Metodos Numericos Basicos para Ingenieria PDF

Mtodos numricos
bsicos para ingeniera

Con implementaciones en Matlab y Excel
Carlos Armando De Castro Payares
Asesoras en Matemticas, Fsica e Ingeniera

Asesoras en Matemticas, Fsica e Ingeniera 1
Mtodos numricos bsicos para ingeniera
Carlos Armando De Castro Payares. 2014.
Se permite su reproduccin con fines educativos y acadmicos, no lucrativos, dando crdito al

autor.
Bogot, Colombia.
https://sites.google.com/site/matematicasingenieria/

CONTENIDO
PRLOGO ................................................................................................................................................ 3
1. INTERPOLACIN .................................................................................................................... 4
1.1. INTERPOLACIN LINEAL ........................................................................................... 4
1.2. POLINOMIOS DE LAGRANGE .................................................................................... 6
2. APROXIMACIN ...................................................................................................................... 8
2.1. MNIMOS CUADRADOS ................................................................................................ 8
2.2. APROXIMACIN CON USO DE EXCEL ..................................................................10
3. ECUACIONES ALGEBRAICAS NO LINEALES ...............................................................13
3.1. MTODO DE PUNTO FIJO .........................................................................................13
3.2. MTODO DE NEWTON-RAPHSON ........................................................................15
3.3. MTODO DE LA SECANTE ........................................................................................16
4. SISTEMAS DE ECUACIONES LINEALES........................................................................17
4.1. MTODO DE JACOBI ...................................................................................................18
4.2. MTODO DE GAUSS-SEIDEL ....................................................................................19
5. SISTEMAS DE ECUACIONES NO LINEALES ................................................................21
5.1. MTODO DE PUNTO FIJO MULTIVARIABLE .....................................................21
5.2. MTODO DE PUNTO FIJO MODIFICADO .............................................................25
6. DERIVACIN E INTEGRACIN NUMRICAS ..............................................................27
6.1. DIFERENCIAS FINITAS ..............................................................................................27
6.2. MTODO DE LOS TRAPECIOS .................................................................................31
7. ECUACIONES DIFERENCIALES CON VALOR INICIAL .............................................34
7.1. MTODO DE EULER ....................................................................................................34
7.2. MTODO DE RUNGE-KUTTA DE ORDEN 4 ........................................................36
8. ECUACIONES DIFERENCIALES CON VALORES EN LA FRONTERA ...................38
8.1. SOLUCIN POR DIFERENCIAS FINITAS ..............................................................38
BIBLIOGRAFA ....................................................................................................................................42
SOBRE EL AUTOR ..............................................................................................................................42
ASESORAS EN MATEMTICAS, FSICA E INGENIERA ......................................................43

PRLOGO
Qu son y para qu sirven los mtodos numricos? Voy a tomar lo que dice
Wikipedia1:
El anlisis numrico o clculo numrico es la rama de las matemticas que se

encarga de disear algoritmos para, a travs de nmeros y reglas matemticas
simples, simular procesos matemticos ms complejos aplicados a procesos del
mundo real.
Algo que falta en esa definicin es decir que son iterativos, prcticamente a prueba
y error. Usar los mtodos numricos nos facilita la vida, ya que simplifican los
problemas a simples clculos que puede hacer un computador, es ms, la mayora
de los problemas de ingeniera terminan siendo resueltos de esta forma y no
analticamente en un reguero de ecuaciones; sin embargo, se necesita que el
ingeniero que los est utilizando entienda lo que hay detrs de ellos y sepa lo que
est haciendo, ya que una persona capacitada puede saber si los resultados que
est recibiendo son vlidos y tienen sentido o son la respuesta dada por un mtodo
mal implementado o un algoritmo defectuoso.
En este libro se muestran los mtodos numricos ms sencillos y tiles de

implementar en problemas comunes de ingeniera. En los temas presentados no se
hacen deducciones matemticas complejas o profundas ni discusiones largas sobre
el origen de los mtodos sino que se muestran stos con alguna sencilla forma de
visualizar la base matemtica detrs de ste (por qu funciona), se presenta un
algoritmo en lenguaje Matlab o en pseudocdigo, y luego se procede a ilustrar con
ejemplos implementados en Matlab o Excel.
Los mtodos numricos mostrados han sido utilizados por el autor en algn
momento en el desarrollo de sus estudios y carrera profesional. De forma
particular prefiero ilustrar el uso de Excel ya que es ste software y similares los
que se encuentran en las empresas, Matlab se concentra ms que nada en el
ambiente acadmico y es muy raro que la industria lo tenga, y este libro va dirigido
a los ingenieros actuales y futuros que se dediquen a laborar para el desarrollo
sostenible del planeta.
Todos los ejemplos hechos con Excel se anexan en el archivo descargable de la

pgina web https://sites.google.com/site/matematicasingenieria/
1 http://es.wikipedia.org/wiki/An%C3%A1lisis_num%C3%A9rico

1. INTERPOLACIN
En la prctica de la ingeniera se utilizan mucho las tablas de datos, como en el caso

de las tablas de propiedades en la termodinmica, por decir solo una. En la
mayora de los casos el dato que necesitamos no se encuentra explcito en la tabla
sino entre dos valores de sta, para lo cual es necesario estimarlo de entre los
valores que presenta la tabla en un proceso conocido como interpolacin.
La idea bsica de la interpolacin es hallar un polinomio o funcin que cumpla con

pasar por todos los puntos de un conjunto de datos ( )( ) ( ),y
poder estimar los valores entre ellos por medio del polinomio.
1.1. INTERPOLACIN LINEAL
La interpolacin lineal es la ms utilizada en el manejo de datos de tablas. Consiste

en trazar un recta entre cada par de los puntos de datos, razn por la cual tambin
es llamada interpolacin por trazadores lineales o splines de primer orden.
Consideremos un conjunto de datos ( )( ) ( ), entre dos puntos
consecutivos del conjunto de datos se puede trazar un segmento de recta:
Figura 1.1. Interpolacin lineal.
La pendiente de esta recta es ( ) ( ) y como pasa por el punto

inicial ( ) se tiene entonces la ecuacin de la recta que interpola entre ese par
de puntos es
( ) ( )
Hay que tener en cuenta que la interpolacin lineal se hace por pedazos y no
entrega un solo polinomio para todo el conjunto de datos.
La implementacin de la interpolacin lineal en Matlab teniendo en cuenta que es a

pedazos se muestra en el algoritmo 1.1.

Algoritmo 1.1: Interpolacin lineal en Matlab

Entradas: valor a interpolar x, vectores conteniendo los puntos X y Y.
Salidas: valor interpolado y.
function [y]=IntLineal(x,X,Y)
for i=1:numel(X)-1
if x>=X(i) && x<=X(i+1)
y=(Y(i+1)-Y(i))/(X(i+1)-X(i))*(x-X(i))+Y(i);
end
end
Ejemplo 1.1. Termodinmica (Excel)
Una parte de la tabla de presin y temperatura de saturacin del agua es2:
P [kPa] T [C]
35 72.7
45 78.7
Necesitamos saber la presin requerida para que el agua se sature a una

temperatura de 75C, en la tabla vemos este valor no aparece explcito por lo que
debemos interpolar, entonces aplicando la ecuacin (1.1) donde x son las
presiones e y las temperaturas:
( )( )
Utilizando una hoja de Excel programada con la ecuacin (1.1) tenemos:
Tabla de datos Valor deseado x

x y 75
72.7 35 Interpolado y
78.7 45 38.83
2 http://www.engineeringtoolbox.com/saturated-steam-properties-d_101.html

Y la grfica de esta interpolacin se muestra a continuacin:
50
45
40
35
30
25 Datos
20 Interpolado
15
10
5
0
72 74 76 78 80
Figura 1.2. Interpolacin de la tabla de saturacin del agua.
1.2. POLINOMIOS DE LAGRANGE
Este mtodo de interpolacin no se utiliza mucho en la prctica y lo pongo en

carcter informativo. Para ilustrar cmo funciona la interpolacin por polinomios
de Lagrange considrese un conjunto de datos de tres puntos
( )( )( ). El polinomio interpolador en este caso es
( )( ) ( )( ) ( )( )
( )
( )( ) ( )( ) ( )( )
Obsrvese que en el punto slo queda el primer trmino con su numerador

y denominador cancelndose entre s, por lo cual ( ) . Lo mismo sucede con
los dems puntos, por lo que se ve que el polinomio cumple con la condicin de
pasar por todos los puntos de datos. Generalizando, para n puntos de datos, el
polinomio de Lagrange es:
( )
( ) ( )
( )
Una forma mucho ms sencilla de ver la (1.2) es en forma de un algoritmo, el cual

se muestra escrito para Matlab en el algoritmo 1.1.

Algoritmo 1.2: Polinomios de Lagrange en Matlab

Entradas: valor a interpolar x, vectores conteniendo los puntos X y Y.
Salidas: valor interpolado y.
function [y]=PoliLagrange(x,X,Y)
y=0;
for i=1:numel(X)
L=1;
for j=1:numel(X)
if j~=i
L=L*(x-X(j))/(X(i)-X(j));
end
end
y=y+L*Y(i);
end
Ejemplo 1.2. Polinomios de Lagrange (Matlab)
Se tiene el conjunto de datos:
x y
1 1
2 3
3 -1
4 0
5 3
6 2
Corriendo el algoritmo 1.2 muestra el polinomio interpolador de Lagrange:
5
Lagrange
Datos
4
-1
-2
1 2 3 4 5 6
Figura 1.3. Polinomio de Lagrange interpolando los datos.

2. APROXIMACIN
En ocasiones se tiene un conjunto de datos experimentales y se desea hallar una

funcin analtica que los represente de forma satisfactoria. Para ello es necesario
hacer una aproximacin de la funcin a los datos con el menor error posible.
2.1. MNIMOS CUADRADOS
Los mnimos cuadrados es un mtodo basado en minimizar el error entre los datos
y la funcin de aproximacin. Para un conjunto de datos
( )( ) ( ) , si ( ) es la funcin de aproximacin, la suma del
cuadrado de los errores es:
( ( ) ) ( )
La idea es que la funcin f de aproximacin minimice el valor de R descrito por

(2.1). En el caso de una recta, se tiene
( ) ( )
Para minimizar el error derivamos (2.2) respecto a los parmetros de la recta, por
lo que debe cumplirse , entonces
( )
( )
De donde surge el sistema de ecuaciones lineal:
Los parmetros de la recta de aproximacin que minimiza R son entonces:


( )
( )

( ) ( )
( )
Algoritmo 2.1: Aproximacin lineal por mnimos cuadrados en Matlab

Entradas: vectores conteniendo los puntos X y Y.
Salidas: pendiente m e intercepto b de la recta de aproximacin.
function [m,b]=mincuadlin(X,Y)
n=numel(X);
A(2,2)=n;
B=zeros(2,1);
for i=1:n
A(1,1)=A(1,1)+X(i)^2;
A(1,2)=A(1,2)+X(i);
A(2,1)=A(2,1)+X(i);
B(1,1)=B(1,1)+X(i)*Y(i);
B(2,1)=B(2,1)+Y(i);
end
sol=A\B;
m=sol(1,1);
b=sol(2,1);
El algoritmo 2.1 puede ser hecho de otra forma, se deja al lector la optimizacin del
mismo como ejercicio. El anlisis hecho para la aproximacin por medio de una
recta puede hacerse de manera anloga para hallar los coeficientes de cualquier
funcin f que se quiera utilizar para aproximar.
Ejemplo 2.1. Temperatura de una placa al Sol (Matlab)
Se tienen los siguientes datos de una prueba en la que se midi la diferencia de

temperatura de una placa expuesta al Sol y la ambiente, se desea aproximar por
medio de una recta para hallar un coeficiente de transferencia de calor
equivalente:
Rad. Sol. [W/m2] T [C]

300 5.4
350 6.5
450 7.1
500 8.1
600 9.5
800 12.3
1000 15.8
El coeficiente es el inverso de la pendiente de la recta de aproximacin, corriendo

el algoritmo 2.1 en Matlab se tiene:

Por lo que el coeficiente equivalente es 1/m = 68.97 W/m2C. La grfica de la recta

de aproximacin con los puntos de datos se muestra a continuacin:
16
14
12
10
4
300 400 500 600 700 800 900 1000
Figura 2.1. Aproximacin lineal por mnimos cuadrados en Matlab.
2.2. APROXIMACIN CON USO DE EXCEL
El software Excel tiene una ventaja muy grande y es que hace por s mismo las
aproximaciones a un conjunto de datos, desde lineales, cuadrticas o el grado de
polinomio que uno desee hasta aproximaciones por medio de logaritmos.
Hago nfasis en lo siguiente: las aproximaciones que hace Excel siguen la misma
filosofa presentada en la minimizacin del error de la seccin 2.1.

Ejemplo 2.2. Temperatura de una placa al Sol (Excel)
Con los mismos datos del Ejemplo 2.1, se grafican utilizando Insertar Grfico en
Excel y tipo de grfico Dispersin:
18
16
14
12
10
0
0 200 400 600 800 1000 1200
Figura 2.2. Grfica de los datos del ejemplo.
Se hace click derecho sobre alguno de los puntos y se selecciona Agregar lnea de
tendencia:
Una vez se hace esto aparece el cuadro que permite escoger el tipo de
aproximacin y da la opcin de mostrar la ecuacin de la funcin de aproximacin,
en este caso escogemos aproximacin lineal:

El resultado se muestra en la Figura 2.3, donde podemos observar la pendiente y el

intercepto de la recta de aproximacin siendo iguales al ejemplo 2.1:
18
16 y = 0.0145x + 0.9437
R = 0.9926
14
12
10
0
0 200 400 600 800 1000 1200
Figura 2.3. Aproximacin lineal en Excel.

3. ECUACIONES ALGEBRAICAS NO LINEALES
En ocasiones en el mbito de la ingeniera es necesario resolver ecuaciones no

lineales que no tienen solucin analtica o que es muy engorroso hallarlas. Para
estos casos, deben utilizarse mtodos de solucin numrica de ecuaciones como
los presentados en esta seccin.
3.1. MTODO DE PUNTO FIJO
El mtodo de punto fijo consiste en una forma iterativa de resolver una ecuacin
de la forma ( ) . El mtodo consiste en elegir una aproximacin inicial y
realizar la iteracin
( ) ( )
Hasta que la diferencia sea muy cercana a cero, para lo cual se

establece una tolerancia a criterio del usuario. En el algoritmo 3.1 se muestra el
algoritmo de punto fijo en pseudocdigo debido a que no hay forma de escribir un
cdigo en Matlab general para este mtodo.
Algoritmo 3.1: Mtodo de punto fijo (pseudocdigo)

Entradas: aproximacin inicial x0, tolerancia TOL
Salidas: valor x tal que f(x)=x
sw=1;
x1=x0;
while sw==1
x2=f(x1);
if abs(x2-x1)<=TOL
x=x2;
sw=0;
end
x1=x2;
end
Ejemplo 3.1. Mecnica de la fractura (Excel)
La ecuacin de factor de intensidad de esfuerzos para una placa de ancho w y

espesor t con una grieta en el borde de largo a es
( )
Donde Y es un factor geomtrico que depende del ancho de la placa y el tamao de

grieta, siendo:

[ ( ) ( ) ( ) ( ) ] ( )
La falla catastrfica de la placa se produce cuando el factor de intensidad de

esfuerzos K iguala o supera a la tenacidad a la fractura KIc, entonces el tamao de
grieta crtica es
( ) ( )
Como el factor geomtrico Y depende de af, la ecuacin E3.3 debe resolverse por el
mtodo de punto fijo. La iteracin es entonces:
( )
[ ( ) ( ) ( ) ( ) ]
Se tiene un caso de una placa sujeta a tensin donde w = 2.5in, = 24.89ksi, KIc =
52ksiin. Se elige como aproximacin inicial a0 = 0.250in. Una hoja de Excel
programada para este caso particular con el mtodo de punto fijo entrega la
solucin con tres cifras decimales:
a(i) Y a (i+1) a (i+1) - a (i) Iteracin

0.250 2.103 0.987 0.737 1
0.987 3.684 0.322 -0.665 2
0.322 2.180 0.919 0.597 3

0.620 2.655 0.619 -0.001 118
0.619 2.654 0.620 0.001 119
0.620 2.655 0.620 0.000 120
La tabla muestra que la iteracin converge en 120 pasos al valor .
1.200
1.000
0.800
af [in]
0.600
0.400
0.200
0.000
0 20 40 60 80 100 120
Iteracin
Figura 3.1. Valor calculado de af en cada iteracin.

3.2. MTODO DE NEWTON-RAPHSON
Se utiliza para resolver ecuaciones de la forma ( ) . El mtodo de Newton se

obtiene de la serie de Taylor truncada en el primer trmino, recordando la serie de
Taylor para una funcin f alrededor de un punto tenemos:
( ) ( ) ( )( )
En el punto deseado para la solucin ( ) por lo que despejando x:

( )
( )
El mtodo consiste en elegir una aproximacin inicial y realizar la iteracin
( )
( )
( )

establece una tolerancia a criterio del usuario. En el algoritmo 3.2 se muestra el
algoritmo de Newton-Raphson en pseudocdigo debido a que no hay forma de
escribir un cdigo en Matlab general para este mtodo.
Algoritmo 3.2: Mtodo de Newton-Raphson (pseudocdigo)

Entradas: aproximacin inicial x0, tolerancia TOL
Salidas: valor x tal que f(x)=0
sw=1;
x1=x0;
while sw==1
x2=x1-f(x1)/f(x1);
if abs(x2-x1)<=TOL
x=x2;
sw=0;
end
x1=x2;
end
Ejemplo 3.2. Raz de polinomio (Excel)
Se desea resolver la ecuacin con tres cifras significativas,

entonces se tiene ( ) y ( ) . La iteracin es entonces
Se escoge una aproximacin inicial x0 = -10, entonces, una sencilla tabulacin en

Excel da la raz

x(i) x(i+1) x(i+1)-x(i)

-10.000 -6.690 3.310
-6.690 -4.502 2.188
-4.502 -3.079 1.423
-3.079 -2.198 0.881
-2.198 -1.729 0.469
-1.729 -1.566 0.162
-1.566 -1.546 0.020
-1.546 -1.546 0.000
3.3. MTODO DE LA SECANTE
Se utiliza para resolver ecuaciones de la forma ( ) . El mtodo consiste en

elegir dos aproximaciones iniciales y realizar la iteracin
( )
( ) ( )
( ) ( )

establece una tolerancia a criterio del usuario. El mtodo de la secante tiene la
ventaja de que no se debe derivar la ecuacin, es una forma discretizada del
mtodo de Newton. En el algoritmo 3.3 se muestra el algoritmo del mtodo de la
secante en pseudocdigo debido a que no hay forma de escribir un cdigo en
Matlab general para este mtodo.
Algoritmo 3.3: Mtodo de la secante (pseudocdigo)

Entradas: aproximaciones iniciales x0, x1, tolerancia TOL
Salidas: valor x tal que f(x)=0
sw=1;
while sw==1
x2=x1-(x1-x0)*f(x1)/(f(x1)-f(x0));
if abs(x2-x1)<=TOL
x=x2;
sw=0;
end
end
Ejemplo 3.3. Raz de funcin trigonomtrica (Excel)
Se necesita resolver la ecuacin trigonomtrica ( ) ( ) entre

con tres cifras significativas. La iteracin en este caso es entonces
( ) ( )
( )
( ) ( ) ( ) ( )
Con una tabla de Excel programada con el mtodo de la secante se hallan las tres
soluciones .

4. SISTEMAS DE ECUACIONES LINEALES
En muchas ocasiones en el ejercicio de la profesin nos encontramos con sistemas

de ecuaciones lineales algebraicas, muchos surgen al discretizar ecuaciones
diferenciales parciales, en la solucin de problemas de optimizacin y escenarios
varios; en la prctica los sistemas pueden ser muy grandes y su tratamiento
analtico llega a ser engorroso o imposible. En este captulo presento dos mtodos
numricos para solucionar estos problemas, todos los ejemplos son
implementados en Excel.
Todo sistema de ecuaciones lineales se puede escribir de forma matricial:
( )
La ecuacin (4.1) es para cada fila:
( )
Despejando la i-sima incgnita de (4.2) se tiene:
( )
( )
Los mtodos de Jacobi y de Gauss-Seidel presentados en esta seccin se basan en la

ecuacin (4.3), sin embargo, estos mtodos slo convergen y dan resultados
cuando la matriz [A] es diagonalmente dominante, es decir, se tiene que cumplir
para cada fila de la matriz lo siguiente:
| | ( )
Al igual que con los mtodos de solucin numrica de ecuaciones no lineales es

necesario hacer una suposicin inicial de la solucin e iterar; esta iteracin se hace
hasta que el residual sea menor a una tolerancia establecida a criterio del usuario,
el residual que se utiliza generalmente entre iteraciones es:
( ) ( )

4.1. MTODO DE JACOBI
El mtodo de Jacobi consiste en hacer una suposicin inicial de la solucin e iterar

con los valores previos utilizando la ecuacin (4.3). La ecuacin que describe la
iteracin de Jacobi es:
( )
( )
En el algoritmo 4.1 se muestra el algoritmo del mtodo de Jacobi implementado en

Matlab.
Algoritmo 4.1: Mtodo de Jacobi en Matlab

Entradas: matriz A, vector b, aproximaciones iniciales x0, tolerancia TOL, iteraciones
mximas MAX.
Salidas: valor x tal que Ax=b, residual res, iteraciones it.
function [x,res,it]=jacobi(A,b,x0,MAX,TOL)
sw=1;
x1=x0;
it=0;
n=numel(b);
while sw==1
for i=1:n
suma=0;
for j=1:i-1
suma=suma+A(i,j)*x1(j);
end
for j=i+1:n
end
x2(i)=1/A(i,i)*(b(i)-suma);
end
Sres=0;
for i=1:n
Sres=Sres+(x2(i)-x1(i))^2;
end
res=sqrt(Sres);
if res<=TOL || it==MAX
x=x2;
sw=0;
else
x1=x2;
it=it+1;
end
end

4.2. MTODO DE GAUSS-SEIDEL
El mtodo de Gauss-Seidel consiste en hacer una suposicin inicial de la solucin e

iterar utilizando los valores previos de las incgnitas que no se han actualizado y
los valores de la iteracin actual de las incgnitas que ya se han iterado, todo esto
utilizando la ecuacin (4.3). La ecuacin que describe la iteracin de Gauss-Seidel
es:
( ) ( )
El mtodo de Gauss-Seidel tiene la ventaja de que converge mucho ms rpido que

el mtodo de Jacobi, lo cual veremos en el Ejemplo 4.1.
En el algoritmo 4.2 se muestra el algoritmo del mtodo de Gauss-Seidel

implementado en Matlab.
Algoritmo 4.2: Mtodo de Gauss-Seidel en Matlab

Entradas: matriz A, vector b, aproximaciones iniciales x0, tolerancia TOL, iteraciones
mximas MAX.
Salidas: valor x tal que Ax=b, residual res, iteraciones it.
function [x,res,it]=gauss_seidel(A,b,x0,MAX,TOL)
sw=1;
x1=x0;
x2=x1;
it=0;
n=numel(b);
while sw==1
for i=1:n
suma=0;
for j=1:i-1
end
for j=i+1:n
end
x2(i)=1/A(i,i)*(b(i)-suma);
end
Sres=0;
for i=1:n
Sres=Sres+(x2(i)-x1(i))^2;
end
res=sqrt(Sres);
if res<=TOL || it==MAX
x=x2;
sw=0;
else
x1=x2;
it=it+1;
end
end

Ejemplo 4.1. Sistema 3X3 (Matlab y Excel).
Resolver el siguiente sistema de ecuaciones lineales utilizando los mtodos de

Jacobi y Gauss-Seidel implementados en Matlab y Excel:
[ ][ ] [ ] ( )
La solucin en Matlab se obtiene corriendo los algoritmos 4.1 y 4.2 con MAX = 15 y
TOL = 1e-9; en Excel se obtiene programando una hoja de clculo (ver archivo
descargable), los resultados finales se resumen en la siguiente tabla:
EXCEL MATLAB
Solucin Jacobi Gauss Jacobi Gauss
x 1.472 1.472 1.472 1.472
y 0.051 0.051 0.051 0.051
z -0.468 -0.468 -0.468 -0.468
Iteraciones 15 15 15 15
Residual 9.63E-05 2.58E-08 5.00E-05 6.40E-09
Se observa que en Matlab los residuales son menores, esto es debido al sistema de
manejo de decimales de Matlab que es ms preciso que el de Excel; sin embargo, lo
ms interesante es observar los residuales entre el mtodo de Jacobi y el de Gauss-
Seidel, tanto en la tabla como en la Figura 4.1:
1.00E+01
1.00E+00
0 5 10 15 20
1.00E-01
1.00E-02
Residual
1.00E-03
Res. Jacobi
1.00E-04
Res. Gauss
1.00E-05
1.00E-06
1.00E-07
1.00E-08
Iteracin
Figura 4.1. Residual en cada iteracin.
Es claro que la convergencia y precisin de Gauss-Seidel es mucho mejor que

Jacobi y por eso es que recomiendo el primero.

5. SISTEMAS DE ECUACIONES NO LINEALES
En ocasiones surgen sistemas de ecuaciones no lineales que deben resolverse,

como por ejemplo en intercambio de calor por radiacin entre cuerpos. Para
solucionar estos problemas existen mtodos iterativos, de los cuales presento el
mtodo que he utilizado ms en mi experiencia, tiene la ventaja de ser muy sencillo
de implementar tanto en Matlab como en Excel, sobre todo en este ltimo.
5.1. MTODO DE PUNTO FIJO MULTIVARIABLE
El mtodo de punto fijo multivariable es anlogo al caso mostrado en la Seccin

3.1, sirve para resolver un sistema de ecuaciones de la forma:
( )
( ) ( )
( )
El mtodo procede definiendo dos vectores x y F(x), tal que
[ ] ( ) [ ] ( )
Debe hacerse una aproximacin inicial de la solucin x0, y luego se hace la iteracin
( ) ( )
Hasta que el valor residual sea menor a la tolerancia definida por

el usuario. En el algoritmo 5.1 se muestra el algoritmo de punto fijo multivariable
en pseudocdigo debido a que no hay forma de escribir un cdigo en Matlab
general para este mtodo.
Algoritmo 5.1: Mtodo de punto fijo multivariable (pseudocdigo)

Entradas: vector aproximaciones iniciales x0, tolerancia TOL, iteraciones mximas MAX.
Salidas: vector solucin x, residual res.
sw=1;
x1=x0;
while sw==1
x2=f(x1);
if abs(x2-x1)<=TOL
x=x2;
sw=0;
end
x1=x2;
end

Ejemplo 5.1. Transferencia de calor (Excel).
Consideremos dos placas paralelas entre s, la placa superior recibe radiacin solar
equivalente de 1000 W/m2 con absortividad de 0.9 e intercambia calor con el
ambiente a 293K con coeficiente de conveccin de 10 W/m2K y con el cielo a 277K;
la placa inferior intercambia calor por conveccin a un medio a 300K con
coeficiente de conveccin de 15 W/m2K; las emitancias de las placas son de 0.9. Las
placas intercambian calor entre ellas por conveccin a 5 W/m2K y por radiacin.
Figura 5.1. Diagrama del sistema.
Las ecuaciones que modelan este sistema son:
( ) ( )( )( )
( )( )( ) ( ) ( )
( )( )( ) ( ) ( ) ( )
Calcular las temperaturas de las placas con las ecuaciones E5.1 y E5.2. Despejando
de E5.1 y E5.2 tenemos las ecuaciones para iterar:
( [ ( ) ( ) ])
( ( )( ) [( ) ( ) ])
Con la suposicin inicial:
Suposicin
inicial
T1 [K] T2 [K]
-11 0
Tenemos los resultados de 100 iteraciones:

Resultados
T1 [K] T2 [K] Residual Iteraciones
332.82 311.76 9.34E-02 100
4.00E+02
3.50E+02
3.00E+02
2.50E+02
Residual
2.00E+02
1.50E+02
1.00E+02
5.00E+01
0.00E+00
0 20 40 60 80 100 120
Iteracin
350.00
300.00
250.00
200.00
T1 [K]
150.00
100.00
50.00
0.00
0 20 40 60 80 100 120
Iteracin
350.00
300.00
250.00
200.00
T2 [K]
150.00
100.00
50.00
0.00
0 20 40 60 80 100 120
Iteracin
Figura 5.2. Evolucin de las iteraciones.
Hay un asunto interesante ac, y es que la suposicin inicial no tiene sentido

fsico (no existe en el Universo -11 K de temperatura), de hecho, en este caso la
suposicin inicial se hizo a ensayo y error para que el sistema no se hiciera
inestable. Por ejemplo, con la siguiente suposicin inicial:

Suposicin
inicial
T1 [K] T2 [K]
300 300
El sistema no converge, como se puede observar en las siguientes grficas de

evolucin de las iteraciones:
2.00E+02
1.50E+02
Residual
1.00E+02
5.00E+01
0.00E+00
0 20 40 60 80 100 120
Iteracin
450.00
400.00
350.00
300.00
T1 [K]
250.00
200.00
150.00
100.00
50.00
0.00
0 20 40 60 80 100 120
Iteracin
400.00
350.00
300.00
250.00
T2 [K]
200.00
150.00
100.00
50.00
0.00
0 20 40 60 80 100 120
Iteracin
Figura 5.3. Sistema inestable debido a suposicin inicial.

Hay una forma de hacer ms estable el mtodo? La respuesta es S, y es utilizando

un mtodo de punto fijo modificado.
5.2. MTODO DE PUNTO FIJO MODIFICADO
Es la misma idea del mtodo de Gauss-Seidel (Seccin 4.2) de utilizar en la

iteracin actual las variables ya actualizadas. La iteracin se hace de la siguiente
forma en este caso:
( )
( ) ( )
( )
Hasta que el valor residual sea menor a la tolerancia definida por

el usuario. Este mtodo as presenta convergencia mucho ms elevada que el
mostrado en la Seccin 5.1 y es el que personalmente recomiendo para la solucin
de sistemas de ecuaciones.
Ejemplo 5.2. El ejemplo 5.1 con el mtodo modificado (Excel).
Volvemos a solucionar el ejemplo 5.1, las iteraciones son:
( [ ( ) ( ) ])
( ( )( ) [( ) ( ) ])
Con la suposicin inicial:
Suposicin
inicial
T1 [K] T2 [K]
300 300
Los resultados son los siguientes:
Resultados
T1 [K] T2 [K] Residual Iteraciones
332.78 311.79 1.14E-13 100
Se observa claramente en esta ltima tabla de resultados y en las grficas de la

Figura 5.4 que el sistema es muy estable y converge de una manera mucho ms
rpida.

6.00E+01
5.00E+01
Residual 4.00E+01
3.00E+01
2.00E+01
1.00E+01
0.00E+00
0 20 40 60 80 100 120
Iteracin
350.00
345.00
340.00
T1 [K]
335.00
330.00
325.00
320.00
0 20 40 60 80 100 120
Iteracin
322.00
320.00
318.00
316.00
T2 [K]
314.00
312.00
310.00
308.00
306.00
0 20 40 60 80 100 120
Iteracin
Figura 5.4. Evolucin de las iteraciones.

6. DERIVACIN E INTEGRACIN NUMRICAS
6.1. DIFERENCIAS FINITAS
La diferenciacin numrica es muy til en casos en los cuales se tiene una funcin
que es muy engorrosa de derivar, o en casos en los cuales no se tiene una funcin
explcita sino una serie de datos experimentales.
Para entender de una manera sencilla la discretizacin por diferencias finitas de

una derivada debe tenerse en cuenta la interpretacin geomtrica de la derivada
en un punto, que es la pendiente de la curva en el punto de inters. Considrense
tres puntos intermedios en una curva como se muestra en la figura 6.1:
Figura 6.1. Curva discretizada.
Supngase que interesa la derivada en el punto ( ), tres formas de aproximar

la pendiente por recta en ese punto son:
| ( )
| ( )
| ( )
Las ecuaciones 6.1 a 6.3 son llamadas diferencias finitas. La ecuacin 6.1 se
recomienda para hallar la derivada del punto inicial de una curva, la ecuacin 6.2
se recomienda para hallar la derivada del punto final de una curva, y la ecuacin

6.3 es la ecuacin de diferencias finitas centrales, y se recomienda para hallar la

derivada en los puntos intermedios de una curva.
En el caso cuando las diferencias son constantes para

todo el dominio, las ecuaciones de diferencias finitas quedan
| ( )
| ( )
| ( )
La ecuacin 6.4 se recomienda para hallar la derivada del punto inicial de una
curva, la ecuacin 6.5 se recomienda para hallar la derivada del punto final de una
curva, y la ecuacin 6.6 se recomienda para hallar la derivada en los puntos
intermedios de una curva.
El mtodo de derivacin por diferencias finitas implementado en Matlab se

muestra en el algoritmo 6.1.
Algoritmo 6.1: Derivacin numrica en Matlab

Entradas: vectores conteniendo los puntos X y Y.
Salidas: vector con el valor de las derivadas, df.
function [df]=derivada(X,Y)
N=numel(X);
df(1)=(Y(2)-Y(1))/(X(2)-X(1));
df(N)=(Y(N)-Y(N-1))/(X(N)-X(N-1));
for n=2:N-1
df(n)=(Y(n+1)-Y(n-1))/(X(n+1)-X(n-1));
end
plot(X,df,k-)
La derivacin numrica tambin puede implementarse de forma muy sencilla en

tablas de Excel.
Ejemplo 6.1. Curvas SVAJ para levas (Excel)
Se tiene una tabla datos de la curva de movimiento de un seguidor de leva (ver

archivo de Excel que viene con el libro), determinar si la leva cumple con
condiciones de continuidad de las curvas de velocidad, aceleracin y sobre-
aceleracin (tambin conocida como jerk).

Teniendo tabulados los datos de tiempo y posicin podemos calcular con las
ecuaciones (6.4) a (6.6) la velocidad, aceleracin y sobreaceleracin de forma
numrica:
En las grficas se observan saltos en la velocidad y aceleracin, por lo cual se

deduce que este diseo de leva no es adecuado.
1.80
1.60
1.40
1.20
1.00
x [m]
0.80
0.60
0.40
0.20
0.00
0.0 0.5 1.0 1.5 2.0 2.5 3.0
t [s]
Figura 6.2. Posicin del seguidor.
2.00
1.00
0.00
v [m/s]
0.0 0.5 1.0 1.5 2.0 2.5 3.0

-1.00
-2.00
-3.00
-4.00
t [s]
Figura 6.3. Velocidad del seguidor.

20.00
15.00
a [m/s^2] 10.00
5.00
0.00
0.0 0.5 1.0 1.5 2.0 2.5 3.0
-5.00
-10.00
-15.00
t [s]
Figura 6.4. Aceleracin del seguidor.
300.00
250.00
200.00
150.00
100.00
j [m/s^3]
50.00
0.00
-50.00 0.0 0.5 1.0 1.5 2.0 2.5 3.0
-100.00
-150.00
-200.00
-250.00
t [s]
Figura 6.5. Sobreaceleracin del seguidor.

6.2. MTODO DE LOS TRAPECIOS
La integracin numrica es muy til en casos en los cuales se tiene una funcin que
es muy engorrosa de integrar o que no posee anti-derivada, o en casos en los
cuales no se tiene una funcin explcita sino una serie de datos experimentales.
Aunque hay varios mtodos de integracin numrica, ac solo se mostrar en
mtodo de los trapecios, ya que es el ms sencillo de implementar y de entender.
Para entender el mtodo de los trapecios debe tomarse en cuenta la interpretacin

geomtrica de una integral como rea bajo la curva, siendo as, considrese el rea
de un trapecio entre dos puntos de una curva como se muestra en la figura 6.6.
Figura 6.6. rea de un trapecio entre dos puntos de una curva.
El rea del trapecio es:
( )( ) ( )
El valor de la integral en un intervalo con n+1 puntos es entonces la suma

de las distintas reas por sub-intervalo:
( ) ( )
En el caso que el tamao de sub-intervalo sea un valor constante, la ecuacin

6.8 resulta
( ) ( ) ( )

Otra forma de verlo, y ms fcil de programar en una hoja de Excel, es la siguiente:

el valor acumulado de la integral en el intervalo i (notado como Ii) es
( )( ) ( )
Y el valor I de la integral en el dominio de inters es el valor final acumulado de la

ecuacin 6.10. La ecuacin 6.10 puede ponerse fcilmente en trminos de frmula
de celdas en una hoja de Excel, descargar el archivo de Excel de la pgina donde se
descarga el libro para ver el ejemplo 6.2 resuelto en Excel.
La implementacin en Matlab del mtodo de los trapecios con la ecuacin 6.10 se

muestra en el algoritmo 6.2.
Algoritmo 6.2: Mtodo de los trapecios en Matlab

Entradas: valor inicial de la integral I0, vectores conteniendo los puntos X y Y.
Salidas: vector con el valor acumulativo de la integral, I.
function [I]=integral(I0,X,Y)
N=numel(X);
I(1)=I0;
for n=2:N
I(n)=I(n-1)+0.5*(Y(n)+Y(n-1))*(X(n)-X(n-1));
end
plot(X,I,'k-');
El crecimiento de una grieta en el borde de una placa por ciclo de esfuerzos viene
dado por la ecuacin de Paris
( ) ( )
Donde N es el nmero de ciclos, A y m son constantes del material, es la

diferencia de esfuerzos a tensin sobre la pieza y Y viene dado por la ecuacin
E3.2. Cuando se observa una grieta de tamao a0, el nmero de ciclos restante para
fractura catastrfica de la pieza se obtiene separando las variables e integrando la
ecuacin E6.1:
( )
( )
Supngase que se tiene la placa del ejemplo 3.1 con

, con una grieta inicial de . El nmero de ciclos restante
para falla es


( [ ( ) ( ) ( ) ( ) ] )
Aplicando la ecuacin (6.2) en una hoja de Excel tenemos la grfica de crecimiento

de la grieta:
0.7
0.6
0.5
0.4
a [in]
0.3
0.2
0.1
0
0 5000 10000 15000 20000 25000 30000 35000 40000
N [ciclos]
Figura 6.7. Crecimiento de grieta calculado por integracin numrica.
Segn el valor final de la integral los ciclos de falla son:

7. ECUACIONES DIFERENCIALES CON VALOR INICIAL
Los mtodos numricos para ecuaciones diferenciales que se presentan aplican

para ecuaciones diferenciales ordinarias con condiciones iniciales de tipo
( )
( )
( )
Estos mtodos son muy tiles cuando se tienen ecuaciones diferenciales que no
pueden resolverse por los mtodos analticos o cuya solucin analtica es muy
engorrosa.
Nota: estos mtodos son generalizables a sistemas de ecuaciones diferenciales,

aplicando la discretizacin o mtodo de solucin a cada ecuacin del sistema por
separado y uniendo las soluciones a medida que se hallan.
7.1. MTODO DE EULER
El mtodo de Euler consiste en aproximar la derivada de la ecuacin 7.1 por

diferencias finitas como en la ecuacin 6.4, entonces la ecuacin diferencial resulta
( )
Por lo cual el valor de la funcin en el intervalo de tiempo n+1 es
( ) ( )
El mtodo de Euler tiene la desventaja de que se vuelve inestable y la solucin

diverge si el tamao de paso de tiempo es muy grande.
En el algoritmo 7.1 se muestra el algoritmo del mtodo de Euler en pseudocdigo

debido a que no hay forma de escribir un cdigo en Matlab general para este
mtodo.
Algoritmo 7.1: Mtodo de Euler (pseudocdigo)

Entradas: valor inicial y0, tiempo inicial t0, tamao de paso dt, nmero de puntos N
Salidas: valores y tal que dy/dt = f(t,y)
y(1)=y0;
t(1)=t0;
for n=2:N
y(n)=y(n-1)+dt*f(t(n-1),y(n-1));
t(n)=t(n-1)+dt;
end

El crecimiento de una grieta en el borde de una placa por ciclo de esfuerzos viene
dado por la ecuacin de Paris (E6.1). Una forma de estimar el crecimiento de una
grieta con el nmero de ciclos diferente a la integracin numrica del ejemplo 6.2
es resolviendo la ecuacin E6.1 por el mtodo de Euler, en este caso se tiene la
ecuacin diferencial discretizada
( ) [ ( ) ( ) ( ) ( ) ]
Y despejando se tiene el valor del tamao de la grieta al siguiente ciclo de

carga
( ) [ ( ) ( ) ( ) ( ) ]
( )
Implementando en una hoja de Excel la ecuacin (E7.1) tenemos la curva de
crecimiento de grieta (Figura 7.12) y la solucin del nmero de ciclos para falla:
Compare este resultado y la curva de crecimiento con los calculados por

integracin numrica en el ejemplo 6.2.
0.700
0.600
0.500
0.400
a [in]
0.300
0.200
0.100
0.000
0 5000 10000 15000 20000 25000 30000 35000 40000
N [ciclos]
Figura 7.1. Crecimiento de grieta calculado con el mtodo de Euler.

7.2. MTODO DE RUNGE-KUTTA DE ORDEN 4
Uno de los mtodos ms utilizados para resolver numricamente problemas de

ecuaciones diferenciales ordinarias con condiciones iniciales es el mtodo de
Runge-Kutta de cuarto orden, el cual proporciona un pequeo margen de error con
respecto a la solucin real del problema y es fcilmente programable en un
software para realizar las iteraciones necesarias. Hay variaciones en el mtodo de
Runge-Kutta de cuarto orden pero el ms utilizado es el mtodo en el cual se elige
un tamao de paso y un nmero mximo de iteraciones N tal que
( )
( )
( )
( )
( )
Para k = 0,, N-1. La solucin se da a lo largo del intervalo (to, to+ N). En el
algoritmo 7.2 se muestra el algoritmo del mtodo de Runge-Kutta de orden 4 en
pseudocdigo parecido a MATLAB, debido a que no hay forma de escribir un
cdigo en MATLAB general para este mtodo.
Algoritmo 7.2: Mtodo de Runge-Kutta de orden 4 (pseudocdigo)

Entradas: valor inicial y0, tiempo inicial t0, tamao de paso dt, nmero de puntos N
Salidas: valores y tal que dy/dt = f(t,y)
y(1)=y0;
t(1)=t0;
for n=2:N
k1=dt*f(t(n-1),y(n-1));
k2=dt*f(t(n-1)+dt/2,y(n-1)+k1/2);
k3=dt*f(t(n-1)+dt/2,y(n-1)+k2/2);
k4=dt*f(t(n-1)+dt,y(n-1)+k3);
y(n)=y(n-1)+1/6*(k1+2*k2+2*k3+k4);
t(n)=t(n-1)+dt;
end
Ejemplo 7.2. Velocidad en medios con arrastre (Excel)
La ecuacin diferencial que rige la velocidad v de un cuerpo de masa m y rea

proyectada A que cae en un medio de densidad es

( )
El cuerpo adquiere su velocidad terminal de cada cuando no acelera ms, es decir,

la derivada de la velocidad es cero. De acuerdo a E7.2, la velocidad terminal terica
es
( )
Supngase una moneda con m = 0.010kg y A = 3.141610-4 m2, que cae de un

edificio, entonces = 1kg/m3. La velocidad terminal segn E7.3 es
. La iteracin de Runge-Kutta se hace como sigue para este caso
particular:
[ ( ) ]
[ ( ) ]
( )
( )
Tomando intervalo t=1s y velocidad inicial nula, se tiene el mtodo

implementado en una hoja de Excel con los valores en la tabla, y se muestra cmo
se desarrolla la velocidad en la figura 7.2:
30.00
25.00
20.00
v [m/s]
15.00
10.00
5.00
0.00
0 5 10 15 20 25
t [s]
Figura 7.2. Velocidad de la moneda a medida que cae.

8. ECUACIONES DIFERENCIALES CON VALORES EN LA

FRONTERA
El mtodo numrico para ecuaciones diferenciales que se presenta aplica para

ecuaciones diferenciales de tipo:
( ) ( )
En el dominio y con condiciones de frontera diversas tales como valor de

la primera derivada de y o valores de la funcin y conocidas en las fronteras 0 y L.
La solucin numrica muy til cuando se tienen ecuaciones diferenciales que no

pueden resolverse por los mtodos analticos o cuya solucin analtica es muy
engorrosa.
8.1. SOLUCIN POR DIFERENCIAS FINITAS
Este mtodo consiste en simplemente discretizar las derivadas por medio de

diferencias finitas (Seccin 6.1) para convertir la ecuacin diferencial en un
sistema algebraico que puede ser resuelto por cualquier de los mtodos de los
captulos 4 o 5.
La discretizacin de la doble derivada se hace usando la Ecuacin (6.4):
( ) ( )
Entonces la segunda derivada se discretiza como:
( )
Con este resultado y la Ec. (6.4), la ecuacin diferencial (8.1) se discretiza en el

punto i como:
( ) ( )
La Ecuacin (8.3) representa un sistema de ecuaciones cuyo tamao depende del

nmero de intervalos que queramos utilizar.

Ejemplo 8.1. Transferencia de calor bajo el suelo.
Considere que tenemos un terreno que absorbe efectivamente 800 W/m2 de

radiacin solar en su superficie, la cual intercambia calor con el ambiente a 293 K y
con un coeficiente de 10 W/m2K y con el cielo a 277 K y una emitancia de 0.8. A
una profundidad de 1.00 m la temperatura se conoce constante en 283 K y la
conductividad trmica del suelo es 2.2 W/m.K. Calcular la distribucin de
temperaturas bajo el suelo si est en estado estacionario.
Figura 8.1. Diagrama de la transferencia de calor en el suelo.
La ecuacin que modela la distribucin de temperaturas bajo el suelo en este caso

es la ecuacin de calor 1D en estado estacionario:
( )
Las condiciones de frontera son en el fondo:
( ) ( )
Y en la superficie es el balance de calor ( ):
( )
( ( )) ( ) ( ( ) ) ( )
Discretizamos primero el dominio de solucin, en este caso vamos a calcular las

temperaturas en 5 puntos (nodos) distanciados a 0.2 m cada uno (x = 0.2 m). El
diagrama se observa en la Figura 8.2:

Figura 8.2. Discretizacin del dominio del problema.
Tenemos entonces para la superficie la discretizacin de (E8.3):
( ) ( ) ( )
Escribindolo para una solucin por iteracin por mtodo de punto fijo modificado
(Seccin 5.2) tenemos:
[ ( )( )( ) ] ( )
Para los nodos 2 a 4 discretizamos (E8.1):
( ) ( )
Y para el nodo 5:

( ) ( )
Implementando las ecuaciones (E8.4) a (E8.6) en una hoja de Excel con la

suposicin inicial de que todas son 300 K tenemos los resultados:
Resultados
x [m] T [K]
0.0 332.96
0.2 322.97
0.4 312.97
0.6 302.98
0.8 292.99
1.0 283.00
Iteraciones 20
Residual 2.44E-03
La grfica muestra una distribucin lineal de la temperatura bajo el suelo como se

ve en la Figura 8.3:
340.00
330.00
Temperatura [K]
320.00
310.00
300.00
290.00
280.00
0.0 0.2 0.4 0.6 0.8 1.0 1.2
Profundidad x [m]
Figura 8.3. Distribucin de la temperatura bajo el suelo.
Y la evolucin de los residuales con cada iteracin se observa en la Figura 8.4:

4.00E+01
3.50E+01
3.00E+01
2.50E+01
Residual
2.00E+01
1.50E+01
1.00E+01
5.00E+00
0.00E+00
0 5 10 15 20 25
Iteracin
Figura 8.4. Evolucin del residual con las iteraciones.
BIBLIOGRAFA
- ANLISIS NUMRICO. Richard L. Burden, J. Douglas Faires.

- CALCULUS. Vol. 1 y 2. Tom Apostol.
SOBRE EL AUTOR
Carlos Armando De Castro es instructor en Asesoras en Matemticas, Fsica e

Ingeniera; adicionalmente es cofundador y director de investigaciones del Centro
de Investigacin en Modelos Naturales para el Ambiente y el Desarrollo CIMNAD.
Ingeniero mecnico egresado de la Universidad de los Andes de Bogot, Colombia,

donde estudi gracias a la beca Bachilleres por Colombia otorgada por Ecopetrol a
los mejores bachilleres del pas cada ao; ha visto cursos de posgrado en
Matemticas Aplicadas, Dinmica Computacional de Fluidos y Combustin;
adicionalmente, ha presentado ponencias en el VII Congreso Colombiano de
Mtodos Numricos, el Seminario Internacional Secado de Productos Agrcolas y el
I Congreso de Energa Sostenible.

ASESORAS EN MATEMTICAS, FSICA E INGENIERA
o Matemticas: lgebra, trigonometra, clculo diferencial, integral y

vectorial, ecuaciones diferenciales, lgebra lineal.
o Fsica: mecnica, elctrica y trmica, dinmica de aviones.
o Materias bsicas de Ingeniera: esttica, sistemas dinmicos, mecnica de

materiales, mecnica de fluidos.
o Materias avanzadas de Ingeniera Mecnica:termodinmica,

transferencia de calor, mecanismos, diseo mecnico, aerodinmica bsica.
o Mtodos numricos: uso de Matlab y Excel para solucin por medio de

mtodos numricos de diferentes problemas en materias avanzadas y
proyectos de grado.
o Clases de refuerzo en uso de Excel para estudiantes y profesionales.
Carlos Armando De Castro

Instructor Principal
Telfono: (+57) 312-636-9880
E-mail: cadecastro@gmail.com
Bogot, Colombia

Metodos Numericos Basicos para Ingenieria PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Metodos Numericos Basicos para Ingenieria PDF

Cargado por

Copyright:

Formatos disponibles

Mtodos numricos

bsicos para ingeniera

Carlos Armando De Castro Payares

Asesoras en Matemticas, Fsica e Ingeniera

Carlos Armando De Castro Payares. 2014.

Se permite su reproduccin con fines educativos y acadmicos, no lucrativos, dando crdito al

Carlos Armando De Castro Payares

Carlos Armando De Castro Payares

El anlisis numrico o clculo numrico es la rama de las matemticas que se

En este libro se muestran los mtodos numricos ms sencillos y tiles de

Todos los ejemplos hechos con Excel se anexan en el archivo descargable de la

Carlos Armando De Castro Payares

En la prctica de la ingeniera se utilizan mucho las tablas de datos, como en el caso

La idea bsica de la interpolacin es hallar un polinomio o funcin que cumpla con

1.1. INTERPOLACIN LINEAL

La interpolacin lineal es la ms utilizada en el manejo de datos de tablas. Consiste

Figura 1.1. Interpolacin lineal.

La pendiente de esta recta es ( ) ( ) y como pasa por el punto

La implementacin de la interpolacin lineal en Matlab teniendo en cuenta que es a

Carlos Armando De Castro Payares

Algoritmo 1.1: Interpolacin lineal en Matlab

Ejemplo 1.1. Termodinmica (Excel)

Una parte de la tabla de presin y temperatura de saturacin del agua es2:

Necesitamos saber la presin requerida para que el agua se sature a una

Utilizando una hoja de Excel programada con la ecuacin (1.1) tenemos:

Tabla de datos Valor deseado x

Carlos Armando De Castro Payares

Y la grfica de esta interpolacin se muestra a continuacin:

Figura 1.2. Interpolacin de la tabla de saturacin del agua.

1.2. POLINOMIOS DE LAGRANGE

Este mtodo de interpolacin no se utiliza mucho en la prctica y lo pongo en

Obsrvese que en el punto slo queda el primer trmino con su numerador

Una forma mucho ms sencilla de ver la (1.2) es en forma de un algoritmo, el cual

Carlos Armando De Castro Payares

Algoritmo 1.2: Polinomios de Lagrange en Matlab

Ejemplo 1.2. Polinomios de Lagrange (Matlab)

Se tiene el conjunto de datos:

Corriendo el algoritmo 1.2 muestra el polinomio interpolador de Lagrange:

Figura 1.3. Polinomio de Lagrange interpolando los datos.

Carlos Armando De Castro Payares

En ocasiones se tiene un conjunto de datos experimentales y se desea hallar una

2.1. MNIMOS CUADRADOS

La idea es que la funcin f de aproximacin minimice el valor de R descrito por

De donde surge el sistema de ecuaciones lineal:

Los parmetros de la recta de aproximacin que minimiza R son entonces:

Carlos Armando De Castro Payares

Algoritmo 2.1: Aproximacin lineal por mnimos cuadrados en Matlab

Ejemplo 2.1. Temperatura de una placa al Sol (Matlab)

Se tienen los siguientes datos de una prueba en la que se midi la diferencia de

Rad. Sol. [W/m2] T [C]

El coeficiente es el inverso de la pendiente de la recta de aproximacin, corriendo

Carlos Armando De Castro Payares

Por lo que el coeficiente equivalente es 1/m = 68.97 W/m2C. La grfica de la recta

Figura 2.1. Aproximacin lineal por mnimos cuadrados en Matlab.

2.2. APROXIMACIN CON USO DE EXCEL

Carlos Armando De Castro Payares

Ejemplo 2.2. Temperatura de una placa al Sol (Excel)

Figura 2.2. Grfica de los datos del ejemplo.

Carlos Armando De Castro Payares

El resultado se muestra en la Figura 2.3, donde podemos observar la pendiente y el

Figura 2.3. Aproximacin lineal en Excel.

Carlos Armando De Castro Payares

3. ECUACIONES ALGEBRAICAS NO LINEALES