Documentos de Académico
Documentos de Profesional
Documentos de Cultura
y llega gracias a
Ciencia Matemtica
www.cienciamatematica.com
El mayor portal de recursos educativos a tu servicio!
ISSN 1666-3845
An
alisis Num
erico
de Integrales
y
Ecuaciones Diferenciales
Vol
umenes de la serie:
I : Cardona, A., y Neuman, C.E.: Temas de Programaci
on I, 1996, (segunda edici
on en preparacion, 1997)
II : Neuman, C.E. (editor): Matem
atica asistida por computadora, 1996
III : Neuman, C.E.: An
alisis Numerico de Integrales y Ecuaciones Diferenciales, 1997
IV : Neuman, C.E.: Algoritmos Geometricos y Gr
aficos en 3D. Laboratorios
de Matem
atica, segunda edicion, 1999.
V : Neuman, C.E., Vilchez, A.G.: Algoritmos Geometricos y Gr
aficos en
3D. Laboratorios de Matem
atica, tercera edicion (en preparacion), 2001.
An
alisis Num
erico
de Integrales
y
Ecuaciones Diferenciales
Tercera edici
on
Carlos E. Neuman
Departamento de Matematica (FIQ)
Universidad Nacional del Litoral
Santa Fe
2001
Trabajo realizado con fondos provenientes de la Universidad Nacional del Litoral (UNL),
a trav
es de la programaci
on Curso de Acci
on para la Investigaci
on y el Desarrollo (CAI+D),
Secretara de Ciencia y T
ecnica de la UNL
An
alisis Num
erico de Integrales y Ecuaciones
Diferenciales
Carlos E. Neuman
tica, FIQ, UNL, Santiago del Estero 2829,
Departamento de Matema
3000 Santa Fe, Argentina
E-mail address: eCAM@cen.com.ar
URL: http://www.cen.com.ar/eCAM/
ISSN 1666-3845
Indice General
Prefacio
xiii
xvii
Indice de Tablas
Indice de Figuras
Captulo 1. Integraci
on
1.1. Introducci
on
1.2. La integral de RiemannStieltjes
1.3. La f
ormula de suma de Euler
1.4. Metodos b
asicos de integracion numerica
1.5. Metodos de extrapolacion
1.6. Cuadratura de Gau
1.7. Metodos de Montecarlo
1.8. Metodos adaptativos
1.9. Ejercicios
1
1
3
4
7
11
12
13
16
17
21
21
23
33
35
35
35
37
37
38
40
41
47
47
48
50
53
55
Apendice D.
59
La integral de RiemannStieltjes
vii
INDICE GENERAL
viii
D.1.
D.2.
D.3.
D.4.
D.5.
Funciones de variaci
on acotada
La integral
F
ormula de la suma de Euler
Pero, Hay funciones integrables?
Ejercicios
59
61
65
65
66
Apendice E. Polinomios y n
umeros de Bernoulli
E.1. Polinomios de Bernoulli con el Mathematica
E.2. N
umeros de Bernoulli
E.3. Integraci
on por partes
67
67
73
74
75
75
75
76
77
77
79
79
79
79
79
80
81
85
INDICE GENERAL
ix
INDICE GENERAL
xi
Prefacio
Este texto surgio de la necesidad de presentar una vision unificada de los
metodos elementales de integracion numerica de funciones y de algunos de los que
son u
tiles para las ecuaciones diferenciales ordinarias.
Los p
arrafos que se colocan entre treboles pueden ser omitidos en las primeras
lecturas puesto que no son esenciales para la continuidad del texto.
Seguimos en terminos generales las ideas planteadas en Linz (1988). Para este
autor el termino matem
atica computacional esta asociado con el espectro amplio
de actividades relacionadas con la solucion aproximada de problemas cientficos
expresados en terminos de modelos matematicos, que, en su forma tpica, estan
constituidos por ecuaciones diferenciales e integrales de las que, en general, no se
conoce soluci
on en forma cerrada. Para resolverlos las ecuaciones son convertidas,
mediante discretizaci
on, en un conjunto finito de ecuaciones mas simples que puedan
ser resueltas por metodos algebraicos.
Se puede distinguir la metodologa numerica, que estudia metodos para discretizar los operadores diferenciales e integrales y como resolver los sistemas finitos
resultantes, del an
alisis numerico que involucra el estudio riguroso de los algoritmos
creados por la metodologa.
La meta primaria del an
alisis es describir la relacion entre la solucion exacta
de la ecuaci
on original, y la aproximada obtenida a partir de la version discreta.
El an
alisis numerico ha resultado muy u
til para complementar el proceso de
creaci
on de metodos numericos generado por las aplicaciones ingenieriles. Por ejemplo las tecnicas de relajaci
on o de elementos finitos fueron creadas por ingenieros
basados en la intuici
on fsica. El analisis numerico posterior ha resultado crucial
para la consolidaci
on de estos metodos, la extension de su aplicabilidad, y el estudio
de sus propiedades de convergencia o estabilidad.
En muchos casos a partir de objetivos del Analisis Numerico se han obtenido
nuevos resultados en An
alisis Funcional, en cuyos terminos suelen plantearse los
problemas.
Seg
un resume Linz (1988): En artculos publicados en revistas como el SIAM
Journal on Numerical Analysis o Numerische Mathematik se encuentran habitualmente terminos como espacios de Hilbert, clausura compacta, y convergencia debil.
Estos conceptos le resultan muy u
tiles al teorico y han facilitado el establecimiento
de una teora abarcativa y coherente de la solucion aproximada de las ecuaciones
de operadores.
Ilustraremos esto con el ejemplo de la ecuacion del operador lineal
Lx = y
(0.1)
xiv
PREFACIO
(0.4)
(0.5)
(0.6)
(0.7)
(0.8)
(0.9)
(0.10)
(0.11)
PREFACIO
xv
(0.12)
(0.13)
(0.14)
Es posible obtener cotas buenas para kn k, en cambio es mas difcil obtener cotas
realistas para kL1 k lo que se convierte en el elemento clave del que depende el
an
alisis a posteriori.
Los problemas b
asicos de la metodologa numerica no son el establecimiento
del metodo de discretizaci
on, sino el manejo de los detalles involucrados en la representaci
on de dominios, de los propios metodos de discretizacion, de los metodos
de operaci
on con los sistemas de ecuaciones, de las matrices ralas, y de los metodos
para resolver los sistemas de ecuaciones con dimensiones muy altas. En el desarrollo de metodos para resolver estos problemas suele incluirse cuando se trata de
utilizar la metodologa en las aplicaciones una dosis relativamente alta de lo que
puede denominarse pragm
atica numerica la que, por tratarse de algo naturalmente
impreciso, siempre puede fallar, pero que no debera ser totalmente ignorada por
causa de ello. Los beneficios de la metodologa numerica son tan considerables
que se la utiliza a
un en los casos en que no puede justificarsela rigurosamente. La
idea fuerza no es rechazar los puntos de vista pragmaticos sino desarrollar los mas
efectivos.
En el primer captulo se estudian algunos aspectos relevantes del calculo de integrales. Se desarrollan los metodos clasicos, los de extrapolacion y los de Montecarlo.
Debido a que las extensiones a integrales m
ultiples son relativamente directas, solamente se trata el problema de vol
umenes e hipervol
umenes utilizando el metodo
de Montecarlo por la simple razon que, en muchos casos, es el u
nico aplicable. En
el segundo captulo se introduce el problema de hallar soluciones aproximadas para
problemas de valores iniciales de ecuaciones diferenciales ordinarias. Asimismo se
deducen algunos metodos elementales de los del tipo de un paso. En los apendices
se presentan ejemplos realizados con Matlab y Mathematica, se desarrolla una breve
introducci
on a la teora de la integral y se realizan calculos para obtener los polinomios de Bernoulli, que resultan necesarios para la interpretacion de los coeficientes
en el desarrollo asint
otico del error en los metodos trapezoidal y Simpson.
xvi
PREFACIO
En el u
ltimo de los apendices se incluye un Laboratorio de Matematica en el
tema de la cuadratura adaptativa. He elegido este por la simplicidad del algoritmo recursivo. Sin embargo, cualquiera de los restantes temas del texto, por su
importancia matem
atica, su riqueza y su atractivo, merece la elaboracion de un
Laboratorio propio. El objetivo de estos laboratorios es aspirar a la recreacion viva
de conceptos y temas que enriquecen el portafolios del pregraduado en Matematica.
Los libros citados en la seccion de bibliografa y el conjunto de referencias en
ellos citados facilitan al lector interesado el estudio de cualquiera de los temas en
que desee especializarse. Este texto, que se basa en su totalidad en ellos, y que
comparte la selecci
on de temas de interes que tratan, no aspira a colocarse en un
plano de igualdad, sino, humildemente, enfatizar algunos aspectos y no otros.
Debo agradecer a los sucesivos grupos de alumnos que han enriquecido el curso
de C
alculo Numerico con filosas preguntas y soluciones ingeniosas a los problemas
propuestos. Asimismo a mis colegas por la discusion de temas y el desarrollo de
metodos aptos para la ense
nanza. En cambio, de los errores que pudiera contener,
me hago u
nico responsable.
Carlos E. Neuman
Santa Fe, 29 de abril de 1997
xvii
xviii
Indice de Tablas
1
Extrapolaci
on de Richardson (Metodo de Romberg)
Integraci
on de Romberg para la funcion mihumps (ver
tabla 1). La integral (con el Mathematica) resulta Q =
0.2985832539549867
50
Integraci
on de Romberg para la funcion mihumps (continuacion,
ver tablas 1 y 1). La integral (con el Mathematica) resulta
Q = 0.2985832539549867
50
12
Indice de Figuras
1
2
3
4
5
21
22
26
28
29
1
2
47
La funci
on mihumps
Histograma de distribucion de los valores estimados de la
integral del ejemplo C.3.1
Integraci
on por Runge-Kutta clasico de x0 = tx en [0, 7]
52
57
1
2
3
4
5
El
El
El
El
El
B1 (x)
B2 (x)
B6 (x)
B10 (x)
B40 (x)
69
70
71
72
73
76
polinomio
polinomio
polinomio
polinomio
polinomio
de
de
de
de
de
Bernoulli
Bernoulli
Bernoulli
Bernoulli
Bernoulli
CAPTULO 1
Integraci
on
1.1. Introducci
on
El objetivo del presente captulo es estudiar metodos numericos para calcular
integrales definidas de la forma
Z b
f (x) dx
(1.1)
a
Los metodos m
as simples que se originan en la propia definicion de la integral de
Riemann, se establecen como sigue. Se elige una particion regular de paso h en
el intervalo [a, b] de modo de obtener N subintervalos (es decir que N h = (b a).
Se toma un valor conveniente de la funcion f en cada subintervalo y se calcula la
suma
N
X
h
fi
(1.2)
i=1
f (x) dx ' h
a
N
X
f (xi1 )
(1.3)
i=1
f (x) dx ' h
a
N
X
f (xi )
(1.4)
i=1
N
X
i=1
f(
xi1 + xi
)
2
(1.5)
con fi = (f (xi1 ) + f (xi ))/2, en cambio, se obtiene la regla del trapecio T (h)
Z
N
X
f (xi1 ) + f (xi )
i=1
(1.6)
es decir
T (h) = h(
f (a)
+
2
N
1
X
i=1
1
f (xi ) +
f (b)
)
2
(1.7)
1. INTEGRACION
y, si el n
umero N de subintervalos es par, se pueden agrupar los subintervalos de
a dos contiguos y, en cada par utilizar f2i+1 = (f (x2i ) + 4f (x2i+1 ) + f (x2i+2 ))/6,
con lo que se obtiene la regla de Simpson S(h)
Z
a
La regla de Simpson es
exacta para polinomios
de orden cuatro
2 1
2h X
f (x) dx ' S(h) =
(f (x2j ) + 4f (x2j+1 ) + f (x2j+2 ))
6 j=0
es decir
2h
(f (a) + 4f (x1 ) + 2f (x2 ) + + 4f (xN 1 ) + f (xN ))
6
En todos estos casos se tiene la expresion
Z b
N
X
f (x) dx ' A
ci f (xi )
S(h) =
El operador .* facilita
la integraci
on num
erica
(1.8)
(1.9)
(1.10)
i=0
donde
[Rect
angulo]A = 2h y c = (0, 1, 0, 1, 0, 1, . . . , 0, 1, 0)
[Trapezoidal]A = h/2 y c = (1, 2, 2, . . . , 2, 1)
[Simpson] A = 2h/6 y c = (1, 4, 2, 4, . . . , 2, 4, 1)
n 1.1.1. Las expresiones anteriores sugieren un metodo muy simple
Observacio
para programar estos metodos elementales en Matlab
De la inspecci
on de estos metodos surgen varias ideas interesantes
(1) Se tiene una ntima relacion entre integrales y sumas y las primeras se
aproximan por las segundas.
(2) Es necesario desarrollar metodos para estudiar los errores de aproximacion
de estas reglas de integracion (es simple establecerlas pero no es tan claro
c
omo estimar los respectivos errores)
(3) Se deberan explorar metodos aplicables a particiones que no sean regulares
Para la primera utilizaremos una teora de la integral que permite unificar las
metodologas para tratar con integrales y sumas. Citamos textualmente a Tom
Apostol en la introducci
on al captulo 7 (pag. 169) de su texto (Apostol, 1976)
. . . se estudia el proceso de integraci
on con cierto detalle. En realidad consideramos un concepto m
as general que el de Riemann: a
saber, la integral de Riemann-Stieltjes, que involucra dos funciones
f y . El smbolo que utilizamos para designar tales integrales es
Rb
f (x)d(x), o alguno similar, y la integral de Riemann se obtiene
a
como caso particular cuando (x) = x. Cuando tiene derivada conRb
tinua, la definici
on es tal que la integral de Stieltjes a f (x)d(x) se
Rb
convierte en la intgral de Riemann a f (x)0 (x) dx. Sin embargo, la
integral de Stieltjes tiene sentido en el caso en que no es diferenciable e incluso cuando no es continua. De hecho, es al tratar con
funciones discontinuas cuando se hace patente la importancia de la
integral de Stieltjes. Eligiendo adecuadamente una funci
on discontinua , una suma finita o infinita puede expresarse como una integral
de Stieltjes, y la sumaci
on y la integral de Riemann ordinaria son
casos especiales de este proceso m
as general. Los problemas fsicos
que consideran la distribuci
on de masas que son en parte discretas
En muchos casos se utilizan integrales para calcular sumas que pueden ser
complicadas de obtener por otros metodos, en razon de ello las interrelaciones
entre unas y otras es mucho mayor de lo que puede suponerse en una primera
aproximaci
on.
En las secciones 1.4 y 1.6 estudiamos herramientas para obtener diversos metodos
de integraci
on y para estimar los errores de las aproximaciones conseguidas. El esquema b
asico es aproximar la integral por una suma del tipo
N
X
wi f (xi )
(1.11)
i=1
(1.13)
n 1.2.1. Si un tal n
Observacio
umero I existe, entonces es u
nico y se representa
por la expresi
on
Z b
f (x)dg(x)
(1.14)
a
La integral aproximada
es un promedio pesado
de los valores de la
funci
on
1. INTEGRACION
f (i)
(1.17)
iZ
ai<b
(1.20)
o bien
n1
T (h) = h
X
1
1
f0 +
fi + fn
2
2
i=1
!
(1.21)
(1.22)
(1.23)
(1.24)
(1.25)
1.3. LA FORMULA
DE SUMA DE EULER
n n0
(1.27)
(1.28)
en consecuencia
n
X
i=1
n
X
i=1
i2 = O(n3 )
i2 =
1 3
n + O(n2 )
3
(1.29)
(1.30)
La ecuaci
on 1.30 es m
as fuerte que la ecuacion 1.29 (Justificar la validez de estas
ecuaciones y la relaci
on entre ambas).
Las siguientes son operaciones validas con la notacion O
f (n) = O(f (n))
cO(f (n)) = O(f (n)),
si c es una constante
O(f (n)) + O(f (n)) = O(f (n))
O(O(f (n))) = O(f (n))
O(f (n))O(g(n)) = O(f (n)g(n))
O(f (n)g(n)) = f (n)O(g(n))
(1.31)
(1.32)
(1.33)
(1.34)
(1.35)
(1.36)
Notar que es f
acil demostrar que
1kn
1kn
kn = O(n3 ).
1. INTEGRACION
Ejercicio 1.3.3. Demostrar que si se permite a x tomar valores arbitrariamente grandes, entonces, para toda potencia m, ex 6= O(xm )
Este tipo de desarrollos
en potencias de un operador suele utilizarse en
los cursos elementales de
C
alculo para la f
ormula
del polinomio de Taylor en dos variables independientes
(1.39)
(1.40)
(1.41)
donde el operador ehD debe entenderse definido por la serie, para la que es facil
verificar que es normalmente convergente. En consecuencia
f (x + 2h) = ehD f (x + h) = e2hD f (x)
(1.42)
n1
1 X jhD 1 nhD
= h +
e
+ e
f (x0 )
(1.45)
2 j=0
2
luego, por la formula de la suma geometrica,
1 enhD 1 1 nhD
T (h) = h + hD
+ e
f (x0 )
2
e 1
2
1
1
= h hD
+
enhD 1 f (x0 )
e 1 2
h ehD + 1 nhD
=
e
1 f (x0 )
2 ehD 1
pero
t et + 1 X
=
c2j t2j
2 et 1 j=0
para la que, con el Mathematica, se obtiene directamente:
Series[(h/2)(Exp[h]+1)/(Exp[h]-1),{h,0,21}]
2
4
6
8
10
h
h
h
h
h
1 + -- - --- + ----- - ------- + -------- 12
720
30240
1209600
47900160
12
14
16
691 h
h
3617 h
------------- + ----------- - ----------------- +
1307674368000
74724249600
10670622842880000
18
43867 h
20
174611 h
22
(1.46)
(1.47)
(1.48)
(1.49)
NUMERICA
1.4. METODOS
BASICOS
DE INTEGRACION
Resulta entonces
T (h) = 1 +
c2j (hD)2j
j=1
enhD 1
f (x0 )
D
X
enhD 1
f (x0 ) +
c2j h2j D2j1 enhD 1 f (x0 )
D
j=1
Z b
X
=
f (x) dx +
c2j h2j f (2j1) (b) f (2j1) (a)
(1.50)
(1.51)
(1.52)
j=1
(1.54)
La deducci
on de los mismos se basa en la aproximacion de la funcion f en el
intervalo (o, en el caso de los metodos compuestos, en subintervalos de) [a, b]. La
lectura de las secciones citadas es instructiva puesto que suministra una metodologa
alternativa para la obtenci
on de las expresiones de los distintos metodos respecto
1. INTEGRACION
1.4.1. El m
etodo de coeficientes indeterminados. Para deducir los metodos
b
asicos de integraci
on numerica mediante este metodo reemplazamos la integral por
una suma finita
Z b
N
X
f (x) dx '
wi f (xi )
(1.56)
a
El m
etodo de coeficientes indeterminados es
una alternativa frente a
los m
etodos basados en
la aproximaci
on mediante polinomios
i=1
Se tiene, adem
as, que el error 1 para un paso h = b a se puede escribir
(utilizando la f
ormula de interpolacion lineal o utilizando el error para el polinomio
p2 (x) del cuaderno de Mathematica precedente) como
1 (f ) =
(b a)3 00
f (),
12
[a, b]
(1.57)
NUMERICA
1.4. METODOS
BASICOS
DE INTEGRACION
(Justificar), an
alogamente el n correspondiente al paso h = (b a)/n resulta
n (f ) =
n
X
j=1
h3 00
f (j )
12
n
h3 n 1 X 00
f (j )
12 n j=1
(1.58)
[a, b] : f 00 () =
1 X 00
f (j )
n j=1
(1.59)
en definitiva
(b a)h2 00
f ()
[a, b]
12
Si utilizamos la f
ormula del teorema 1.3.1 podemos escribir
n (f ) =
n (f ) =
B 2 h2 0
(f (b) f 0 (a)) + O(h4 )
2!
(1.60)
(1.61)
h2 00
f ()(b a) + O(h4 ),
[a, b]
(1.62)
12
lo que nos da un resultado del mismo orden.
A partir de la expresi
on 1.58 se puede seguir otra lnea deductiva: tomamos
lmite,
n
X
h
n (f )
= lim
f 00 (j )
(1.63)
lim
n h2
n
12 j=1
n
X
1
=
lim
f 00 (j )h
(1.64)
12 n j=1
n 1.4.1. Sean n (f ) y f
Definicio
on del
n (f ), el error exacto y una estimaci
error respectivamente. Decimos que f
on asint
otica del error
n (f ) es una estimaci
n (f ) si
f
n (f )
lim
=1
(1.67)
n n (f )
1. INTEGRACION
10
Utilizando f
etodo trapezoidal corregido ThC (f )
n (f ) es posible dar un m
ThC (f ) = Th (f ) + f
n (f )
(1.68)
es decir
ThC (f )
=h
f0
fn
+ f1 + f2 + . . . + fn1 +
2
2
h2 0
(f (b) f 0 (a))
12
(1.69)
(1.71)
lo que equivale a
ba 5
2
a+b
f (4) (
)
(1.72)
90
2
En forma an
aloga al caso de metodo trapezoidal y utilizando las expresiones
precedentes se tiene que
5
4 ba
f (4) ()
2
,
[a, b]
(1.73)
2 (f ) =
15
24
5
ba
1 (4)
=
f (),
[a, b]
(1.74)
2
90
y
n
2
h5 n2 2 X
f (4) (j )
n (f ) =
90 n j=1
t =
h4 (b a) (4)
f (),
180
[a, b]
(1.75)
y la f
ormula asint
otica
h4 (3)
(f (b) f (3) (a))
(1.76)
180
(Esta u
ltima tambien se obtiene a partir del desarrollo asintotico de Euler)
f
n (f ) =
1.4.4. M
etodos de Newton. En la seccion precedente hemos obtenido la
f
ormula del metodo de Simpson. La misma metodologa se puede utilizar para
cualquier elecci
on de los puntos de la particion del intervalo de integracion. Por
ejemplo, si desearamos calcular los que corresponden a una particion regular de
once puntos, nuevamente utilizamos el producto Mathematica para obtener los coeficientes (ver apendice B en pagina 37).
Estos metodos llevan el nombre de metodos de Newton, y en algunos textos
tambien el de f
ormulas de Newton-Cotes.
1.5. METODOS
DE EXTRAPOLACION
11
1.5. M
etodos de extrapolaci
on
En esta secci
on utilizaremos la expresion que calculamos para el error en el
metodo trapezoidal para ejemplificar el uso de los metodos de extrapolacion repetida de Richardson.
Supongamos que b0 = I(0) es la integral que deseamos calcular y que, para el
paso h se tiene
I(h) = b0 + b1 h2 + b2 h4 + b3 h6 + . . .
(1.77)
(f
ormula que sabemos v
alida para el mencionado metodo trapezoidal). El error de
truncamiento es
n1
X
I(h) b0 =
bi h2i + O(h2n )
(1.78)
i=1
(1.79)
(1.80)
(1.81)
(ver la secci
on C.2 en el apendice, donde se deducen estas expresiones con el Mathematica). El error de truncamiento es
1
5
I (1) (h) b0 = b2 h4 b3 h6 + . . .
4
16
(1.82)
Si repetimos este c
alculo (ver C.2) se obtiene
I (0) (h) = I(h)
(1.83)
I (0) ( h2 ) I (0) (h)
22 1
h
I (1) (h) = I (0) ( ) +
2
I (1) ( h2 ) I (1) (h)
h
I (2) (h) = I (1) ( ) +
2
24 1
..
.
h
I (j+1) (h) = I (j) ( ) +
2
(1.84)
(1.85)
(1.86)
(1.87)
y, en general,
I (j) (h) = b0 + O(h2j+2 )
(1.88)
1. INTEGRACION
12
I (1) (h)
I (2) (h)
I (3) (h)
I (0) ( h2 )
I (0) ( h4 )
I (1) ( h4 ) I (2) ( h4 )
I (0) ( h8 )
I (1) ( h8 )
h
I (0) ( 16
)
...
I (4) (h) . . .
...
...
...
..
.
1.6. Cuadratura de Gau
La expresi
on aproximada
N
X
wi f (xi )
(1.89)
i=1
Rb
para la integral a f (x) dx es mucho mas u
til si no se escogen de antemano los
puntos xi . El problema de hallar los puntos y los pesos de modo que la expresion
sea exacta para polinomios del mayor grado posible es resoluble y conduce a los
metodos de integraci
on de Gau.
En el apendice B (p
agina 37) incluimos un cuaderno del Mathematica que
calcula los coeficientes para un metodo de Gau de tres puntos (se realiza en el
intervalo [1, 1], pero un simple cambio de variables permite extenderlo a cualquier
intervalo [a, b])
Es conveniente, si embargo, atacar el problema de cuadratura en un contexto
un poco m
as general.
Sea v una funci
on de peso positiva en el intervalo [1, 1], si x0 , x1 , . . . , xm se
eligen como los ceros del polinomio pm+1 de grado m+1 en la familia de polinomios
ortogonales asociada a v(x), entonces la formula
Z 1
f (x)v(x) dx ' w0 f0 + w1 f1 + . . . + wm fm
(1.90)
1
La inclusi
on de la funci
on peso v facilita considerar distintas familias
de polinomios ortogonales
es exacta para todos los polinomios de orden 2m + 2 siempre que los coeficientes
satisfagan
Z 1
wi =
i (x)v(x) dx
(1.91)
1
(1.92)
(1.93)
1.7. METODOS
DE MONTECARLO
13
r(x)v(x) dx
(1.94)
Asimismo, dado que xi es un cero de pm+1 , i = 0, 1, . . . , m, se tiene
m
X
i=0
wi fi =
m
X
i=0
m
X
wi r(xi ) =
i=0
m
X
wi r(xi )
(1.95)
i=0
r(x)v(x) dx =
1
m
X
wi r(xi )
(1.96)
i=0
porque los coeficientes wi fueron elegidos de modo que la formula sea exacta para
todos los polinomios de grado m o menor (orden m + 1)
n 1.6.1. Aplicando la formula 1.90 al caso f (x) = (i (x))2 se tiene
Observacio
(fj = 0 para j 6= i)
Z 1
(i (x))2 v(x) dx = wi
(1.97)
1
por lo que los coeficientes wi en las formulas de cuadratura de Gau son positivos.
n 1.6.2. Para obtener los coeficientes se toman los xi como los
Observacio
ceros de los polinomios del orden deseado y se utiliza un calculador simbolico como
el Mathematica para obtener los coeficientes y para estimar el error de truncamiento local. En diversos manuales de formulas matematicas figuran los puntos y
coeficientes de Gau para distintas familias de polinomios y distintos ordenes.
El an
alisis del error puede desarrollarse en forma analoga a los casos considerados previamente, por ello dejamos los detalles para el lector interesado.
1.7. M
etodos de Montecarlo
En esta secci
on consideramos un metodo conceptualmente distinto, respecto de
los anteriormente presentados, para obtener aproximaciones a las integrales
Z b
f (x) dx
(1.98)
a
o, tambien, si la funci
on est
a dada por N puntos en un tabla mif de N 2 donde
mix=mif(:,1) y miy=mif(:,2), se la calcula, por ejemplo, mediante y=spline(mix,miy,x)
o bien y=interp1(mix,miy,x) seg
un se desee.
1. INTEGRACION
14
(1.99)
axb
y
mf = inf f (x)
axb
La funci
on rand permite obtener puntos al azar
en un dominio
(1.100)
(1.102)
y
1
y 2 + (z )2 = 1
(1.103)
2
En primer termino atacamos el problema con Matlab, a continuacion desarrollamos un cuaderno del Mathematica en el que obtenemos una solucion similar para
verificar.
%
MONTEK
C.E.Neuman, 11-may-97
for indice=1:10,
X=zeros(N,3);
for i=1:NN,
1.7. METODOS
DE MONTECARLO
im1=i-1;
% en cada cubito
for j=1:NN,
jm1=j-1;
for k=1:NN,
km1=k-1;
ps = rand(NN,3);
ini=im1*NN*NN*NN+jm1*NN*NN+km1*NN+1;
fin=ini-1+NN;
X(ini:fin,:) = [ps(:,1)+i-1 ps(:,2)+j-1 ps(:,3)+k-1]*h;
end % rof
end % rof
disp(i);
end % rof
x=X(:,1);
y=X(:,2);
% asignaci\on de coordenadas al azar
z=X(:,3);
%%%
%%%
%%%
%%%
%%%
disp(indice);
end % rof
mime=mean(scores)
mide=std(scores)
scorord=sort(scores);
[m,n]=size(scores);
mimeord=mean(scores(0.1*m:0.9*m))
mideord=std(scores(0.1*m:0.9*m))
figure;
hist(scores);
% Salidas del programa precedente
%mime =
%
0.6352
%mide =
% 3.8221e-004
%mimeord =
%
0.6352
%mideord =
% 4.0451e-004
%scores =
%
0.6349
%
0.6347
%
0.6356
%
0.6356
%
0.6347
%
0.6356
15
1. INTEGRACION
16
%
%
%
%
0.6350
0.6356
0.6356
0.6352
*)
2
+ 4 Sqrt[1 - x ]]},
2
2
{y -> Sqrt[-4 + 4 x + 4 Sqrt[1 - x ]]}}
(* Defino el l\{\i}mite de integraci\on *) f[x_]:=Sqrt[-4+4x
x+4Sqrt[1-x x]]
(* Determino el punto de separaci\on *) Solve[f[x]==1,x]
-Sqrt[3]
-Sqrt[3]
Sqrt[3]
{{x -> --------}, {x -> --------}, {x -> -------},
2
2
2
Sqrt[3]
{x -> -------}}
2
(* Defino el punto de separaci\on *) c=Sqrt[3]/2 Sqrt[3]
------2
(* Defino los extremos de integraci\on *)
geu[x_,y_]:=(1/2)(1+Sqrt[1-y y]) ged[x_,y_]:=(1/2)(1-Sqrt[1-y y])
fcu[x_,y_]:=Sqrt[1-x x]
(* Calculo las integrales en forma num\erica *)
I1=NIntegrate[1,{x,0,c},{y,f[x],1},{z,ged[x,y],geu[x,y]}]
I2=NIntegrate[1,{x,0,c},{y,0,f[x]},{z,ged[x,y],fcu[x,y]}]
I3=NIntegrate[1,{x,c,1},{y,0,f[x]},{z,ged[x,y],fcu[x,y]}] I1+I2+I3
0.244751 0.358503 0.0320788 0.635332
(* valor de la integral
*)
1.8. M
etodos adaptativos
En el u
ltimo apendice (F, pagina 75) se propone un laboratorio de Matematica
orientado a estudiar algoritmos adaptativos para la integracion numerica.
En la secci
on C.4, en la pagina 53, se incluye para ilustracion el codigo
de una funci
on de Matlab, adaptada de la denominada quad, que implementa un
algoritmo adaptativo recursivo de bajo orden basado en el metodo de Simpson. La
1.9. EJERCICIOS
17
funci
on miquad es en realidad un driver que llama a la verdadera funcion recursiva
que se denomina miquadst la que realiza cada paso de la recursion.
1.8.1. Comparaci
on entre NIntegrate y quad. Calculamos el area bajo
la curva normal, que puede encontrarse en cualquier tabla estadstica, utilizando
las funciones NIntegrate del Mathematica y quad de Matlab. La primera da (los
resultados de medici
on de tiempos se expresan en segundos)
(* Calculo con el Mathematica *)
f[x_]:=(1/Sqrt[2Pi]) E^(-x^2/2);//Timing
{0. Second, Null}
NIntegrate[f[x],{x,0,1}]//Timing
{0.11 Second, 0.341345}
N[NIntegrate[f[x],{x,0,1}],15]//Timing
{0.11 Second, 0.341344746068543}
La salida y la medici
on del tiempo empleado con Matlab es
Salidas de la integraci\on adaptativa con Matlab t=cputime;
Q=quad1(nintquad,0,1); cputime-t, Q ans =
0.06
Q =
0.34134540613909
t=cputime; Q=quad1(nintquad,0,1,1e-5); cputime-t, Q
ans =
0.11
Q =
0.34134474647804
t=cputime; Q=quad1(nintquad,0,1,1e-7); cputime-t, Q
ans =
0.6
Q =
0.34134474607765
t=cputime; Q=quad1(nintquad,0,1,1e-9); cputime-t, Q
ans =
2.47
Q =
0.34134474606860
1. INTEGRACION
18
0.0
4271
0.5
2522
1.0
499
1.5
1795
2.0
4358
2.5
7187
3.0
10279
3.5
13633
4.0
17247
r !#
3
5
(1.105)
(1.106)
Ejercicio 1.9.3.
(a) Deducir una formula de integracion de Gau de dos
puntos para integrales de la forma
Z 1
f (x)(1 + x2 ) dx
(1.107)
1
I2n In
I4n I2n
(1.108)
(1.109)
j=1
con funci
on peso w(x) = x
Ejercicio 1.9.7. Considerar la siguiente tabla de integrales aproximadas In
obtenidas mediante la regla de Simpson. Predecir el orden de convergencia de la
sucesi
on de In a la integral I:
1.9. EJERCICIOS
n
2
4
8
16
32
64
19
In
0.28451779686
0.28559254576
0.28570248748
0.28571317731
0.28571418363
0.28571427643
Es decir que, si I In ' c/np , entonces, cuanto vale p? El resultado resulta ser
una forma v
alida para el error de estos datos? Predecir un valor de c y del error en
I64 . Que valor de n es necesario alcanzar para que el error en In sea menor que
1011 ?
Ejercicio 1.9.8. Denotamos InT a la regla trapezoidal para aproximar la inteRb
gral a f (x) dx, y, analogamente, InM para la formula de midpoint. Los respectivos
errores asintoticos en el caso en que f sea suficientemente regular en [a, b], son
I InT =
y
h2 0
[f (b) f 0 (a)] + O(h4 )
12
(1.110)
h2 0
[f (b) f 0 (a)] + O(h4 )
(1.111)
24
Utilizar estos resultados para obtener un nuevo metodo numerico, Ien , con orden
de convergencia mayor, combinando InT y InM . Cuales son los pesos de la nueva
f
ormula Ien ?
I InM =
CAPTULO 2
Ecuaciones diferenciales
2.1. Introducci
on
Decimos que la ecuaci
on diferencial ordinaria
y 0 = f (x, y)
(2.1)
en una funci
on inc
ognita y, con f (x, y) funcion continua en un dominio D del
plano, tiene una soluci
on y(x) en un intervalo x0 x x1 , si y(x) es una fucion
diferenciable, (x, y(x)) est
a en el dominio D para cada x del intervalo [x0 , x1 ] y,
adem
as, y 0 (x) = f (x, y(x)) en [x0 , x1 ].
Desde el punto de vista geometrico podemos considerar que la ecuacion y 0 =
f (x, y) define un campo continuo de direcciones sobre D. Y que las funciones
soluci
on son tangentes a esas direcciones (en cada punto del dominio).
El campo de direcciones
permite estimar
gr
aficamente las
trayectorias
y 6
3
2
1
B
Br
B
B
A
Ar
A
A
@r
@
1
E
Er
E
E
C
Cr
C
C
A
Ar
A
A
E
Er
E
B E
Br
B
B
y(x) = Cex
/2
(2.2)
de la ecuaci
on diferencial. En la figura 1 esquematizamos el campo de direcciones
definido por f (x, y) = xy. (En cada punto (x, y) dibujamos un peque
no segmento
en la direcci
on de la recta por el punto con pendiente xy.)
21
Una soluci
on
-aproximada difiere
casi uniformemente de
la soluci
on en menos de
22
2. ECUACIONES DIFERENCIALES
P
#
#
#
#
#
# "
# "
"
#"
s
#
!(x
(x0 + h, y0 )
!
O#
1 , y1 )
!
(x0 , yc
0)
6
c
c
c
c
Mh
c
c
c
c
S
c ?
R
h
Q
Figura 2. El rectangulo S esta contenido en el R
n: El rect
Demostracio
angulo S = {|x x0 | h, |y y0 | M h} esta contenido
en R por la definici
on de h (ver la figura 2). Supongamos dado el del teorema.
Como f (x, y) es continua en S, resulta uniformemente continua en S; es decir que,
dado > 0 (que lo tomamos como el del teorema) existe > 0 tal que si |
x x|
y |
y y| con (
x, y) S y (x, y) S, entonces
|f (
x, y) f (x, y)|
(2.3)
Sea x1 , . . . , xn1 un conjunto de puntos tales que: x0 < x1 < x2 < <
xn1 < xn = x0 + h, y
xi xi1 min(, /M ),
i = 1, . . . , n
(2.4)
2.2. METODOS
EN DIFERENCIAS DE UN PASO
23
Construiremos la soluci
on aproximada en el intervalo x0 x x0 + h; un
proceso similar permite definirla en el intervalo x0 h x x0 .
La soluci
on aproximada sera una poligonal construida de la siguiente manera:
desde (x0 , y0 ) se dibuja un segmento hacia la derecha con pendiente f (x0 , y0 ), este
corta la recta x = x1 en un punto (x1 , y1 ). Desde (x1 , y1 ) se dibuja un segmento
hacia la derecha con pendiente f (x1 , y1 ), que corta la recta x = x2 en y2 ; etc. El
punto (x1 , y1 ) debe pertenecer al triangulo OQP de la figura 2 porque el angulo
se toma de modo que tan = M , y |f (x0 , y0 )| M . Por motivos analogos (x2 , y2 )
tambien est
a en OQP ; etc. En consecuencia el proceso puede continuarse hasta
xn = x0 + h, porque la u
nica razon por la que podra detenerse sera que f (xk , yk )
no estuviese definida, caso en el que se tendra |yk y0 | > M h lo que sera contrario
a la construcci
on. Podemos definir y(x) por las formulas recursivas
y(x) = yi1 + (x xi1 )f (xi1 , y(xi1 ))
(2.5)
donde
yi1 = y(xi1 ),
xi1 x xi ,
i = 1, . . . , n
(2.6)
Por su definici
on y(x) es admisible, continua, y tiene derivada continua a trozos
y 0 (x) = f (xi1 , y(xi1 ),
i = 1, . . . , n
(2.7)
que no est
a definida solamente en los puntos xi , i = 1, . . . , n 1. Ademas, si
xi1 < x < xi
|y 0 (x) f (x, y(x))| = |f (xi1 , yi1 ) f (x, y(x))|
(2.8)
=
M
(2.9)
(2.10)
y
|y 0 (x) f (x, y(x))| ,
x 6= xi ,
i = 1, 2, . . . , n 1
(2.11)
M
etodo de Euler
yn+1 = yn + hf (xn , yn ),
n0
(2.13)
24
Estabilidad del m
etodo
de Euler
2. ECUACIONES DIFERENCIALES
(2.14)
(2.16)
(2.18)
(2.19)
(2.20)
1
yn
1 h
(2.21)
2.2. METODOS
EN DIFERENCIAS DE UN PASO
25
1
yn
(1 + hxn+1 )
(2.23)
2.2.2. M
etodos de RungeKutta. Nuestro siguiente objetivo es generalizar
el metodo de Euler utilizando los desarrollos en polinomios de Taylor pero limitando
lo m
as posible el c
alculo de derivadas de las funciones involucradas. Recordemos
que en este metodo se puede escribir
yh (x) = y(x) + hD(x) + O(h2 )
(2.24)
(2.25)
(2.26)
(2.27)
(2.28)
en consecuencia
yh/2 (xn + h) = yn + (h/2)f (xn , yn )
+(h/2)f (xn + (h/2), yn + (h/2)f (xn , yn ))
(2.29)
(2.30)
y simplificando
yn+1 = yn + hf (xn + (h/2), yn + (h/2)f (xn , yn ))
(2.31)
(2.32)
(2.33)
con
En que consiste esta primera formula de Runge en forma grafica?
En la figura 3 representamos el efecto de aplicar la primera formula de Runge
en el paso de xn a xn+1 .
Notemos que para el metodo de Euler se puede definir en forma analoga (x, y, h; f ) =
f (x, y).
Ejercicio 2.2.5. Es posible expresar en esta notacion el metodo de retroEuler?
Primera f
ormula de
Runge
26
2. ECUACIONES DIFERENCIALES
y 6
10
rr Runge
un (xn+1 )
r Euler
xn
xn+1
n0
(RK)
(2.34)
n0
(2.35)
Ilustremos la deducci
on de distintas en el caso de segundo orden de aproximaci
on. La propuesta es
(x, y, h; f ) = 1 f (x, y) + 2 f (x + h, y + hf (x, y))
(2.36)
n0
(2.37)
en potencias de h
n+1 (y) = hYn0 +
h2 00 h3 000
Y + Yn + O(h4 ) h(xn , Yn , h; f )
2 n
6
(2.38)
Estabilidad de la
primera f
ormula de
Runge
2.2. METODOS
EN DIFERENCIAS DE UN PASO
27
(2.39)
(2.40)
(2.41)
(2.42)
y
(x, y, h; f ) = 1 f (x, y) + 2 (f (x, y) + h(fx + f fy )
1
1
+h2 ( 2 fxx + fxy f + 2 fyy f 2 )) + O(h3 )
(2.43)
2
2
Sustituyendo y agrupando terminos en potencias de h se obtiene
1
1
n+1 = h(1 1 2 )f + h2 (( 2 )fx + ( 2 )f fy )
2
2
1
1
1 1
3 1
2
+h (( 2 )fxx + ( 2 )f fxy + ( 2 2 )f 2 fyy
6 2
3
6 2
1
1 2
3
+ fy fx + fy f ) + O(h )
(2.44)
6
6
todo evaluado en (xn , Yn ). Deseamos que n+1 (y) converja a cero tan rapido como
se pueda. Aceptando f arbitrarias no podremos, en general, anular el coeficiente
de h3 (porque?). Anulando los de h y h2 obtenemos
1
1
n+1 (y) = O(h3 ),
1 + 2 = 1,
2 = , 2 =
(2.45)
2
2
cuya soluci
on general es
2 arbitrario
1 = 1 2
1
==
22
Consideremos algunos casos particulares
(a) 2 = 1, lo que implica 1 = 0, = = 12
h
h
, y + f (x, y))
2
2
(b) 2 = 12 , lo que implica 1 = 21 , = = 1
(x, y, h; f ) = f (x +
1
1
f (x, y) + f (x + h, y + hf (x, y))
2
2
Notemos que si definimos
(x, y, h; f ) =
k1 = hf (x, y)
k2 = hf (x + h, y + k1 )
(2.46)
(2.47)
(2.48)
(2.49)
(2.50)
(2.51)
(2.52)
se tiene
1
(k1 + k2 )
2
Runge not
o que este metodo puede mejorarse definiendo
h =
k3 = hf (x + h, y + k2 )
(2.53)
(2.54)
Segunda f
ormula de
Runge
28
2. ECUACIONES DIFERENCIALES
a
r Runge 2
r
u
(x
n n+1 )
r Euler
0
xn
xn+1 x
d
Figura 4. Segunda
formula de Runge
y tomando
1
h = (k1 + k3 )
(2.55)
2
d
que es la segunda f
ormula de Runge (ver figura 4).
(c) (primer orden) 1 = 1, lo que implica 2 = 0, se obtiene en consecuencia
y 6
(x, y, h; f ) = f (x, y)
(Euler)
(2.56)
Las f
ormulas de mayor orden involucran un algebra mas complicada, para ello
se suele proponer
h(x, y, h; f ) =
p
X
i ki
(2.57)
i=1
con
k1 = hf (x, y)
k2 = hf (x + 2 h, y + 21 k1 )
..
.
i1
X
ki = hf (x + i h, y +
ij kj ) i = 1, . . . , p
(2.58)
(2.59)
(2.60)
j=1
M
etodo
cl
asico
Runge-Kutta
de
Los coeficientes se pueden escoger de modo que los primeros terminos en el error
de truncamiento local sean nulos. En consecuencia, por un procedimiento analogo
al realizado en el caso de segundo orden se obtienen diversos metodos de orden
superior de los que el m
as utilizado es el llamado Metodo de Runge-Kutta
1
yn+1 = yn + (k1 + 2k2 + 2k3 + k4 )
6
(2.61)
2.2. METODOS
EN DIFERENCIAS DE UN PASO
29
con
k1 = hf (xn , yn )
h
k1
k2 = hf (xn + , yn + )
2
2
h
k2
k3 = hf (xn + , yn + )
2
2
k4 = hf (xn + h, yn + k3 )
y 6
(2.62)
(2.63)
(2.64)
(2.65)
r RK
r un (xn+1 )
r Euler
xn
xn+1 x
(2.67)
(2.68)
(2.69)
(2.70)
(2.71)
(2.72)
(2.73)
El m
etodo cl
asico de
Runge-Kutta generaliza
el m
etodo de Simpson
30
2. ECUACIONES DIFERENCIALES
de manera que
1
yn + (k1 + 2k2 + 2k3 + k4 ) = yn
6
1
1
+ (6hyn + 3h2 2 yn + h3 3 yn + h4 4 yn )
6
4
lo que permite escribir en definitiva
1
1
1
yn+1 = yn (1 + h + h2 2 + h3 3 + h4 4 )
2
6
24
(2.74)
(2.75)
n0
(2.76)
n0
(2.77)
(2.78)
n0
(2.79)
x0 xb
<y<
x0 x b, < y, y <
(2.82)
(funci
on de Lipschitz en la variable y)
Teorema 2.2.2. Supongamos que el metodo 2.76 dado por
yn+1 = yn + h(xn , yn , h; f )
(2.83)
satisface la condici
on |(x, y, h; f ) (x, y, h; f )| L|y y| con x0 x b <
y, y < , L constante. Entonces la solucion aproximada {yn } del problema de
valores iniciales y 0 = f (x, y), y(x0 ) = y0 satisface
max |Y (xn ) yn | e(bx0 )L |Y0 y0 | +
x0 xn b
e(bx0 )L 1
(h)
L
(2.84)
2.2. METODOS
EN DIFERENCIAS DE UN PASO
31
max
x0 xb
<y<
|f (x, y) (x, y, h; f )| 0
para
h0
(2.85)
entonces la soluci
on numerica {yn } converge a Y (x)
n: Restamos (2.79)(2.76)
Demostracio
Y (xn+1 ) yn+1 = Y (xn ) yn + h((xn , Y (xn ), h; f )
(xn , yn , h; f )) + hn+1 (Y )
(2.86)
Luego
|Y (xn+1 ) yn+1 | |Y (xn ) yn | + h|(xn , Y (xn ), h; f ) (xn , yn , h; f )|
+h|n+1 (Y )|
|Y (xn ) yn |(1 + hL) + h (h),
x0 xn b
(2.87)
Recursivamente se tiene
|Y (xn+1 ) yn+1 | (1 + hL)n |Y (x0 ) y0 | + (1 + (1 + hL)
+ . . . + (1 + hL)n1 )h (h)
(1 + hL)n 1
(1 + hL)n |Y (x0 ) y0 | +
(h)
L
(2.88)
2
e(bx0 )L 1
(h),
L
x0 xn b
(2.89)
(2.90)
resulta as
h|n+1 (Y )| h(h) +
h2 00
||Y ||
2
(2.91)
obteniendose en definitiva
1
(h) (h) + h||Y 00 ||
2
(2.92)
32
2. ECUACIONES DIFERENCIALES
(2.93)
(2.94)
se deduce que
1
(yh (x) y2h (x)) + O(h5 )
15
donde el termino yh (x) y2h (x) permite estimar el error.
En general vale el siguiente
(2.95)
Y (x) = yh (x) +
(2.96)
se puede expresar
n+1 (Y ) = hr+1 (x, Y ) + O(hr+2 )
(2.97)
(2.98)
f
(x, Y (x))D(x) + (x, Y (x))
y
(2.99)
(2.100)
obtenemos
n+1 = n + h1r ((xn , Y (xn ) + hr n , h; f ) (xn , Y (xn ), h; f ))
+h(xn , Y (xn )) + O(h2 )
(2.101)
2.3. EJERCICIOS
33
en raz
on de la convergencia este u
ltimo sumando se puede escribir en la forma k1 h2r
con ||k1 || acotada. El segundo sumando se puede reescribir as
y (xn , Y (xn ), h; f )hr n = y (xn , Y (xn ), 0; f )hr n
+yh (xn , Y (xn ), ; f )hr+1 n
(2.103)
cuyo u
ltimo sumando se puede escribir en la forma k2 hr+1 con ||k2 || acotada.
En definitiva
n+1 = n + h(fy (xn , Y (xn ))n + h(xn , Y (xn ) + hk2 + hr k1 )
(2.104)
(2.105)
D(0) + e0 hr
(2.106)
2.3. Ejercicios
Ejercicio 2.3.1. Dada y 0 = 1 + x2 y 2 , con y(0) = 0, calcular y(0.5) mediante
el metodo de Euler con extrapolacion de repetida de Richardson. Usar aritmetica
de redondeo de cinco decimales.
Ejercicio 2.3.2. Aplicando el metodo de Euler, se obtuvieron los resultados:
1.22726 (con paso h = 0.05), 1.22595 (h = 0.1), 1.22345 (h = 0.2). Calcule un
mejor valor por extrapolaci
on.
Ejercicio 2.3.3. Utilizar el metodo de Euler con longitud de paso h sobre el
problema test
y 0 = y,
y(0) = 1
(2.107)
(a) Determinar una expresion explcita para yn
(b) Para que valores de h la sucesion {yn }
0 es acotada?
(c) Calcular el limh0 (y(x, h) ex )/h
Ejercicio 2.3.4. Determinar el desarrollo de Taylor para la solucion de la
ecuaci
on y 0 = y 2 , con y(0) = 1, en el entorno de x = 0. Usar esta aproximacion
para calcular y(0.2) e y(1.2) con cuatro decimales. Comparar con la solucion exacta
y explicar porque el segundo caso (x = 1.2) no es exitoso.
Ejercicio 2.3.5. La funcion y(x) se define mediante el problema
y 0 = x2 y 2 ,
y(0) = 1
(2.108)
(2.109)
34
2. ECUACIONES DIFERENCIALES
APENDICE
A
Bibliografa y referencias
A.1. Textos b
asicos
(1) Atkinson, K.E.: An Introduction to Numerical Analysis, 2nd edition, J.
Wiley & Sons., New York, 1989.
(2) Burden, R.L. y Faires, J.D.: An
alisis Numerico, 2da edicion, Grupo
Editorial Iberoamerica, Mexico, 1993.
(3) Dahlquist, G., and Bjrck,
A.: Numerical Methods, Prentice-Hall, E.
Cliffs, NJ, 1974.
36
A. BIBLIOGRAFIA Y REFERENCIAS
APENDICE
B
38
{---------}
15
(* Calculo del polinomio de Taylor *)
Series[ f[x], {x, (a+b)/2, 4}]
a + b
-(a + b)
2
f[-----] (-------- + x)
a + b
a + b
-(a + b)
2
2
f[-----] + f[-----] (-------- + x) + -------------------------- +
2
2
2
2
(3) a + b
-(a + b)
3
(4) a + b
-(a + b)
4
[-----] (-------- + x)
f
[-----] (-------- + x)
2
2
2
2
--------------------------- + --------------------------- +
6
24
f
-(a + b)
5
O[-------- + x]
2
(* Resulta asi que el error de truncamiento es
5 (4) a + b
( b - a ) f
[-----]
2
-----------------------2880
*)
B.2. El m
etodo de Newton
(* Newton de once puntos *)
a0=a; (* Defino los puntos *)
a1=9a/10+b/10;
a2=8a/10+2b/10;
a3=7a/10+3b/10;
a4=6a/10+4b/10;
a5=5a/10+5b/10;
a6=4a/10+6b/10;
a7=3a/10+7b/10;
a8=2a/10+8b/10;
a9=a/10+9b/10;
a10=b;
p0[x_]:=1;
(* Defino los polinomios *)
p1[x_]:=(2x-a-b)/(b-a);
p2[x_]:=((2x-a-b)/(b-a))^2;
p3[x_]:=((2x-a-b)/(b-a))^3;
p4[x_]:=((2x-a-b)/(b-a))^4;
p5[x_]:=((2x-a-b)/(b-a))^5;
p6[x_]:=((2x-a-b)/(b-a))^6;
p7[x_]:=((2x-a-b)/(b-a))^7;
p8[x_]:=((2x-a-b)/(b-a))^8;
p9[x_]:=((2x-a-b)/(b-a))^9;
p10[x_]:=((2x-a-b)/(b-a))^10;
p11[x_]:=((2x-a-b)/(b-a))^11;
p12[x_]:=((2x-a-b)/(b-a))^12;
B.2. EL METODO
DE NEWTON
39
40
24948
598752
-26575 (a - b)
16175 (a - b)
A1 -> --------------, A2 -> -------------,
149688
199584
-5675 (a - b)
4825 (a - b)
A3 -> -------------, A4 -> ------------,
12474
11088
4825 (a - b)
-5675 (a - b)
A6 -> ------------, A7 -> -------------,
11088
12474
16175 (a - b)
-26575 (a - b)
A8 -> -------------, A9 -> --------------,
199584
149688
-16067 (a - b)
A10 -> --------------}}
598752
(* Verifico que los pesos suman uno *)
598752/24948
24
598752/149688
4
598752/199584
3
598752/12474
48
598752/11088
54
2 16067 + 2 26575 4 - 2 16175 3 + 2 5675 48 - 2 4825 54 + 17807 24
598752
B.3. El m
etodo de cuadratura de Gau de tres puntos
(* Gauss de tres puntos *)
a=-1; (* Se trabaja en el [-1,1] *)
b=1;
p0[x_]:=1;
(* Definici\on de los polinomios *)
p1[x_]:=(2x-a-b)/(b-a); p2[x_]:=((2x-a-b)/(b-a))^2;
p3[x_]:=((2x-a-b)/(b-a))^3; p4[x_]:=((2x-a-b)/(b-a))^4;
p5[x_]:=((2x-a-b)/(b-a))^5; p6[x_]:=((2x-a-b)/(b-a))^6;
p7[x_]:=((2x-a-b)/(b-a))^7;
(* Las expresiones de Gauss *)
s0=A p0[X] + B p0[Y] + C p0[Z]
s1=A p1[X] + B p1[Y] + C p1[Z]
s2=A p2[X] + B p2[Y] + C p2[Z]
s3=A p3[X] + B p3[Y] + C p3[Z]
s4=A p4[X] + B p4[Y] + C p4[Z]
s5=A p5[X] + B p5[Y] + C p5[Z]
s6=A p6[X] + B p6[Y] + C p6[Z]
A + B + C
//Simplify
//Simplify;
//Simplify;
//Simplify;
//Simplify;
//Simplify;
//Simplify;
(* Las integrales *)
i0=Integrate[p0[x],{x,a,b}]//Simplify
i1=Integrate[p1[x],{x,a,b}]//Simplify;
i2=Integrate[p2[x],{x,a,b}]//Simplify;
i3=Integrate[p3[x],{x,a,b}]//Simplify;
i4=Integrate[p4[x],{x,a,b}]//Simplify;
i5=Integrate[p5[x],{x,a,b}]//Simplify;
2
(* El sistema de ecuaciones no lineal *)
Solve[{s0==i0,
s1==i1,
s2==i2,
s3==i3,
s4==i4,
s5==i5},{A,B,C,X,Y,Z}]//Simplify
5
5
8
3
3
{{A -> -, B -> -, C -> -, Z -> 0, Y -> -Sqrt[-], X -> Sqrt[-]},
9
9
9
5
5
5
5
8
3
3
{A -> -, B -> -, C -> -, Z -> 0, Y -> Sqrt[-], X -> -Sqrt[-]},
9
9
9
5
5
5
8
5
3
3
{A -> -, B -> -, C -> -, Z -> -Sqrt[-], Y -> 0, X -> Sqrt[-]},
9
9
9
5
5
5
8
5
3
3
{A -> -, B -> -, C -> -, Z -> Sqrt[-], Y -> 0, X -> -Sqrt[-]},
9
9
9
5
5
8
5
5
3
3
{A -> -, B -> -, C -> -, Z -> -Sqrt[-], Y -> Sqrt[-], X -> 0},
9
9
9
5
5
8
5
5
3
3
{A -> -, B -> -, C -> -, Z -> Sqrt[-], Y -> -Sqrt[-], X -> 0}}
9
9
9
5
5
%//N (* La versi\on num\erica *)
{{A -> 0.555556, B -> 0.555556, C -> 0.888889, Z -> 0, Y -> -0.774597,
X -> 0.774597}, {A -> 0.555556, B -> 0.555556, C -> 0.888889, Z -> 0,
Y -> 0.774597, X -> -0.774597},
{A -> 0.555556, B -> 0.888889, C -> 0.555556, Z -> -0.774597, Y -> 0,
X -> 0.774597}, {A -> 0.555556, B -> 0.888889, C -> 0.555556, Z -> 0.774597,
Y -> 0, X -> -0.774597}, {A -> 0.888889, B -> 0.555556, C -> 0.555556,
Z -> -0.774597, Y -> 0.774597, X -> 0},
{A -> 0.888889, B -> 0.555556, C -> 0.555556, Z -> 0.774597, Y -> -0.774597,
X -> 0}}
41
42
43
44
-16
{-1.38778 10
}
s10 - i10 /. %56
{-0.00293181}
s11 - i11 /. %56
-16
{-1.249 10
}
s12=A0 p12[a0]+A1 p12[a1]+A2 p12[a2]+
A3 p12[a3]+A4 p12[a4]//Simplify;
i12=Integrate[p11[x],{x,a,b}]//Simplify;
s12 - i12 /. %56
{0.145853}
7
-------------------3
10
Sqrt[5 + 2 Sqrt[--]]
7
-------------------3
.
.
.
45
46
APENDICE
C
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
47
48
Integrate[f[x],x]
-0.06 x + 0.05 ArcTan[5. (-0.9 + x)] + 0.1 ArcTan[10. (-0.3 + x)]
N[Integrate[f[x],{x,0,1}],30]
0.2985832539549867
f[x]//TeXForm
-0.06 + {{0.01}\over {0.04 + {{\left( -0.9 + x \right) }^2}}} +
{{0.01}\over {0.01 + {{\left( -0.3 + x \right) }^2}}}
%3//TeXForm
-0.06\,x + 0.05\,\arctan (5.\,\left( -0.9 + x \right) ) +
0.1\,\arctan (10.\,\left( -0.3 + x \right) )
0.01
2
0.04 + (0.9 + x)
Rx
0
f (s) ds son
0.01
2
0.01 + (0.3 + x)
(C.1)
y
F (x) = 0.06 x + 0.05 arctan(5. (0.9 + x)) + 0.1 arctan(10. (0.3 + x)) (C.2)
C.2. Extrapolaci
on repetida de Richardson
En el siguiente cuaderno del Mathematica calculamos los errores de truncamiento de los distintos pasos de extrapolacion.
Extrapolaci\on repetida de Richardson
Table[2^(2j)-1,{j,9}]
{3, 15, 63, 255, 1023, 4095, 16383, 65535, 262143}
I0[h_]=b0+b1 h^2+b2 h^4+b3 h^6+b4 h^8+b5 h^10+b6 h^12+
b7 h^14+b8 h^16
2
4
6
8
10
b0 + b1 h + b2 h + b3 h + b4 h + b5 h
+
12
14
16
b6 h
+ b7 h
+ b8 h
I1[h_]=I0[h/2]+(I0[h/2]-I0[h])/3//Simplify;
Collect[%,h]
4
6
8
10
b2 h
5 b3 h
21 b4 h
85 b5 h
b0 - ----- - ------- - -------- - --------- 4
16
64
256
12
14
16
341 b6 h
1365 b7 h
5461 b8 h
---------- - ----------- - ----------1024
4096
16384
I2[h_]=I1[h/2]+(I1[h/2]-I1[h])/15//Simplify;
Collect[%,h]
6
8
10
12
b3 h
21 b4 h
357 b5 h
5797 b6 h
b0 + ----- + -------- + ---------- + ----------- +
64
1024
16384
262144
REPETIDA DE RICHARDSON
C.2. EXTRAPOLACION
14
16
93093 b7 h
1490853 b8 h
------------ + -------------4194304
67108864
I3[h_]=I2[h/2]+(I2[h/2]-I2[h])/63//Simplify;
Collect[%,h]
8
10
12
b4 h
85 b5 h
5797 b6 h
b0 - ----- - --------- - ----------- 4096
262144
16777216
14
16
376805 b7 h
24208613 b8 h
------------- - --------------1073741824
68719476736
I4[h_]=I3[h/2]+(I3[h/2]-I3[h])/255//Simplify;
Collect[%,h]
10
12
14
b5 h
341 b6 h
93093 b7 h
b0 + ------- + ---------- + ------------ +
1048576
268435456
68719476736
16
24208613 b8 h
--------------17592186044416
I5[h_]=I4[h/2]+(I4[h/2]-I4[h])/1023//Simplify;
Collect[%,h]
12
14
16
b6 h
1365 b7 h
1490853 b8 h
b0 - ---------- - ------------- - ---------------1073741824
1099511627776
1125899906842624
% MIRICHAR aplica la extrapolaci\on repetida de Richardson
%
al m\etodo trapezoidal (Integraci\on de Romberg)
%
C.E.Neuman, 6-5-97
%
inicializaci\on
i=1;
a=0;
b=1;
h=(b-a)/10;
%
lazo
while 1
x=a:h:b;
% partici\on
l=length(x);
pesos=[1 2*ones(1,l-2) 1];
% pesos de Trapezoidal
II(i,1)=(h/2)*sum(pesos.*mihumps(x));
% m\etodo Trapezoidal
%%%
%%%
En este algoritmo se recalcula la funci\on de nuevo, se
%%%
puede mejorar aprovechando las evaluaciones previas.
%%%
del(i)=2^(2*i)-1;
% divisor para la extrapolaci\on
49
50
for j=(i-1):(-1):1,
% l\{\i}nea de extrapolaciones
k=i-j+1;
II(j,k)=II(j+1,k-1)+(II(j+1,k-1)-II(j,k-1))/del(k-1) ;
end % rof
if i > 7,
break;
end % fi
h=h/2;
i=i+1;
end % elihw
%%%
fin de mirichar.m
0.29819609270927
0.29858264933679
0.29858326161685
0.29858325443074
0.29858325398467
0.29858325395684
0.29858325395510
0
0.29860841977863
0.29858330243552
0.29858325395166
0.29858325395493
0.29858325395499
0.29858325395499
0
0
0.29858290374753
0.29858325318208
0.29858325395498
0.29858325395499
0.29858325395499
0
0
0
Tabla 2. Integraci
on de Romberg para la funcion mihumps (continuaci
on, ver tablas 1 y 1). La integral (con el Mathematica) resulta
Q = 0.2985832539549867
0.29858325455241
0.29858325395801
0.29858325395499
0.29858325395499
0
0
0
0
0.29858325395743
0.29858325395498
0.29858325395499
0
0
0
0
0
0.29858325395498
0.29858325395499
0
0
0
0
0
0
0.29858325395499
0
0
0
0
0
0
0
C.3. M
etodos de Montecarlo
En lo que sigue veremos dos ejemplos en el cuadrado unitario [0, 1]x[0, 1].
Ejemplo C.3.1. Calculamos mediante el metodo de Montecarlo el area bajo
la funcion f (x) = 0.5 en el cuadrado unitario. Realizamos mil veces el calculo del
area estimada mediante diez mil puntos seleccionados al azar.
C.3. METODOS
DE MONTECARLO
51
scorord=sort(scores);
[m,n]=size(scores);
mimeord=mean(scores(0.1*m:0.9*m))
mideord=std(scores(0.1*m:0.9*m))
figure;
hist(scores);
save azar3;
% Resultados de la corrida de 1000
% azar3
%mime =
%
0.4997
%mide =
%
0.0050
%mimeord =
%
0.4999
%mideord =
%
0.0050
% axis([0.475 0.525 0 300])
% grid
52
250
200
150
100
50
0
0.48
0.485
0.49
0.495
0.5
0.505
0.51
0.515
0.52
0.525
scores=[scores; m/NN];
disp(j);
end
mime=mean(scores)
mide=std(scores)
scorord=sort(scores);
[m,n]=size(scores);
mimeord=mean(scores(0.1*m:0.9*m))
mideord=std(scores(0.1*m:0.9*m))
figure;
hist(scores);
save azar4;
% Resultados de la corrida de 100
% azar4
%mime =
% 2.9845e-001
%mide =
% 1.3248e-002
%mimeord =
% 2.9938e-001
%mideord =
% 1.3119e-002
DE SIMPSON ADAPTATIVA
C.4. INTEGRACION
% Resultados de quad
% format short e
% quad(humps,0,1,1e-5,1)/100
%ans =
% 2.9858e-001
%
%
C.4. Integraci
on de Simpson adaptativa
function [Q,cnt] = miquad(funfcn,a,b,tol)
%MIQUAD Numerical evaluation of an integral, low order method.
%
Q = MIQUAD(F,A,B) approximates the integral of F(X) from A to B
%
to within a relative error of 1e-3. F is a string
%
containing the name of the function. Function F must return a
%
vector of output values if given a vector of input values.
%
Q = MIQUAD(F,A,B,TOL) integrates to a relative error of TOL.
%
%
MIQUAD uses an adaptive recursive Simpsons rule.
%
%
See also QUAD, QUAD8.
%
%
%
%
Basada en QUAD.M
C.B. Moler, 3-22-87.
Copyright (c) 1984-94 by The MathWorks, Inc.
C.E. Neuman, 4-29-97
53
54
Basada en QUADSTP.M
C.B. Moler, 3-22-87.
Copyright (c) 1984-94 by The MathWorks, Inc.
C.E. Neuman, 4-29-97.
LEVMAX = 11;
if lev > LEVMAX
disp(Limite de orden de recursion alcanzado en miquad.)
disp(Probable singularidad.)
Q = Q0;
cnt = 0;
c = (a + b)/2;
else
% Evaluate function at midpoints of left
%
and right half intervals.
h = b - a;
c = (a + b)/2;
x = [a+h/4, b-h/4];
f = eval([FunFcn,(x)]);
cnt = 2;
% Simpsons rule for half intervals.
Q1 = h*(fa + 4*f(1) + fc)/12;
Q2 = h*(fc + 4*f(2) + fb)/12;
Q = Q1 + Q2;
% Recursively refine approximations.
if abs(Q - Q0) > tol*abs(Q)
ts2=tol/2;
lm1=lev+1;
[Q1,cnt1]=eval([miquadst(FunFcn,a,c,ts2,lm1,fa,f(1),fc,Q1)]);
[Q2,cnt2]=eval([miquadst(FunFcn,c,b,ts2,lm1,fc,f(2),fb,Q2)]);
Q = Q1 + Q2;
cnt = cnt + cnt1 + cnt2;
end
end
% fin de la funci\on miquadst
function [y]=mifun(x)
% MIFUN es una funci\on de prueba para MIQUAD
%
debe ser una funci\on vectorizada
% C.E. Neuman, 29-4-97
C.5. EL METODO
CLASICO
DE RUNGE-KUTTA
55
y=x.^(1/2);
% fin de la funci\on mifun
C.5. El m
etodo cl
asico de Runge-Kutta
En esta secci
on incluimos el codigo Matlab que implementa el metodo clasico
de Runge-Kutta. Se trata de los programas mirk.m, mieq.m, donde se define la
funci
on para integrar, y milo.m que es el driver del metodo.
function [xn,xdn]=mirk(t,x,h)
%
%
%
% MIRK Es la implementacion de un Runge-Kutta
% de cuatro pasos para avanzar de t a t+h
% inputs
t:tiempo
%
x:estado
% outputs
xn:nuevo estado
%
xdn:nueva derivada del estado
% La rutina mieq calcula el vector xdot
% de derivadas de los estados.
%%%
%%%
%%%
MIRK
C.E.Neuman, 10-11-1992
Revisado: 5-5-1997
Ultima revisi\on: 7-5-1997
tv = t; xv = x;
xdot=mieq(tv,xv);
c1 = h*xdot;
tn = tv + h/2; xn = xv + c1/2;
xdot=mieq(tn,xn);
c2 = h*xdot;
xn = xv + c2/2;
xdot=mieq(tn,xn);
c3 = h*xdot;
tn = tv + h; xn = xv + c3;
xdot=mieq(tn,xn);
c4 = h*xdot;
xn = xv + (c1 + 2*c2 + 2*c3 + c4)/6;
xdn=mieq(tn,xn);
return
%%%
fin de mieq.m
function xdot=mieq(t,x)
%
%
%
% MIEQ es la funcion que permite determinar la
%
derivada de los estados
%
%%%
%%%
%%%
C.E.Neuman, 10-11-1992
Revisado: 5-5-1997
Ultima revisi\on: 7-5-1997
xdot=-t*x;
% xdot = mihumps(x);
return
%%%
fin de mieq.m
MIEQ
56
%
%
%
%
%
%
%
%
%
%
MILO
MILO
Este es el loop central de administracion de MIRK
y su driver para la integraci\on.
En MIRK.M se program\o un paso de Runge-Kutta cl\asico.
En MIEQ.M se debe incluir la funci\on que se desea integrar.
Con modificaciones puede utilizarse en una rutina de
paso variable.
%%%
%%%
%%%
C.E.Neuman, 10-11-1992
Revisado: 5-5-1997
Ultima revisi\on: 7-5-1997
%%%
Lazo principal
xn = x0;
for tt=tini:h:(tmax-h),
[xn,xdn] = mirk(tt,xn,h);
xout = [ xout
%llamada a R-K
end % rof
plot(xout(1,:),xout(2:3,:),r)
C.5. EL METODO
CLASICO
DE RUNGE-KUTTA
57
Integracion de dx/dt=tx
1
0.8
0.6
2
x(t)=exp(t /2)
0.4
0.2
0.2
0.4
0.6
0.8
APENDICE
D
La integral de RiemannStieltjes
Comencemos estudiando las propiedades de las funciones de variacion acotada.
D.1. Funciones de variaci
on acotada
Teorema D.1.1. [Apostol (1976), pag. 153] Sea f una funcion creciente definida en [a, b] y sean x0 , x1 , . . . , xn n + 1 puntos tales que
a = x0 < x1 < x2 < . . . < xn = b
(D.1)
(D.2)
k=1
[f (xk +) f (xk )]
k=1
n1
X
[f (k ) f (k1 )]
(D.3)
k=1
(D.4)
Una funci
on mon
otona
tiene, a lo sumo,
numerables saltos
k=1
Una funci
on de clase C 1
es de variaci
on acotada
60
D. LA INTEGRAL DE RIEMANNSTIELTJES
Teorema D.1.5.
P [Apostol (1976), pag. 155] Si f es de variacion acotada en
[a, b], es decir que
|fk | M para toda particion de [a, b], entonces f esta
acotada en [a, b].
n: Sea x (a, b) y la particion P = {a, x, b}. Se tiene
Demostracio
|f (x) f (a)| + |f (b) f (x)| M
(D.6)
|f (x) f (a)| M
(D.7)
|f (x)| |f (a)| + M
(D.8)
con lo cual
y, en consecuencia,
(D.9)
por la hip
otesis. De modo que |f (a)| + M es cota de |f (x)| en todo el intervalo.
n D.1.2. Sea f una funcion de variacion acotada en [a, b] y sea P =
Definicio
{x0 , x1 , . . . , xn } una partici
on de [a, b]. El n
umero
V (a, b) = sup{
n
X
(D.10)
k=1
se llama variaci
on total de f en el intervalo [a, b].
Teorema D.1.6. Sea f una funcion de variacion acotada en [a, b]. Sea V
definida en [a, b] por V (a) = 0 y, para a < x b, V (x) = V (a, x), la variacion total
de f entre a y x. Entonces
(i) V es una funci
on creciente en [a, b]
(ii) W = V f es una funcion creciente en [a, b]
n: Sean x < y en [a, b]. Entonces V (a, y) = V (a, x) + V (x, y), lo que
Demostracio
implica que V (y) V (x) = V (x, y) 0 lo que prueba (i).
Asimismo
W (y) W (x) = V (y) V (x) (f (y) f (x)) = V (x, y) (f (y) f (x)) 0 (D.11)
lo que prueba (ii).
Teorema D.1.7. Sea f definida sobre [a, b]. Entonces f es de variacion acotada
en [a, b] sii f puede expresarse como diferencia de dos funciones crecientes.
Una funci
on es de variaci
on acotada sii es diferencia de dos funciones
crecientes
D.2. LA INTEGRAL
61
D.2. La integral
n D.2.1. Sea P = {x0 , x1 , . . . , xn } una particion del intervalo [a, b]
Definicio
y sea, para cada k, k un punto del intervalo [xk1 , xk ]. Una suma de la forma
n
X
S(P, f, g) =
f (k )gk
(D.12)
k=1
(D.13)
n D.2.1. Si un tal n
Observacio
umero I existe, entonces es u
nico y se representa por la expresi
on
Z b
f (x)dg(x)
(D.14)
a
(c1 f1 + c2 f2 )dg = c1
f1 dg + c2
f2 dg
(D.17)
k=1
k=1
es decir
S(P, f, g) = c1 S(P, f1 , g) + c2S(P, f2 , g)
Sea > 0 dado, elegimos una particion
que ella se tenga
(1)
P
Z
|S(P, f1 , g)
f1 dg| <
a
(D.19)
(D.20)
62
D. LA INTEGRAL DE RIEMANNSTIELTJES
(2)
Z
|S(P, f2 , g)
f2 dg| <
(D.21)
(D.22)
(D.23)
Ejercicio D.2.4. Demostrar el teorema D.2.3 en forma analoga al D.2.2. Demostrar adem
as la aditividad respecto del intervalo de integracion de la integral de
Riemann-Stieltjes
D.2.1. Integraci
on por partes.
Teorema D.2.4. [F
ormula de integraci
on por partes] Si f es integrable respecto
de g, en el sentido de Riemann-Stieltjes, en el intervalo [a, b] entonces g es integrable
respecto de f en el sentido de Riemann-Stieltjes en el intervalo [a, b], y se tiene
Z b
Z b
f (x)dg(x) +
g(x)df (x) = f (b)g(b) f (a)g(a)
(D.25)
a
n: Fijamos un n
Demostracio
umero > 0, por la existencia de la primera integral
existe una partici
on P del intervalo [a, b] tal que para toda particion P mas fina
que P tenemos
Z b
|S(P , f, g)
f (x)dg(x)| <
(D.26)
a
n
X
g(k )fk =
k=1
n
X
g(k )f (xk )
k=1
n
X
g(k )f (xk1 )
(D.27)
k=1
n
X
k=1
f (xk )g(k )
n
X
k=1
f (xk1 )g(k1 )
(D.28)
D.2. LA INTEGRAL
63
k=1
Si P es una partici
on formada por los puntos xk y los k , entonces es mas fina
que la partici
on P y, por ello, que la P entonces si llamamos S(P , f, g) al segundo
miembro de la ecuaci
on D.29 se tiene que la desigualdad D.26 es valida y se tiene
Z b
g(x)df (x)| <
(D.30)
|f (b)g(b) f (a)g(a) S(P, g, f )
a
Rb
a
(D.32)
k=1
n
X
f (k )gk
k=1
n
X
f (k )g 0 (k )xk
(D.33)
k=1
Utilizando la hip
otesis para el integrador g se puede probar que
|S(P, f, g)
f (x)dg(x)| <
(D.36)
2
a
Entonces cuando P es m
as fina que la union P P se tiene que
Z b
|S(P, f g 0 )
f (x)dg(x)| <
(D.37)
a
64
D. LA INTEGRAL DE RIEMANNSTIELTJES
c1 si 1 x < 0
c2 si
x=0
g(x) =
c3 si
0<x1
(D.39)
(D.41)
(D.42)
(D.43)
Si f es continua en el origen, para cada > 0 existe un > 0 tal que, si kP k < ,
entonces
|f (k1 ) f (0)| <
(D.44)
y
|f (k ) f (0)| <
(D.45)
de modo que se tiene la desigualdad
|S(P, f, g) f (0)(g(0+) g(0))| |g(0) g(0)| + |g(0+) g(0)|
(D.46)
(D.47)
65
(D.48)
En todos los casos vale la acotacion por lo que el teorema queda demostrado.
Este u
ltimo resultado permite demostrar que las integrales respecto de funciones escalonadas se reducen a sumas.
Teorema D.2.7. Sea g una funcion escalonada definida en el intervalo [a, b]
con salto gk en el punto xk de una particion {x1 , x2 , . . . , xn } del intervalo. Sea
f definida en [a, b] con la propiedad que f y g no sean las dos discontinuas a la
izquierda o a la derecha en cada punto xk . Entonces existe la integral de f respecto
de g y vale
Z b
n
X
f (x)dg(x) =
f (xk )gk
(D.49)
a
k=1
1
f (x) d x bxc
2
Z
+
a
1
x bxc
2
df (x) =
f (a) f (b)
2
(D.51)
(D.52)
(D.53)
por u
ltimo
Z
a
Z b
b
X
1
f (x)d x bxc
=
f (x) dx
f (n)
2
a
n=a+1
(D.54)
66
D. LA INTEGRAL DE RIEMANNSTIELTJES
D.5. Ejercicios
Ejercicio D.5.1. Una funcion f , definida en [a, b], verifica una condicion uniforme de Lipschitz de orden > 0 en [a, b] si existe una constante M > 0 tal que
|f (x) f (y)| < M |x y| para todo x e y de [a, b]
(a) Si f es una tal funcion, probar que > 1 implica que f es constante en
[a, b], mientras que = 1 implica que f es de variacion acotada en [a, b]
(b) Dar un ejemplo de una funcion f que satisfaga una condicion uniforme de
Lipschitz de orden < 1 en [a, b] tal que f no sea de variacion acotada
en [a, b]
(c) Dar un ejemplo de una funcion f que sea de variacion acotada y que, sin
embargo, no satisfaga ninguna condicion uniforme de Lipschitz en [a, b].
Ejercicio D.5.2. Probar que una funcion polinomica f es de variacion acotada
en todo intervalo cerrado y acotado [a, b]. Describir un metodo que permita calcular
la variaci
on total de f en [a, b] conociendo los ceros de la derivada f 0 .
Ejercicio D.5.3. La siguiente definicion de la integral de Riemann-Stieltjes
es bastante usual en textos matematicos: Se dice que f es integrable respecto de g
si existe un n
umero real A con la siguiente propiedad: para cada > 0 existe un
> 0 tal que para cada particion P de [a, b] con norma kP k < y cada eleccion de
k en [xk1 , xk ], tenemos |S(P, f, g) A| <
Rb
(a) Demostrar que si a f dg existe seg
un esta definicion entonces tambien
existe de acuerdo con la definicion D.2.1 (pagina 61) y ambas son iguales.
(b) Sean f (x) = g(x) = 0 para 1 x < 0, f (x) = g(x) = 1 para 0 < x 1,
Rb
f (0) = 0, y g(0) = 1. Demostrar que a f dg existe de acuerdo a la
definici
on D.2.1 pero no existe seg
un la definicion de este ejercicio.
APENDICE
E
Polinomios y n
umeros de Bernoulli
Los polinomios de Bernoulli, Bn (x), resultan de la serie generadora
X
text
tk
=
Bk (x)
t
e 1
k!
(E.1)
k=0
y los n
umeros de Bernoulli, Bn , de
X
t
tk
=
B
k
et 1
k!
(E.2)
k=0
5
x
6
x
7
x
67
68
E. POLINOMIOS Y NUMEROS
DE BERNOULLI
0.4
0.2
0.2
0.4
0.6
0.8
-0.2
-0.4
D[%,x]/cm1 //Simplify
Integrate[%%,{x,0,1}]
Plot[%%%,{x,0,1}]
1
6
True
1
2
- - x + x
6
1
-(-) + x
2
0
-Graphics- (*berno2.wmf*)
c=7;cm1=c-1;
BernoulliB[cm1]
BernoulliB[cm1,x]==cm1! %3[[c]]//Simplify
cm1! %3[[c]]//Simplify
D[%,x]/cm1 //Simplify
Integrate[%%,{x,0,1}]
Plot[%%%,{x,0,1}]
1
-42
True
69
E. POLINOMIOS Y NUMEROS
DE BERNOULLI
70
0.15
0.1
0.05
0.2
0.4
0.6
0.8
-0.05
2
4
1
x
5 x
5
6
-- - -- + ---- - 3 x + x
42
2
2
3
4
-x
5 x
5 x
5
-- + ---- - ---- + x
6
3
2
0
-Graphics- (*berno3.wmf*)
c=11;cm1=c-1;
BernoulliB[cm1]
BernoulliB[cm1,x]==cm1! %3[[c]]//Simplify
cm1! %3[[c]]//Simplify
D[%,x]/cm1 //Simplify
Integrate[%%,{x,0,1}]
Plot[%%%,{x,0,1}]
5
-66
True
2
8
5
3 x
4
6
15 x
9
10
-- - ---- + 5 x - 7 x + ----- - 5 x + x
66
2
2
2
4
6
7
8
0.02
0.01
0.2
0.4
0.6
0.8
-0.01
-0.02
x (-3 + 20 x - 42 x + 60 x - 45 x + 10 x )
---------------------------------------------10
0
-Graphics- (*berno4.wmf*)
(* Resulta que las integrales de los coeficientes son nulas,
(todas, salvo la primera) porque vale la siguiente integral: *)
Integrate[t Exp[t x]/(Exp[t]-1),x]
t x
E
------t
-1 + E
Integrate[t Exp[t x]/(Exp[t]-1),{x,0,1}]//Simplify
1
(* Calculamos ahora el coeficiente de t^40 en el desarrollo en serie *)
n=40;
n! Coefficient[Series[t Exp[t x]/(Exp[t]-1),{t,0,n}],t^n]//Simplify
%==BernoulliB[40,x]
Integrate[%%,{x,0,1}]
Plot[%%%,{x,0,1}]
4
261082718496449122051
2
26315271553053477373 x
-(---------------------) + 380899208799402670 x - ----------------------- +
13530
21
71
E. POLINOMIOS Y NUMEROS
DE BERNOULLI
72
0.06
0.04
0.02
0.2
0.4
0.6
0.8
-0.02
-0.04
-0.06
6
1649024253633120910 x
8
10
2325031004857511379 x
10708663585311718520 x
- ---------------------- + ------------------------ 2
21
12
16
457533651717217348 x
14
38092256087030385 x
---------------------- + 33081876872548920 x
- --------------------- +
3
7
18
702064548199300 x
20
- 72937940132694 x
24
445756964055 x
26
+ 27074751480 x
22
43628525827900 x
+ ------------------ 7
28
30
29696275036 x
192650120 x
- --------------- + ------------- 21
3
32
36
5126979 x
34
9139 x
38
39
40
----------- + 91390 x
- -------- + 130 x
- 20 x
+ x
2
3
True
0
E.2. NUMEROS
DE BERNOULLI
73
-Graphics- (*berno5.wmf*)
16
210
16
110
0.2
0.4
0.6
0.8
16
-110
16
-210
(* Observamos que los valores son muy grandes por eso calculamos el
valor del polinomio y luego los partimos por el
correspondiente factorial *)
BernoulliB[40,0.5]
%/40!
16
1.92966 10
-32
2.36502 10
E.2. N
umeros de Bernoulli
Para demostrar que los n
umeros de Bernoulli con ndice impar 3 son nulos
observemos que
t
t
t
t et + 1
B1 t = t
+ =
(E.3)
t
e 1
e 1 2
2 et 1
pero esta u
ltima es una funci
on par puesto que
t et + 1
t et + 1
= t
t
2e 1
2e 1
(E.4)
con lo cual todos los coeficientes de ndice impar de su desarrollo deben anularse.
74
E. POLINOMIOS Y NUMEROS
DE BERNOULLI
(E.6)
k=0
(E.7)
(E.8)
(E.9)
k=0
Por u
ltimo se tiene la siguiente formula de integracion por partes,
Z 1
1
Bm (x)f (m) (x)dx =
m! 0
1
(Bm+1 (1)f (m) (1) Bm+1 (0)f (m) (0)
(m + 1)!
Z 1
1
Bm+1 (x)f (m+1) (x)dx
(E.10)
(m + 1)! 0
Este u
ltimo resultado, convenientemente extendido, lo utilizamos para demostrar la f
ormula de Euler para el error del metodo trapezoidal.
APENDICE
F
Laboratorio de Matem
atica: Integraci
on
Adaptativa
F.1. Objetivos
f (x) =
5
52 108 x(x 12 )
720(x 12 )
si
x<
1
2
si
1
2
(F.1)
Trabajo realizado con fondos provenientes de la Universidad Nacional del Litoral (UNL),
a trav
es de la programaci
on Curso de Acci
on para la Investigaci
on y el Desarrollo (CAI+D),
Secretara de Ciencia y T
ecnica de la UNL, subsidio 1042-1042-34-182 y 94-16-4-20. Proyectos Uso
del producto Mathematica en la ense nanza de la Matem
atica y Problemas te
oricos y num
ericos
asociados a la obtenci
on de soluciones de ecuaciones elpticas y parab
olicas
75
Hay posibles
singularidades en el
entorno de 0 y de 0.5
76
ADAPTATIVA
F. LABORATORIO DE MATEMATICA:
INTEGRACION
400
350
300
250
200
150
100
50
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
N
otese en la figura 1 que en el entorno de 0 y de 0.5 se acumulan los puntos
y se alcanza en nivel de posible singularidad en el algoritmo quad. Asimismo, en
el intervalo donde la funci
on es un polinomio de orden 4 el metodo de Simpson es
exacto y la distribuci
on de puntos es uniforme y mucho menos densa.
Ejercicio F.2.1. Dada una funcion f definida en un intervalo [a, b] dar un
metodo adaptativo de interpolacion de f mediante polinomios a trozos de orden 2
(splines lineales).
Ejercicio F.2.2. Dada una funcion f definida en un intervalo [a, b] dar un
metodo adaptativo de interpolacion de f mediante polinomios a trozos de orden 4
(splines c
ubicos)
F.3. Laboratorio
Ejercicio F.3.1. Desarrollar un algoritmo y correspondiente programa en
Matlab que implemente un metodo de integracion numerica adaptativa de una
funci
on dada en un intervalo cerrado y acotado del eje real.
Ejercicio F.3.2. Realizar experimentos numericos destinados a determinar las
caractersticas del comportamiento del programa desarrollado en F.3.1 para distintos integrandos y distintos dominios de integracion. Comparar con otros metodos
de integraci
on numerica.
F.5. REFERENCIAS
77
APENDICE
G
Laboratorio de Matem
atica: Soluci
on adaptativa
de ODEs
G.1. Objetivos
Trabajo realizado con fondos provenientes de la Universidad Nacional del Litoral (UNL),
a trav
es de la programaci
on Curso de Acci
on para la Investigaci
on y el Desarrollo (CAI+D),
Secretara de Ciencia y T
ecnica de la UNL, subsidio 1042-1042-34-182 y 94-16-4-20. Proyectos Uso
del producto Mathematica en la ense nanza de la Matem
atica y Problemas te
oricos y num
ericos
asociados a la obtenci
on de soluciones de ecuaciones elpticas y parab
olicas y sus continuaciones
79
80
ADAPTATIVA DE ODES
G. LABORATORIO DE MATEMATICA:
SOLUCION
G.5. Referencias
(1) Atkinson, K.E.: An Introduction to Numerical Analysis, 2nd edition, J.
Wiley & Sons., New York, 1989.
(2) Burden, R.L. y Faires, J.D.: An
alisis Numerico, 2da edicion, Grupo
Editorial Iberoamerica, Mexico, 1993.
APENDICE
H
(
y 0 = f (x, y) x I,
y(x0 ) = y0
x0 I.
(H.1)
yn+1 = y0 +
f (s, yn (s))ds
(H.2)
x0
definimos el rect
angulo R : |x x0 | a, |y y0 | b y
M = max |f (x, y)|
(H.3)
(x,y)R
f (x, y)
L = max
y
(x,y)R
f (x, y)
f (x, y)
D = max
+ f (x, y)
x
y
(x,y)R
(H.4)
(H.5)
X
|yn (x) yn1 (x)| <
(H.6)
n=1
(H.7)
(H.8)
(H.9)
82
con (s) int(yn1 (s), yn2 (s)) de modo que (s, (s)) R, s [x0 , x0 + ]
Z x
L
|yn1 (s) yn2 (s)|ds,
x0 x x0 +
(H.10)
x0
En particular
Z
M (s y0 )ds = LM
x0
Z
|y3 (x) y2 (x)|
(H.11)
(x x0 )2
2!
(H.12)
(H.13)
x0
M L2
(s x0 )2
(x x0 )3
ds = M L2
2
3!
x0
(H.14)
y por inducci
on
|yn (x) yn1 (x)|
M Ln1 (x x0 )n
,
n!
x0 x x0 +
(H.15)
M (x x0 ) + M L
j=1
(x x0 )3
(x x0 )2
+ M L2
+(H.16)
...
2!
3!
2
3
+ M L2
+ ...
(H.17)
2!
3!
M
(L)2
(L)3
M L
(L +
+
+ . . .) =
(e 1)(H.18)
L
2
3
L
M + ML
=
(H.19)
x0
Z
yn+1 (x) = y0 +
f (s, yn (s))ds
(H.20)
x0
tomamos lmite:
Z
y(x) = y0 + lim
f (s, yn (s))ds
(H.21)
x0
y tenemos que calcular este lmite. Notemos que y(x) pertenece a R para x0 x
x0 + porque es el lmite de funciones con graficos en R.
H.0.1. C
alculo del lmite.
Z x
Z x
f (s, y(s))ds
f (s, yn (s))ds|
|
x0
x0
Z x
83
(H.22)
(H.23)
(H.24)
x0
|y(s) yn (s)| M
M
M
L
Lj1
(s x0 )j
j!
(H.25)
Lj1
j
j!
(H.26)
(L)j M L
(e 1)
j! L
j=n+1
(H.27)
j=n+1
X
j=n+1
X
(L)j x
ds
j!
x0
j=n+1
X
(L)j
0 (n )
j!
j=n+1
(H.28)
(H.29)
Resulta as que
Z
lim
f (s, yn (s))ds =
t0
f (s, y(s))ds
(H.30)
t0
X
(L)j
<
j!
3
(H.32)
j=N +1
(H.33)
(H.34)
(H.35)
84
Z
z(x) = y0 +
f (s, z(s))ds
(H.38)
x0
entonces
Z x
|y(x) z(x)| = |
(f (s, y(s)) f (s, z(s)))ds|
x0
Z x
(H.39)
(H.40)
(H.41)
x0
(H.42)
x0
Rx
x0
w(s)ds entonces
dU
= w(x)
dx
w(s)ds = LU (x)
(H.43)
x0
lo que implica
eL(xx0 ) U (x) U (x0 )
(x x0 )
(H.44)
o bien
U (x) = 0
(H.45)
de modo que
Z
0 w(x) L
w(s)ds = LU (x) = 0
(H.46)
x0
o tambien
w(x) = 0
(H.47)
H.1. REFERENCIAS
85
H.0.3. Errores en el m
etodo de Euler. El metodo de Euler tiene la expresi
on yk+1 = yk + hf (xk , yk ). Si desarrollamos en serie de Taylor: Y (xk+1 =
2
f
Y (xk ) + hf (xk , Y (xk )) + h2 ( f
x + f y )(k , Y (k )) con k int(xk , xk+1 )
Si restamos: Yk+1 yk+1 = Yk yk + h(f (xk , Yk ) f (xk , yk )) +
f fy )(k , Y (k )) y se tiene
|Yk+1 yk+1 |
Ek+1 = (1 + hL)Ek +
h2
|(fx + f fy )(k , Y (H.48)
(k ))|
2
Dh2
2
y si llamamos Ek = |Yk yk | al error (k > 0) se tiene
h2
2 (fx
Dh2
2
(H.49)
(H.50)
Se prueba que
Dh2 ((1 + hL)k 1)
2
hL
se tiene tambien que
Dh khL
Ek ekhL E0 +
(e
1)
2L
Ek (1 + hL)k E0 +
y como (1 + hL) ehL
como kh <
Ek eL E0 +
D L
(e 1)h
2L
(H.51)
(H.52)
(H.53)
H.1. Referencias
(1) Atkinson, K.E.: An Introduction to Numerical Analysis, 2nd edition, J.
Wiley & Sons., New York, 1989.
(2) Burden, R.L. y Faires, J.D.: An
alisis Numerico, 2da edicion, Grupo
Editorial Iberoamerica, Mexico, 1993.
H.1. REFERENCIAS
87