Méthodes Numériques en Ingénierie Mécanique
Traduit par
ScribdTranslationsMéthodes Numériques en Ingénierie Mécanique
Traduit par
ScribdTranslationsÉCOLE SUPÉRIEURE POLYTECHNIQUE DE CHIMBORAZO FACULTÉ
DE MÉCANIQUE
ÉCOLE D'INGÉNIERIE MÉCANIQUE
MÉTHODES NUMÉRIQUES
Ajustement des courbes
Nombre
Jhon Israel Amboya Morocho 7850
Jessica Marisol Salguero Noboa
Cours : Quatrième "A"
Enseignant : Ing. José Luis Pérez
Riobamba-Équateur
17.1 Données les données
Déterminez a) la moyenne) la écart type, c) la variance)
le coefficient de variation, et e) le intervalle de confiance de 95%
pour la moyenne
17.2 Construisez un histogramme des données du problème 17.1. Utilisez un
rangement de 7,5 à 11,5 avec des intervalles de 0,5
17,3 Données les données
la moyenne
confiance de 90% pour la moyenne, f) construisez un histogramme. Utilisez une plage de 26 à 32 avec des incréments de 0,5. g)
S'il est supposé que la distribution est normale et que l'estimation de l'écart type est valide, calculez la plage.
(c'est-à-dire, les valeurs inférieure et supérieure) qui regroupe 68 % des données. Déterminez si c'est une estimation
valide pour les données du problème.
17.4 Utilisez la régression par moindres carrés pour ajuster une ligne droite à
En plus de la pente et de l'intersection, calculez l'erreur standard de l'estimation et le coefficient de
corrélation. Faites un graphique des données et la ligne de régression. Ensuite, répétez le problème, mais maintenant effectuez
la régression de x par rapport à y, c'est-à-dire échangez les variables. Interprétez vos résultats.
17.5 Utilisez la régression des moindres carrés pour ajuster une ligne droite à
En plus de la pente et de l'intersection, calculez l'erreur standard de l'estimation et le coefficient de
correlation. Faites un graphique des données et de la ligne de régression. Que se passerait-il si une autre personne faisait une mesure supplémentaire ?
de x=10 ? y=10. Vous penseriez, sur la base d'une évaluation visuelle et de l'erreur standard, que la mesure était valide ou
invalide ? Justifiez votre conclusion
17.6 Avec la même approche que celle utilisée pour obtenir les équations (17.15) et (17.16), obtenez l'ajustement par
moindres carrés du modèle suivant :
y=essieu+e2
C'est-à-dire, déterminez la pente résultant de l'ajustement par moindres carrés pour une droite avec
intersection à l'origine. Ajustez les données suivantes avec ce modèle et illustrez le résultat avec un graphique.
17.7 Utilisez la régression par moindres carrés pour ajuster une ligne droite à
a) En plus de la pente et de l'interception, calculez l'erreur standard de l'estimation et le coefficient de
correlation. Tracez les données et la ligne droite. Évaluez l'ajustement
b) Refaites le calcul de l'incise a), mais utilisez une régression polynomiale pour ajuster une parabole aux données.
Comparez les résultats avec ceux de l'incise a).
17.8 Ajustez les données suivantes avec a) un modèle de taux de croissance de saturation, b) une équation de
puissances, et c) une parabole. Dans chaque cas, faites un graphique des données et de l'équation.
17.9 Ajustez les données suivantes avec le modèle de puissance (y = ax^b). Utilisez l'équation de puissance résultante pour
faire la prévision de y lorsque x=9.
17.10 Ajustez un modèle exponentiel à
Tracez les données et l'équation à la fois sur du papier millimétré et en semi-logarithmique.
17.11 Au lieu d'utiliser le modèle exponentiel de base e (équation 17.22), une alternative courante consiste à utiliser
un modèle de base 10.
y=un5 108 x
Lorsqu'elle est utilisée pour ajuster des courbes, cette équation donne des résultats identiques à ceux de la version à base e.
mais la valeur du paramètre de l'exposant (B5) diffère de celle estimée avec l'équation 17.22 (B1). Utilisez la version avec
base 10 pour résoudre le problème 17.10. De plus, développez une formulation pour relier B1 à B5.
17.12 En plus des exemples de la figure 17.10, il existe d'autres modèles qui peuvent être rendus linéaires grâce à l'utilisation
de transformations. Par exemple,
y=a1/ 4xeB 4x
Rendez linéaire ce modèle et utilisez-le pour estimer a4 et B4 en fonction des données suivantes. Élaborer un graphique du
ajustez avec les données
17.13 Un chercheur rapporte les données tabulées ci-dessous, d'une expérience pour déterminer le taux de
croissance des bactéries k (par d). comme fonction de la concentration d'oxygène c (mg/L). On sait que ces
Les données peuvent être modélisées par l'équation suivante :
kc2
k=
c+ c 2
où c et k sont des paramètres. Utilisez une transformation pour rendre cette équation linéaire. Ensuite, utilisez la régression
linéaire pour estimer c et k, et prévoyez le taux de croissance pour c = 2mg/L
17.14 Étant donnés les données
Utilisez la régression par moindres carrés pour ajuster a) une droite b) une équation de puissance c) une équation
de taux de croissance de saturation, et d) une parabole. Tracez les données avec toutes les courbes. L'une d'elles est-elle
Les courbes sont-elles supérieures aux autres ? Si oui, justifiez-le.
17.15 Ajustez une équation cubique aux données suivantes :
En plus des coefficients, déterminez r² et s
17.16 Utilisez la régression linéaire multiple pour ajuster
Calcule les coefficients, l'erreur standard de l'estimation et le coefficient de corrélation.
17.17Utilisez la régression linéaire multiple pour ajuster
Calculez les coefficients, l'erreur standard de l'estimation et le coefficient de corrélation.
17.18Utilisez la régression non linéaire pour ajuster une parabole aux données suivantes :
17.19 Utilisez la régression non linéaire pour ajuster une équation de taux de croissance de saturation aux données du
problème 17.14.
17.20Recalculez les ajustements de régression des problèmes a) 17.4, et b) 17.15, avec l'approche matricielle.
Estimez les erreurs standards et développez des intervalles de confiance à 90% pour les coefficients.
17.21 Développez, peaufinez et testez un programme dans n'importe quel langage de haut niveau ou de macros de votre choix, pour
implanter l'analyse de régression linéaire. Parmi d'autres choses : a) incluez des commentaires pour documenter le code, et
b) déterminer l'erreur standard et le coefficient de détermination.
17.22Un essai est effectué sur un matériau pour étudier la défaillance par fatigue cyclique, dans lequel une contrainte est appliquée,
MPa, au matériau et on mesure le nombre de cycles nécessaires pour provoquer une défaillance. Les résultats sont présentés
dans le tableau suivant. En faisant un graphique log-log, de l'effort par rapport aux cycles. Utilisez la régression par moindres carrés
carrés pour déterminer l'équation de meilleur ajustement pour ces données.
17.23Les données suivantes montrent la relation entre la viscosité de l'huile SAE 70 et sa température. Après
obtenir le logarithme des données, utiliser la régression linéaire pour trouver l'équation de la droite qui s'ajuste le mieux
aux données et à la valeur de r^2
17.24 Les données suivantes représentent la croissance bactérienne dans un culture liquide pendant un certain nombre de jours
17.25 Après une tempête, on surveille la concentration de la bactérie E. coli dans une zone de baignade :
Le temps se mesure en heures écoulées après la fin de la tempête, et l'unité CFU est une "unité de
formation de colonie”. Utilisez les données pour estimer a) la concentration à la fin de la tempête (t=0), et b) le
temps où les concentrations négatives sont impossibles et que la concentration de bactéries est toujours
diminue avec le temps.
17.26 Un objet est suspendu dans une soufflerie et la force est mesurée pour plusieurs niveaux de vitesse.
vent. A continuación, les résultats sont tabulés. Utilisez la régression par moindres carrés pour ajuster
une ligne droite à ces données.
Utilisez la régression par moindres carrés pour ajuster ces données avec a) une ligne droite) une équation de
potences basées sur des transformations logarithmiques, et c) un modèle de puissances basé sur la régression non
linéaire. Montrez les résultats graphiquement.
17.27 Ajustez un modelo de puissances aux données du problème 17.26, mais utilisez des logarithmes naturels pour
faire les transformations.
17.28Avec la même approche que celle utilisée pour obtenir les équations (17,15) et (17,16), obtenez l'ajustement.
par moindres carrés du modèle suivant :
Y = ax + ax^2 + e
C'est-à-dire, déterminez les coefficients qui génèrent l'ajustement par moindres carrés d'un polynôme de deuxième degré.
ordre avec intersection à l'origine. Testez l'approche avec l'ajustement des données du problème 17.26
17.29Dans le problème 17.12, où des transformations ont été utilisées pour linéariser et ajuster le modèle
suivant :
Y=axe^2
Utilisez une régression non linéaire pour estimer a et B sur la base des données suivantes. Faites un graphique de l'ajustement.