4/22/2015

MANUAL DE
METODOS
NUMERICOS

QU ES EL ANLISIS NUMRICO?
El Anlisis Numrico es la tcnica mediante las cual es posible formular problemas de tal
forma que puedan resolverse usando operaciones aritmticas, es por ello que la
computacin es una herramienta que nos facilita el uso y desarrollo de ellos
a.- Clasificacin de los mtodos numricos
Los problemas de esta disciplina se pueden dividir en dos grupos fundamentales:
Problemas de dimensin finita: aquellos cuya respuesta son un conjunto finito de nmeros,
como las ecuaciones algebraicas, los determinantes, los problemas de valores propios, etc.
Problemas de dimensin infinita: problemas en cuya solucin o planteamiento intervienen
elementos descritos por una cantidad infinita de nmeros, como integracin y
derivacin numricas, clculo de ecuaciones diferenciales, interpolacin, etc.
Clasificacin atendiendo a su naturaleza o motivacin
Asimismo, existe una subclasificacin de estos dos grandes apartados en tres categoras de
problemas, atendiendo a su naturaleza o motivacin para el empleo del clculo numrico:
Problemas de tal complejidad que no poseen solucin analtica.
Problemas en los cuales existe una solucin analtica, pero sta, por complejidad u otros
motivos, no puede explotarse de forma sencilla en la prctica.
Problemas para los cuales existen mtodos sencillos pero que, para elementos que se
emplean en la prctica, requieren una cantidad de clculos excesiva; mayor que la necesaria
para un mtodo numrico.

b.- Errores numricos

El concepto de error es consustancial con el clculo numrico. En todos los problemas es
fundamental hacer un seguimiento de los errores cometidos a fin de poder estimar el grado
de aproximacin de la solucin que se obtiene.
Los errores asociados a todo clculo numrico tienen su origen en dos grandes factores:
Aquellos que son inherentes a la formulacin del problema.
Los que son consecuencia del mtodo empleado para encontrar la solucin del problema.
Dentro del grupo de los primeros, se incluyen aquellos en los que la definicin matemtica
del problema es slo una aproximacin a la situacin fsica real. Estos errores son
normalmente despreciables; por ejemplo, el que se comete al obviar los efectos relativistas
en la solucin de un problema de mecnica clsica. En aquellos casos en que estos errores

no son realmente despreciables, nuestra solucin ser poco precisa independientemente de

la precisin empleada para encontrar las soluciones numricas.
Otra fuente de este tipo de errores tiene su origen en la imprecisin de los datos fsicos:
constantes fsicas y datos empricos. En el caso de errores en la medida de los datos
empricos y teniendo en cuenta su carcter generalmente aleatorio, su tratamiento analtico
es especialmente complejo pero imprescindible para contrastar el resultado obtenido
computacional-mente.
En lo que se refiere al segundo tipo de error (error computacional), tres son sus fuentes
principales:
Equivocaciones en la realizacin de las operaciones (errores de bulto). Esta fuente de error
es bien conocida por cualquiera que haya realizado clculos manualmente o empleando una
calculadora. El empleo de computadores ha reducido enormemente la probabilidad de que
este tipo de errores se produzcan. Sin embargo, no es despreciable la probabilidad de que el
programador cometa uno de estos errores (calculando correctamente el resultado errneo).
Ms an, la presencia de bugs no detectados en el compilador o en el software del sistema
no es inusual. Cuando no resulta posible verificar que la solucin calculada es
razonablemente correcta, la probabilidad de que se haya cometido un error de bulto no
puede ser ignorada. Sin embargo, no es esta la fuente de error que ms nos va a preocupar.

El error causado por resolver el problema no como se ha formulado, sino mediante algn
tipo de aproximacin. Generalmente est causado por la sustitucin de un infinito
(sumatorio o integracin) o un infinitesimal (diferenciacin) por una aproximacin finita.
Algunos ejemplos son:
El clculo de una funcin elemental (por ejemplo, Seno x) empleando slo n trminos de
los infinitos que constituyen la expansin en serie de Taylor.
Aproximacin de la integral de una funcin por una suma finita de los valores de la
funcin, como la empleada en la regla del trapezoide.
Resolucin de una ecuacin diferencial reemplazando las derivadas por una aproximacin
(diferencias finitas).
Solucin de la ecuacin f(x) = 0 por el mtodo de Newton-Raphson: proceso iterativo que,
en general, converge slo cuando el nmero de iteraciones tiende a infinito.
Denominaremos a este error, en todas sus formas, como error por truncamiento, ya que
resulta de truncar un proceso infinito para obtener un proceso finito. Obviamente, estamos
interesados en estimar, o al menos acotar, este error en cualquier procedimiento numrico.
Por ltimo, la otra fuente de error de importancia es aquella que tiene su origen en el hecho
de que los clculos aritmticos no pueden realizarse con precisin ilimitada. Muchos
nmeros requieren infinitos decimales para ser representados correctamente, sin embargo,
para operar con ellos es necesario redondearlos. Incluso en el caso en que un nmero pueda

representarse exactamente, algunas operaciones aritmticas pueden dar lugar a la aparicin

de errores (las divisiones pueden producir nmeros que deben ser redondeados y las
multiplicaciones dar lugar a ms dgitos de los que se pueden almacenar). El error que se
introduce al redondear un nmero se denomina error de redondeo.
Definiciones
Ahora que disponemos de una idea correcta de qu es el error y de cual es su origen,
podemos formalizar el concepto de error. Generalmente, no conocemos el valor de una
cierta magnitud y hemos de conformarnos con un valor aproximado x. Para estimar la
magnitud de este error necesitamos dos definiciones bsicas:
Error absoluto
de x:
(1)

Error relativo
de x:
(2)

En la prctica, se emplea la expresin:

(3)

En general, no conocemos el valor de este error, ya que no es habitual disponer del valor
exacto de la magnitud, sino slo de una acotacin de su valor, esto es, un nmero
que:

, tal
(4)

o bien:
(5)

De acuerdo con este formalismo, tenemos que un nmero se representar del siguiente
modo:
=

(6)

(7)

c.- Medida de comparacin

Cifras significativas
Son significativos todos los dgitos distintos de cero.

8723 y 0.04578 tienen cuatro cifras significativas

Los ceros situados entre dos cifras significativas son significativos.

105 y 0.0205 tienen tres cifras significativas

Los ceros a la izquierda de la primera cifra significativa no lo son.

0,005 y 0.06 tienen una cifra significativa

ORDEN DE DESCOMPOSICIN POLINMICA
El orden de una descomposicin polinomica viene a ser el exponente mximo de una
descomposicin polinmica

2.-ECUACIONES NO LINEALES
Un sistema de ecuaciones lineales tiene solucin nica si la matriz de coeficientes es no
singular.

La existencia y unicidad de soluciones de ecuaciones no-lineales es mucho ms

complicado, difcil de determinar y con una mayor variedad de comportamientos.
Para un sistema de ecuaciones lineales existen tres posibilidades: nica, infinitas o ninguna
solucin.
Una ecuacin no-lineal puede tener cualquier nmero de posibles soluciones.
Una ecuacin no-lineal puede tener mltiples races, donde tanto la funcin como su
derivada son iguales a cero.

Esta propiedad significa que la curva tiene una tangente horizontal en el eje x.
Si f(x) = 0 y f(x) 0, entonces se dice que se tiene una raz simple.

2.1.-Metodos cerrados y abiertos

Mtodos cerrados
Como su nombre lo dice este mtodo encierra la funcin en un intervalo donde dicha
funcin cambia de signo para tener una raz dentro de este intervalo y luego empezar
reducir por medios de algoritmos el tamao del intervalo.

Mtodo de la biseccin
Mtodo de regla falsa o falsa posicin
Mtodos abiertos

A diferencia de los mtodos cerrados estos solo necesitan un valor inicial, pues no encierran
la raz. En algunos casos la operacin diverge (se aleja de la raz) y otros converge (se
acerca a la raz) hallando de manera ms efectiva la raz.

Mtodo de punto fijo

Mtodo de Newton Raphson
Mtodo de la secante
Mtodo de Brent
Races mltiple
Sistema de ecuaciones no lineales

2.2.-Metodos cerrados
a.- Mtodo grafico
Sistemas de Ecuaciones Lineales y Cuadrticas
Empecemos por hablar sobre dos ecuaciones lineales. La solucin de este tipo de sistema es
el punto de interseccin entre las dos rectas, o el lugar donde las dos ecuaciones tienen los

mismos valores de x y de y. Puede haber ms de una solucin, no solucin, o un nmero

infinito de soluciones de un sistema de dos ecuaciones lineales:

Una solucin

No hay solucin

Soluciones infinitas

Si las grficas de las

ecuaciones se intersectan,
entonces existe una solucin
para ambas ecuaciones.

Si las grficas de dos

ecuaciones no se intersectan
(por ejemplo, si son
paralelas), entonces no
existen soluciones para
ambas ecuaciones.

Si las grficas de las

ecuaciones son la misma,
entonces hay un nmero
infinito de soluciones para
ambas ecuaciones.

Para resolver un sistema con una ecuacin lineal y una ecuacin cuadrtica, podemos hacer
lo mismo, encontrar el punto o puntos de interseccin entre ambas grficas:

Una solucin

No hay solucin

Dos soluciones

Si la parbola y la recta se
tocan en un slo punto,
entonces existe una solucin
para ambas ecuaciones.

Si las grficas de las

ecuaciones
no
se
intersectan, entonces no
existen soluciones para
ambas ecuaciones.

Si la recta se intersecta con la

parbola en dos lugares,
entonces hay dos soluciones
para ambas ecuaciones.

No tiene sentido considerar el caso cuando las dos ecuaciones representan el mismo
conjunto de puntos, porque una lnea recta jams ser una parbola, y vice versa.

Nota que esto significa que el nmero posible de soluciones para un sistema de dos
ecuaciones lineales es 0 (nunca se tocan), 1 (se cruzan en un lugar), o infinito (las rectas
son idnticas). El nmero de soluciones para un sistema con una ecuacin lineal y una
ecuacin cuadrtica es 0 (nunca se tocan), 1 (se tocan en un lugar), o 2 (se cruzan en dos
lugares).

b.- Mtodo de biseccin.

El mtodo de biseccin se
Teorema del Valor Intermedio
Sea
cada

basa

contnua en un intervalo
tal que

en

el

y supongamos que

, existe un

conclusin se obtiene para el caso que

siguiente

tal que

teorema

de

Clculo:

. Entonces para
. La misma

Bsicamente el Teorema del Valor Intermedio nos dice que toda funcin contnua en un
intervalo cerrado, una vez que alcanz ciertos valores en los extremos del intervalo,
entonces debe alcanzar todos los valores intermedios.

En particular, si
precisamente
existir

tienen signos opuestos, entonces un valor intermedio es

, y por lo tanto, el Teorema del Valor Intermedio nos asegura que debe
tal que

en el intervalo

, es decir, debe haber por lo menos una raz de

El mtodo de biseccin sigue los siguientes pasos:

Sea

contnua,

i) Encontrar valores iniciales

es decir,

tales que

tienen signos opuestos,

ii) La primera aproximacin a la raz se toma igual al punto medio entre

iii) Evaluar

. Forzosamente debemos caer en uno de los siguientes casos:

En este caso, tenemos que

se encuentra en el intervalo

En este caso, tenemos que

tienen signos opuestos, y por lo tanto la raz

tienen el mismo signo, y de aqu que

tienen signos opuestos. Por lo tanto, la raz se encuentra en el intervalo

En este caso se tiene que

y por lo tanto ya localizamos la raz.
El proceso se vuelve a repetir con el nuevo intervalo, hasta que:

es decir,

Ejemplo 1
Aproximar la raz de

hasta que

Solucin
Sabemos por lo visto en el ejemplo 1 de la seccin anterior, que la nica raz de
localiza en el intervalo

se

. As que este intervalo es nuestro punto de partida; sin

embargo, para poder aplicar el mtodo de biseccin debemos checar que

tengan signos opuestos. En efecto, tenemos que

mientras que

Cabe mencionar que la funcin

s es contnua en el intervalo
. As pues,
tenemos todos los requisitos satisfechos para poder aplicar el mtodo de biseccin.
Comenzamos:
i) Calculamos el punto medio (que es de hecho nuestra primera aproximacin a la raz):

ii) Evaluamos
iii) Para identificar mejor en que nuevo intervalo se encuentra la raz, hacemos la siguiente
tabla:

Por lo tanto, vemos que la raz se encuentra en el intervalo

.
En este punto, vemos que todava no podemos calcular ningn error aproximado, puesto
que solamente tenemos la primera aproximacin. As, repetimos el proceso con el nuevo
intervalo

Calculamos el punto medio (que es nuestra segunda aproximacin a la raz):

Aqu podemos calcular el primer error aproximado, puesto que contamos ya con la
aproximacin actual y la aproximacin previa:

Puesto

que

no

se

ha

logrado

el

objetivo,

Evaluamos

continuamos
,

As, vemos que la raz

Calculamos el punto medio,

se

encuentra

en

el

con

hacemos

intervalo

el

proceso.
la

tabla:

Y calculamos el nuevo error aproximado:

El
proceso
debe
seguirse
hasta
cumplir
Resumimos los resultados que se obtienen en la siguiente tabla:
Error aprox.
Aprox. a la raz
1.25
1.375

9.09%

1.3125

4.76%

1.28125

2.43%

1.296875

1.20%

1.3046875

0.59%

As, obtenemos como aproximacin

a la raz

el

objetivo.

c.- Mtodo de la regla falsa

Este mtodo es similar al mtodo de Biseccin en el sentido de que se generan
subintervalos [an,bn], que encierran a la raz a, pero esta vez xn no es el punto medio de
[an,bn], sino el punto de interseccin de la recta que pasa por los puntos (an,f(an)), (bn,f(bn)),
con el eje x.
Se considera si la raz de una ecuacin est localizada ms cerca de alguno de los extremos
del intervalo.

Donde hemos agregado la lnea recta que une los puntos extremos de la grfica en el
intervalo

Es claro que si en lugar de considerar el punto medio del intervalo, tomamos el punto
donde cruza al eje esta recta, nos aproximaremos mucho ms rpido a la raz; sta es en
s, la idea central del mtodo de la regla falsa y sta es realmente la nica diferencia con el
mtodo de biseccin, puesto que en todo lo dems los dos mtodos son prcticamente
idnticos.
Supongamos que tenemos una funcin

que es contnua en el intervalo

adems,

tienen

Calculemos la ecuacin de la lnea recta que une los puntos

Sabemos que la pendiente de esta recta esta dada por:

Por lo tanto la ecuacin de la recta es:

Para obtener el cruce con el eje

, hacemos

signos

y
opuestos.

Multiplicando por

nos da:

Finalmente, de aqu despejamos

Este punto es el que toma el papel de

en lugar del punto medio del mtodo de
biseccin.
As pues, el mtodo de la regla falsa sigue los siguientes pasos:
Sea

contnua,

i) Encontrar valores iniciales

es decir,

tales que

tienen signos opuestos,

ii) La primera aproximacin a la raz se toma igual a:

iii) Evaluar

. Forzosamente debemos caer en uno de los siguientes casos:

En este caso, tenemos que

se encuentra en el intervalo

En este caso, tenemos que

tienen signos opuestos, y por lo tanto la raz

tienen el mismo signo, y de aqu que

tienen signos opuestos. Por lo tanto, la raz se encuentra en el intervalo

En este caso se tiene que

y por lo tanto ya localizamos la raz.
El proceso se vuelve a repetir con el nuevo intervalo, hasta que:

Ejemplo 1
Usar el mtodo de la regla falsa para aproximar la raz de
en el intervalo

y hasta que

, comenzando

Solucin
Este es el mismo ejemplo 1 del mtodo de la biseccin. As pues, ya sabemos que
es
contnua en el intervalo dado y que toma signos opuestos en los extremos de dicho
intervalo. Por lo tanto podemos aplicar el mtodo de la regla falsa.
Calculamos la primera aproximacin:

Puesto que solamente tenemos una aproximacin, debemos seguir con el proceso.
As
evaluamos

pues,

hacemos

nuestra

tabla

de

signos:

De donde vemos que la raz se encuentra en el intervalo

Con este nuevo intervalo, calculamos la nueva aproximacin:

En este momento, podemos calcular el primer error aproximado:

Puesto

que

Evaluamos

no

se

cumple

el

objetivo

seguimos

con

el

proceso.

, y hacemos la tabla de signos:

De donde vemos que la raz se encuentra en el intervalo

podemos calcular la nueva aproximacin:

, con el cual,

Y el error aproximado:

Como se ha cumplido el objetivo, conclumos que la aproximacin buscada es:

Observe la rapidez con la cual converge el mtodo de la regla falsa a la raz, a diferencia de
la lentitud del mtodo de la biseccin.
2.3.-Metodos abiertos
a.- Mtodo de punto fijo
Dada una ecuacin f(x) = 0, podemos transformarla, de alguna manera, en otra equivalente
del tipo x = g(x) para alguna funcin g. En este caso se tiene que: a es raz de f(x) = 0
f(a) = 0 a = g(a) a es raz de x = g(x).
Definicin:
Un nmero a tal que a = g(a) se dice un punto fijo de la funcin g.
Cundo una funcin g tiene un punto fijo, y si lo tiene, cmo encontrarlo?
Teorema de punto fijo:
Si g es una funcin continua en [a, b] y g(x) [a, b] para todo x [a, b], entonces g tiene por
lo menos un punto fijo en [a, b]. Si adems, g(x) existe para todo x [a, b], y |g(x)| K <
1 para todo x [a, b], K constante, entonces g tiene un nico punto fijo x [a, b]. La
sucesin {xn}, con n definida, se encuentra mediante la frmula de iteracin:

El comportamiento de los esquemas de punto fijo puede variar ampliamente desde la

divergencia, lenta convergencia, a la rpida convergencia.
La va ms simple (aunque no ms general) de caracterizar el comportamiento de la
iteracin de punto fijo es considerar la derivada de g en la solucin x*.
Si x* = g(x*) y |g(x*)| < 1, entonces el esquema es localmente convergente. Es decir,
existe un intervalo conteniendo x* tal que el correspondiente esquema iterativo es
convergente si comienza dentro del intervalo.
El mtodo de punto fijo proporciona una base para otros tipos de mtodos que utilizan
ecuaciones aproximadas para buscar la raz de una ecuacin no lineal.
b.- Mtodo de newton Raphson
De acuerdo con la serie truncada de Taylor:

Reemplazamos la funcin no-lineal f con esta funcin lineal, cuyo cero es fcilmente
determinado, para hacer h = f(x) / f(x), asumiendo que f(x) 0. Como lo de las dos

funciones no se repite en general, entonces se vuelve a hacer el proceso. Esto motiva al

siguiente esquema iterativo:

El mtodo de NewtonRaphson puede interpretarse como la aproximacin de la funcin

cerca de xk por la recta tangente f(xk).
mtodo, el cual es un mtodo iterativo, es uno de los ms usados y efectivos. A diferencia
de los mtodos anteriores, el mtodo de Newton-Raphson no trabaja sobre un intervalo sino
que basa su frmula en un proceso iterativo.Supongamos que tenemos la aproximacin
a la raz

de

Trazamos la recta tangente a la curva en el punto

punto

que

ser

Para calcular el punto

que tiene pendiente

nuestra

siguiente

Y despejamos

aproximacin

la

raz

en un
.

, calculamos primero la ecuacin de la recta tangente. Sabemos

Y por lo tanto la ecuacin de la recta tangente es:

Hacemos

; sta cruza al eje

Que es la fmula iterativa de Newton-Raphson para calcular la siguiente aproximacin:

, si
Note que el mtodo de Newton-Raphson no trabaja con intervalos donde nos asegure que
encontraremos la raz, y de hecho no tenemos ninguna garanta de que nos aproximaremos
a dicha raz. Desde luego, existen ejemplos donde este mtodo no converge a la raz, en
cuyo caso se dice que el mtodo diverge. Sin embargo, en los casos donde si converge a la
raz lo hace con una rapidez impresionante, por lo cual es uno de los mtodos preferidos
por
excelencia.
Tambin observe que en el caso de que
, el mtodo no se puede aplicar. De
hecho, vemos geomtricamente que esto significa que la recta tangente es horizontal y por
lo tanto no intersecta al eje
en ningn punto, a menos que coincida con ste, en cuyo
caso

mismo es una raz de

Ejemplo 1
Usar el mtodo de Newton-Raphson, para aproximar la raz de

comenzando
con
Solucin
En este caso, tenemos que

hasta

que

De aqu tenemos que:

Comenzamos con

y obtenemos:

En este caso, el error aproximado es,

Continuamos el proceso hasta reducir el error aproximado hasta donde se pidi.

Resumimos los resultados en la siguiente tabla:

Aprox. a la raz

Error aprox.

1
1.268941421

21.19%

1.309108403

3.06%

1.309799389

0.052%

De lo cual conclumos que

, la cual es correcta en todos sus dgitos!
La misma idea puede aplicarse para crear algoritmos que aproximen races -simas de
nmeros reales positivos.Observe que cuando el mtodo de Newton-Raphson converge a la
raz, lo hace de una forma muy rpida y de hecho, observamos que el error aproximado
disminuye a pasos agigantados en cada paso del proceso. Aunque no es nuestro objetivo
establecer formalmente las cotas para los errores en cada uno de los mtodos que hemos
estudiado, cabe mencionar que si existen estas cotas que miden con mayor precisin la
rapidez lentitud del mtodo en estudio.
c.- Mtodo de Newton modificado
La dificultad del mtodo de Newton Raphson en el comportamiento de una funcin con
races mltiples obliga a considerar una modificacin del mtodo discutido por Ralston.
Como primero se desean encontrar las races de una funcin f(x). Definimos una funcin
nueva U(x), dada por,

se observa que la funcin U(x) tiene las mismas races que f(x), entonces U(x) se vuelve
cero en cualquier punto que f(x) es cero. Suponiendo ahora que f(x) tiene una raz mltiple
en x = c de multicidad r. Esto podra ocurrir, por ejemplo, si f(x) contiene un factor (x-c) .
Entonces, podra fcilmente demostrarse que U(x) tiene una raz en x = c de multicidad r, o
una raz simple. Puesto que el mtodo de Newton Raphson es efectivo para races simples,
podemos aplicar el mtodo de Newton para resolver U(x) en lugar de f(x). De esta manera,
la ecuacin recursiva de este mtodo queda,

derivando la funcin auxiliar U(x), dada por ( 3-11),queda,

El algoritmo de este mtodo es idntico al mostrado en Fig.D3.4, slo se sustituye el bloque

de f(x) por U(x) y f (x) por U (x) o en todo caso se debe extender un poco el diagrama de
flujo, ya que, se requiere el clculo de la segunda derivada de f(x). Sin embargo, el
algoritmo conserva el mismo rango de convergencia que el mtodo referido, siendo
indiferente de la multicidad de la raz.
El metodo de Newton-Raphson modificado el cual se describe acontinuacion consiste en
aplicar el metodo de Newton-Raphson univariable dos veces(para el caso de un sistema de
n ecuaciones no lineales con n incgnitas, se aplicara n veces), una para cada variable.
Cada vez que se hace esto, se considera las otras variables fijas.
Considerese de nuevo el sistema

Tomando los valores iniciales x0,y0, se calcula a partir del metodo de Newton-Raphson
univariable un nuevo valor x1 de la forma siguiente:

similitud con

Ya teniendo f1(x0,y0) y df1/dx estos dos evaluados en x0,y0.

Hay que observar que se a obtenido x1 a partir de f1 y los valores mas recientes de X y Y;
x0,y0.
Ahora emplearemos f2 y los valores mas recientes de X y Y; x1, y0 para calcular y1
De esta forma

Donde df2/dy se evala en x1,y0. Se obtiene ahora x1 y y1. con estos valores se calcula x2,
despus y2, y as sucesivamente.
Este metodo converge a menudo si x0,y0 esta muy cerca de xnegada y ynegada, y requiere
la evaluacion de solo 2n funciones por paso (cuatro para el caso de dos ecuaciones que se
esta manejando). Hay que observar que se han empleado desplazamientos sucesivos, pero
los desplazamientos simultaneos tambien son aplicables.

En la aplicacin de este metodo se pudo tomar f2 para evaluar x1 y f1, a fin de evaluar y1,
asi:
Esto puede producir convergencia en alguno de los arreglos y divergencia en el otro.es
posible saber de antemano si la primera o la segunda forma convergiran para el caso de
sistemas de dos ecuaciones, pero cuando 3 <= n las posibilidades son varias (n!) y es
imposible conocer cual de estos arreglos tiene viabilidad de convergencia, por lo cual la
eleccion se convierte en un proceso aleatorio. Esta aleatoriedad es la mayor desventaja de
este
metodo.
En general, para un sistema de n ecuaciones con n incgnitas: x1,x2,xn, el algoritmo
toma la forma:

El metodo de Newton Modificado trata de eliminar este inconveniente, utilizando en todo el

proceso la misma matriz Jacobiana J(x0). El menor coste por iteracion debido a esta
simplificacion se traduce, no obstante, en un aumento del nmero de pasos necesarios para
alcanzar la convergencia.

d.- Mtodo de Von Mises

El mtodo de Newton tiene algunas variantes que dan origen a otros mtodos, un caso
especial en el cual el mtodo de Newton puede presentar problemas en su aplicacin, es
cuando los puntos xi estn muy alejados de la solucin o bien f`(xi) es cercana a cero. Para
resolver este problema von Mises propuso sustituir el denominador f`(xi) por f`(xo)

Por lo tanto la ecuacin del mtodo es

xa x p

f xp
f x0

e.- Mtodo de la secante

Este mtodo se basa en la frmula de Newton-Raphson, pero evita el clculo de la derivada
usando la siguiente aproximacin:

Sustituyendo en la frmula de Newton-Raphson, obtenemos:

Que es la frmula del mtodo de la secante. Ntese que para poder calcular el valor de
necesitamos conocer los dos valores anteriores

Obsrvese tambien, el gran parecido con la frmula del mtodo de la regla falsa. La
diferencia entre una y otra es que mientras el mtodo de la regla falsa trabaja sobre
intervalos cerrados, el mtodo de la secante es un proceso iterativo y por lo mismo,
encuentra la aproximacin casi con la misma rapidez que el mtodo de Newton-Raphson.
Claro, corre el mismo riesgo de ste ltimo de no converger a la raz, mientras que el
mtodo de la regla falsa va a la segura.
Ejemplo 1
Usar el mtodo de la secante para aproximar la raz de
,

y hasta que

, comenzando con

Solucin
Tenemos que

, que sustitumos en la frmula de la

secante

para

calcular

la

aproximacin

Con un error aproximado de:

Como todava no se logra el objetivo, continuamos con el proceso. Resumimos los

resultados en la siguiente tabla:
Aprox. a la raz

Error aprox.

0
1

100%

0.612699837

63.2%

0.653442133

6.23%

0.652917265

0.08%

De lo cual concluimos que la aproximacin a la raz es:

f.- Aplicaciones
Dado que la presin de vapor del Cloruro de Metilo a 60 C es de 13.76 bar, emplee la
ecuacin de Redlich/Kwong para calcular los volmenes molares del vapor y lquido
saturados a esas condiciones.

Solucin
El desarrollo moderno de las ecuaciones cbicas de estado se inicio en 1949 con la
publicacin de la ecuacin de Redlich/Kwong.

RT
a
1
V b T 2V (V b)

0.4278R 2Tc2.5
Pc

0.0867 RTc
Pc

Tc = 416.3 K

Pc = 66.8 bar

R=83.14 cm3 bar mol-1 K-1 ,

T= 333.15 K,

P = 13.76 bar

a=1.56531x108 cm6 bar mol-2 K1/2

b=44.922 cm3 molEsta ecuacin, tiene tres races para el volumen, de las cuales dos pueden ser complejas.
Fsicamente, los valores de V son reales, positivos y mayores que la constante b. Los
volmenes de lquidos y vapores saturados estn dados por la raz menor y mayor,
respectivamente, cuando P es la presin de saturacin.

Problema
En un proceso qumico, el vapor de agua (H 2O) se calienta a una temperatura
suficientemente alta para que una porcin significativa del agua se disocie o se rompa en
partes para formar oxgeno (O2) e hidrogeno(H2).

H2O H2 + O2

Determinar el grado de disociacin del agua, para las condiciones siguientes.

P=2 atmsferas, K= 0.04568

Solucin
v
Para una reaccin qumica en equilibrio K a i i

Donde K es la constante de equilibrio

a i es la actividad molar parcial del componente i en la mezcla reaccionante

vi

es el coeficiente estequiomtrico de la especie i en la mezcla reaccionante

a i fi f i y i P p i

En fases gaseosas ideales

Sustituyendo K

y H 2 y O2
yH

2O

1/2

PP 1 / 2
P

La fraccin molar del componente i puede expresarse mediante la ecuacin

ni n i 0 v i
yi
nt n0 v
Donde se denomina coordenada de reaccin
Cuando se alimenta estequiomtricamente
disociacin

Balances Molares
nH 2 n0 H
2

n o2 n 0 o 1 2
2

nH 2 O n0 H O
2

v = vi =
Base

no H

2O

Sustituyendo

1mol

x siendo x es el grado de conversin o

2 12
P
1 12 1 12
1

Reacomodando

1

1 12

f ()

2 P
1 2

2 P
K Para las condiciones en que se efecta la reaccin
1 2

f ()

4
0.04568
1 2

Solucin por un mtodo que usa intervalo y uno abierto

Tabla 1.1 Mtodo de la Regla falsa en el intervalo [0.05, 0.15], NMI = 7, Tolerancia (s
=0.005)
Iteracin

Raz

Error aproximado

8.8081 x10-2

--------------------

9.5024 x10-2

7.3063

9.6107 x10-2

1.1266

9.6272 x10-2

0.1712

9.6297 x10-2

0.0260

9.6300 x10-2

0.0039

Tabla 1.2 Mtodo de la Secante en el intervalo x1=0.05, x2=0.15, NMI = 7, Tolerancia (s

=0.005)
Iteracin

Raz

Error aproximado

8.8081 x10-2

43.2343

9.7921 x10-2

10.0490

9.6255 x10-2

1.7607

9.6301 x10-2

0.0472

9.6300 x10-2

0.0003

Problema 1
Una alimentacin de 100 kmol/h que contiene 10, 20, 30, y 40 moles % de propano (3), nbutano (4), n-pentano (5) y n-hexano (6), respectivamente, entra a una columna de
destilacin de 100 psia(689.5 kPa) y 200 F(366.5 K). Suponiendo que existe equilibrio,
Qu fraccin de la alimentacin entra como liquido y cuales son las composiciones del
liquido y el vapor. Datos K3=04.2, K4=1.75, K5=0.74, K6=0.34

Vaporizacin instantnea
Determinacin de la cantidad de vapor V (moles/hr) y la de lquido L (moles/hr) que se
generan en una vaporizacin instantnea.

V
moles/hr

F moles/hr

L
moles/hr

Un balance de materia global:

F=L+V

Un balance de materia para cada componente:

F zi = L xi + V yi

Las relaciones de equilibrio lquido-vapor establecen: K i

n

Sustituyendo y combinando ecuaciones tenemos:

yi
xi

i = 1, 2, 3, ,n

i = 1, 2, 3, ,n

Fz i ( K i 1)
0
i 1)

F V (K
i 1

El valor de V que satisface esta ecuacin esta comprendido entre 0 V F

Por lo tanto, proponer un valor inicial de V es bastante complicado ya que F puede ser muy
grande.
Esta dificultad se puede reducir normalizando el valor de V, dividiendo el numerador y el
denominador entre F.
z ( K 1)
f ( ) i i
0
i 1 1 ( K i 1)
n

z i ( K i 1) 2
f ' ( )
0
2
i 1 [1 ( K i 1)]

Donde = V/F

Problema 2
Encuentre el volumen molar del gas butano a 500 K y 50 bar.
La ecuacin cubica de estado genrica:

Puede ser modificada para Z (factor de compresibilidad) mediante sustituciones adecuadas

Donde =(Pr/Tr) y q=(Tr)/ (Tr)

Los valores de los parmetros de esta ecuacin varan de acuerdo a la ecuacin cubica de
estado que se utiliza, para la ecuacin de Redlich-Wong =1, =0, =0.8664,
=0.42748, (Tr)= Tr-1/2
Para el caso de del butano a las condiciones dadas Tr = 1.176, Pr = 1.317, =0.09703 y
q=3.8689
Sustituyendo en la ecuacin tenemos

Resolver esta ecuacin por los mtodos numricos vistos en la unidad.

3.-SISTEMA DE ECUCACIONES LINEALES

Los sistemas de Ecuaciones Lineales
Aparecen en muchos aspectos de las matemticas aplicadas y la computacin cientfica.
Dichos sistemas de ecuaciones lineales son de la forma:
a11x1+a12x2+a13x3+...+a1nxn=b1
a21x1+a22x2+a23x3+...+a2nxn=b2

:
an1x1+an2x2+an3x3+...+annxn=bn
En notacin matriz-vector, un sistema de ecuaciones algebraicas lineales tiene la forma:

A: Matriz.
b: Vector.
x: Es el vector de incgnitas a ser determinado.
Lo siguiente conduce a la pregunta: Puede el vector b ser expresado como una
combinacin lineal de las columnas de la matriz A?
Los coeficientes de esta combinacin lineal estn dados por los componentes del vector
solucin x.
Puede o no tener solucin.
Puede no ser nica.
Determinantes
Los determinantes surgen en relacin con los sistemas de ecuaciones lineales.
Por ejemplo en el sistema
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2

(1)

en el que las incgnitas son x1, y x2.

Para resolver este sistema, puede multiplicarse la primera ecuacin por a22, la segunda por
-a12 y sumar, encontrando
(a11 a22 - a21 a12) x1 = b1 a22 b2 a12
Entonces se multiplica la primera ecuacin de (1) por -a21, la segunda por a11 y se suma
nuevamente, encontrando
(a11 a22 - a21 a12) x2 = a11 b2a21 b1
Si a11 a22 - a21 a12 no es cero, puede dividirse y obtener el resultado deseado
x1

b1 a 22 b2 a12
a11 a 22 a 21 a12

x2

b2 a11 b1 a 21
a11 a 22 a 21 a12

La expresin de los denominadores se escribe en la forma

(2)

a11
a 21

a12
a 22

y se llama determinante de segundo orden. Entonces

a11

a12

a 21

a 22

= a11 a22 - a21 a12

Los cuatro nmeros a11, a12, a21, a22 se llaman elementos del determinante. Se dice que los
elementos en una lnea horizontal forman un rengln y que los elementos en una lnea
vertical forman una columna del determinante.
Ahora puede escribirse la solucin (2) del sistema (1) en la forma
x1

D1
D

x2

D2
D

(D 0)

donde
D

a11
a 21

a12
a 22

D1

b1
b2

a12
a 22

D2

a11
a 21

b1
b2

Esta frmula se llama Regla de Cramer. Ntese que D1 se obtiene reemplazando la

primera columna de D por la columna con elementos b1, b2 y D2 se obtiene reemplazando la
segunda columna de D por esa columna.

Una forma distinta de evaluar el determinante de un sistema de ecuaciones se basa en el

hecho de que el determinante de una matriz triangular se puede calcular simplemente con el
producto de los elementos de su diagonal
D = a11 a22 a33 ... ann
a.- Mtodos directos
b.- Mtodos iterativos
Para verificar y comparar la efectividad de un mtodo iterativo es necesario caracterizarlo,
para esto se usa la tasa de convergencia. Hay ciertos aspectos que se deben tener en cuenta
al respecto, por ejemplo que muchas ecuaciones no-lineales no pueden resolverse an con
un nmero muy grande de iteraciones.
El costo total de resolver un problema no-lineal depende del costo por iteracin y del
nmero de iteraciones requeridas para la convergencia.
El error en la iteracin k est dado por:

Donde: xk es la solucin aproximada en la iteracin k y x* es la solucin verdadera.

Se dice de un mtodo, que ste converge con tasa de convergencia r si:

Y se dice de esta tasa de convergencia que, para una constante C 0:

Si r=1 y C<1, la tasa de convergencia es lineal.
Si r>1, la tasa de convergencia es sper lineal.
Si r=2, la tasa de convergencia es cuadrtica.
Jacobi
El sistema de ecuaciones lineales
a11 x1 + a12 x2 + a13 x3 + ........+ a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + ........+ a2n xn = b2
a31 x1 + a32 x2 + a33 x3 + ........+ a3n xn = b3
.................................................................
an1 x1 + an2 x2 + an3 x3 + ........+ ann xn = bn

puede representarse en forma matricial como A x = b.

Donde la matriz A puede representarse como la suma de dos matrices, una matriz diagonal
D y otra matriz C de modo que (D + C ) x = b, y reacomodando

Dx + Cx = b

Dx = b - Cx

b C x

D
Esta ltima ecuacin se puede usar para aproximar la solucin mediante un proceso
iterativo.

Ntese la semejanza con el mtodo de punto fijo desarrollado en la unidad anterior. El

criterio de convergencia para este es que los elementos de la diagonal principal de la matriz
b C xi
x i 1
D
A sean dominantes, es decir

La aplicacin de la ecuacin del mtodo al sistema de ecuaciones sera entonces

x1,i 1
x 2 ,i 1
x 3,i 1

b a
1

12

b a
2

b a
3

x 2,i a13 x3,i ... a1, n x n ,i

a11

x a 23 x3,i ... a 2 , n x n ,i

21 1, i

a 22

31

x3,i a 32 x 2,i ... a 3, n x n ,i

a 33

ii a ij
a
i j

bn a n ,1 x1,i a n , 2 x 2,i ... a n , n 1 x n 1,i

x n ,i 1
a n,n
Como en todos los procesos iterativos, se requiere dar una aproximacin inicial, que en este
caso sera un vector solucin inicial x0, as como un criterio de convergencia

Que deber cumplirse para cada elemento del vector actual y previo; tambin se dar el
nmero mximo de iteraciones

xi 1 xi
xi 1

100 s

Ejemplo
Dado el problema

-12 x1 + x2 - 7 x3 = -80
x1 - 6x2 + 4 x3 = 13
-2 x1 - x2 + 10 x3 = 92

Encontrar los valores de x1, x2, x3 por el mtodo de Jacobi.

x0 = [0, 0, 0]. s = 0.05. Nmero mximo de iteraciones = 5.
Primera iteracin

x1,i 1
x 2 ,i 1
x3,i 1

80 x2i 7 x3i

x1,0 =

0
12 x1,i 1 x1,i

100
s
13 x1ai1 4 x3i x 1,i 1
x2,0 =

6
x x 0

92 a22 x1i x2 ,2i i 1 2 ,i 100 s

x2 ,i 1
x3,0 =
10
x x3,i 1000
a 3 3,i 1
s
x3,i 1

x1,1

80 0 7 0 6.667

12
13 0 4 0 2.1667
x 2 ,1
a1 = a2 = a36=
92 2 0 0 9.2
x100
3,1
10
a i < s? NO

Segunda iteracin
x1, 2
x 2,2
x 3, 2

80 2.1667 7 9.2 1.1194

12

13 6.6667 4 9.2 5.0778

92 2 6.6667 2.1667

10.3167
10

a1 =
495.5601

a2 = 142.67
a3 = 10.8242
a i < s?
NO

Tercera iteracin
x1,3
x 2 ,3
x 3, 3

80 5.0778 710.3167 1.0717

12

13 1.1194 410.3167 4.8977

92 21.1194 5.0778

9.9317
10

a1 = 4.4509
a2 = 3.6772
a3 = 3.8765
a i < s?
NO

Cuarta iteracin
x1, 4
x 2, 4
x 3, 4

80 4.8977 7 9.9317 1.2813

12

13 1.0717 4 9.9317 4.6361

92 21.0717 4.8977

9.9041
10

a1 = 16.3584
a2 = 5.7111
a3 = 0.2887
a i < s?
NO

c.- Solucin de sistema de ecuaciones

d.- Solucin de sistema de ecuaciones no lineales, mtodo de newton Raphson
multivariables.
e.- Mtodo de Punto Fijo de multivariable
El sistema fi = 0, i= 1,2,3,, n es transformado en el conjunto de ecuaciones.

Mediante la aplicacin de operaciones algebraicamente vlidas. A cada una de estas

ecuaciones se les aplica el mtodo iterativo de punto fijo:

Se comienza con una estimacin inicial x, la cual es sustituida en las ecuaciones g1, g2, g3,
gn resultando una nueva aproximacin x. Estas funciones son evaluadas en x para
generar x. Este procedimiento es repetido para calcular las aproximaciones x3, x4, x5,
En el momento en que se cumpla alguno de los criterios de convergencia usuales, se
termina el proceso iterativo.

4.-REGRESION LINEAL
a.-Transformaciones lineales
Las transformaciones lineales son las funciones con las que trabajaremos en Algebra
Lineal.
Se trata de funciones entre K-espacios vectoriales que son compatibles con la estructura (es
decir, con la operacin y la accin) de estos espacios.
Definiciones, ejemplos y propiedades bsicas
En esta seccin introduciremos la nocin de transformacin lineal, as como tambin ciertas
nociones bsicas asociadas a estas funciones.

Definicin: Sean

dos K-espacios vectoriales. Una funcin

se llama una transformacin lineal (u homomorfismo, o simplemente

morfismo) de V en W si cumple:
i)
ii)
Observacin: Si
En efecto, puesto que

es una transformacin lineal, entonces

, entonces

Ejemplos:

Como hemos mencionado al comienzo, las transformaciones lineales respetan la estructura

de K-espacio vectorial. Esto hace que en algunos casos se respete la estructura de
subespacio, por ejemplo en la imgenes y pre-imgenes de subespacios por
transformaciones lineales:

Proposicin:

b.- Regresin lineal mltiple

Introduccin

En la regresin lineal mltiple vamos a utilizar ms de una variable explicativa; esto nos va
a ofrecer la ventaja de utilizar ms informacin en la construccin del modelo y,
consecuentemente, realizar estimaciones ms precisas.
Al tener ms de una variable explicativa (no se debe de emplear el trmino independiente)
surgirn algunas diferencias con el modelo de regresin lineal simple.
Una cuestin de gran inters ser responder a la siguiente pregunta: de un vasto conjunto de
variables explicativas: x1, x2, , xk, cules son las que ms influyen en la variable
dependiente Y.
En definitiva, y al igual que en regresin lineal simple, vamos a considerar que los valores
de la variable dependiente Y han sido generados por una combinacin lineal de los valores
de una o ms variables explicativas y un trmino aleatorio:

Los coeficientes son elegidos de forma que la suma de cuadrados entre los valores
observados y los pronosticados sea mnima, es decir, que se va a minimizar la varianza
residual.
Esta ecuacin recibe el nombre de hiperplano, pues cuando tenemos dos variables
explicativas, en vez de recta de regresin tenemos un plano:

Con tres variables explicativas tendramos un espacio de tres dimensiones, y as

sucesivamente.

Ejemplo

Consideramos una muestra de personas como la que sigue a continuacin:

Registr
o
X1

sexo

estatura

X6

l_roxto

X2

pie
X3

l_brazo

a_espal
d

X4

d_crne
o

X5

peso

mujer

158

39

36

68

43

55

43

mujer

152

38

34

66

40

55

45

mujer

168

43

39

72.5

41

54.5

48

mujer

159

40

36

68.5

42

57

49

mujer

158

41

36

68.5

44

57

50

mujer

164

40

36

71

44.5

54

51

mujer

156

41

36

67

36

56

52

mujer

167

44

37

73

41.5

58

52

En base a estos datos, vamos a construir un modelo para predecir el peso de una persona
(Y). Esto equivale a estudiar la relacin existente entre este conjunto de variables
y la variable peso (Y).
En primer lugar tenemos que la variable dependiente es el peso; y las variables que vamos a
utilizar para predecir el peso reciben el nombre de variables independientes o explicativas.
En la prctica deberemos de elegir cuidadosamente qu variables vamos a considerar como
explicativas. Algunos criterios que deben de cumplir sern los siguientes:

Tener sentido numrico.

No deber de haber variables repetidas o redundantes

Las variables introducidas en el modelo debern de tener una cierta justificacin

terica.

La relacin entre variables explicativas en el modelo y casos debe de ser como

mnimo de 1 a 10.

La relacin de las variables explicativas con la variable dependiente debe de ser

lineal, es decir, proporcional.

El modelo de regresin lineal mltiple es idntico al modelo de regresin lineal simple, con
la nica diferencia de que aparecen ms variables explicativas:
Modelo de regresin simple:

Modelo de regresin mltiple:

Siguiendo con nuestro ejemplo, si consideramos el peso como variable dependiente y como
posibles variables explicativas:

estatura

pie

l_brazo

a_espald

d_craneo

El modelo que deseamos construir es:

Al igual que en regresin lineal simple, los coeficientes b van a indicar el incremento en el
peso por el incremento unitario de la correspondiente variable explicativa. Por lo tanto,
estos coeficientes van a tener las correspondientes unidades de medida.

La solucin es eliminar del modelo aquellas variables explicativas que dependen unas de
otras. En general, los mtodos de seleccin de variables solucionan automticamente este
problema.

En esta tabla se muestra el valor de los estimadores del hiperplano de regresin.

La columna denominada tolerancia es:

Donde la variable correspondiente entra como variable dependiente y el resto de las

variables explicativas actan como regresoras.
A la vista de estos resultados, la variable estatura esta provocando problemas de
multicolinealidad.
Es interesante observar que si bien el contraste de regresin es significativo, ninguna de las
variables explicativas lo es.
c.- Ajuste de curvas con un polinomio de orden superior.
Ajustar una curva implica ajustar una funcin g(x) a un conjunto de datos dado, (xi,yi), y =
1, 2, ..., L. La funcin g(x) es un polinomio, una funcin no lineal o una combinacin
lineal de funciones conocidas. La funcin g(x) que se elige para ajustar una curva
contiene cierto nmero de coeficientes no determinados. En general, el nmero de puntos
de datos por ajustar, L, es mayor que el nmero de coeficientes no determinados, k; por
tanto, el mtodo para determinar los coeficientes se basa en la minimizacin de las
discrepancias entre la funcin determinada y los puntos de datos, y recibe el nombre de
mtodo de mnimos cuadrados. En el caso especial de L = k, el ajuste de la curva se reduce
a un problema de interpolacin porque la curva ajustada pasa por los puntos de datos.
El principio de los mnimos cuadrados puede extenderse al ajuste de un polinomio de orden
superior a los datos de mediciones. Escribimos un polinomio de orden n as:
3.1
La desviacin de la curva respecto de cada punto de datos es
; i = 1,2, ... , L 3.2
donde L es el nmero de puntos de datos dados. La suma de las derivaciones elevadas al
cuadrado es

3.3

A fin de minimizar R, igualamos a cero las derivadas parciales de R respecto de cj:

, j = 1,2, ..., n+1 3.4

o, lo que es lo mismo,

; k = 1,2, ..., n+1 3.5

que tambin puede escribirse en la forma de matrices as:

3.6
Una forma equivalente de deducir la ecuacin 3.6 es partir de una ecuacin
sobredeterminada. La forma matricial de la ecuacin es
3.7

donde

A=
Cuando L > n + 1, la ecuacin est sobredeterminada porque el nmero de ecuaciones es
mayor que el nmero de coeficientes no determinados. Si premultiplicamos ambos
miembros por A obtenemos:

3.8
Que es igual a la ecuacin 3.6 y se puede resolver como problema normal con

En MATLAB, podemos obtener la solucin de la ecuacin 3.7 simplemente con

Como se anuncio en la seccin 1, otra forma equivalente pero ms sencilla de encontrar los
coeficientes de un polinomio ajustado de datos consiste en utilizar polyfit:
c = polyfit(x, y, n)

Ejemplo
Ajuste el siguiente conjunto de datos a un polinomio cuadrtico:
x = [0.1, 0.4, 0.5, 0.7, 0.7, 0.9];
y = [0.61,0.92, 0.99, 1.52, 1.47, 2.03];
y grafique tanto el conjunto de datos como la curva ajustada.
Solucin
Encontramos los coeficientes del polinomio cuadrtico con el comando polyfit y luego
trazamos la curva. El siguiente guin produce la respuesta:

5.-APROXIMACION FUNCIONAL E INTERPOLACION

En el campo de la matemtica aplicada es de gran importancia la manera como determinar

una funcin o funciones a partir de un conjunto de datos discretos, i.e., puntos tabulados,
situacin que siempre se enfrenta cualquier investigador, para decir generalmente un
Ingeniero siempre tiene al frente esta problemtica fenmeno que ser el objetivo de este
tem.
Pues es comn encontrar datos con valores discretos, y sin embargo nosotros queremos
encontrar valores entre estos puntos discretos, y esto es lo que lo llamamos ajuste de
curvas y, generalmente se usa el procedimiento de mnimos cuadrados.
Cuando existe un conjunto de datos muy precisos, en este caso se usa lo que se llama
interpolacin.
Las funciones de aproximacin generalmente es obtenida por combinacin lineal de
funciones elementales, que toman la forma de:
a n g n ( x) a n 1 g n 1 ( x ) ........ a1 g 1 ( x) a 0 g 0 ( x)

0in

En donde:
ai: Son constantes que deseamos encontrar, i=1,2,...,n
gi(x): Son funciones elementales especficas, i=1,2,...,n
Ejemplo:
1.
gi (x): Puede ser la familia de monomios en x : x 0 , x 1 , ..... , x n luego tenemos la
combinacin lineal:
p ( x ) a n x n a n 1 x n 1 ...... ai x i ....... a 2 x 2 a1 x1 a0 x 0

2.
La familia de funciones elementales de Fourier, en funcin de x
1, sen x, cos x, sen 2x, cos 2x, sen 3x, cos 3x,..
La combinacin lineal que genera aproximaciones de la forma:
n

i 1

i 1

a 0 a i cos i x bi sen i x
3.

La familia de funciones exponenciales en x:

1, e x , e 2 x , e 3 x , ...

Que proporciona la siguiente combinacin lineal

a 0 a1e x a 2 e 2 x a 3 e 3 x ... ai e ix ... a n e nx

A)Aproximacin Polinomial Simple E Interpolacin Lineal

Podemos decir que la interpolacin lineal es el eje para muchos mtodos numricos y de
gran relevancia en la ingeniera, puesto que una gran informacin se encuentra en su forma
tabular como veremos ms adelante y es usado por una diversidad de mtodos numricos,
por ejemplo si integramos este mtodo tendremos el mtodo de integracin trapezoidal.
En qu consiste este mtodo?

Supongamos que tenemos los siguientes cuadros:

Puntos

f(x)

56

78

113

144

181

205

214

10

20

30

40

Puntos

f(x)

56

-?

113

181

214

20

40

Cuadro 1

Cuadro 2

Supongamos por un instante que slo se dispone del cuadro 2 y que queremos el valor de la
variable y=f(x) cuando x tiene un valor de 2 unidades. Una manera muy comn es
considerar la ecuacin de una lnea recta as:
p ( x) a 0 a1 x , y sustituirlos valores de los puntos 0 y 1, obteniendo dos ecuaciones con

variables a0 y a1
Punto 0 = (1,56); punto 1: (5,113); (x, f(x))
57
14.2
4a1 57
4
113 a 0 5a1
a 0 56 14.2 41.8
56 a 0 a1

a1

Luego la ecuacin de la funcin lineal:

p(x) = 41.8 + 14.2x
Esta ecuacin puede ser usado para calcular f (x) cuando x = 2
f ( 2) 41.8 (14.2) 2 41.8 28.4 70.2

Observacin:

Si queremos una mejor aproximacin para nuestra funcin deberamos considerar otro
punto ms y tendremos:
p( x) a 0 a1 x a 2 x 2 ,

Sean los puntos

P0 (1, 56) 56 a 0 a1 a 2
P2 (5, 113) 113 a 0 5a1 25a 2
P3 (20, 181) 181 a 0 20a1 400a 2

a 0 a1 a 2 56

0 4a

24a 2 57

0 19a1 399a 2 125

a 0 a1 a 2 56
0 4a1 24a 2 57
0 19a1 399a 2 125

Resolviendo el sistema, tenemos que:

a 0 39.9 ,

a1 17.2 ,

a 2 0.505

p ( x) 39.9 17.2 x 0.51x 2

p (2) 39.9 34.4 2.04 76.34

Grficamente representa una parbola. En general tendremos la siguiente aproximacin

polinomial.
p n ( x) a 0 a1 x a 2 x 2 ....... ai x i ....... a n x n

B)Polinomio De Aproximacin De Lagrange

El mtodo anterior tiene su punto dbil en la aproximacin exacta, al realizar la
interpolacin, pues se tena que solucionar un sistema de ecuaciones que su orden dependa
de la exactitud de la aproximacin, con la finalidad de salvar estos inconvenientes, surgen
otros mtodos de aproximacin polinomial, que realicen clculos directos sin desarrollar
tales sistemas de ecuaciones que envuelven cierta dificultad en su solucin. Entre estos
mtodos tendremos la aproximacin polinomial de LaGrange. El mtodo que consiste en:
Primero: Supongamos una funcin desconocida f (x) dada en forma tabular y se asume un
polinomio de primer grado es decir una lnea recta el cual se puede escribir de la siguiente
manera:
1. Supongamos que la ecuacin de un recta se escribe as:
P ( x) a 0 ( x x1 ) a1 ( x x 0 )

En donde:

x0, x1: Son valores de la funcin en puntos conocidos [x0, f (x0)], [x1, f (x1)]
a0, a1: Coeficientes por determinar, y lo encontramos haciendo las consideraciones
siguientes:

Determinando a0 para ello consideramos

: x x 0 P ( x 0 ) a 0 ( x 0 x1 ) a 0

P( x 0 )
f ( x0 )

x 0 x1 x 0 x1

Determinando a1 para ello hacemos:

x x1 P ( x1 ) a1 ( x1 x 0 ) a1

P ( x1 )
f ( x1 )

x1 x 0 x1 x 0

Luego
P( x)

f ( x0 )
f ( x1 )
( x x1 )
( x x0 )
( x 0 x1 )
( x1 x 0 )

P( x) f ( x 0 )

( x x0 )
( x x1 )
f ( x1 )
( x 0 x1 )
( x1 x 0 )

P( x) L0 ( x) f ( x 0 ) L1 ( x) f ( x1 )

2. Supongamos un polinomio de segundo grado

P2 ( x) a 0 ( x x1 )( x x 2 ) a1 ( x x 0 )( x x 2 ) a 2 ( x x 0 )( x x1 )

En donde:
x0, x1, x2 son los valores de los puntos conocidos [x0, f(x0)], [x1, f(x1)], [x2, f(x2)]
Si x x0 a 0

P2 ( x0 )
f ( x0 )

( x0 x1 )( x0 x 2 ) ( x0 x1 )( x0 x 2 )

Si x x1 a1

P2 ( x1 )
f ( x1 )

( x1 x 0 )( x1 x 2 ) ( x1 x 0 )( x1 x 2 )

Si x x 2 a 2

P2 ( x 2 )
f ( x2 )

( x 2 x 0 )( x 2 x1 ) ( x 2 x0 )( x 2 x1 )

Luego:
P2 ( x ) L0 ( x) f ( x 0 ) L1 ( x) f ( x1 ) L 2 ( x) f ( x 2 )

En donde:
( x x 0 )( x x 2 )
( x x 0 )( x x1 )
( x x1 )( x x 2 )
; L1 ( x)
; L2 ( x )
( x 0 x1 )( x 0 x 2 )
( x1 x 0 )( x1 x 2 )
( x 2 x 0 )( x 2 x1 )

L0 ( x )

3. Podemos suponer un polinomio de grado n:

Pn ( x) L0 ( x) f ( x0 ) L1 ( x) f ( x1 ) ..... Li ( x) f ( xi ) ...... Ln ( x) f ( x n )

En donde:
L0 ( x )

( x x1 )( x x 2 ).....( x x i ).....( x x n )
( x 0 x1 )( x 0 x 2 ).....( x 0 x i )....( x 0 x n )

L1 ( x)

( x x 0 )( x x 2 ).....( x x i ).....( x x n )
( x1 x 0 )( x1 x 2 ).....( x1 x i )....( x1 x n )

Li ( x)

( x x 0 )( x x1 ).....( x x i 1 ).....( x x n )
( xi x 0 )( x i x1 ).....( xi x i 1 )....( x i x n )

Que en general el polinomio se puede escribir:

n

Pn ( x) Li ( x) f ( x i ) , polinomio LaGrange
i 0

En donde:
n (x x j )

Li ( x)

j 0 ( xi x j )
j i

La aproximacin polinomial de LaGrange, es la combinacin lineal de f(x i ) y de los

coeficientes Li(X).
Ejemplo:
Supongamos que tenemos la funcin tabular
i

F(Xi)

-3

Xi

a) Determinar la aproximacin polinomial de LaGrange usando todos los puntos

b) Determinar el valor aproximado de f (x) para x = 1.8

Solucin:
Debemos destacar que la tabla presenta cuatro puntos lo que induce la existencia de un
polinomio de tercer orden
P3 ( x) L0 ( x) f ( x0 ) L1 ( x) f ( x1 ) L2 ( x ) f ( x 2 ) L3 ( x) f ( x3 )
P3( x) L0 ( x )(3) L1 ( x )(0) L2 ( x)(5) L3 ( x)(7)
L0 ( x)

( x x1 )( x x 2 )( x x3 )
( x 1)( x 3)( x 6) ( x 1)( x 3)( x 6)

( x0 x1 )( x0 x 2 )( x0 x3 ) (0 1)(0 3)(0 6)
18

L1 ( x)

( x x 0 )( x x 2 )( x x3 )
( x 0)( x 3)( x 6) x( x 3)( x 6)

( x1 x 0 )( x1 x 2 )( x1 x3 )
(1 0)(1 3)(1 6)
10

L2 ( x )

( x x 0 )( x x1 )( x x3 )
( x 0)( x 3)( x 6) x ( x 1)( x 6)

( x 2 x 0 )( x 2 x1 )( x 2 x3 )
(3 0)(3 1)(3 6)
18

L3 ( x)

( x x 0 )( x x1 )( x x 2 )
x ( x 1)( x 3) x( x 1)( x 3)

( x 2 x 0 )( x3 x1 )( x3 x 2 ) 6 (6 1)(6 3)
90

Operando tenemos:
P3

x 3 x 2 46

x3
30 30 15

El valor aproximado de la funcin cuando x = 1.8

P3 (1.8)

(1.8) 3 (1.8) 2 46

(1.8) 3 2.2176
30
30
15

C) Diferencias Divididas
As como podemos aproximar una funcin mediante la aproximacin polinomial de
LaGrange, tambin podemos aproximar la derivada y la integral de una funcin con
diferencias divididas. La derivada y la integral respectivamente el polinomio de
interpolacin, que en realidad es el principio bsico para la diferenciacin e integracin
de los mtodos numricos.
Supongamos una funcin f (x) con derivada en el punto x0 analticamente esta dado por:
f ( x) f ( x 0 )
lim
f ' ( x)
x x
x x0
0

Pero cuando la funcin es dada de manera tabular, se tiene.

Punto
x
f ( x)

0
x0
f ( x0 )

1
x1
f ( x1 )

..........
..........
..........

i
xi
f ( xi )

..........
..........
..........

n
xn
f (xn )

La derivada slo puede obtenerse de manera aproximada, por ejemplo si se desea

calcular la derivada de f(x) en el punto x tal que x0 < x < x1
Esto se determina as:
f ' ( x)

f ( x1 ) f ( x 0 )
,
x1 x 0

x 0 x x1

La expresin de la derecha se llama primera diferencia dividida de f (x) respecto a los

valores de x0 y x1 y se denota generalmente f [x0, x1], esto es,
f x 0 , x1

f ( x1 ) f ( x 0 )
x1 x 0

Observacin:
1.
Se debe destacar que la relacin entre la primera diferencia dividida y la
primera derivada esta dada por el teorema del valor medio.
f ( x1 ) f ( x 0 )
f ' (c) , c ( x 0 , x1 )
x1 x 0
Siempre que f (x) cumpla con las condiciones del teorema del valor medio.
2.
Podemos generalizar para un orden ms alto en donde el argumento es
x i , 0 i n ; f x i se llama diferencia dividida, de orden cero:
f x1 , x 2 , ..... , x i f x 0 , x1 , ..... , x i 1
f x 0 , x1 , ..... , x i
xi x0
i.e.; orden cero:
x0 f x0
x1 f x1
x2 f x2
x3 f x3
x4 f x4
x5 f x5

Primero

f x 0 , x1
f x1 , x 2

f x1 f x 0
x1 x 0

f x 2 f x1
x 2 x1

f x f x2
f x2 , x3 3
x3 x2
f x f x3
f x3 , x 4 4
x 4 x3
f x4 , x5

Observacin:

f x5 f x4
x5 x4

Segundo

f x0 , x1 , x2
f x1 , x2 , x3
f x2 , x3 , x4
f x3 , x4 , x5

f x1 , x2 f x0 , x1
x2 x0

f x3 , x2 f x1 , x2
x3 x1

f x3 , x4 f x2 , x3
x4 x2

f x4 , x5 f x3 , x4
x5 x3

Tercero

f x0 , x1 , x2 , x3
f x1 , x2 , x3 , x4
f x2 , x3 , x4 , x5

f x1 , x2 , x3 f x0 , x1 , x2
x3 x0

f x2 , x3 , x4 f x1 , x2 , x3
x4 x1

f x3 , x4 , x5 f x2 , x3 , x4
x5 x2

Para formar la expresin se requiere i + 1 puntos.

El numerador es la recta de dos diferencias de orden i 1.
El denominador es la recta de los argumentos no comunes en el numerador.

Ejemplo:
Supongamos que tenemos la siguiente informacin
Puntos
x
f ( x)

0
2
18

1
1
5

2
0
2

3
2
2

4
3
7

5
6
142

Obtenido del polinomio x 3 2 x 2 2

La primer diferencia dividida en los puntos (0), (1) y (1), (2)
f x 0 , x1

f ( x1 ) f ( x 0 ) 5 (18)

13
x1 x 0
1 (2)

f x1 , x 2

f ( x 2 ) f ( x1 ) 2 ( 5)

3
x 2 x1
0 (1)

La segunda diferencia dividida para (0), (1) y (2)

f x 0 , x1 , x 2

f ` x1 , x 2 f x 0 , x1 3 (13)

5
x2 x0
0 (2)

De esta manera construimos la tabla de diferencias divididas

Puntos

f(x)

-2

-18

1 orden

2 orden

3 0rden

4 orden

13
1

-1

-5

-5
3

-2

1
-1

0
3

-2

1
3

9
4

0
1

45
5

142

Observemos que:
Todas las diferencias divididas de tercer orden tienen el mismo valor independiente del
valor de las x que se usen para calcularse.
Las diferencias de cuarto orden todos tienen el valor de cero, lo que tiene afinidad con el
criterio que la derivada de tercer orden es una constante y la de cuarto orden es cero, para
cualquier valor de x.
El razonamiento anterior nos induce a decir que si al construir una tabla de diferencias
divididas en alguna columna el valor es constante y la siguiente columna es cero la
informacin proviene de un polinomio de grado igual al orden de las diferencias
que tengan valores constantes.
El razonamiento anterior nos induce afirmar que nuestro polinomio es de grado 3 es decir
mi polinomio ser:
n

k 1

k 0

j 0

p ( x ) f x 0 , x1 ,..., x k x x j f x 0 f x 0 , x1 ( x x 0 ) f x 0 , x1 , x 2 ( x x 0 )( x x1 ) ...

En nuestro ejemplo se tiene:

p ( x) f x 0 f x 0 , x1 ( x x 0 ) f x 0 , x1 , x 2 ( x x 0 )( x x1 ) f x 0 , x1 , x 2 , x3 ( x x 0 )( x x1 )( x x 2 )
p ( x ) 18 13( x 2) 5( x 2)( x 1) 1( x 2)( x 1)( x 0)
p ( x ) x3 2 x 2 2

6.-INTEGRACION NUMERICA
a.- Formulas de dos o tres puntos
El problema de la integracin numrica es la evaluacin de la integral definida:
I

f x dx
b

donde a y b estn dados, y f(x) es una funcin dada mediante una expresin analtica o bien
empricamente mediante una tabla de valores.
En ingeniera frecuentemente se presentan problemas que se expresan matemticamente
mediante integrales, de las que el integrando es una funcin complicada o bien emprica,

dada por una tabla, y entonces puede usarse un mtodo numrico de integracin
aproximada, donde I es el rea de la regin acotada por la curva entre a y b.
Obtencin de formulas de integracin numrica
Dada la funcin y = f(x) se aceptar como aproximacin de la funcin el polinomio de
interpolacin de Newton, que pasa por los n + 1 puntos x = x0, x1,... , xn, todos ellos
igualmente espaciados.

De esta manera se podr obtener una aproximacin a:

f x dx
xn

x0

De la frmula de interpolacin de Newton se tiene que:

f x f x0 kf 0

Donde

k k 1 2
k k 1 k 2 3
k k 1 k 2....(k n 1) n
f0
f ......
f0
2!
3!
n!

x x0
h

Integrando en el intervalo [x0, xn = x0 + nh]

xn

x0

f x dx

xn

x0

f x0 kf 0

k k 1 2
k k 1 k 2 3
k k 1 k 2 ....( k n 1) n
f0
f 0 .....
f 0 dx
2!
3!
n!

Haciendo el cambio de variables

x = x0 + kh;

dx = h dk;

si

x = x0;

y si

x =xn.

k = 0;

Entonces
xn = x0 + nh

xn - x0 = nh

xn

x0

xn

xn

x0

x0

f x dx

f x0 kf 0

xn x0
n
h

k2 k 2
k 3 3k 2 2k 3
f0
f 0 ... hdk
2
6

k3 k2 2
k4 k3 k2 3
k2
f x dx h kf x0 f 0
f 0
f 0 ...
2
4
6
6
24 6

n3 n 2 2
n 4 n3 n 2 3
n2
f x dx h nf x0 f 0
f 0
f 0 ...
2
4
6
6
24 6

Esta forma general se puede particularizar, para polinomios de distinto orden que mejor se
adapten a la funcin que sustituyen.
Si la interpolacin se limita al primer orden y la integral solo se calcula entre los dos
primeros valores de x es decir, entre x0 y x1, se obtiene

x1

x0

12
f x dx h y 0
y 0
2

f x dx h
x1

x0

y0

y0 = y1 y0

y1 y 0
y
y

y y1
h y 0 1 0 h 0

2
2
2
2

Regla Trapezoidal

Aplicacin en segmentos mltiples

Regla Trapezoidal

h
f x0 f x1
2

Esta regla se puede mejorar dividiendo el intervalo en n segmentos de igual anchura

La integral total se representa por
h

ba
n

f x dx
x1

x2

x0

x1

f x dx ...

xn

x n 1

f x dx

h
f x0 f x1 h f x1 f x 2 h f x 2 f x3 ... h f x n1 f x n
2
2
2
2
h
I f x0 f x1 f x1 f x2 f x2 f x3 ... f xn 1 f xn
2
h
I f x0 2 f x1 2 f x2 2 f x3 ... 2 f xn 1 f xn
2
h
I f x0 2 f x1 f x2 f x3 ... f xn 1 f xn
2
I

n 1
ba

f x 0 2 f xi1 f x n
2n
i 1

b- Regla de Simpson 1/3, 2/3, 3/8

Regla de Simpson 1/3: Resulta cuando una interpolacin polinomial de segundo orden es
sustituida en una ecuacin de aproximacin con integral:

Despus de la integracin y manejo algebraico, resulta:

Donde h = (b a)/2

Regla de Simpson 3/8: Resulta cuando una interpolacin polinomial de tercer orden es
sustituida en la ecuacin de aproximacin:

Para obtener:

c.- Reglas de integracin compuesta1 Regla Trapezoidal para Integrales Dobles

f x, y dxdy f x, y dx dy
d

ba
f x, y dx 2m f x , y 2 f x , y f x
0

m 1

i 1

, y

m 1
d ba

f x, y dx dy
f
x
,
y

2
f xi , y f x m , y

i 1

2m

ba d
f x0 , y 2 f xi , y f xm , y dy

c
2m
i 1

ba
2m

f x0 , y dy
f xi , y dy

m 1

m 1 d

f x0 , y dy 2 f xi , y dy f xm , y dy
i 1

n 1

d c
f x 0 , y 0 2 f x0 , y j f x0 , y n
2n
j 1

n 1

d c
f xi , y0 2 f xi , y j f xi , y n
2n
j 1

dy

Ejemplo
2.2

Resolver

1.4

2.1

1.3

xy 2 dxdy

Tabla 5.8 Espaciamiento de las x y las y

h

b a 1.4 1.3

0.025
m
4

d c 2 .2 2 .1

0.025
n
4

xi = a + ih

yi = c + jk

x0 =1.3 + 0(0.025) = 1.3

y0 = 2.1 + 0(0.025) = 2.1

x1 =1.3 + 1(0.025) = 1.325

y1 = 2.1 + 1(0.025) = 2.125

x2 =1.3 + 2(0.025) = 1.35

y2 = 2.1 + 2(0.025) = 2.15

x3 =1.3 + 3(0.025) = 1.375

y3 = 2.1 + 3(0.025) = 2.175

x4 =1.3 + 4(0.025) = 1.4

y4 = 2.1 + 4(0.025) = 2.2

x4 =1.3 + 4(0.025) = 1.4

y4 = 2.1 + 4(0.025) = 2.2

7.-ECUACIONES DIFERENCIALES
a.-Mtodo de Euler
El mtodo de Euler rara vez se utiliza en la prctica para obtener la solucin aproximada de
un problema de valor inicial, pero se estudia por su simplicidad en la derivacin de la
frmula y de la determinacin del error. Los mtodos de orden superior utilizan las mismas
tcnicas, pero el lgebra que requieren es mucho ms complicada.
Con el mtodo de Euler se obtiene una solucin aproximada de un problema de valor inicial
como el que se muestra en la ecuacin (1), en un conjunto finito de puntos.

(1)

Para empezar, se determina la malla {t0, t1, ... , tN} de paso h, donde t0 = a y tN = b. En estos
puntos es donde se va a obtener la aproximacin de la solucin.
Para determinar la frmula del mtodo, se parte de un desarrollo de Taylor de la funcin
solucin y(t), alrededor de un punto de la malla, t i, suponiendo que la funcin y(t) posee
derivadas primera y segunda continuas en (a, b):

(2)
Evaluando esta expresin en t = ti+1, para cualquier i, se tiene:
(3)
Pero como ti+1- ti = h, resulta:
(4)
Como y(t) satisface la ecuacin diferencial, en particular es y'(t i) = f(ti, yi), entonces
reemplazando en la frmula (4) resulta:
(5)
Si se elimina de la frmula anterior el trmino del error, se puede escribir:
(6)
Resultando as la frmula del mtodo de Euler para aproximar la solucin en un punto de la
malla, teniendo una aproximacin en el punto inmediato anterior. Como la condicin en el
punto a del problema de valor inicial da el valor inicial y(t 0)= a, se tiene entonces la
solucin aproximada en todos los puntos de la malla. Si se llaman y i = y(ti), se tiene
entonces la frmula de Euler dada en la frmula (7):
(7)
Implementacin del mtodo
A continuacin se presenta el algoritmo del mtodo de Euler en pseudocdigo, para
resolver un problema de valor inicial del tipo (1). ste es un algoritmo para una ecuacin
particular, si se quiere generalizar para una ecuacin cualquiera, con f(t, y) arbitraria, se
debe ingresar tambin como argumento la ley de f. Esto se puede implementar en cualquier
lenguaje de programacin, o en particular, en programas simblicos o numricos que
permitan programar,
Con los valores obtenidos mediante este algoritmo se puede lograr un grfico discreto de la
solucin aproximada, o tambin se puede aplicar un mtodo de interpolacin para obtener
una grfica continua en el intervalo. La lista de valores obtenida con el algoritmo se puede
utilizar para comparar resultados, o calcular errores relativos y absolutos respecto de la
solucin exacta, si se conoce.

Ejemplo
Consideremos el siguiente problema de valor inicial.

La frmula de Euler para este problema, tomando N puntos en el intervalo [1, 2] (sin contar
el punto de partida a = 1), resulta:
(8)

Aplicamos el mtodo de Euler para un paso h = 0,2.

Teniendo en cuenta que h = 0,2, la cantidad de puntos en el intervalo resulta ser N = 5, y
entonces la tabla de valores obtenida con la frmula dada en (8) resulta:
i

1,00 2,0000

1,20 2,4000

1,40 2,9760

1,60 3,8093

1,80 5,0282

2,00 6,8384

Ahora, aplicamos la frmula el mtodo de Euler con N = 20 y N = 50. Representamos

grficamente los puntos obtenidos, comparndolos con la solucin exacta, dada por la
funcin

Se ve en los grficos obtenidos, que a medida que nos alejamos del valor inicial, la solucin
aproximada pierde precisin (se aleja de la solucin exacta), para el paso h = 1/20. Cuando
se achica el paso, la solucin mejora (h = 1/50).
Anlisis del error
Al deducir la frmula de Euler para aproximar la solucin de un PVI tipo (1), al pasar de la
expresin (5) a la (6), se descart en la expresin el error, dado por
(9)
De esta frmula surge que el error local de truncamiento en el mtodo es O(h2).
Teniendo en cuenta que, por ser y'' continua,
(10)
y tambin que h = (tN t0)/N, se tiene que despus de N pasos, el error global acumulado
es:
(11)
Por lo tanto, el error global en el mtodo de Euler es O(h).

El procedimiento anterior puede aplicarse a todos los mtodos estudiados. El orden del
error global resulta siempre uno menos que el orden del error local de truncamiento (el
error del clculo de yi+1 para un solo paso).
En el siguiente teorema se deriva una cota de error para el mtodo de Euler. Ciertas
condiciones necesitan verificarse para la funcin que interviene en la ecuacin diferencial.
Algunas son condiciones para que el PVI tenga solucin nica, otras son especficas para
obtener la cota.
Teorema:
Sea el conjunto D = {(t, y) | a t b,- y } y f(t, y) continua en D, tal que satisface
una
condicin
de
Lipschitz
en
D
en
la
variable
y.
Sea y(t) la solucin nica del PVI y' = f(t, y), a t b, y(a) = , y supongamos que existe
una
constante
M
tal
que
|y''
(t)|

M
"
t

[a,b].
Sean w0, w1, , wN las aproximaciones generadas con el mtodo de Euler para N entero
positivo. Entonces, para cada i = 0, 1, , N, se cumple:
(12)
Observacin: Este teorema tiene como punto dbil el requisito de conocer una cota de la
derivada segunda de la solucin, ya que en general, la solucin exacta no se conoce.
Algunas veces, es posible obtener una cota del error de la derivada segunda sin conocer
explcitamente la funcin solucin. Por ejemplo, si existen las derivadas parciales de la
funcin f(t, y), aplicando la regla de la cadena, se tiene que:
(13)
Por lo tanto, si se conocen cotas de f y las derivadas parciales de f, se puede tener una cota
de y''.
La importancia principal de la frmula de cota de error del mtodo de Euler dada en (12)
consiste en que dicha cota depende linealmente del tamao del paso h. Esto implica que, al
disminuir el tamao del paso, las aproximaciones debern ser ms precisas.
Pero en el resultado del teorema anterior, no se tiene en cuenta el efecto que el error de
redondeo ejerce sobre el tamao del paso. A medida que h se hace ms pequeo, aumenta la
cantidad de clculos, y se puede predecir un mayor error de redondeo. Entonces, para
determinar una cota del error, se debe tener en cuenta el error de redondeo, y se puede
establecer el siguiente teorema:
Teorema:
Considere el PVI y' = f(t, y), a t b, y(a) = , con f continua y tal que satisface una
condicin de Lipschitz en la variable y con constante L, en el conjunto D = {(t, y) | a t
b,-

}.
Sea y(t) la solucin nica del PVI, y supongamos que existe una constante M tal que |y'' (t)|


M"
t

[a,b].
Sean w0, w1, , wN las aproximaciones generadas con el mtodo de Euler para N entero
positivo, donde cada una tiene un error de redondeo asociado i.
Si |i| para cada i de 0 a N, entonces, para cada i = 0, 1, , N, se cumple:
(14)
Se ve claramente en la frmula dada en (14) que cuando el valor de h se hace muy pequeo,
la cota del error puede aumentar, ya que h aparece en el denominador de un cociente. La
cota de error aqu obtenida, ya no es lineal en h.
Si se considera la expresin E(h) = h M/2 + d/h, tenemos que tiende a infinito cuando h
tiende a cero. Con esto, se ve que cuando h tiende a cero, el error aumenta. Podemos
establecer una cota inferior para h, de manera de evitar este problema. Si calculamos la
derivada de E(h), tenemos que E'(h) = M/2 - d/h2, por lo tanto, se anula en el valor
. En este valor de h, E'(h) pasa de ser negativa a positiva, con lo que se
puede concluir
que
en dicho
valor E(h) presenta
un mnimo.
Esto indica que ste es el valor mnimo que se puede tomar para h. En general, el valor de d
es lo bastante pequeo como para que esta cota ms baja no influya en la aplicacin del
mtodo de Euler

b.- Mtodo modificado

El mtodo de Euler mejorado es una modificacin del mtodo de Euler para resolver EDO
s con condiciones iniciales. La solucin que ofrece este mtodo, es una tabla de la funcin
solucin, con valores de y correspondientes a valores especficos de x.

Es por esto que uno de los requisitos para este mtodo es especificar el intervalo de x.
Tambin se requiere de:
- Una ecuacin diferencial de primer orden.
y= f(x,y)
-

La condicin inicial ,es decir, el valor de y en un punto conocido x0.

y(x0) = y0

El mtodo consiste en usar la ecuacin de Euler como una ecuacin predictora y usar este
resultado en la ecuacin correctora de Euler-Gauss.
Las ecuaciones del mtodo de Euler Mejorado son las siguientes:

c.- Mtodo de runge kutta

Los mtodos de Taylor tienen la propiedad de un error local de truncamiento de orden
superior, pero la desventaja de requerir el clculo y la evaluacin de las derivadas de f(t, y).
Esto resulta algo lento y complicado, en la mayora de los problemas, razn por la cual, en
la prctica casi no se utilizan. El mtodo de Euler, lamentablemente requiere de un paso
muy pequeo para una precisin razonable.
Los mtodos de Runge kutta tienen el error local de truncamiento del mismo orden que los
mtodos de Taylor, pero prescinden del clculo y evaluacin de las derivadas de la funcin
f(t, y).
Se presenta de nuevo el problema de valor inicial cuya solucin se intenta aproximar:

(1)

Como en los mtodos anteriores, se determina primero la malla {t 0, t1, ... , tN} de paso h,
donde t0 = a y tN = b. En estos puntos es donde se va a obtener la aproximacin de la
solucin.
En esencia, los mtodos de Runge-Kutta son generalizaciones de la frmula bsica de Euler
yi+1 = yi + h f(ti, yi) en los que el valor de la funcin f se reemplaza por un promedio
ponderado de valores de f en el intervalo ti t ti+1, es decir,
(2)
En esta expresin las ponderaciones wi, i = 1, ..., m son constantes para las que en general
se pide que su suma sea igual a 1, es decir, w 1 + w2 + ... + wm = 1, y cada kj es la funcin f

evaluada en un punto seleccionado (t, y) para el cual t i t ti+1. Se mostrar que los k j se
definen en forma recursiva.
Se define como orden del mtodo al nmero m, es decir, a la cantidad de trminos que se
usan en el promedio ponderado.
Runge-Kutta de primer orden
Si m = 1, entonces se toma w1 = 1 y la frmula (2) resulta
(3)
Igualando esta frmula al desarrollo de Taylor de orden 1 de la funcin y(t), alrededor del
punto ti, y calculado en el punto ti+1:
(4)
y teniendo en cuenta que yi @ y(ti), resulta k1= f(ti, yi), obteniendo as la frmula de Euler
yi+1 = yi + h f(ti, yi). Por lo tanto, se dice tambin que el mtodo de Euler es un mtodo de
Runge Kutta de primer orden.
Runge-Kutta de segundo orden
Ahora se plantea, con m = 2, una frmula del tipo:
(5)
donde
(6)
y las constantes a, b, a, b se deben determinar, de manera que la expresin (5) coincida con
el desarrollo de Taylor de y de orden ms alto posible.
Para ello, utilizando un desarrollo de Taylor para funciones de dos variables, tenemos que:
(7)
donde el subndice i indica que todas las derivadas estn evaluadas en el punto (ti, yi).
Reemplazando k1 y teniendo en cuenta la expresin de k2, usando (7) tenemos que:
(8
)

agrupando los trminos de (8) por las potencias de h, y reemplazando en la expresin (5) el
valor de k1 y k2, resulta
(9
)
Reacomodando trminos en (9), resulta:
(10
)
Por otro lado, se hace un desarrollo de Taylor de orden 3 de la funcin y(t), calculado en el
punto ti+1, obteniendo:

(11)

Aplicando regla de la cadena para las derivadas de f, se tiene:

(12)
Comparando las expresiones (10) y (12), e igualando los coeficientes de h y h2, se tiene:

(13)

Sucede que se tienen cuatro incgnitas, pero tres ecuaciones, con lo que queda un grado de
libertad en la solucin del sistema dado en (13). Se trata de usar este grado de libertad para
hacer que los coeficientes de h3 en las expresiones (10) y (12) coincidan. Esto obviamente
no se logra para cualquier f.
Hay muchas soluciones para el sistema (13), una de ellas es

(14)

obteniendo as la siguiente frmula, del mtodo de Runge Kutta de orden 2:

(15)

para i desde 0 hasta N-1, tomando un mallado {ti, i = 0, .., N}

Este mtodo tiene un error local de O(h3), y global de O(h2).
Mejora entonces el mtodo de Euler, por lo que se espera poder usar con este mtodo un
paso mayor. El precio que debe pagarse en este caso, es el de evaluar dos veces la funcin
en cada iteracin.
De la misma manera que se realiz arriba, se pueden derivar frmulas de Runge-Kutta de
cualquier orden, pero estas deducciones resultan excesivamente complicadas. Una de las
ms populares, y ms utilizada por su alta precisin, es la de orden 4, que se presenta a
continuacin.
Runge-Kutta de cuarto orden
Si ahora m = 4, se obtiene, con un desarrollo del tipo del anterior, la siguiente frmula, para
i desde 0 hasta N-1:

(16)

Si bien con facilidad se pueden deducir otras frmulas, el algoritmo expresado en (16) se
denomina mtodo de Runge-Kutta de cuarto orden, o mtodo clsico de Runge-Kutta,
abreviado como RK4. Este algoritmo es de uso extendido, y reconocido como una valiosa
herramienta de clculo, por la buena aproximacin que produce.
Esta frmula tiene un error de truncamiento local de O(h 5), y un error global de O(h4). De
nuevo, el precio que se debe pagar por la mejora en el error, es una mayor cantidad de
evaluaciones de la funcin, resultando en un mayor tiempo de clculo si la funcin es

complicada. Tiene la ventaja, sobre el mtodo de Taylor de orden 4 (cuyo error global es
tambin O(h4), que no requiere el clculo de las derivadas de f.
Ejemplo
Con el mtodo RK4, obtener una aproximacin del valor de y(1,5) para el siguiente
problema de valor inicial, tomando un paso h = 0,1.

El primer paso para resolver este problema es determinar la malla de puntos en donde se va
a obtener la solucin.
Como en este caso h est dado, se tiene que N = (1,5 - 1)/0,1 = 5.
Por lo tanto, los puntos en donde se va a determinar la solucin, dados por la frmula ti = 1
+ 0,1 i, para i =1,2,3,4,5, son:
t1
t2
t3
t4
t5 = 1,5

=
=
=
=

1,1
1,2
1,3
1,4

Una vez establecida la malla del problema, tenemos, para i = 0:

Resulta entonces,

y aplicando sucesivamente la frmula de RK4, para i desde 1 hasta 4, se obtienen los datos
que se muestran en la siguiente tabla, donde adems se muestra el valor de la solucin
exacta para cada punto de la malla.

Al analizar la tabla anterior y comparar los resultados obtenidos con el mtodo RK4 con los
valores reales, se ve por qu es tan difundido este mtodo. En la prxima tabla se comparan
los mtodos de Euler y Runge Kutta de orden 4 para el mismo problema.