Está en la página 1de 16

UNIVERSIDAD EAN

FACULTAD DE ESTUDIOS EN AMBIENTES VIRTUALES


INGENIERÍA DE SISTEMAS

GUÍA No. 2 ACTIVIDAD 2


ESTUDIO ECUACIONES DIFERENCIALES

GRUPO DE TRABAJO COLABORATIVO

TUTOR

BOGOTÁ, D.C,

1
CONTENIDO

Introducción…………………………………………………………..3

1.Desarrollo de la actividad 2…………………………………………..4

2.Conclusiones………………………………………………………………15

3.Referente bibliográfico………………………………………………….16

2
INTRODUCCION

El desarrollo de esta actividad estará centrado en el tema de uso de las Ecuaciones


diferenciales ordinarias de segundo orden, y el uso de la herramienta MATLAB la
cual resuelve la ecuación diferencial de forma analítica y visualiza los campos
vectoriales.

En esta guía de trabajo se aplican técnicas analíticas de soluciones generales y


particulares de las Ecuaciones diferenciales de segundo orden por método de
variación de parámetros y de coeficiente determinados, también profundizamos el
concepto de atractor de Lorentz que nos permite estudiar comportamientos caóticos

3
GUÍA 2: ECUACIONES DIFERENCIALES DE SEGUNDO ORDEN
1. Actividad No. 2.

1.1 Revise el video para la aplicación del método de Euler utilizando Matlab que
se encuentra en material de apoyo. Ajuste el código para la aplicación de los
métodos de Euler Mejorado y Runge-Kutta, y presente los resultados
obtenidos dentro del informe (incluyendo el código).

Se observo el video y se realizo el ajuste del código para el método de Euler de la


aplicación Matlab, se grafican las soluciones de Euler y Runge-Kutta. Se ve que el
método de Euler se aproxima a la solución exacta y el método de Runge-Kutta es
prácticamente la solución exacta

4
Código desarrollado en Matlab:

Program 6.1 Euler's Method for Solving Initial Value Problems

Use with ydot.m to evaluate rhs of differential equation

Input: interval inter, initial value y0, number of steps n

Output: time steps t, solution y

Example usage: y=Mi_euler([0 1],1,10);

function [x,y]=Mi_euler(inter,y0,n)

EULER

x(1)=inter(1); y(1)=y0;

h=(inter(2)-inter(1))/n;

for i=1:n

x(i+1)=x(i)+h;

5
y(i+1)=eulerstep(x(i),y(i),h);

end

plot(x,y,'r')

hold on;

EULER MEJORADO

t(1)=inter(1); y(1)=y0;

h=(inter(2)-inter(1))/n;

for i=1:n

t(i+1)=t(i)+h;

y(i+1)=eulermejorado(t(i),y(i),h);

end

plot(t,y,'b')

RUNGE-KUTTA

t(1)=inter(1); y(1)=y0;

h=(inter(2)-inter(1))/n;

for i=1:n

t(i+1)=t(i)+h;

y(i+1)=rkutta(t(i),y(i),h);

end

plot(t,y,'g')

6
Soluciòn Analìtica

z=3*exp(t.*t/2)-t.*t-2;

plot(t,z,'y')

xlabel('t');

ylabel('y');

legend('Euler','Euler Mejorado','Runge-Kutta','Solución exacta');

hold off

mètodo de Euler

function y=eulerstep(t,y,h)

one step of Euler's Method

Input: current time t, current value y, stepsize h

Output: approximate solution value at time t+h

y=y+h*ydot(t,y);

mètodo de Euler Mejorado

function y=eulermejorado(t,y,h)

one step of Euler's Method

Input: current time t, current value y, stepsize h

Output: approximate solution value at time t+h

k1=ydot(t,y);

7
k2=ydot((t+h),(y+h*k1));

y=y+h*(k1+k2)/2;

mètodo de Runge-Kutta

function y=rkutta(t,y,h)

one step of Euler's Method

Input: current time t, current value y, stepsize h

Output: approximate solution value at time t+h

k1=h*ydot(t,y);

k2=h*ydot(t+h/2,y+k1/2);

k3=h*ydot(t+h/2,y+k2/2);

k4=h*ydot(t+h,y+k3);

y=y+1/6*(k1+2*k2+2*k3+k4);

campo vectorial de la ecuaciòn diferencial

function z=ydot(t,y)

right-hand side of differential equation

z = t*y + t^3;

1.2 A partir de las 2 EDO de primer orden de la guía anterior desarrolle lo


siguiente:

Dibuje los campos vectoriales de cada EDO.

Dibuje los campos vectoriales de cada EDO.

8
1.3 Presente una descripción del concepto de atractor de Lorentz, de un ejemplo
de un sistema de EDO que presente un atractor de Lorentz y elabore una
simulación que lo grafique.

EL atractor Lorentz de Edward Lorentz es un sistema dinamico determinista


tridimensinal nolineal derivado de las ecuaciones simplistas de rollos de convención
que se produce en las ecuaciones dinámicas de la atmosfera terrestre, esto permite
moldear comportamientos caóticos La representación matemática de un sistema
dinámico en un ordenador muestra una figura llamada un atractor que refleja con

9
precisión el movimiento de un objeto es decir, su velocidad y posición.

Lorenz afirmo que las condiciones iniciales hace perder toda esperanza de
predicción a largo plazo es lo que se conoce como el efecto mariposa de Lorenz.
Un simple aleteo de alas de mariposa puede desencadenar huracanes
devastadores a miles de kilómetros de distancia. Se refiere a cómo pequeñas
modificaciones en un sistema dinámico pueden promover comportamientos y
resultados no esperados, característicos del comporta-miento de un sistema
caótico, en donde se manifiestan condiciones estables atraídas por un atractor y al
mismo tiempo fuerzas que lo separan. Lo anterior da a entender los cambios
complejos y erráticos que pueden experimentar las variables, no permitiendo las
predicciones a largo plazo, sino estas pueden hacerse hasta un determinado punto,
conocido como horizonte de predicciones. Este horizonte es el límite para hacer
algún pronóstico válido y práctico; cualquier incursión que supere este punto
generará resultados poco confiables.

El atractor de Lorenz está regido por un sistema de tres ecuaciones no lineales:

𝑥´ = 𝛼(𝑦 − 𝑥)
𝑦´ = 𝑥(𝛿 − 𝑧)
𝑧´ = 𝑥𝑦 − 𝛽𝑧

Con 𝛼𝛽𝛿 parámetros reales y x´y´z´ son las derivadas temporales de x, y, z,


respectivamente.

Integrando numéricamente el sistema de Lorenz a través del método de Runge-


Kutta para α = 10, δ = 28 y β = 8/3, se obtienen las figuras 1 y 2. La primera
muestra la serie temporal de la variable x. Por motivos de definición se muestran
sólo 100 segundos de la serie temporal, donde se nota que la evolución es de tipo
oscilatoria, pero no periódica, aunque de a tramos sea cuasi-periódica. Esto se ve
reflejado en la altura máxima de los picos de las oscilaciones, que en un ciclo cuasi-
periódico la oscilación se parece en forma, pero no llega al mismo valor (ej: la
diferencia entre la oscilación que se encuentra entre los 310 y los 320 segundos y
la oscilación que le sigue). Las figuras 2 y 3 muestran el atractor de Lorenz, para su

10
corte en el plano xy (figura 2) y en tres dimensiones (figura 1).

Figura 1: Evolución temporal variable x para el atractor de Lorenz

Fuente: Departamento de Física, Universidad EAFIT

En estos gráficos se aprecia el motivo de que la señal temporal sea oscilatoria, pero
no periódica.

En la figura 2, se muestran las trayectorias dentro del sistema para dos condiciones
iniciales distanciadas en 10−3 en la coordenada x. Para las demás variables se han
mantenido las condiciones iniciales fijas en 0. En esta figura se aprecia que las
evoluciones temporales del sistema con un pequeño cambio en las condiciones
iniciales divergen entre sí después de un cierto tiempo.

11
Figura 2

Fuente: https://www.youtube.com/watch?v=-tpRZCnoih0

Esto demuestra la sensibilidad de la evolución temporal respecto de las condiciones


iniciales. Dado que uno puede medir dichas condiciones con una cierta precisión,
esto afecta directamente la capacidad de predicción sobre un sistema real que se
comporte como un atractor extraño debido a la imposibilidad de determinar a largo
plazo la evolución del sistema.

Código del programa Matlab : Atractor de Lorenz

Ecuación

dx/dt = sigma * (y - x)

dy/dt = x * (rho - z) - y

dz/dt = x * y - beta * z

12
Variables

X = [];

Y = [];

Z = [];

Parámetros de la Simulación

dt = 0.02;

N = 10000;

Constantes

α = 10;

𝛿 = 28;

β= 8/3;

Condiciones

x0 = 0;

y0 = 1;

z0 = 0;

s = sprintf('Atractor de Lorenz\nsigma= .4f, rho= .4f, beta= .4f\n x(0)= .4f, y(0)= .4f,
z(0) = .4f', sigma, rho, beta, x0, y0, z0);

Cálculo

for i = 1: N

x1 = x0 + dt * sigma * (y0 - x0);

y1 = y0 + dt * (x0 * (rho - z0) - y0);

z1 = z0 + dt * (x0 * y0 - beta * z0);

13
X = [X, x1];

Y = [Y, y1];

Z = [Z, z1];

x0 = x1;

y0 = y1;

z0 = z1;

pause(0.005);

plot3(X, Y, Z, 'b', x1, y1, z1, 'ro');

title(s);

axis equal;

view(-93, 43);

end

14
2. CONCLUSIONES

En el desarrollo de esta actividad se profundizo el tema de Ecuaciones diferenciales


ordinarias de segundo orden utilizando herramientas computarizadas como Matlab
para graficar los campos vectoriales y para resolverlas de forma analítica.

se profundizo en la herramienta Matlab, mediante el desarrollo de aplicaciones que


permitieron calcular métodos numéricos como el de Euler, Euler Mejorado y Runge-
Kutta.

15
3. REFERENCIAS BIBLIOGRAFICAS

Nagle, R., Saff, E. y Snider, A. (2005). Fundamentos de ecuaciones diferenciales y


problemas con valores en la frontera. Pearson: México. Capítulos 3 y 4.

https://repository.eafit.edu.co/bitstream/handle/10784/146/PabloEmilio_CalderonS
_2007.pdf?sequence=1

Sáez Amorós, J. (2011). Caracterización y sincronización de láseres de


semiconductor llevados a comportamiento caótico.

16