Documentos de Académico
Documentos de Profesional
Documentos de Cultura
50
45
40
35
30
25
20
15
10
5
0
-2 0
- 32 0
-2 0
-1 0
10
20
30
Apuntes de clase.
Marco Antonio Pinto Ramos.
Mtodos Numricos
1. INTRODUCCIN Y PRECISIN EN LOS
CLCULOS NUMRICOS
1.1 Introduccin a los mtodos numricos
1.2 Cifras Significativas
1.2.1 Exactitud y precisin
1.2.2 Errores
1.3 Representacin de nmeros en la computadora
1.3.1 Sistemas numricos
1.3.1.1 Sistema binario
1.3.1.2 Sistema octal
1.3.1.3 Sistema hexadecimal
1.3.1.4 Sistema decimal
1.3.2 Representacin entera
1.3.3 Representacin de punto flotante
1.4 Algoritmos
1.4.1 Estabilidad
1.4.2 Convergencia
1.4.3 Recursividad
1.5 Series y sucesiones
1.5.1 Series
1.5.1.1 Series geomtricas
1.5.1.2 Series aritmticas
1.5.1.3 Series de Taylor
1.5.1.4 Series de Fourier
1.5.1.5 Series de Binomio
1.5.2 Sucesiones
1.5.2.1 Sucesiones geomtricas
1.5.2.2 Sucesiones aritmticas
1.6 Nmero de condicin
2. RACES DE ECUACIONES
2.1 Aproximacin grfica
2.2 Mtodo de Biseccin
2.3 Mtodo de Falsa Posicin
2.4 Mtodo de Newton Raphson
2.5 Mtodo de la Secante
2.6 Races mltiples
2.6.1 Mtodo de Newton Raphson modificado para
races mltiples
2.6.2 Mtodo de Mller
BIBLIOGRAFA
1. ANLISIS NUMRICO*
Richard L. Burden/ J. Douglas Faires
Grupo Editorial Iberoamrica
2. MTODOS NUMRICOS PARA INGENIEROS*
Chapra, Canale
Ed. McGraw Hill, Mxico
3. MTODOS NUMRICOS / Aplicados a la Ingeniera
Antonio Nieves/Federico C. Domnguez Ed. CECSA
* Disponibles en Biblioteca Central UABC
Mtodos Numricos
Unidad I........................................................................................................................... 1
Introduccin................................................................................................................... 1
Aproximacin numrica y teora de errores................................................................ 1
Errores inherentes........................................................................................................................ 2
Errores de truncamiento............................................................................................................... 2
Errores de redondeo..................................................................................................................... 2
Error............................................................................................................................................. 3
Error relativo................................................................................................................................ 3
Error porcentual........................................................................................................................... 3
Cifras Significativas....................................................................................................... 4
Precisin y exactitud..................................................................................................... 4
Algoritmos...................................................................................................................... 4
Estabilidad...................................................................................................................... 5
Convergencia................................................................................................................. 5
Recursividad................................................................................................................... 6
Series y sucesiones....................................................................................................... 6
Criterio de convergencia y divergencia....................................................................... 7
Serie de Taylor............................................................................................................................. 7
Serie binomial.............................................................................................................................. 8
Serie de McLaurin........................................................................................................................8
Serie de Fourier............................................................................................................................ 9
Unidad II........................................................................................................................ 11
Solucin numrica de ecuaciones de una sola variable.......................................... 11
Aproximacin Grafica............................................................................................................... 11
Mtodo de Biseccin..................................................................................................................12
Mtodo de Falsa Posicin.......................................................................................................... 14
Mtodo de Newton-Raphson..................................................................................................... 16
Mtodo de la secante................................................................................................................. 18
Races Mltiples.........................................................................................................................20
Mtodo de Newton-Raphson modificado para races mltiples................................................ 21
Mtodo de Mller...................................................................................................................... 23
Unidad III ...................................................................................................................... 28
Solucin numrica de sistemas de ecuaciones........................................................ 28
Determinante de una matriz....................................................................................................... 31
Regla de Cramer........................................................................................................................ 32
Eliminacin de Gauss o Gaussiana Simple................................................................................ 34
Inversin de matrices................................................................................................................. 38
Descomposicin LU...................................................................................................................39
Descomposicin de CROUT......................................................................................................43
Descomposicin de Cholesky.................................................................................................... 47
Mtodo de Jacobi....................................................................................................................... 49
Mtodo de Gauss-Seidel............................................................................................................ 51
Normas de Vector y Matrices.................................................................................................... 53
Mnimos Cuadrados................................................................................................................... 56
Unidad IV....................................................................................................................... 57
Aproximacin funcional e interpolacin.................................................................... 57
Repaso de estadstica................................................................................................................. 57
I
II
Mtodos Numricos
Unidad I.
Introduccin.
En el campo de la ingeniera y ciencias, existen infinidad de fenmenos que
requieren representarse mediante modelos matemticos. Desafortunadamente, la gran
mayora de estos modelos no tiene una solucin exacta no es fcil encontrarla. Es
estos casos es en donde los mtodos numricos proporcionan una solucin
aproximada al problema original. Un mtodo numrico es aquel que obtiene nmeros
que se aproximan a los que se obtendran aplicando la solucin analtica de un
problema.
Los mtodos numricos son herramientas extremadamente poderosas para la solucin
de problemas. Son capaces de manejar sistemas de ecuaciones grandes, no
linealidades geomtricas complicadas que son comunes en la practica de la ingeniera
y que, a menudo, son imposibles de resolver analticamente.
Aproximacin numrica y teora de errores
Debemos conformarnos siempre, en la prctica de la ingeniera y de las
ciencias, con una solucin aproximada a un problema por las siguientes razones:
Los modelos matemticos son aproximados esto es, simplificaciones al problema real.
No se toman en cuenta todos los factores que afectan a un fenmeno. Por ejemplo, en
el caso del tiro parablico, se suele despreciar la resistencia del aire, sin embargo, esta
puede ser importante.
Los modelos matemticos requieren de parmetros, los cuales la mayora de las veces
provienen de mediciones experimentales y estas, solo tienen una precisin limitada,
que depende del instrumento de medicin. Por ejemplo la constante de los gases
ideales. Tambin pueden provenir de clculos y estos tienen una precisin limitada que
depende tanto del mtodo como del instrumento de clculo que se utilicen. Por
ejemplo .
Los modelos matemticos resultantes son imposibles de resolver por mtodos
analticos y se debe de aproximar la solucin numricamente. Por ejemplo una
ecuacin de quinto grado.
Por lo anterior, humildemente tenemos que aceptar que siempre se tendrn presentes
errores, estos pueden clasificarse en:
Errores inherentes.
Errores de truncamiento.
Errores de redondeo.
Errores inherentes
Los errores inherentes son aquellos que tienen los datos de entrada de un
problema, y son debidos principalmente a que se obtienen experimentalmente,
debindose tanto al instrumento de medicin, como a las condiciones de realizacin del
experimento. Por ejemplo, s el experimento es a temperatura constante y no se logra
esto mas que en forma aproximada. Tambin pueden deberse a que se obtengan de
clculos previos. Por ejemplo el valor calculado es el de un nmero irracional como
2.
Errores de truncamiento
Los errores de truncamiento se originan por el hecho de aproximar la solucin
x2
2!
x3
3!
+ +
xN
N!
N= 0
xN
N!
1
3
, tenemos que
conformarnos solo con la mayor cantidad de cifras 3, que maneje nuestro instrumento
de calculo.
Los errores anteriores tambin suelen denominarse como las fuentes de error.
La magnitud del error generada por alguna o todas las fuentes de error mencionadas
anteriormente, se puede cuantificar con ayuda de los siguientes parmetros:
Error.
Error relativo.
Error porcentual.
Error
El error se define como la diferencia entre el valor real Vr y una aproximacin a
este valor Va :
e = Vr Va
Error relativo
El error relativo se define como el cociente del error entre el valor real Vr
(s Vr 0 ):
er =
e Vr Va
=
Vr
Vr
Vr Va
*100%
Vr
3
Ejemplo
Algoritmo hecho en pseudocdigo del promedio de n nmeros.
1.- Pedir datos
2.- Contar datos: n =nmeros de datos.
3.- Sumar los datos: suma = suma + dato(i )
4.- Dividir suma entre n : prom = suma / n
5.- Imprimir el prom
Estabilidad
Algoritmos estables: Son aquellos en los que los cambios pequeos en los datos
de entrada generan cambios pequeos al final o a la salida.
Algoritmos inestables: Son aquellos en los que los cambios pequeos en la entrada
producen grandes cambios en la salida.
Por ejemplo s en es un error en alguna etapa de un proceso y k es una constante
independiente de n el nmero de etapa, entonces s el error despus de n
operaciones se puede representar por f (n) = kn , se dice que el crecimiento del error
es lineal. S en cambio el error se representa por f (n) = k n para k > 1 , el crecimiento
del error se dice que es exponencial.
El crecimiento del error lineal es por lo general inevitable, y cuando k y n son
pequeos, los resultados son aceptables. El crecimiento del error exponencial debe ser
evitado, ya que el trmino k n ser grande, aun para valores relativamente pequeos de
n . Por lo tanto s el crecimiento del error es lineal el mtodo es estable y s es
exponencial es inestable.
Convergencia
Velocidad de convergencia (rapidez o razn de convergencia): Es el nmero de
iteraciones que requiere un clculo o algoritmo para converger o aproximarse a un
valor.
Es decir la convergencia se refiere al hecho de que los mtodos numricos obtienen n
trminos de una sucesin de valores. Comenzamos con un valor inicial que sea una
5
(Infinita)
Sucesin : 2,4,6,8,10.
geomtrica
Series y Sucesiones
aritmtica
(Finita)
Sucesin aritmtica
a + (a + d ) + (a + 2d ) + + (a + ( N 1)d ) =
1
2
n( a + l )
N1
a (1 x N )
=
1 x
decreciente si:
a n 1 an
Ejemplos
n
ax n (Geomtrica decreciente)
n= 1
0
ax n (Geomtrica creciente)
n=
0
n=
Sea
n= 1
x2 x3 x4
xn
+
+ +
2
3
4
n
2
x 1 1 x 1
1 x 1
1 x 1
ln( x) =
+
+
+ +
x
2 x
3 x
n x
Para 1 < x 1
n
Para x
1
2
n
x 1 1 x 1 3 1 x 1 5
1 x 1
ln( x) = 2
+
+
+ +
5 x + 1
n x + 1
x + 1 3 x + 1
Para x > 0
sen( x) = x
x3 x5 x7
xn
+
+ +
3! 5! 7!
n!
cos( x) = 1
x2 x4 x6
+
+
2! 4! 6!
tan( x) = x +
1 3 2 5 17 7
x +
x +
x +
3
15
315
Para x <
sen 1 ( x ) = x +
1 x 3 1 3 x 5 1 3 5 x 7
+
+
+
2 3 2 4 5 2 4 6 7
Para x < 1
1 x 3 1 3 x 5 1 3 5 x 7
1
cos ( x) = sen ( x) = x +
+
+
+ Para x < 1
2
2
2 3 2 4 5 2 4 6 7
x3 x5 x7
senh( x) = x +
+
+
+
3! 5! 7!
x2 x4 x6
+
+
+
2! 4! 6!
cosh( x ) = 1 +
Serie binomial
(a + x) n = a n + na n 1 +
Serie de McLaurin.
En matemticas a menudo se pueden representar funciones mediante una serie
infinita por ejemplo la funcin exponencial se puede utilizar usando
ex = 1+ x +
x 2 x3
xn
+
+ +
2! 3!
n!
Serie de Fourier
Sea f (x ) una funcin compleja peridica con perodo 2 , evaluada en dominio de
los nmeros reales e integrable sobre el intervalo -
f ( x) =
[a
n= 1
donde:
an =
1
f ( x) cos(n x)dx
bn =
f ( x) s e n( n x)dx
Cuadrada
Triangular
f (x )
f (x )
f ( x) =
+
+
+
1
3
5
Diente de sierra
f ( x) =
+
+
+
2
2
2 1
3
5
Senoidal Rectificada
f (x )
f (x )
f ( x) = 2
+
2
3
1
f ( x) =
1 1
+ sen( x)
2
2 Cos (2 x) Cos (4 x ) Cos (6 x)
+
+
+
1 3
3 5
5 7
Ejemplo
S e rie d e F o u rie r d e u n a s e a l C u a d ra d a
F (X )
4 Sen ( x)
X
1
4 Sen ( x ) Sen ( 3x )
Cuadrada ( x ) =
+
1
3
Cuadrada ( x ) =
Cuadrada( x ) =
1
3
5
an =
an =
1
[ sen(n 0) + sen( n ) + sen(n ) sen(n 0)] = 0
n
bn =
bn =
1
1
1
0
cos(n x)
cos(n x) 0 =
[ cos(n 0) cos(n ) cos(n ) + cos(n 0)]
n
n
n
bn =
1
[1 cos(n ) cos(n ) + 1] = 1 [ 2 2 cos(n )] = 2 [1 cos(n )]
n
n
n
f ( x) dx =
cos(n x) dx +
- dx +
Como a0 = 0 , an = 0 y bn =
f ( x) =
f ( x) s e n(n x) dx =
cos(n x) dx =
+ x
1
0
sen(n x) + sen(n x)
n
s e n(n x ) dx +
s e n(n x) dx
2
[1 cos(n )] tenemos que
n
(1 cos(n ) ) sen(n x) 4
n = 1
=
n
dx =
1
x
] = 1 [ 0 + 0] = 0
a0 =
+
+
= 1 +
n
3
5
n = 1, 3, 5...
10
Unidad II
Solucin numrica de ecuaciones de una sola variable.
Las soluciones de una ecuacin f ( x) = 0 , se llaman ceros o races de f (x) . En
algunos casos las races pueden ser obtenidas
ejemplo para una ecuacin cuadrtica se utiliza formula general. Aunque existen
ecuaciones que no se pueden resolver directamente, por ejemplo una funcin tan
simple tal como f ( x) = e x x . Para estos casos, la nica alternativa es una tcnica de
solucin numrica .
Aproximacin Grafica
Un mtodo simple para obtener una aproximacin a la raz de la ecuacin
f ( x) = 0 , consiste en graficar la funcin y observar en donde cruza al eje x .
Este punto representa el valor de x para el cual f ( x) = 0 proporciona una aproximacin
de la raz de la funcin f (x) .
Ejemplo
Usando la aproximacin grfica para obtener el coeficiente de razonamiento c ,
necesario para que un paracaidista de masa = 68.1 kg tenga una velocidad de 40 m / s
despus de una cada libre de 10 s , g = 9.81m / s 2 donde la funcin que representa este
echo esta dada por:
v(t ) =
gm
ct
1 e m
c
En este caso se rescribe la funcin de tal manera que sea igualada a cero, lo cual
queda:
ct
gm
f (c ) =
1 e m v
c
2
4
6
8
10
12
14
16
18
20
22
f (c )
45.00718
34.19047
25.20892
17.71226
11.42152
6.11394
1.61112
-2.23026
-5.52565
-8.36838
-10.83416
f (c)
35
30
25
20
15
10
Raiz Aproximada
14.75
5
0
10
12
14
16
18
c
20
22
-5
-1 0
-1 5
11
Mtodo de Biseccin
Este mtodo consiste en encerrar una raz entre un intervalo en el cul la funcin
debe cruzar al eje horizontal, e ir dividiendo el intervalo a la mitad hasta encontrar la
mejor aproximacin.
35
30
25
20
xr =
15
10
xi + xu
2
5
0
-5
-1 0
xi
10
12
xr
14
16
xi
xi
18
20
xr
xu
xu
xu
22
-1 5
xi + xu
2
12
Ejemplo:
Resolviendo el ejemplo anterior utilizando el mtodo de biseccin con xi = 12 y
xu = 16 se tiene:
ct
gm
f (c ) =
1 e m v
c
xi
xu
xr
f ( xi )
f ( xu )
f ( xr )
er
1
2
3
4
5
6
7
8
9
12.0000000
14.0000000
14.0000000
14.5000000
14.7500000
14.7500000
14.7500000
14.7812500
14.7968750
16.0000000
16.0000000
15.0000000
15.0000000
15.0000000
14.8750000
14.8125000
14.8125000
14.8125000
14.0000000
15.0000000
14.5000000
14.7500000
14.8750000
14.8125000
14.7812500
14.7968750
14.8046875
6.1139431
1.6111164
1.6111164
0.5936984
0.0998300
0.0998300
0.0998300
0.0387748
0.0083032
-2.2302607
-2.2302607
-0.3844581
-0.3844581
-0.3844581
-0.1434972
-0.0221312
-0.0221312
-0.0221312
1.6111164
-0.3844581
0.5936984
0.0998300
-0.1434972
-0.0221312
0.0387748
0.0083032
-0.0069187
6.6666667
3.4482759
1.6949153
0.8403361
0.4219409
0.2114165
0.1055966
0.0527704
1a iteracin
x + xu 12 + 16
xr = i
=
= 14
2
2
ct
gm
1 e m v = 6.1139431
f (12) =
ct
gm
1 e m v = -2.2302607
f (16) =
f (14) =
ct
gm
1 e m v = 1.6111164
3 a iteracin
x + xu 14 + 15
xr = i
=
= 14.5
2
2
ct
gm
1 e m v = 1.6111164
f (14) =
ct
gm
1 e m v = -0.3844581
f (15) =
ct
gm
1 e m v = 0.5936984
f (14.5) =
er =
14.5 15
*100 = 3.4482759
14.5
2 a iteracin
x + xu 14 + 16
xr = i
=
= 15
2
2
ct
gm
1 e m v = 1.6111164
f (14) =
ct
gm
1 e m v = -2.2302607
f (16) =
ct
gm
m
f (15) =
1
e
v = -0.3844581
c
15 14
er =
*100 = 6.6666667
15
4 a iteracin
x + x 14.5 + 15
xr = i u =
= 14.75
2
2
ct
gm
f (14.5) =
1 e m v = 0.5936984
c
f (15) =
ct
gm
1 e m v = -0.3844581
ct
gm
f (14.75) =
1 e m v = 0.0998300
c
er =
14.75 14.5
* 100 = 1.6949153
14.75
13
f ( xi )
xr = xu
f ( xu )( xi xu )
f ( xi ) f ( xu )
xr
xi
xu
f ( xu )
f ( xu )( xi xu )
f ( xi ) f ( xu )
14
Ejemplo
Utilizando el mtodo de la falsa posicin para determinar la raz de la ecuacin
del ejemplo anterior con xi = 12 y xu = 16 se tiene:
i
xi
xu
xr
f ( xi )
f ( xu )
f ( xr )
er
1
2
3
4
5
6
7
8
9
10
12.0000000
12.0000000
12.0000000
12.0000000
12.0000000
12.0000000
12.0000000
12.0000000
12.0000000
12.0000000
16.0000000
14.9308695
14.8150760
14.8026327
14.8012966
14.8011532
14.8011378
14.8011361
14.8011360
14.8011359
14.9308695
14.8150760
14.8026327
14.8012966
14.8011532
14.8011378
14.8011361
14.8011360
14.8011359
14.8011359
6.1139431
6.1139431
6.1139431
6.1139431
6.1139431
6.1139431
6.1139431
6.1139431
6.1139431
6.1139431
-2.2302607
-0.2514869
-0.0271452
-0.0029159
-0.0003131
-0.0000336
-0.0000036
-0.0000004
0.0000000
0.0000000
-0.2514869
-0.0271452
-0.0029159
-0.0003131
-0.0000336
-0.0000036
-0.0000004
0.0000000
0.0000000
0.0000000
0.7815922
0.0840618
0.0090264
0.0009691
0.0001040
0.0000112
0.0000012
0.0000001
0.0000000
1a iteracin
ct
gm
m
f (12) =
1
e
v = 6.1139
c
ct
gm
m
f (16) =
1
e
v = -2.2302
c
(-2.2302)(12 16)
xr = 16
= 14.9308
(-2.2302) (6.1139)
ct
gm
m
f (14.9308) =
1
e
v = -0.2514
c
2 a iteracin
ct
gm
m
f (12) =
1
e
v = 6.1139
c
ct
gm
m
f (14.9308) =
1
e
v = -0.2514
c
(-0.2514)(12 14.9308)
x r = 14.9308
= 14.8150
(6.1139) (-0.2514)
f (14.8150) =
ct
gm
m
1
e
v = -0.0271
c
14.8150 14.9308
* 100 = 0.7815
14.8150
4 a iteracin
ct
gm
m
f (12) =
1
e
v = 6.1139
c
ct
gm
m
f (14.8026) =
1
e
v = -0.0029
c
(-0.0029)(12 14.8026)
x r = 14.8026
= 14.8012
(6.1139) (-0.0029)
er =
3 a iteracin
ct
gm
f (12) =
1 e m v = 6.1139
ct
gm
f (14.8150) =
1 e m v = -0.0271
(-0.0271)(12 14.8150)
x r = 14.8150
= 14.8026
(6.1139) (-0.0271)
ct
gm
m
f (14.8026) =
1
e
v = -0.0029
c
er =
14.8026 14.8150
* 100 = 0.0840
14.8026
ct
gm
f (14.8012) =
1 e m v = -0.0003
er =
14.8012 14.8026
* 100 = 0.0090
14.8012
15
Mtodo de Newton-Raphson.
Los mtodos de Biseccin y Falsa posicin son llamados mtodos por intervalos
en los cuales los valores iniciales deben encerrar a la raz deseada. Los mtodos
siguientes son llamados mtodos de intervalo abierto dado que las condiciones
iniciales no necesariamente tienen que contener a la raz.
Si el valor inicial de la raz es xi , entonces se puede trazar una tangente del punto
f ( xi ) ; el punto donde esta tangente cruza al eje x representa una aproximacin de
la raz.
f (x)
f ' ( xi )
f (xi )
xi + 1 = xi
xi
f ( xi )
f ' ( xi )
xi + 1
y 2 y1
podemos tener que:
x 2 x1
f ' ( x) = m =
f ( xi )
y 2 y1
=
x 2 x1 xi xi + 1
f ( xi )
f ' ( xi )
16
Ejemplo:
Utilizar el mtodo de Newton-Raphson para encontrar la raz de f ( x) = e x x
empleando un valor inicial de x0 = 0
i
xi
f ( xi )
0
1
2
3
4
5
0.0000000
0.5000000
0.5663110
0.5671432
0.5671433
0.5671433
1.0000000
0.1065307
0.0013045
0.0000002
0.0000000
0.0000000
f ' ( xi )
er
-2.0000000
-1.6065307 100.0000000
-1.5676155 11.7092910
-1.5671434 0.1467287
-1.5671433 0.0000221
-1.5671433 0.0000000
0.5 0
* 100 = 100
0.5
2 a iteracin
x1 = 0.5
f ( x1 ) = e x x = 0.1065307
f ' ( x1 ) = e x 1 = 1.6065307
f ( x1 )
0.1065307
x2 = x1
= 0.5
f ' ( x1 )
- 1.6065307
= 0.5663110
0.5663110 0.5
er =
* 100
0.5663110
= 11.7092910
3a iteracin
x 2 = 0.5663110
f ( x 2 ) = e x x = 0.0013045
f ' ( x 2 ) = e x 1 = 1.6065307
f ( x2 )
0.0013045
x3 = x2
= 0.5663110
f ' ( x2 )
- 1.5676155
= 0.5671432
0.5671432 0.5663110
er =
* 100
0.5671432
= 11.7092910
4a iteracin
x3 = 0.5671432
f ( x3 ) = e x x = 0.0000002
f ' ( x3 ) = e x 1 = -1.5671434
f ( x3 )
0.0000002
x4 = x3
= 0.5671432
f ' ( x3 )
- 1.5671434
= 0.5671433
0.5671433 - 0.5671432
er =
* 100
0.5671433
= 0.1467287
17
Mtodo de la secante
El principal problema de la implementacin del mtodo de Newton-Raphson es
la evaluacin de la derivada. Aunque esto no es ningn inconveniente para los
polinomios, en algunos de los casos ciertas derivadas son difciles de evaluar.
En estos casos se puede aproximar la derivada mediante una diferencia dividida finita
regresiva.
f (x)
f ( xi 1 )
xi + 1 = xi
f ( xi )( xi 1 xi )
f ( xi 1 ) f ( xi )
f ( xi )
xi 1
xi
xi + 1
f ( xi 1 ) f ( xi )
f ( xi )
=
xi xi 1
xi + 1 xi
f ( xi )( xi 1 xi )
f ( xi 1 ) f ( xi )
18
Ejemplo:
Utilice el mtodo de la secante para calcular la raz de
f ( x) = e x x .
x0
xi
| er
0.00000000 1.00000000
x1
x2
x3
x4
x5
x6
x7
Primera iteracin
x0 = 0
f ( xi )
Segunda iteracin
x1 = 1
f ( x1 ) = e x x = -0.6321
1- 0
er =
* 100 = 100
1
(-0.6321)(0 1)
x2 = 1
= 0.6126
(1) (-0.6321)
x1 = 1
f ( x1 ) = e x x = -0.6321
x 2 = 0.6126 f ( x 2 ) = e x x = -0.0708
0.6126 - 1
er =
* 100 = 63.2120
0.6126
(-0.0708)(1 0.6126)
x3 = 0.6126
= 0.5638
(-0.6321) (-0.0708)
Tercera iteracin
Cuarta iteracin
x 2 = 0.6126
x3 = 0.5638
f ( x0 ) = e x x = 1
f ( x 2 ) = e x x = -0.0708
f ( x3 ) = e x x = 0.0051
x3 = 0.5638
f ( x3 ) = e x x = 0.0051
x 4 = 0.5671 f ( x 4 ) = e x x = -0.00004242
0.5638 - 0.6126
0.5671 - 0.5638
er =
* 100 = 8.6658
er =
* 100 = 0.5874
0.5638
0.5671
(0.0051)(0.6126 - 0.5638)
(-0.00004242)(0.5638 - 0.5671)
x4 = 0.5638
= 0.5671 x5 = 0.5671
(-0.0708) (0.0051)
(0.0051) (-0.00004242)
= 0.56714331
19
Races Mltiples
Una raz mltiple corresponde a un punto donde una funcin es tangencial al eje
horizontal x , por ejemplo si f (x) es formada por una multiplicacin de binomios iguales
se encontrara una raz repetida.
f ( x) = x 3 5 x 2 + 7 x 3
f ( x) = ( x 3)( x 1)( x 1) = ( x 3)( x 1) 2
f (x )
Raz Simple
Raz Doble
La ecuacin anterior tiene una raz doble porque un valor de x hace que dos trminos
de la ecuacin sean iguales a cero en x = 1 , se observa que en la curva toca al eje x
pero no lo cruza.
f ( x) = x 4 6 x 3 + 12 x 2 10 x + 3
f ( x) = ( x 3)( x 1)( x 1)( x 1) = ( x 3)( x 1) 3
f (x )
Raz Simple
Raz Triple
f ( xi ) f ' ( xi )
[ f ' ( xi )] 2 f ( xi ) f ' ' ( xi )
La manera en que se realizan las iteraciones es de la misma forma que el del mtodo
de Newton-Raphson
Ejemplo:
Utilice el mtodo de Newton-Raphson modificado para evaluar la raz mltiple de
la ecuacin con un valor inicial de x0 = 0 f ( x) = x 3 5 x 2 + 7 x 3
Obteniendo la primera y segunda derivada de la funcin f (x ) se tiene que
f ' ' ( x) = 6 x 10
f ' ( x) = 3 x 2 10 x + 7
i
xi
f ( xi )
f ' ( xi )
f ' ' ( xi )
er
0
1
2
3
4
0.0000000
1.1052632
1.0030817
1.0000024
1.0000000
-3.0000000
-0.0209943
-0.0000190
0.0000000
0.0000000
7.0000000
-0.3878116
-0.0122982
-0.0000095
0.0000000
-10.0000000
-3.3684211
-3.9815100
-3.9999857
-4.0000000
100.0000000
10.1867572
0.3079275
0.0002381
Primera iteracin
x0 = 0
f ( x0 ) = x 5 x + 7 x 3 = 3
3
f ' ( x 0 ) = 3x 10 x + 7 = 7
f ' ' ( x0 ) = 6 x 10 = 10
( 3) (7)
x1 = 0
= 1.1052
2
[ 7] ( 3)( 10)
Segunda iteracin
x1 = 1.1052
f ( x1 ) = x 3 5 x 2 + 7 x 3 = -0.0209
f ' ( x1 ) = 3 x 2 10 x + 7 = -0.3878
f ' ' ( x1 ) = 6 x 10 = -3.3684
1.1052 - 0
er =
*100 = 100
1.1052
x2 = 1.1052
(-0.0209) (-0.3878)
[ - 0.3878] 2
(-0.0209)(3.3684)
= 1.0030
Tercera iteracin
x1 = 1.0030
f ( x1 ) = x 3 5 x 2 + 7 x 3 = -0.000019
f ' ( x1 ) = 3 x 2 10 x + 7 = -0.01229
f ' ' ( x1 ) = 6 x 10 = -3.9815
1.0030 - 1.1052
er =
* 100 = 10.1867
1.0030
(-0.000019) (-0.01229)
x2 = 1.0030
[ - 0.01229] 2 (-0.000019)(-3.9815)
= 1.0000024
21
Mtodo de Mller
El mtodo de la secante obtiene races estimando una proyeccin de una lnea
recta en el eje x a travs de dos valores de la funcin. El mtodo de Mller es similar,
solo que utiliza una parbola que pasa a travs de tres puntos. Estos coeficientes
pueden sustituirse en la formula cuadrtica para obtener el punto donde la parbola
intercepta al eje x, es decir a la raz estimada (x ) .
f ( x)
x
Raz
Estimada
x0
x
x2
x1
x
Raz
(1)
(2)
f ( x1 ) = a( x1 x2 ) 2 + b( x1 x2 ) + c
(3)
f ( x2 ) = a ( x2 x2 ) 2 + b ( x2 x2 ) + c
f ( x2 ) = c
(4)
(5)
f ( x1 ) f ( x2 ) = a ( x1 x2 ) 2 + b( x1 x2 )
(6)
22
0 =
a=
h1 = x2 x1
f ( x1 ) f ( x0 )
h0
1 0
h1 + h0
1 =
b = ah1 + 1
f ( x2 ) f ( x1 )
h1
c = f ( x2 )
Para encontrar la raz se aplica la formula cuadrtica general, pero esto podra
ocasionar un error potencial, por lo cual se utilizara una ecuacin alternativa.
x3 = x2 +
2c
b
b 2 4ac
(7)
Observe que el uso de la formula cuadrtica implica que se puedan encontrar tanto
races reales como complejas.
El error en las iteraciones se obtiene de la siguiente ecuacin
x x
a = 3 2
x3
100
(8)
La ecuacin (7) produce dos races correspondientes a los signos (+,-) del
denominador. En el mtodo de Mller de acuerdo con el signo de b se puede producir
un denominador muy grande, y por lo tanto proporciona una raz estimada ms cercana
a x2 .
Una vez que se determina x3 , se repite el proceso. Este resultado conduce a n punto
que es descartado, en general se utilizan dos estrategias para descartar dicho punto:
1. Si solo se localiza las races reales, elegimos dos puntos originales que se
aproximen a la nueva raz estimada x3
2. Si ambas races (real y compleja) han sido evaluadas, se emplea una
aproximacin secuencial. Esto es similar al mtodo de la secante, donde x1 ,
x2 y x3 toman el lugar de x0 , x1 y x2
23
Ejemplo
Utilice el mtodo de Mller con valores iniciales de x0 = 4.5 , x1 = 5.5 y x 2 = 5 para
determinar la raz de la ecuacin f ( x) = x 3 13 x 12 , las races de la ecuacin son 3,
-1, y 4
i
xi
f ( xi )
h0
h1
0
1
2
3
4
5
6
4.5000
5.5000
5.0000
3.9765
4.0011
4.0000
4.0000
20.6250
82.8750
48.0000
-0.8163
0.0368
0.0000
0.0000
1.0000
-0.5000
-1.0235
0.0246
-0.0010
-0.5000
-1.0235
0.0246
-0.0010
0.0000
62.2500
69.7500
47.6949
34.7310
35.0126
69.7500
47.6949
34.7310
35.0126
35.0000
15.0000
14.4765
12.9775
11.9775
12.0011
62.2500
32.8780
35.0498
35.0000
35.0000
48.0000
-0.8163
0.0368
0.0000
0.0000
x0 = 4.5
f ( x 0 ) = x 3 13 x 12 = 20.6250
x1 = 5.5
f ( x1 ) = x 3 13 x 12 = 82.8750
x2 = 5
f ( x 2 ) = x 3 13 x 12 = 48.0000
h0 = x1 x0 = 5.5 4.5 = 1
f ( x3a )
x 3b
f ( x3b )
f ( x1 ) f ( x0 ) (82.8750) f (20.6250)
=
= 62.2500
h0
1
1 =
f ( x 2 ) f ( x1 ) (48) (82.8750)
=
= 69.7500
h1
0.5
1 0 (69.7500) (62.2500)
=
= 15.0000
h1 + h0
( 0.5) + (1)
2c
b
b 2 4ac
= 5+
2(48)
(62.2500) +
(62.2500) 2 4(15.0000)(48)
= 3.9765
f ( x3a ) = x 3 13 x 12 = -0.8163
x 3b = x 2 +
2c
b
b 4ac
2
= 5+
2(48)
(62.2500)
er
h1 = x 2 x1 = 5 5.5 = 0.5
0=
a=
x3 a
(62.2500) 2 4(15.0000)(48)
= 1.8735
f ( x3b ) = x 3 13 x 12 = -29.7795
24
(1)
De esta ecuacin lo que puede intentarse para resolverla es despejar x , pero como ya
sabemos, esto puede ser imposible para ciertas funciones. El mtodo de iteracin de
punto fijo, sigue esta idea, pero como no es posible despejar x , al menos lo que se
hace es poner x en funcin de si misma, es decir:
x = g (x )
(2)
(3)
Se puede demostrar que este mtodo por lo regular tiene convergencia lineal, por lo
cual podra ser lento. Ejemplo del mtodo de iteracin de punto fijo
La ecuacin x 3 + 2 x 2 + 10 x 20 = 0 se puede expresar de varias maneras como un punto
fijo:
xn + 1 =
20
x + 2 xn + 10
(4)
xn + 1 =
20 xn3 + 2 xn2
10
(5)
x n + 1 = sen( x n ) + x n
(6)
2
n
de la ecuacin sen( x ) = 0
(7)
25
La desventaja de este mtodo es hallar una funcin g (x) que sea convergente. Se
puede demostrar que el mtodo ser convergente s
dg ( x)
1
dx
(8)
Como en general es difcil probar esto se prefiere ensayar con varias funciones g (x)
hasta hallar una que sea convergente. En la prctica en algunos casos el problema se
plantea directamente como una iteracin de punto fijo.
Los dems mtodos se pueden expresar como puntos fijos. Por ejemplo s
y ( xn )
dy ( xn )
dx
(9)
y ( xn )( xn xn 1 )
y ( xn ) y ( xn 1 )
(10)
g ( xn + 1 ) = xn
Se tiene el mtodo de Newton-Raphson. Si
g ( xn + 1 ) = xn
Se obtiene el mtodo de la secante.
26
Unidad III
Solucin numrica de sistemas de ecuaciones
Una matriz consiste de un arreglo rectangular de elementos representado por un
solo smbolo.
a11 a 21 a1m
a
a 22 a 2 m
A = 21
a n1 a n 2 anm
A es de n renglones por m columnas. Su dimensin es de n m donde An m
Si n = 1 ,se le conoce como vector
rengln;
columna
B = [ b1 b2
c1
c
2
C = c3
c n
b3 bm ]
A4 4
a11
a
= 21
a31
a 41
a12
a 22
a32
a 42
a13
a 23
a33
a 43
a14
a 24
a34
a 44
0
a 22
0
0
0
a33
27
a12
a 22
0
a13
a 23
a33
La matriz triangular inferior es aquella en la que todos los elementos por encima de
la diagonal principal son 0.
a11
A = a 21
a31
0
a 22
a32
0
0
a33
Matriz banda, tribanda o tridiagonal La matriz banda tiene todos los elementos igual
a 0 excepto en una banda centrada sobre la diagonal principal.
A4 4
a11
a
= 21
0
a12
a 22
a32
0
0
a 23
a33
a 43
0
0
a34
a 44
21 a 22 b21 b22 c 21 c 22
i = 1, 2, 3, , n
cij = aij + bij para
j = 1, 2, 3, , m
Resta de matrices
C = A B
a11 a 21 b11 b21
a
=
21 a 22 b21 b22
cij = a ij bij
c11
c
21
c 21
c 22
i = 1, 2, 3, , n
j = 1, 2, 3, , m
para
La suma y la resta de matrices son conmutativas y asociativas A + B = B + A :
E-F = -F + E
28
Multiplicacin
Multiplicacin por un escalar
ga11
ga
D = gA = 21
ga n1
ga 21
ga 22
ga n 2
ga1m
ga 2 m
ga nm
k=1
cik bkj
( An m )( Bm l ) = C n l
a11
Si A =
a 21
A 1 =
Para matrices de 3 3
a11
A = a 21
a31
a12
entonces
a 22
1
a11 a 22 a12 a 21
a 22
a
12
a 21
a11
1
A 1 =
a12
a 22
a32
a 22
a
32
a 21
a
31
a 21
a
31
a13
a 23 entonces
a33
a 23
a33
a 23
a33
a 22
a 32
a
12
a32
a11
a
31
a11
a 31
a13
a33
a13
a33
a12
a32
a12
a
22
a
11
a 21
a11
a
21
a13
a 23
a13
a 23
a12
a 22
29
Matriz transpuesta
Si los renglones y las columnas de una matriz A se intercambian, entonces la matriz
resultante de n m se conoce como la transpuesta de A y se denota AT
a11
a
A = 21
a31
a 41
a12
a 22
a32
a 42
a13
a 23
a33
a 43
a14
a11
a
a 24
T
12
A
=
entonces
a13
a34
a 44
a14
a 21
a 22
a 23
a 24
a31
a32
a33
a34
a 41
a 42
a 43
a 44
aij = a ji
i= 1
aij
Para matrices de 4 4
Det [ A] = a11 a 22 a33 a 44 -a11 a 22 a34 a 43 -a11 a32 a 23 a 44+a11 a32 a 24 a 43
+a11 a 42 a 23 a34 -a11 a 42 a 24 a 33 -a 21 a12 a 33 a 44+a 21 a12 a34 a 43
+a 21 a 32 a13 a 44 -a 21 a32 a14 a 43 -a 21 a 42 a13 a34+a 21 a 42 a14 a33
+a31 a12 a 23 a 44 -a31 a12 a 24 a 43 -a31 a 22 a13 a 44+a31 a 22 a14 a 43
+a31 a 42 a13 a 24 -a31 a 42 a14 a 23 -a 41 a12 a 23 a34+a 41 a12 a 24 a33
+a 41 a 22 a13 a34 -a 41 a 22 a14 a 33 -a 41 a32 a13 a 24+a 41 a32 a14 a 23
30
Regla de Cramer
La regla de Cramer permite resolver sistemas lineales de ecuaciones de n
ecuaciones, con n incgnitas. Si Ax = b es un sistema de ecuaciones. ( A es la matriz
de coeficientes del sistema, x es el vector columna de las incgnitas y b es el vector
columna de los trminos independientes). Entonces la solucin al sistema se presenta
as:
xj =
Aj
A
+
+
a12 x2
a22 x2
+
+
a13 x3
a23 x3
=
=
b1
b2
a31 x1
a32 x2
a33 x3
b3
a13 x1 b1
a23 x2 = b2
a33 x3 b3
Ax = b
a12
a 22
a32
a13
a 23
a33
b1
b2
b1
a12
a 22
a32
a13
a 23
a33
x1 =
x2 =
x3 =
a11 b1
a 21 b2
a31 b3
a13
a 23
a33
A
a11
a 21
a31
a12
a 22
a32
b1
b2
b3
31
Ejemplo
Utilizar la regla de Cramer para resolver el siguiente sistema lineal.
0.3 x1
0.5 x 2
x3
0.01
0.5 x1
0.1 x1
+
+
x2
0.3 x 2
+
+
1.9 x3
0.5 x 3
=
=
0.67
0.44
2
0.1 0.3 0.5 x3
Ax =
0.01
0.67
0.44
b
Obteniendo el determnate de A
0.3 0.5
A = 0.5 1 1.9
0.1 0.3 0.5
A = 0.3(1 0.5 0.3 1.9) 0.5(0.5 0.5 0.3 1) + 0.1(0.5 1.9 1 1) = 0.001
0.67
1 1 .9
0.44 0.3 0.5
0.001
0.3 0.01
x2 =
x3 =
0.5 1
0.67
0.1 0.3 0.44
0.001
0.01 (1 0.5 1.9 0.3) 0.67 (0.5 0.5 0.3 1) + ( 0.44) (0.5 1.9 1 1)
0.001
0.0562
=
= 56.2
0.001
x1 =
0.3 (0.67 0.5 1.9 0.44) 0.5 ( 0.01 0.5 ( 0.44) 1) + 0.1 (( 0.01) 1.9 0.67 1)
0.001
0.0649
=
= 64.9
0.001
x2 =
0.3 (1 ( 0.44) 03 0.67) 0.5 (0.5 ( 0.44) 0.3 ( 0.01)) + 0.1 (0.5 0.67 1 ( 0.01))
0.001
0.0493
=
= 49.3
0.001
x3 =
32
a n1
a12
a 22
a13 a1n
a 23 a 2 n
an 2
a n 3 a nn
b1
b2
bn
La idea del mtodo es llevar el sistema a la forma triangular superior y de all despejar
una variable a la vez partiendo de la ltima. l ltimo paso se conoce como sustitucin
en reversa. Para lograr llevar el sistema a la forma triangular superior, se emplean las
operaciones elementales de matrices como son el intercambio de renglones, divisin
entre un escalar a cada rengln, as como suma y resta entre renglones.
Ejemplo
Resuelva el siguiente sistema de ecuaciones lineales mediante el mtodo de
Gauss
10 x1
x1
2 x1
x2
11x 2
x2
3x 2
2 x3
x3
10 x3
x3
3x4
x4
8 x4
=
=
=
=
6
25
11
15
La matriz aumentada es
6
10 1 2 0
1 11 1 3 25
2 1 10 1 11
0 3 1 8 15
Avancemos por la diagonal principal al segundo rengln. Este ser ahora el rengln
pivote.
2
0
6
10 1
R2 R2 R1 ( 1) / 10 0 10.9 0.8 3
25.6
R3 R3 R1 (2) / 10 0 0.8 9.6 1 12.2
3
1
8
15
R4 R4 R1 (0) / 10 0
Busquemos el primer elemento que sea 0 para que sea el pivote, el pivote es 10.9.
Eliminado los elementos debajo del pivote tenemos
2
0
6
10 1
0.8
3
25.6
0 10.9
0
9.541284 -0.779816 -10.321100
R3 R3 R2 ( 0.8) / 10.9 0
0
0
0.779816 7.174311 7.954128
R4 R4 R2 (3) / 10.9
Llevando el elemento 0 al rengln pivote, el pivote es 9.541, haciendo 0 elementos
abajo del elemento pivote
2
0
6
10 1
0.8
3
25.6
0 10.9
0
0 9.541284 -0.779816 -10.321100
0
0
0
7.110576
7.110576
R4 R4 R3 (-0.779816) / 9.541284
Ya tenemos la matriz A en la forma triangular superior. Continuacin usamos la
sustitucin en reversa.
10 x1
x2
10.9 x 2
2 x3
0.8 x3
9.541284 x3
3x4
0.779816 x 4
7.110576 x 4
=
=
=
=
6
25.6
-10.321100
7.110576
34
x2
11x 2
x2
3x 2
2 x3
x3
10 x3
x3
3x4
x4
8 x4
=
=
=
=
6
25
11
15
La matriz aumentada es
6
10 1 2 0
1 11 1 3 25
2 1 10 1 11
0 3 1 8 15
Buscando el primer pivote que no sea 0 y llevndolo al rengln pivote, por lo tanto el
pivote es 10. Dividiendo entre el pivote el rengln pivote y eliminando los elemento
arriba y abajo del rengln pivote
R1 R1 / 10 1 0.1 0.2
0
0.6
R4 R4 R1 (0) 0
3
1
8
15
35
R1 R1 R2 ( 0.1) 1
R2 R2 / 10.9 0
R3 R3 R2 ( 0.8) 0
R4 R4 R2 (3) 0
0
0.1927
2.7523E 2 0.8349
1 73.3944 E 3
0.2752
2.3486
0
9.541
0.7798
10.32
0
0.7798
7.714
7.954
R4 R4 R3 ( 0.7798) 0 0
4.3269 E 2
0.2692
1.043
2.269
1 8.1937 E 2 10.82
0
7.111
7.111
0
0
R4 R4 / 7.111
0
0
1
0
0
0
0
1
0
0 1
0 2
0 1
1 1
36
Inversin de matrices
Este mtodo es ms terico. Consiste en expresar el sistema como una
ecuacin matricial de la forma Ax = b y despejar el vector columna x . Dado que no
esta definida la divisin de matrices se usa la matriz inversa A 1 . Multiplicando por la
matriz inversa ambos lados se tiene A 1 Ax = A 1b de donde Ix = A 1b y finalmente
x = A 1b . El problema se reduce a hallar la matriz inversa para multiplicarla por el
vector columna b y as hallar x .
Para hallar la matriz inversa se puede utilizar el siguiente procedimiento.
Se coloca la matriz A junto a una matriz identidad I del mismo tamao, es decir,
a11
a
21
a31
a n1
a12
a 22
a32
an2
a1n
a2n
a3n
a nn
1
0
0
0
1
0
0
0
1
0
0
0
37
Descomposicin LU
El esquema de descomposicin LU es una transformacin de una matriz A
como producto de dos matrices: LU
A = LU
(1)
Ax b = U
(2)
u11 u12
0 u
22
0
0
u13
u23
u33
x1 d1
x = d
2 2
x3 d 3
Ux D = 0
(3)
(4)
0
0
1
(5)
(6)
(7)
LD = b
(8)
38
a11
U = 0
0
a12
a '22
0
a13
a '23 el superndice () indica el nmero de veces que el rengln ha sido
a' '33
a13
a23
a33
0
1
f 32
Donde:
0
0
1
a 21
a11
f 21 =
f 31 =
a31
a11
f 32 =
a'32
a' 22
Recurdese que: A = LU
Ejemplo
Obtener la descomposicin LU mediante eliminacin Gaussiana y encontrar la
solucin del siguiente sistema.
3 x1
0.1x1
0.3 x1
0.1x 2
7 x2
0.2 x 2
0.2 x3
0.3 x3
10 x3
=
=
=
7.85
19.3
71.4
0.1
3
0.3
3
3 0.1 0.2
R1 0.1
7
0.3
R1 0.3 0.2 10
0.2
3 0.1
0 7.0033 0.293333
0.19
R3 R3 7.0033
R2 0 0.19
10.02
39
a1x 3 0.1
0.2
U = 0 7.0033 0.293333
0
0
10.012042
a
0.1
f 21 = 21 =
= 0.0333
a11
3
a
0.3
f 31 = 31 =
= 0.1
a11
3
f 32 =
a'32 0.19
=
= 0.02713
a '22 7.0033
7.85
b = 19.3
71.4
0
0
1
L = 0.0333
1
0
0.1
0.02713 1
Tenemos que A = LU
3 0.1 0.2
A = 0.1
7
0.3 L =
0.3 0.2 10
0
0
0.2
1
3 0.1
0.0333
1
0 U = 0 7.0033 0.293333
0.1
0
0.02713 1
0
10.012042
y que LD = b entonces
0
0 d 1
1
0.0333
1
0 d 2 =
0.02713 1 d 3
0.1
LD =
7.85
19.3
71.4
b
7.85
D = 19.5617
70.0843
40
UX = D
0.2
3 0.1
0 7.0033 0.293333
0
0
10.012042
x1 7.85
x = 19.5617
2
x3 70.0843
70.0843
= 7
10.012042
despejando x 2
7.0033 x 2 0.293333 x3 = 19.5617
x2 =
Despejando x1
3 x1 0.1 x 2 0.2 x3 = 7.85
x1 =
41
Descomposicin de CROUT
Es anloga a la descomposicin LU para la solucin de sistemas lineales, solo
que la matriz b contiene la columna correspondiente a una matriz identidad, para la
obtencin de la inversa de la matriz.
Ejemplo
Utilizar la descomposicin LU para determinar la inversa de la matriz A
recuerde que AA 1 = I
3 0.1 0.2
A = 0.1
7
0.3
0.3 0.2 10
Utilizando la decomposicin LU mediante eliminacin Gaussiana simple y encontrar
LU se tiene que: Haciendo ceros los elementos por debajo de la diagonal principal
R 2 R2
R3 R3
0.1
3
0.3
3
0.2
3 0.1 0.2
3 0.1
R1 0.1
7
0.3
0 7.0033 0.293333
0.19
R1 0.3 0.2 10
R3 R3 7.0033
R2 0 0.19
10.02
a1x 3 0.1
0.2
U = 0 7.0033 0.293333
0
10.012042
0
f 21 =
f 31
a 21 0.1
=
= 0.0333
a11
3
a
0.3
= 31 =
= 0.1
a11
3
f 32 =
a'32 0.19
=
= 0.02713
a ' 22 7.0033
1
b = 0
0
0
0
1
L = 0.0333
1
0
0.1
0.02713 1
42
Tenemos que A = LU
3 0.1 0.2
A = 0.1
7
0.3 L =
0.3 0.2 10
0
0
0.2
1
3 0.1
0.0333
1
0 U = 0 7.0033 0.293333
0.1
0
0.02713 1
0
10.012042
y que LD = b entonces
0
0 d 1
1
0.0333
1
0 d 2 =
0.1
0.02713 1 d 3
LD =
1
0
0
b
UX = D
0.2
3 0.1
0 7.0033 0.293333
0
0
10.012042
1
x1
x = - 0.033333
2
x3 - 0.100904
x3 =
0.104904
= 0.0100783
10.012042
Despejando x 2
7.0033 x2 0.293333 x3 = 0.033333
x2 =
Despejando x1
3 x1 0.1 x2 0.2 x3 = 1
x1 =
? ?
0.332489
A = 0.00518177 ? ?
0.0100783 ? ?
1
0
0 d 1 0
1
0.0333
1
0 d 2 = 1
0.1
0.02713 1 d 3 0
UX = D
0.2
3 0.1
0 7.0033 0.293333
0
0
10.012042
0
x1
x =
1
2
x3 0.02713
x3 =
0.02713
= 0.00270973
10.012042
Despejando x 2
7.0033 x 2 0.293333 x3 = 1
x2 =
Despejando x1
3 x1 0.1 x 2 0.2 x3 = 0
x1 =
44
0.00494407
X 2 = 0.142903
0.00270973
0.00494407 ?
0.332489
A = 0.00518177 0.142903 ?
0.0100783 0.00270973 ?
1
0
0 d 1 0
1
0.0333
1
0 d 2 = 0
0.1
0.02713 1 d 3 1
UX = D
0.2
3 0.1
0 7.0033 0.293333
0
0
10.012042
x1 0
x = 0
2
x3 1
x3 =
1
= 0.0998797
10.012042
x2 =
Despejando x 2
7.0033 x 2 0.293333 x3 = 0
Despejando x1
3 x1 0.1 x 2 0.2 x3 = 0
x1 =
0.00494407 0.0067981
0.332489
A 1 = 0.00518177 0.142903 0.00418344
0.0100783 0.00270973 0.0998797
45
Descomposicin de Cholesky
Una matriz simtrica es aquella en que aij = a ji i, j , por lo tanto AT = A . La
descomposicin de Cholesky se basa en que una matriz simtrica se puede
descomponer en A = LLT donde
a11
a
12
a13
a13 l11
a 23 = l 21
a33 l 31
a12
a 22
a 23
0
l 22
l 32
0 l11 l 21
0 0 l 22
l 33 0 0
a11 = l 211
l11 =
a 21 = l11l 21
l 21 =
a31 = l11l 31
l 31
l 32
l 33
a11
a 21
l11
a
l31 = 13
l11
2
a22 = l212 + l22
l 22 =
l 32
l33 =
a 22 l 212
a l l
= 32 31 21
l 22
a33 (l312 + l322 )
lij =
aij
i 1
k=1
lii
aii
lki lkj
i 1
k= 1
para i < j
46
Ejemplo
Aplicar la descomposicin de Cholesky a:
55
6 15
A = 15 55 255
55 255 1500
l11 =
l21 =
l22 =
a11 =
6 = 2.44949
a21
15
=
= 6.12372
l11 2.44949
2
a22 l21
=
55 (6.12372) 2 = 4.1833
l31 =
a13
55
=
= 22.4537
l11 2.44949
l32 =
l 33 =
L = 6.12372 4.1833
0
22.4537 28.0879 14.3842
2.44949 6.12372 22.4537
L =
0
4.1833 28.0879
0
0
14.3842
T
0
0
4.1833 28.0879 = 15 55 255
47
Mtodo de Jacobi.
Esta tcnica muestra cierta similitud con el mtodo de iteracin de punto fijo, ya que
consiste en despejar una de las incgnitas de una ecuacin dejndola en funcin de las
otras. La manera ms sencilla es despejar a x1 de la primer ecuacin, x 2 de la
segunda ecuacin, xi de la i-sima ecuacin, hasta xn de la n-sima ecuacin. Es
necesario por razones obvias que todos los elementos de la diagonal principal de la
matriz de coeficientes del sistema lineal, sean diferentes de cero.
Sea el sistema lineal:
a11 x1
a21 x1
+
+
a12 x2
a22 x2
+
+
a13 x3
a23 x3
+
+
+
+
a1n xn
a2 n xn
=
=
b1
b2
a31 x1
an1 x1
a32 x2
a33 x3
a3n xn
an 2 x2
an 3 x3
ann xn
b3
bn
b ( an1 x1 + an 2 x2 + an 3 x3 + a1n 1 xn 1 )
xn = 1
ann
x1 =
j= 1
j i
aij x kj
aii
48
Ejemplo
Resolver el siguiente sistema de ecuaciones utilizando el mtodo de Jacobi.
Emplear el vector inicial de x 0 = 0 .
6 x1
x1
3x1
x1
x2
10 x2
2 x2
x2
+
+
+
x3
2 x3
8 x3
x3
=
=
=
=
4 x4
x4
x4
5 x4
17
17
19
14
#
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
x1 =
17 ( x2 x3 + 4 x4 )
6
x2 =
17 ( x1 + 2 x3 x4 )
10
x3 =
19 (3 x1 2 x2 x4 )
8
x4 =
14 ( x1 + x2 + x3 )
5
x1
x2
x3
x4
Ex1
Ex 2
Ex3
Ex 4
0
2.833333
1.645833
0.756528
0.959948
1.073512
1.006483
0.986458
1.000805
1.002851
0.999591
0.999489
1.000145
1.000090
0.999962
0.999986
1.000009
1.000002
0.999998
1.000000
1.000000
0
1.700000
2.178333
1.863917
1.942440
2.018098
2.005556
1.994260
1.999071
2.001116
2.000022
1.999758
2.000017
2.000046
1.999991
1.999992
2.000003
2.000001
1.999999
2.000000
2.000000
0
2.375000
2.087500
2.825104
3.055073
2.986768
2.975894
3.000917
3.003342
2.999007
2.999290
3.000233
3.000104
2.999937
2.999984
3.000014
3.000001
2.999997
3.000000
3.000001
3.000000
0
2.800000
4.181667
3.982333
3.889110
3.991492
4.015676
3.997587
3.996327
4.000643
4.000595
3.999781
3.999896
4.000053
4.000014
3.999987
3.999998
4.000003
4.000000
3.999999
4.000000
100
72.151899
117.550945
21.190747
10.578776
6.659766
2.030015
1.433584
0.203982
0.326059
0.010259
0.065556
0.005505
0.012786
0.002459
0.002301
0.000752
0.000384
0.000193
0.000056
100
21.958684
16.868601
4.042524
3.748981
0.625399
0.566434
0.240665
0.102221
0.054703
0.013216
0.012983
0.001409
0.002727
0.000028
0.000553
0.000064
0.000104
0.000024
0.000018
100
13.772455
26.108919
7.527439
2.286907
0.365414
0.833855
0.080719
0.144546
0.009464
0.031418
0.004312
0.005552
0.001578
0.000983
0.000415
0.000150
0.000101
0.000020
0.000022
100
33.041052
5.005441
2.397042
2.565018
0.602230
0.452505
0.031519
0.107896
0.001219
0.020349
0.002879
0.003930
0.000967
0.000675
0.000273
0.000108
0.000067
0.000014
0.000015
49
Mtodo de Gauss-Seidel.
Este mtodo trabaja de manera similar al mtodo de Jacobi, ya que realizan los
mismos despejes. La diferencia consiste en que en el proceso iterativo, cada una de las
aproximaciones de cada variable que se calcula se sustituye inmediatamente en el
clculo de la siguiente variable en esa misma iteracin. De esta manera la
convergencia es ms rpida.
Ejemplo
Resolver el siguiente sistema de ecuaciones utilizando el mtodo de GaussSeidel. Emplear el vector inicial de x 0 = 0 .
6 x1
x1
3 x1
x1
x2
10 x 2
2 x2
x2
+
+
+
x3
2 x3
8 x3
x3
4 x4
x4
x4
5 x4
=
=
=
=
17
17
19
14
#
0
1
2
3
4
5
6
7
8
9
10
11
x1 =
17 ( x2 x3 + 4 x4 )
6
x2 =
17 ( x1 + 2 x3 x4 )
10
x3 =
19 (3 x1 2 x2 x4 )
8
x4 =
14 ( x1 + x2 + x3 )
5
x1
x2
x3
x4
Ex1
Ex 2
Ex3
Ex 4
0
2.83333333
0.71527778
1.03040509
0.99613069
1.00039613
0.99995356
1.00000466
0.99999948
1.00000005
0.99999999
1
0
1.98333333
1.72069444
2.02378356
1.99524565
2.00042108
1.99993764
2.00000561
1.99999926
2.00000007
1.99999999
2
0
1.80833333
3.05256944
2.98175752
3.00116106
2.99977015
3.00001651
2.99999735
3.0000002
2.99999997
3
3
0
4.125
3.89770833
4.00718924
3.99850748
4.00011747
3.99998154
4.00000153
3.99999979
4.00000002
4
4
100
296.116505
30.582857
3.440754
0.426375
0.044260
0.005111
0.000519
0.000058
0.000006
0.000001
100
15.263540
14.976360
1.430296
0.258717
0.024173
0.003399
0.000317
0.000040
0.000004
0.000000
100
40.760288
2.374838
0.646534
0.046367
0.008212
0.000639
0.000095
0.000008
0.000001
0.000000
100
5.831418
2.732112
0.217125
0.040249
0.003398
0.000500
0.000043
0.000006
0.000001
0.000000
50
aii >
i= 1
i j
aij
para
1 j n
aij
para
1 i n
Y
aii >
j= 1
j i
Ejemplo
Aplicar el criterio de convergencia para los mtodos de Jacobi y Gauss-Seidel.
+
+
+
x1
x1
5 x1
x1
6 x2
x2
x2
x2
x3
8 x3
x3
x3
x4
4 x4
x4
6 x4
=
=
=
=
6
7
0
30
+
+
6 x2
x2
x2
x2
x3
8 x3
x3
x3
x4
4 x4
x4
6 x4
=
=
=
=
6
7
0
30
1 > 6 + 1+ 1 = 3
1 > 1 + 8 + 4 = 13
1> 5 + 1+ 1 = 7
6 > 1+ 1+ 1= 3
+
+
x2
6 x2
x2
x2
+
+
x3
x3
8 x3
x3
x4
x4
4 x4
6 x4
=
=
=
=
0
6
7
30
5>
6>
8>
6
1+ 1+
1+ 1+
1+ 1+
> 1+ 1+
1= 3
1= 3
4= 6
1= 3
51
ai
i= 1
3 0.1 0.2 V1
A = 0.1
7
0.3 = V2
0.3 0.2 10 V3
V1 = 3 + 0.11 + 0.2 = 33
V2 = 0.1 + 7 + 0.3 = 7.4
V3 = 0.3 + 0.2 + 10 = 10.5
Norma 2
Vi
V1
V1
V1
i= 1
ai
Norma infinito
Vi
V1
= 3
V2
= 7
V3
= 10
= max{ ai , i = 1,2,3, , n }
52
Nmero de condicin
Sea A una matriz no singular (determinante diferente de cero) de n n y E otra
matriz no singular de n n muy pequea (de valores muy pequeos).
Qu tan pequea debe de ser E para que la matriz perturbada A + E sea tambin no
singular (que tenga inversa), y que tanto difiere A 1 de ( A + E ) 1 ?
La inversa calculada de A es muy comn que se encuentre muy cerca de la matriz
ligeramente perturbada A + E .
Sin embargo, este resultado no garantiza la precisin de A 1 y ( A + E ) 1 pueden diferir
significativamente, entonces se dice que dicha matriz ( A + E ) 1 esta mal condicionada a
la inversin. Existe un nmero de condicin que mide el grado de condicionamiento de
una matriz y esta dado por:
cond [ A] = A
A 1
53
Ejemplo
Encuentre el nmero de condicin de:
1
A = 12
13
1
5
1
2
1
3
1
3
1
4
1
4
1
3
2
3
1
2
3
4
= 1.83333
= 2.16667
= 2.35000
=
Max
aij
i= 1
3
5
1
2
= Max {1.83333,2.16667,2.35000}
= 2.35000
A = 36 96 60
30 90 60
1
18 10
9
A = 36 96 60
30 90 60
1
= 37.0
= 192
= 180
A 1
54
Mnimos Cuadrados
Si se tiene un sistema sobredeterminado del estilo
A n m x m n = b n m
Si n > m por lo tanto existe m error dado por
e = b Ax
i= 1
ei
= eT e
Donde E es un escalar.
El vector de soluciones estimado es
x = ( AT A) 1 AT b
Donde ( AT A) 1 AT es llamada pseudoinversa Monroe Penrose
El error mnimo se encuentra
Emin = eT e = bT b bT Ax
Ejemplo
Realice un programa que encuentre el estimado de x , as mismo que
proporcione el error mnimo Emin para el siguiente sistema sobredeterminado.
a
a
a
a
a
3b + 9c = 18
2b + 4c = 10
= 2
+ 3b + 9c = 2
+ 4b + 16c = 5
55
Unidad IV
Aproximacin funcional e interpolacin.
A menudo se proporcionan datos mediante un conjunto de puntos discretos. Sin
embargo a veces se requieren estimaciones de puntos entre esos valores discretos.
Repaso de estadstica.
N
Media.
Suma de cuadrados.
y = = ( y) = E[ y] =
St =
i= 1
St
=
=
N1
Desviacin estndar.
Sy = =
Sr =
Sy
Cv =
Sy/x =
i= 1
yi
( yi y )
N1
St
=
N1
2
i= 1
Coeficiente de varianza.
i= 1
( yi y ) 2
N
Varianza.
ei =
(y
i= 1
i= 1
r=
a 0 a1 xi )
* 100%
Sr
n 2
n
Coeficiente de correlacin.
N
yi yi
i= 1
N ( N 1)
2
r =
n xi y i
i= 1
i= 1
r2 =
n
x xi
i= 1
2
i
x
i
i= 1
i= 1
i= 1
yi
n
y yi
i= 1
2
i
St Sr
St
56
11
y = a0 + a1 x + e
10
9
8
7
6
5
4
3
2
x
0
10
12
14
16
18
20
a 0 = y a1 x
57
Ejemplo.
Ajustar a una lnea recta los valores de x y y . Calcular la desviacin estndar,
el error estndar del estimado y el coeficiente de correlacin.
x
y
0.0
9.1
1.0
7.3
2.0
3.2
3.0
4.6
4.0
4.8
5.0
2.9
6.0
5.7
7.0
7.1
8.0
8.8
9.0
10.2
0
1
2
3
4
5
6
7
8
9
xi = 45
yi
xi2
yi2
9.1
7.3
3.2
4.6
4.8
2.9
5.7
7.1
8.8
10.2
0
1
4
9
16
25
36
49
64
81
82.81
53.29
10.24
21.16
23.04
8.41
32.49
50.41
77.44
104.04
yi = 63.7
xi2 = 285
yi2 = 463.33
xi yi
0
7.3
6.4
13.8
19.2
14.5
34.2
49.7
70.4
91.8
xi yi = 307.3
De donde a1 y a0
n
n n
n xi yi xi yi
i = 1 i = 1 = 10 (307.3) (45) (63.7) = 0.250303
a1 = i = 1
2
n
10 (285) (45) 2
n
n xi2 xi
i= 1
i= 1
n
a 0 = y a1 x
x=
xi
i= 1
= 4 .5
y=
i= 1
yi
= 6.37
r=
r2 =
n xi y i
i= 1
i= 1
xi2 xi
i= 1
n
x
i
i= 1
i= 1
i= 1
yi
y i2 y i
i= 1
n
= 0.2996601
58
Interpolacin lineal.
Con frecuencia se tienen que estimar valores intermedios entre valores
conocidos. La forma mas simple de interpolacin es conectar dos puntos con una lnea
recta, este mtodo es llamado interpolacin lineal.
I n t e r p o la c io n L in e a l
f (x )
f ( x) = f ( x0 ) +
f ( x1 ) f ( x 0 )
( x x0 )
x1 x 0
f ( x1 )
f (x)
f ( x0 )
x
x0
x
x1
f ( x1 ) f ( x 0 )
( x x0 )
x1 x 0
donde f (x) representa la interpolacin del polinomio mediante una lnea recta.
Ejemplo:
Estimar el Ln(2) mediante interpolacin lineal tomando los puntos de Ln (1) = 0 y
Ln (6) = 1.791759 . Despus repita el procedimiento pero usando un intervalo ms
pequeo de Ln (1) = 0 a Ln (4) = 1.386294 . El valor real de Ln (2) = 0.693147 .
x0 = 1 f ( x0 ) = 0
x1 = 6 f ( x1 ) = 1.791759
f ( 2) = f ( x0 ) +
Ev =
f ( x1 ) f ( x0 )
1.791759 0
( x x0 ) = 0 +
(2 1) = 0.358352
x1 x0
6 1
vv v a
0.693147 0.358352
=
100 = 48.30%
vv
0.693147
59
Interpolacin cuadrtica.
La forma general de una Interpolacin cuadrtica es:
f ( x) = b0 + b1 ( x x0 ) + b2 ( x x0 )( x x1 )
f (x )
In te r p o la c i n C u a d r a tic a
f ( x) = a0 + a1 x + a2 x 2
f ( x2 )
f ( x1 )
f ( x0 )
x0
x1
x2
f ( x1 ) f ( x0 )
x1 x0
f ( x2 ) f ( x1 ) f ( x1 ) f ( x0 )
x2 x1
x1 x0
b2 =
x2 x0
Con lo cual se obtiene el polinomio de interpolacin cuadrtico.
60
Ejemplo.
Ajustar a tres puntos dados para obtener Ln( 2) , usando un polinomio de
segundo orden de donde los puntos a interpolar son:
x0 = 1 f ( x0 ) = 0
x1 = 4 f ( x1 ) = 1.386294
x2 = 6 f ( x2 ) = 1.791759
Obteniendo los coeficientes b0 , b1 , b2 , tenemos que
b0 = f ( x 0 ) = 0
b1 =
f ( x1 ) f ( x 0 ) 1.386294 0
=
= 0.462098
x1 x0
4 1
x 2 x1
x1 x0
6 4
4 1
b2 =
=
= 0.051873
x 2 x0
6 1
Obteniendo los coeficientes del polinomio
a 0 = b0 b1 x 0 + b2 x0 x1 = 0 (0.462098)(1) + ( 0.051873)(1)(4) = -0.669591
a1 = b1 b2 x0 b2 x1 = (0.462098) ( 0.051873)(1) ( 0.051873)(1) = 0.721464
a 2 = b2 = 0.051873
Donde el polinomio queda
f ( x) = a 0 + a1 x + a 2 x 2 = -0.669591 + 0.721464 x 0.051873x 2
Evaluando el polinomio para f ( x = 2) tenemos que
f ( x = 2) = -0.669591 + 0.721464 x 0.051873 x 2 = 0.565844
donde el error verdadero es:
Ev =
Vv Va
0.693147 - 0.565844
100 =
100 = 18.3659%
Vv
0.693147
61
(1)
f ( x0 )
f ( x1 , x 0 )
f ( x 2 , x1 , x 0 )
f ( x3 , x 2 , x1 , x0 )
bn = f ( x n , x n 1 , , x1 , x 0 )
(2)
Donde las evaluaciones puestas entre parntesis son diferencias divididas finitas.
f ( xi , x j ) =
f ( xi ) f ( x j )
(3)
xi x j
f ( xi , x j ) f ( x j , x k )
(4)
xi x k
f ( x n , x n 1 , , x 2 , x1 ) f ( x n 1 , x n 2 , , x1 , x0 )
xn x0
(5)
i
1
2
3
4
5
xi
x0
x1
x2
x3
x4
f (xi )
f ( x0 )
f ( x1 )
f ( x2 )
f ( x3 )
f ( x4 )
Primero
f ( x1 , x0 )
f ( x 2 , x1 )
f ( x3 , x 2 )
f ( x 4 , x3 )
Segundo
f ( x 2 , x1 , x0 )
f ( x3 , x 2 , x1 )
f ( x 4 , x3 , x 2 )
Tercero
f ( x3 , x 2 , x1 , x0 )
f ( x 4 , x3 , x 2 , x1 )
(6)
Cuarto
f ( x 4 , x3 , x 2 , x1 , x0 )
62
Ejemplo.
Utilice la interpolacin de polinomios de Newton para interpolar los siguientes
puntos a un polinomio de tercer orden para estimar Ln( 2) .
x0 = 1 f ( x 0 ) = 0
x1 = 4 f ( x1 ) = 1.386294
x 2 = 6 f ( x 2 ) = 1.791759
x3 = 5 f ( x3 ) = 1.609438
xi
xi
f ( xi )
f ( xi , xi 1 )
f ( xi , xi 1 , xi 2 )
f ( xi , xi 1 , xi 2 , xi 3 )
x0
1
4
6
5
0
1.38629436
1.79175947
1.60943791
0.46209812
0.20273255
0.18232156
-0.05187311
-0.02041100
0.00786553
x1
x2
x3
f 3 (2) = 0.62876858
Donde el error verdadero es
Ev =
Vv Va
0.693147 - 0.62876858
100 =
100 = 9.287868
Vv
0.693147
63
(1)
f ( x0 )
f ( x1 )
+
x0 x1 x1 x 0
(2)
f ( x1 , x0 ) =
La cual es referida como
f ( x1 , x0 ) =
Por ultimo, al agrupar trminos similares y simplificar se tiene la forma del polinomio de
Lagrange
f ( x) =
x x1
x x0
f ( x0 ) +
f ( x1 )
x0 x1
x1 x0
(3)
i= 0
Li ( x) f ( xi )
(4)
Donde
n
x xj
j= 0
j i
xi x j
Li ( x) =
(5)
x x0
x x1
f ( x0 ) +
f ( x1 )
x0 x1
x1 x 0
(6)
Cuando n = 2 es
f ( x) =
( x x 0 )( x x 2 )
( x x0 )( x x1 )
( x x1 )( x x 2 )
f ( x0 ) +
f ( x1 ) +
f ( x 2 ) (7)
( x 0 x1 )( x0 x 2 )
( x1 x 0 )( x1 x 2 )
( x 2 x0 )( x 2 x1 )
64
Cuando n = 3
f ( x) =
( x x1 )( x x2 )( x x3 )
( x x0 )( x x2 )( x x3 )
f ( x0 ) +
f ( x1 )
( x0 x1 )( x0 x2 )( x0 x3 )
( x1 x0 )( x1 x2 )( x1 x3 )
( x x0 )( x x1 )( x x3 )
( x x0 )( x x1 )( x x2 )
+
f ( x2 ) +
f ( x3 )
( x2 x0 )( x2 x1 )( x2 x3 )
( x3 x0 )( x3 x1 )( x3 x2 )
(8)
Para los casos en donde el orden del polinomio se desconozca, el mtodo de Newton
tiene ventajas debido a que profundiza en el comportamiento de las diferentes frmulas
de orden superior. En general puede integrarse fcilmente en los clculos de Newton
ya que la aproximacin usa una diferencia dividida. De esta forma, desde el punto de
vista de clculo, a menudo, se prefiere el mtodo de Newton.
Ejemplo.
Utilice la interpolacin de polinomios de Lagrange para interpolar los siguientes
puntos a un polinomio de primero y segundo orden para estimar Ln(2) ,
x0 = 1 f ( x0 ) = 0
x1 = 4 f ( x1 ) = 1.386294
x 2 = 6 f ( x 2 ) = 1.791759
Para n = 1 sustituyendo en la ecuacin los punto se tiene
f ( x) =
x x0
x x1
f ( x0 ) +
f ( x1 )
x0 x1
x1 x 0
f ( x) =
x 4
x 1
(0) +
(1.386294)
1 4
4 1
Para x = 2
f (2) =
2 4
2 1
(0) +
(1.386294) = 0.462098
1 4
4 1
Vv Va
0.693147 - 0.462098
100 =
100 = 33.3333%
Vv
0.693147
Para n = 2
f ( x) =
( x x 0 )( x x 2 )
( x x0 )( x x1 )
( x x1 )( x x 2 )
f ( x0 ) +
f ( x1 ) +
f ( x2 )
( x 0 x1 )( x0 x 2 )
( x1 x 0 )( x1 x 2 )
( x 2 x0 )( x 2 x1 )
f ( x) =
( x 4)( x 6)
( x 1)( x 6)
( x 1)( x 4)
(0) +
(1.386294) +
(1.791759)
(1 4)(1 6)
(4 1)(4 6)
(6 1)(6 4)
Para x = 2
f ( 2) = 0.565844
E v = 18.3659%
65
f ( xn )
f (x)
In te r p o la c io n S e g m e n t a r ia
f ( x) = f ( xn 1 ) + mn 1 ( x x n 1 )
f (xn 1 )
f (x2 )
f ( x3 )
f ( x) = f ( x0 ) + m0 ( x x0 )
f ( x) = f ( x 2 ) + m2 ( x x2 )
f ( x0 )
f ( x) = f ( x1 ) + m1 ( x x1 )
f ( x1 )
x0
x1
x2
x3
xn 1
xn
Donde:
mi es la pendiente de la lnea recta que conecta a los puntos.
mi =
f ( xi + 1 ) f ( xi )
xi + 1 xi
f ( x ) = f ( x 0 ) + m0 ( x x 0 )
x 0 x x1
f ( x) = f ( x1 ) + m1 ( x x1 )
x1 x x 2
f ( x) = f ( x 2 ) + m2 ( x x 2 )
x 2 x x3
f ( x) = f ( x n 1 ) + mn 1 ( x x n 1 )
xn 1
x xn
66
Ejemplo.
Ajuste los siguientes puntos con segmentaras de primer orden. Evaluar la
funcin en x = 5 .
x0 = 3.0
f ( x 0 ) = 2.5
x1 = 4.5
f ( x1 ) = 1.0
x 2 = 7.0
f ( x 2 ) = 2.5
x3 = 9.0
f ( x3 ) = 0.5
f ( x1 ) f ( x0 ) 1.0 2.5
=
= 1
x1 x 0
4.5 3.0
m1 =
f ( x 2 ) f ( x1 ) 2.5 1.0
=
= 0.6
x 2 x1
7.0 4.5
m2 =
f ( x3 ) f ( x 2 ) 0.5 2.5
=
= 1
x3 x 2
9.0 7.0
3 .0 x 4 .5
4.5 x 7.0
7.0 x 9.0
67
Trazador Cbico.
El objetivo de los trazadores cbicos es obtener un polinomio de tercer orden
para cada intervalo entre los nodos, como en.
f i ( x) = ai x 3 + bi x 2 + ci x + d i
Para poder obtener trazadores cbicos en un intervalo se aplica la siguiente ecuacin.
f ( xi 1 )
f ' ' ( xi 1 )
f ' ' ( xi )
f ' ' ( xi 1 )( xi xi 1 )
( xi x ) 3 +
( x xi 1 ) 3 +
( xi x )
6( xi xi 1 )
6( xi xi 1 )
6
( xi xi 1 )
f ( xi )
f ' ' ( xi )( xi xi 1 )
+
( x xi 1 ) ( I )
6
( xi xi 1 )
f i ( x) =
Donde: f ' ' es la segunda derivada al final de cada intervalo, las cuales se desconocen.
Para poder evaluar estas incgnitas se utiliza la siguiente ecuacin.
( x i x i 1 ) f ' ' ( x i 1 ) + 2( x i + 1 x i 1 ) f ' ' ( x i ) + ( x i + 1 x i ) f ' ' ( x i + 1 ) =
6
[ f ( xi + 1 ) f ( xi )] + 6 [ f ( xi 1 ) f ( xi )] ( II )
xi + 1 xi
xi x i 1
Ejemplo.
Ajuste los siguientes puntos con trazadores cbicos. Evaluar la funcin en x = 5
x0 = 3.0
f ( x 0 ) = 2.5
x1 = 4.5
f ( x1 ) = 1.0
x 2 = 7.0
f ( x 2 ) = 2.5
x3 = 9.0
f ( x3 ) = 0.5
6
[ 2.5 1.0] + 6 [ 2.5 1]
7.0 4.5
4.5 3.0
1.5 f ' ' (3.0) + 8.0 f ' ' (4.5) + 2.5 f ' ' (7.0) = 9.6
68
Tomando i = 2
(7.0 4.5) f ' ' (4.5) + 2(9.0 4.5) f ' ' (7.0) + (9.0 7.0) f ' ' (9.0) =
6
[ 0.5 2.5] + 6 [1.0 2.5]
9.0 7.0
7 4.5
2.5 f ' ' (4.5) + 9.0 f ' ' (7.0) + 2.0 f ' ' (9.0) = 9.6
de donde nos queda un sistema de ecuaciones simultaneas y las evaluaciones de
f ' ' (9.0) y f ' ' (3.0) decimos que son igual a cero dado que no existen puntos suficientes
para encontrar las derivadas
1.5 f ' ' (3.0) + 8.0 f ' ' (4.5) + 2.5 f ' ' (7.0) = 9.6
2.5 f ' ' (4.5) + 9.0 f ' ' (7.0) + 2.0 f ' ' (9.0) = 9.6
Con lo cual el sistema de ecuaciones queda como sigue
8.0 f ' ' (4.5) + 2.5 f ' ' (7.0) = 9.6
2.5 f ' ' (4.5) + 9.0 f ' ' (7.0) = 9.6
Los valores de f ' ' (4.5) y f ' ' (7.0) se sustituyen en la ecuacin ( I ) para obtener los
trazadores cbicos de primer intervalo
Tomando i = 1 tenemos que
f ( x0 )
f ' ' ( x0 )
f ' ' ( x 0 )( x1 x 0 )
f ' ' ( x)
( x1 x) 3 +
( x x0 ) 3 +
( x1 x)
6( x1 x0 )
6( x1 x0 )
6
( x1 x 0 )
f ( x1 )
f ' ' ( x1 )( x1 x0 )
+
( x1 x0 )
6
( x1 x 0 )
f1 ( x) =
Sustituyendo
f 1 ( x) =
1.679087
2 .5
( x 3.0) 3 +
( 4.5 x) +
6(4.5 3.0)
(4.5 3.0)
1 .0
(1.679087)(4.5 3.0)
(4.5 3.0)
( x 3.0)
6
3 .0 x 4 .5
4 .5 x 7 .0
7 .0 x 9 .0
Unidad V.
Integracin y diferenciacin numrica.
La integracin de una funcin dentro del mbito de la ingeniera tiene tantas
aplicaciones que es una herramienta indispensable. Una integral representa un rea
bajo la curva sobre el eje horizontal, acotada por un intervalo. La funcin a integrarse,
en general deber tener una de las tres formas siguientes.
1. Una funcin simple y continua tal como un polinomio, una funcin exponencial o
una funcin trigonomtrica.
2. Una funcin complicada y continua que es difcil o imposible de integrar
directamente.
3. Una funcin tabulada en donde los valores de f (x) se dan en un conjunto de
puntos discretos, como es el caso, a menudo, de datos experimentales.
Frmulas o ecuaciones de Newton-Cotes.
Son esquemas de integracin numrica donde se reemplaza una funcin
complicada con una funcin aproximada o fcil de integrar.
b
I=
f ( x) dx
f n ( x) dx
f (x)
f (b )
f (b)
f (a )
f (a)
a
a
x
b
b x
70
f (x )
Forma cerrada
Forma abierta
I=
f ( x) dx
f ( a) + f (b)
(b a )
2
(b a ) 2 b
f ' ' ( x)dx
12 a
71
Ejemplo.
Utilice el mtodo de integracin trapezoidal para integrar numricamente la
siguiente funcin desde a = 0 y b = 0.8 . El valor verdadero es 1.640533.
f ( x) = 400 x 5 900 x 4 + 675 x 3 200 x 2 + 25 x + 0.2
Evaluando a y b en f (x) se tiene
a= 0
f (a ) = 0.2
b = 0 .8
f (b) = 0.232
I=
f ( x) dx
f ( a) + f (b)
(0.2) + (0.232)
(b a )
(0.8 0) = 0.1728
2
2
Ea =
Ev =
(b a ) 2
(0.8 0) 2
f
'
'
(
x
)
dx
=
( 48) = 2.56
12 a
12
vv v a
1.640533 0.172800
100 =
100 = 89.47%
vv
1.640533
72
f (x)
x0
x1
x2
x0
x1
x2
x3
f (x )
x0
x1
x3
x2
xn 3
xn 2
xn 1
xn
Para n segmentos.
Con lo cual se tiene que la regla trapezoidal mltiple es:
n 1
I=
f ( x) dx
f ( x 0 ) + 2 f ( x i ) + f ( x n )
i= 1
2n
(b a )
f ( x 0 ) + 2 f ( x i ) + f ( x n )
i= 1
2n
Para calcular la anchura de los nuevos intervalos tenemos que:
Y el error aproximado est dado por:
Ea =
(b a) 2
12n 2
h=
b a
n
f ' ' ( x) dx
73
Ejemplo.
Utilice el mtodo de integracin trapezoidal mltiple para integrar numricamente
la siguiente funcin desde a = 0 y b = 0.8 . Utilizando dos y tres segmentos. El valor
verdadero es 1.640533
f ( x) = 400 x 5 900 x 4 + 675 x 3 200 x 2 + 25 x + 0.2
Para dos segmentos
h=
b a 0.8 0
=
= 0.4
n
2
x0 = 0
x1 = 0.4
x 2 = 0.8
f ( x 0 ) = 0.2
f ( x1 ) = 2.456
f ( x 2 ) = 0.232
n 1
I=
f ( x) dx
f ( x 0 ) + 2 f ( x i ) + f ( x n )
i= 1
2n
(b a) 2
Ea =
12n 2
(b a ) =
(0.8 0) 2
f ' ' ( x)dx =
( 48) = 0.64
12 2 2
vv v a
1.640533 1.0688
100 =
100 = 34.85%
vv
1.640533
Ev =
b a 0.8 0
=
= 0.266667
n
3
x0 = 0
f ( x 0 ) = 0.2
x1 = 0.266667
f ( x1 ) = 1.432724
x 2 = 0.533333
f ( x 2 ) = 3.487177
x3 = 0.8
f ( x 2 ) = 0.232
I=
f ( x) dx =
Ea =
Ev =
(b a) 2
12n 2
f ' ' ( x) dx =
(0.8 0) 2
( 48) = 0.284444
12 3 2
vv va
1.640533 1.369574
100 =
100 = 16.51%
vv
1.640533
74
Regla de Simpson.
Una manera de mejorar la exactitud del mtodo trapezoidal es usar polinomios
de mayor orden para conectar los puntos. Por ejemplo, si existe un punto entre f (a ) y
f (b) , a la mitad, estos puntos se pueden conectar mediante una parbola.
Si hay dos puntos igualmente espaciados entre f (a ) y f (b) , los cuatro puntos
se pueden conectar mediante un polinomio de tercer orden.
A las ecuaciones que se utilizan para calcular las integrales bajo estos
polinomios se conocen como reglas de Simpson.
f (x )
f (x )
x0
Simpson
x1
1
3
x2
x0
(Parbolas)
Regla de Simpson
x1
Simpson
x2
3
8
x3
(Cbicas)
I=
f ( x) dx
f ( x 0 ) + 4 f ( x1 ) + f ( x 2 )
(b a )
6
b a
2
(b a) 4
2880
IV
( x)dx
75
Ejemplo
Utilice el mtodo de Simpson
1
3
desde a = 0 y b = 0.8 .
f ( x) = 400 x 5 900 x 4 + 675 x 3 200 x 2 + 25 x + 0.2
Obteniendo la anchura
h=
b a 0.8 0
=
= 0.4
n
2
Por lo tanto
x0 = 0
f ( x 0 ) = 0.2
x1 = 0.4
f ( x1 ) = 2.456
x 2 = 0.8
f ( x 2 ) = 0.232
I=
f ( x) dx
Ev =
f ( x 0 ) + 4 f ( x1 ) + f ( x 2 )
(0.2) + 4(2.456) + (0.232)
(b a) =
(0.8 0) = 1.367467
6
6
vv v a
1.640533 1.367467
100 =
100 = 16.64%
vv
1.640533
(b a ) 4
Ea =
2880
IV
( x)dx = E a =
(0.8 0) 4
( 1920) = 0.273066
2880
76
Regla de Simpson
de aplicacin mltiple.
I =
f ( x) dx
n 1
f ( xi ) + 2
i = 1, 3, 5
n 2
f ( x j ) + f ( xn )
j = 2 , 4 , 6
(b a)
3n
b a
n
(b a ) 4
Ea =
f IV ( x)dx
4
180n a
Para n = 2 tendramos grficamente.
f (x )
x0
x1
x2
x3
x4
77
Ejemplo.
Utilice el mtodo de Simpson
1
3
b a 0.8 0
=
= 0.2
n
4
Por lo tanto
x0 = 0
f ( x 0 ) = 0.2
x1 = 0.2
f ( x1 ) = 1.288
x 2 = 0.4
f ( x 2 ) = 2.456
x3 = 0.6
f ( x3 ) = 3.464
x 4 = 0.8
f ( x 4 ) = 0.232
I=
f ( x) dx
n 1
i = 1, 3, 5
I=
f ( x) dx
Ev =
Ea =
n 2
f ( x j ) + f ( xn )
j = 2 , 4 , 6
3n
f ( xi ) + 2
(b a )
vv v a
1.640533 1.623467
100 =
100 = 1.04%
vv
1.640533
(b a) 4
180n 4
IV
( x)dx =
(0.8 0) 4
( 1920) = 0.017066
180 4 4
78
Regla de Simpson
I =
f ( x) dx
f ( x0 ) + 3 f ( x1 ) + 3 f ( x2 ) + f ( x3 )
(b a )
8
b a
3
(b a ) 4
Ea =
f IV ( x) dx
6480 a
Ejemplo.
Utilice el mtodo de Simpson
3
8
desde a = 0 y b = 0.8 .
f ( x) = 400 x 5 900 x 4 + 675 x 3 200 x 2 + 25 x + 0.2
Obteniendo la anchura
h=
b a 0.8 0
=
= 0.266667
n
3
Por lo tanto
x0 =
x1 =
x2 =
x3 =
0
0.266667
0.533333
0.8
f ( x) dx
f ( x0 ) + 3 f ( x1 ) + 3 f ( x 2 ) + f ( x3 )
(b a )
8
f ( x) dx
I=
a
b
I=
Ev =
f ( x 0 ) = 0.2
f ( x1 ) = 1.432724
f ( x 2 ) = 3.487177
f ( x 2 ) = 0.232
vv v a
1.640533 1.519170
100 =
100 = 7.3977%
vv
1.640533
(b a) 4
Ea =
6480
IV
(0.8 0) 4
( x) dx =
( 1920) = 0.121363
6480
79
Diferenciacin numrica
La diferenciacin numrica, o aproximacin numrica, es un mtodo utilizado
para evaluar las derivadas de funciones por medio de valores funcionales de puntos de
datos discretos. Si se conocen los valores funcionales de dichos datos discretos, la
funcin se puede expresar de una forma aproximada por medio de una interpolacin
polinomial. Por lo que, al diferenciar dicho polinomio, se pueden evaluar sus derivadas.
Por definicin la derivada de una funcin esta dada por:
f ' ( x) = l im
h 0
f ( x + h) f ( x )
h
f (x )
f ( x)
f ' ( x0 )
f '( x0 )
f ( x0 + h)
f ( x0 )
f ' ( x0 )
f ( x0 )
f ( x0 + h) f ( x0 )
h
f ' (x 0 )
f ( x0 ) f ( x0 h)
h
f ( x 0 h)
x0
x0 + h
x0 h
x0
f ' ( x0 )
f (x0 + h)
f ( x0 )
f ' ( x0 )
f ( x 0 h)
x0 h
x0
f ( x0 + h) f ( x0 h)
2h
x0 + h
Diferenciacin centrada
80
f ( x 0 + h) f ( x 0 h)
2h
f ' ' ( x0 ) =
f ( x 0 + h) 2 f ( x 0 ) + f ( x 0 h )
h2
f ( x 0 + 2h ) 2 f ( x 0 + h ) + 2 f ( x 0 h) f ( x 0 2 h )
2h 3
IV
( x0 ) =
f ( x 0 + 2 h ) 4 f ( x 0 + h ) + 6 f ( x 0 ) 4 f ( x 0 h) + f ( x 0 2 h )
h4
f ( x 0 + h) f ( x 0 )
h
f ' ' ( x0 ) =
f ( x 0 + 2h ) 2 f ( x 0 + h ) + f ( x 0 )
h2
f ( x 0 + 3h) 3 f ( x0 + 2h) + 3 f ( x0 + h) f ( x0 )
2h 3
IV
( x0 ) =
f ( x 0 ) f ( x 0 h)
h
f ' ' ( x0 ) =
f ( x 0 ) 2 f ( x 0 h) + f ( x 0 2h)
h2
f ( x 0 ) 3 f ( x 0 h) + 3 f ( x 0 2h) f ( x 0 3h)
2h 3
IV
( x0 ) =
Ejemplo
sense aproximaciones de Diferencias Finitas Hacia Adelante, Hacia Atrs y
Centradas para estimar la primera derivada en x = 0.5 de:
f ( x) = 0.1x 4 0.15 x 3 0.5 x 2 0.25 x + 1.2
81
Unidad VI
Solucin numrica de ecuaciones diferenciales.
Sea
dv
c
= g v
dt
m
Una ecuacin diferencial de primer orden, donde:
g , c y m son constantes.
v es una variable dependiente.
diferenciales
parciales
(EDP),
si
poseen
dos
ms
variables
independientes.
La ecuacin
m
d 2x
dx
+ c + kx = 0
2
dt
dt
dx
dt
Entonces
dy d 2 x
=
dt dt 2
Sustituyendo las ecuaciones anteriores se tiene que
m
dx
dy cy + kx
+ cy + kx = 0 o
=
dt
dt
m
c
v dt
m
v=
c
v dt
m
82
Linealizacin de EDOs.
Una EDO lineal es aquella que se ajusta a la forma general:
an ( x) y n + an 1 ( x ) y n 1 + + a1 ( x) y + a0 ( x) = f ( x)
donde:
y n = derivada n-sima de y respecto a x
a y f (x) = funciones especficas de x
Mtodo de Euler
La primera derivada proporciona una estimacin de la pendiente en xi tal como
se observa en la figura siguiente
y
Predicho
Error
Verdadero
xi
xi + 1
= f ( xi , yi )
Es decir la funcin evaluada en los puntos ( xi , yi ) rescribiendo la ecuacin anterior se
tiene que
y i + 1 = y i + f ( xi , y i ) h
A esta ecuacin se le conoce como mtodo de Euler o punto medio de Euler Cauchy
83
Ejemplo.
Utilizar el mtodo de Euler para integrar (Resolver la ecuacin diferencial)
numricamente, con condiciones iniciales x = 0 , y = 1 , hasta x = 4 con paso de iteracin
de 0.5.:
dy
= 2 x 3 + 12 x 2 20 x + 8.5
dx
Resolviendo la ecuacin diferencial tenemos que la solucin real es:
y = 0.5 x 4 + 4 x 3 10 x 2 + 8.5 x + 1
Resolviendo usando Euler
i
xi
yi
f ( xi , yi )
vv
Ev
0
1
2
3
4
5
6
7
8
0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
1
5.25000
5.87500
5.12500
4.50000
4.75000
5.87500
7.12500
7.00000
8.50000
1.25000
-1.50000
-1.25000
0.50000
2.25000
2.50000
-0.25000
1.00000
3.21875
3.00000
2.21875
2.00000
2.71875
4.00000
4.71875
3.00000
0.00
63.11
95.83
130.99
125.00
74.71
46.88
50.99
133.33
vv va
3.21875 5.25
=
= 63.11%
vv
3.21875
El error verdadero es
vv va 3 5.875
=
= 95.83%
vv
3
Se contina sucesivamente x = {1.5, 2, 2.5, 3, 3.5 y 4} de acuerdo al paso utilizado. Los
valores obtenidos son valores de la curva que resulta de la ecuacin.
Graficando la solucin aproximada y la verdadera se tiene:
y
h=0.5
5
Solucin verdadera
1
0 .5
1 .5
2 .5
3 .5
Local
Truncamiento
Tipos de errores en las EDOS
Propagado
Redondeo
donde: y ' =
dy
dx
85
yi + 1 = yi + y 'i h +
yi ' ' 2
y
h + + i h n + Rn
2!
n!
y ( n + 1) ( ) n + 1
h
( n + 1)!
f ' ( xi , yi ) 2
f ( xi , yi ) ( n 1) n
h + +
h + Oh n + 1
2!
n!
f ' ( xi , yi ) 2
h + + Oh n + 1
2
f ' ( xi , y i ) 2
h o Ea = Oh 2
2!
86
Ejemplo.
Use la ecuacin Ev =
f ' ( xi , yi ) 2
h + + Oh n + 1 para estimar el error del paso inicial
2!
del ejemplo anterior. Utilcela tambin para determinar el error debido a cada uno de los
trminos de orden superior de la serie de Taylor.
Del ejemplo anterior tenemos que
f ( x, y ) =
dy
= 2 x 3 + 12 x 2 20 x + 8.5
dx
87
Pendiente = f ( xi + 1 , yi + 1 )
Pendiente = f ( xi , yi )
xi
Pendiente =
a)
xi + 1
xi
b)
f ( xi , yi ) + f ( xi + 1 , yi0+ 1 )
2
xi + 1
88
0
que se ha distinguido a esta con el superndice 0. La ecuacin de yi + 1 se llama
f ( xi , yi ) + f ( xi + 1 , yi0+ 1 )
h
2
y i0+ 1 = y i + f ( xi , y i )h
yi+ 1
f ( xi , y i ) + f ( xi + 1 , y i0+ 1 )
= yi +
h
2
Ntese que debido a que la ecuacin del corrector tiene yi + 1 en ambos lados del signo
igual, esta puede aplicarse para "corregir" en un esquema iterativo. Esto es, se puede
usar una aproximacin anterior varias veces para proporcionar una aproximacin
mejorada de yi + 1 . Se debe entender que este proceso no necesariamente converge a
la respuesta correcta sino converger a una aproximacin con un error de truncamiento
finito.
El error aproximado esta dado por
Ea =
89
Ejemplo
Utilizar el mtodo de Heun para resolver (Integrar) numricamente la ecuacin
diferencial y ' = 4e 0.8 x 0.5 y desde x = 0 a x = 4 con tamao de paso 1. La condicin
inicial en ( x, y ) = (0,2) .
Donde la solucin verdadera es:
y=
4 0.8 x
e e 0.5 x + 2e 0.5 x
1.3
xi
yv
yi
f ( xi , yi )
yi0+ 1
f ( xi + 1 , yi0+ 1 )
Ev
0
1
2
3
4
0
1.0
2.0
3.0
4.0
2.00000
6.19463
14.84392
33.67717
75.33896
2.00000
6.70108
16.31978
37.19925
83.33777
3.00000
5.55162
11.65224
25.49308
5.00000
12.25270
27.97202
62.69233
6.40216
13.68578
30.10670
66.78396
0.00
8.18
9.94
10.46
10.62
La pendiente f ( xi , yi )
f (0,2) = y ' = 4e 0.8 x 0.5 y = 4e 0.8 0 0.5 2 = 3
yi0+ 1 = yi + f ( xi , yi )h = 2 + 3 1 = 5
0
Estimando el predictor yi + 1
0
Estimando la pendiente f ( xi + 1 , yi + 1 )
f ( xi , yi ) + f ( xi + 1 , yi0+ 1 )
3 + 6.40216
h = 2+
1 = 6.70108
2
2
Ev =
6.19463 6.70108
100 = 8.18%
6.19463
100
80
60
Solucin verdadera
40
20
Aproximacin de
x
0
0
90
= a1k1 + a2 k 2 + + an k n
Donde las a son constantes y las k son:
k1 = f ( xi , yi )
k 2 = f ( xi + p1 h, yi + q11 k1 h)
k3 = f ( xi + p2 h, yi + q21 k1 h + q22 k 2 h)
k n = f ( xi + pn 1 h, yi + qn 1,1 k1 h + qn 1, 2 k 2 h + + qn 1,n 1 k n 1 h)
Obsrvese que las k son las relaciones de recurrencia; esto indica que k1 aparece en
la ecuacin para k 2 , y k 2 aparece en la ecuacin para k3 , etc.
Mtodos de Runge-Kutta de segundo orden
La versin de segundo orden para yi + 1 = yi + ( xi , yi , h)h es:
yi + 1 = yi + (a1 k1 + a2 k 2 ) h
Donde
k1 = f ( xi , yi )
k 2 = f ( xi + p1 h, yi + q11 k1 h)
Los valores para a1 , a2 , p1 y q11 son evaluados al igualar el termino de segundo orden
de yi + 1 = yi + (a1 k1 + a2 k 2 ) h con la expansin de la serie de Taylor. Para desarrollar esto
se obtienen tres ecuaciones con cuatro constantes desconocidas. Dichas ecuaciones
son:
91
1
1
a2 q11 =
2
2
Debido a que se tienen cuatro incgnitas y tres ecuaciones, se propone el valor de una
a1 + a2 = 1
a2 p1 =
de estas incgnitas para determinar las dems. Por ejemplo, si se propone un valor
para a2 , se obtiene:
a1 = 1 a2 y p1 = q11 =
1
2a2
Debido a que se puede elegir un nmero infinito de valores para a2 , existen tambin un
nmero infinito de mtodos o ecuaciones de Runge-Kutta de 2do. Orden. Las variantes
ms comunes son: Mtodo de Heun de un solo corrector, Mtodo del Punto Medio y
Mtodo de Ralston, los cuales se describen a continuacin.
Mtodo de Heun de un solo corrector a 2 =
1
2
. Estos parmetros
1
2
h, yi +
1
2
k1 h)
92
Mtodo de Ralston a 2 =
2
3
2
3
se obtiene un lmite
y p1 = q11 =
1
3
3
4
lo cual da:
2
1
y i + 1 = y i + k1 + k 2 h
3
3
Donde
k1 = f ( x i , y i )
k 2 = f ( xi +
3
4
h, y i +
3
4
k1 h )
[ 16 ( k1 + 4k2 + k3 ) ] h
Donde
k1 = f ( xi , yi )
k 2 = f ( xi +
1
2
h, yi +
1
2
k1 h)
k 3 = f ( xi + h, y i k1 h + 2 k 2 h)
93
en la regla de Simpson
[ (k
1
6
+ 2 k 2 + 2 k3 + k 4 ) ] h
Donde
k1 = f ( xi , yi )
k2 = f ( xi +
1
2
h, yi +
1
2
k1 h)
k3 = f ( xi +
1
2
h, yi +
1
2
k 2 h)
k4 = f ( xi + h, yi + k3 h)
La segunda se basa en la regla de Simpson
yi + 1 = yi +
3
8
y se escribe as
[ 18 ( k1 + 3k2 + 3k3 + k4 ) ] h
Donde
k1 = f ( xi , yi )
k 2 = f ( xi + 13 h, yi +
1
3
k1 h)
k3 = f ( xi + 13 h, yi +
1
3
k1 h +
1
3
k 2 h)
k 4 = f ( xi + h, yi + k1 h k 2 h)
94
1
4
h, yi +
k3 = f ( xi +
1
4
h, yi + 18 hk1 + 18 hk 2 )
k 4 = f ( xi +
1
2
h, yi 12 hk 2 + hk3 )
k5 = f ( xi +
3
4
h, yi +
k 6 = f ( xi + h, yi
3
7
1
4
3
16
hk1 )
hk1 +
hk1 +
2
7
9
16
hk 4 )
hk 2 +
12
7
hk3
12
7
hk 4 +
8
7
hk5 )
95
Ejemplo
Utilizar el mtodo de Runge-Kutta de cuarto orden clsico para resolver
(Integrar) numricamente la ecuacin diferencial y ' = 4e 0.8 x 0.5 y desde x = 0 a x = 4
con tamao de paso 1. La condicin inicial en ( x, y ) = (0,2) .
Donde la solucin verdadera es:
y=
4 0.8 x
e e 0.5 x + 2e 0.5 x
1.3
xi
yi
Vv
k1
k2
k3
k4
Ev
0
1
2
3
4
0
1.0
2.0
3.0
4.0
2.00000
6.20104
14.86248
33.72135
75.43917
2.00000
6.19463
14.84392
33.67717
75.33896
3.00000
5.80165
12.38089
27.23203
4.21730
8.72954
19.02976
42.10991
3.91297
7.99756
17.36754
38.39044
5.94568
12.71283
27.97769
62.07423
0.00
0.10
0.13
0.13
0.13
1
2
h, y0 +
k3 = f ( xi +
1
2
h, yi +
1
2
1
2
[ 16 ( k1 + 2k2 + 2k3 + k4 ) ] h =
2+
6.20104
6.19463 6.20104
100 = 0.10%
6.19463
96
dy
dx
se aplicaran para ordenes superiores, por ejemplo, para aproximar una solucin de una
ecuacin diferencial de segundo orden, se rescribe la ecuacin de tal manera que se
despeje la derivada de mayor orden para que tenga la forma siguiente en el caso de
una ecuacin diferencial de segundo orden tenemos que.
d2y
dy
= a1 ( x) + a0 ( x) y + g ( x)
2
dx
dx
Donde
y es la variable dependiente
x es la variable independiente
1
y = 0
y '
a 0 ( x) a1 ( x)
y + 0 g ( x )
y ' 1
y 0
1
0
y' = 0
0
1
y ' ' a0 ( x) a1 ( x) a2 ( x )
y 0
y ' + 0 g ( x )
y ' ' 1
97
y = 0
1 y 0
y ' 1 x y ' + 1 0
Como g ( x) = 0 la ecuacin a resolver es
'
y = 0
1 y
y ' 1 x y '
Para una ecuacin diferencial de tercer orden
x 3 y ' ' '+ 5 x 2 y ' '+ 7 xy '+ 8 y = 1
Despejando la derivada de mayor orden tenemos
y ' ' ' = 1 5 x 1 y ' ' 7 x 2 y ' 8 x 3 y
Escribindola de manera matricial
'
y
0
y' = 0
y ' '
8 x 3
1
0
7x 2
0
1
5 x 1
y 0
y ' + 0 1
x3
y ' ' 1
98
Ejemplo
Utilizar el mtodo de Runge-Kutta de segundo orden (Ralston) para resolver
(Integrar) numricamente la ecuacin diferencial se segundo orden y ' '+ 5 y '+ 4 y = 0
desde x = 0 a x = 1 con tamao de paso 0.25. la condicin inicial en y (0) = 1 y y ' (0) = 0
Donde la solucin verdadera es:
y=
4
3
e x 13 e 4 x
y = 0
1 y 0
y ' 4 5 y ' + 1 0
Como no existe el trmino independiente
'
y = 0
1 y
y ' 4 5 y '
i
xi
yi
y'i
k1
k '1
k2
k '2
vv
Ea
0.00
1.0000
0.0000
0.0000
-4.0000
-0.7500
-0.2500
1.0000
0.00
0.25
0.8750
-0.3750
-0.3750
-1.6250
-0.6797
0.1797
0.9158
4.46
0.50
0.7305
-0.4805
-0.4805
-0.5195
-0.5779
0.3279
0.7636
4.33
0.75
0.5941
-0.4691
-0.4691
-0.0309
-0.4749
0.3499
0.6132
3.11
1.00
0.4759
-0.4134
0.4844
1.75
'
y
1 y donde y son las condiciones iniciales 1
Dado que f ( xi , yi ) = = 0
y '
0
5 y '
y
'
calculando k1 y k 2
1 1 = 0
k1 = f ( xi , y i ) = f 0 , 1 = 0
0
0
5 0 4
k 2 = f ( xi +
3
4
h, y i +
3
4
k1 h) = f 0 +
0
3
4
0.25, 1 +
0
3
4
0 0.25 = f 0.1875 , 1
4
0.1875 0.75
1 1 = 0.75
k 2 = f 0.1875 , 1 = 0
0
.
1875
0
.
75
5 0.75 0.25
99
Calculando y1
2
1
y i + 1 = y i + k1 + k 2 h =
3
3
1 + 1 0 + 2
0 3 4 3
0
.
3750
5 0.3750 1.6250
k 2 = f ( xi +
3
4
h, y i +
3
4
0.4375 0.6797
1 0.8047 = 0.6797
k 2 = f 0.4375 , 0.8047 = 0
0
.
4375
0
.
6797
5 0.6797 0.1797
Calculando y2
2
2
1
1
0
.
3750
1
.
6250
0
.
1797
0.4805
3
3
3
3
En la siguiente figura se observa los resultados graficados
y
1
Solucin verdadera
Aproximacin de
0 .5
x
0
0 .2
0 .4
0 .6
0 .8
Aproximacin de
1 .2
1 .4
1 .6
1 .8
y'
-0 .5
100
x 2 + 1 + tan x comenzando
f ( x) = e x x comenzando
f ( x) = sen x x 1
f ( x) = ln x + 2 x 4
A = 2 1 3 B = 1 2 6
4 0 5
1 0 4
( )
e) AT f) Det AT
g) Det ( B )
2.- Para los siguientes sistemas de ecuaciones obtenga la regla de Cramer.
12 x3 + 2 x 4 = 36
7 x1 3 x2 + 8 x3 = 49
4 x1 3 x 2 + 7 x3 = 3
4 x1 6 x2 + 10 x3 = 84
5 x1 + 4 x 2 = 25
x1 2 x2 5 x3 = 5
x 2 6 x3 + 4 x 4 = 17
3.- Resuelva los siguientes sistemas de ecuaciones mediante eliminacin Gaussiana, y con el
mtodo de Gauss-Jordan.
x1 + 3x2 2 x3 + x4 = 15.25
x1 14 x2 = 103
x1 + 3x2 x3 + 2 x4 = 21
x1 3 x2 + 12 x3 = 10
x2 x3 + 4 x4 = 23
5 x1 12 x2 + 2 x3 = 33
2 x1 + 6 x2 + x3 + 2 x4 = 35.5
4.- Utilice descomposicin LU para resolver los siguientes sistemas.
2 x1 + 5 x2 2 x3 + 4 x4 = 77
4 x1 2 x2 x3 = 39
x2 + 4 x3 + 6 x4 = 69
x1 6 x2 + 2 x3 = 28
x1 + 2 x2 2 x3 + 3 x4 = 42
x1 3 x2 + 12 x3 = 86
x1 + 2 x2 3 x3 + 5 x4 = 58
5.- Use la Crout (Inversa por LU ) para obtener la inversa de las siguientes matrices. As
mismo obtenga el nmero de condicin de dichas matices.
1 3 2 1
10 3 6
1 3 1 2
4 9
A=
B = 1
8 2
C=
0 1 1 4
3 7
2 4 9
2 6 1 2
a) A B
b) B A
c) B + A
d) 9 A
A=
B = 2 10 46
C=
15 18 38 36
0.16 0.89
14
46
243
12 16 36 49
1.- Resuelva las siguientes integrales definidas obteniendo la mejor exactitud posible
sen x
dx
x
(1
1.5
x 4 x + 3 x )dx
3
1
2
x2
2
dx
2.- Hallar los polinomios interpoladores de segundo y tercer grado con nodos en los
puntos 0, 1,1 y 2,1, 1, 2 respectivamente de las funciones: a. f ( x) = x , b. f ( x) = x 2 ,
c. f ( x) = 2 x 2 3 x + 1 , d. f ( x) = 1 /( 2 x + 1) , e. f ( x) = 1 /(1 + x 2 ) . Y evalelos para cuando
x = 0 .5
3.- Halla el polinomio interpolador de tercer grado de la funcin sen(x) con los puntos
en los Halla 0, / 4, 3 / 4, y el polinomio interpolador de cuarto grado con nodos en
los puntos 0, / 4, / 2,3 / 4, En ambos casos para el punto x = / 8 .
4.- Obtenga la derivada de las siguientes ecuaciones para x = 10
y = e X
3 sin( x )
2 + cos( x )
f ( x) =
ln( X )
cos( x)dx
1
0
1
3
3
8
y
2
e x dx
cos( x 2 )dx
y (2) 8.21613948403160
y' =
x2 + y2
y (1) = 1.5 .
y (1.3) 1.80788129697832
y ' = ln( x + y )
para aproximar tomando h = 0.1 en cada paso del proceso iterativo. Con condiciones iniciales de
y ( 2) = 1
Solucin:
y (2.3) 1.79693050
y (3.3) tomando
h = 0.1 en cada paso del proceso iterativo. Con condiciones iniciales y (3) = 2.5
Solucin:
y (3.3) 2.52416053645258
y' =
1
x + y
2
5. Dada la siguiente ecuacin diferencial: Use el mtodo de Runge-Kutta tercer orden para aproximar
y (4.3) tomando h = 0.1 en cada paso del proceso iterativo. Con condiciones iniciales y (4) = 5
Solucin:
y (4.3) 5.48415211356027
y ' = ln( x ) +
1
y
6. Dada la siguiente ecuacin diferencial, Use el mtodo de Runge-Kutta cuarto orden Simpson 1 3 para
aproximar
y (3.3) tomando h = 0.1 en cada paso del proceso iterativo. Con condiciones iniciales de
y (3) = 10
Solucin:
y (3.3) 11.51580929220025
y' =
x+
7. Dada la siguiente ecuacin diferencial de segundo orden, Use el mtodo de Euler para aproximar
y (0.5) tomando h = 0.1 en cada paso del proceso iterativo. Con condiciones iniciales de y (0) = 0 y
y ' (0) = 0 Solucin: y (0.5) 0.12084227416098
y ' ' y ' = e x cos( x)
Solucin real y =
1
2
12 e x cos( x) + 12 e x sin( x)
8. Dada la siguiente ecuacin diferencial de tercer orden, Use el mtodo de Heun para aproximar
y (0.5) tomando h = 0.1 en cada paso del proceso iterativo. Con condiciones iniciales de y (0) = 0 ,
y ' (0) = 0 y y ' ' (0) = 1 Solucin: y (0.5) 0.11002693350417
2 y ' ' '+ 3 y ' ' 3 y ' 2 y = e x
x2
2x
Solucin real y = 89 e + 19 e +
5
18
ex +
1
2
e x