el sistema de ecuaciones para encontrar que: PN PN PN 1 i=1 xi yi − N i=1 yi i=1 xi m= ¡ ¢ P PN 2 2 N 1 i=1 xi i=1 xi − N PN PN 2 PN PN xi yi i=1 yi i=1 xi − i=1 xi b= ¢2i=1 PN 2 ¡PN N i=1 xi − i=1 xi