Documentos de Académico
Documentos de Profesional
Documentos de Cultura
M. Especiales Unidad 2. 1. Sistema Ecuaciones. 2. Interpolacion y Aprox. 3. Diferenciación Numérica PDF
M. Especiales Unidad 2. 1. Sistema Ecuaciones. 2. Interpolacion y Aprox. 3. Diferenciación Numérica PDF
MATEMÁTICAS ESPECIALES
Métodos Numéricos
Segunda parte
Profesor: Luis Alberto Díaz
Facultad de Ingeniería
Departamento de Ingeniería Química
UNIVERSIDAD DE ANTIOQUIA
2
SOLUCIÓN DE ECUACIONES LINEALES
SIMULTÁNEAS
3
Introducción
4
Jacobi/Gauss Seidel
5
5
Jacobi/Gauss Seidel
2 21 (
x [k ] = − a ⋅ x [k ] + a ⋅ x [k −1] + a ⋅ x [k −1] a + b a
1 23 3 24 4 ) 22 2 22
[k ]
k k ] [k − 1]
) a33 + b3 a33
x1 = − (a12 ⋅ x2 + a13 ⋅ x3 + a14 ⋅ x 4 ) a11 + b1 a11 ( [k ] [k ]
x 4 = − a41 ⋅ x1 + a42 ⋅ x2 + a43 ⋅ x3 a44 + b4 a44
[k ]
)
x2 = − (a21 ⋅ x1 + a23 ⋅ x3 + a24 ⋅ x 4 ) a22 + b2 a22 ⇒
x3 = − (a31 ⋅ x1 + a32 ⋅ x 2 + a34 ⋅ x 4 ) a33 + b3 a33 Fórmulas recurrente s del Método Jaccobi :
x 4 = − (a41 ⋅ x1 + a42 ⋅ x2 + a43 ⋅ x3 ) a44 + b4 a44 ( )
x1[k ] = − a12 ⋅ x 2[k −1] + a13 ⋅ x3[k −1] + a14 ⋅ x 4[k −1] a11 + b1 a11
[k ]
( [k −1] [k −1]
x 2 = − a21 ⋅ x1 + a23 ⋅ x3 + a24 ⋅ x 4
[k −1]
)
a22 + b2 a22
[k ]
( [k −1]
x3 = − a31 ⋅ x1 + a32 ⋅ x2 + a34 ⋅ x 4
[k −1] [k −1]
)
a33 + b3 a33
4 41 (
x [k ] = − a ⋅ x [k −1] + a ⋅ x [k −1] + a ⋅ x [k −1] a + b a
1 42 2 43 3 )
44 4 44
6
Jacobi/Gauss Seidel
7
Jacobi/Gauss Seidel
8
Jacobi/Gauss Seidel
8 1 − 2 − 3
− 1 − 10 2 5
A= Es diagonalmente dominante
1 − 6 12 − 3
− 3 2 3 − 9
8 1 − 2 − 3
−1 6 2 5 No es diagonalmente dominante
A=
1 − 6 12 − 3
− 3 2 3 − 9
9
Jacobi/Gauss Seidel
Veamos:
− 5 0 12 80 - No es diagonalmente dominante
4 − 1 − 1 − 2 - Elementos con mayor magnitud
en cada fila.
6 8 0 45 - Puede transformarse en un
sistema equivalente y
diagonalmente dominante
intercambiando filas. También se
pueden intercambiar columnas
4 − 1 − 1 − 2 pero esto cambia el orden de las
6 8 0 45 variables, por lo que se debe tener
cuidado a la hora de presentar los
resultados.
− 5 0 12 80 - Cambiando únicamente las filas
- Matriz diagonalmente dominante
10
Jacobi/Gauss Seidel
EJEMPLO 2:
Despejando una variable de cada ecuación
x1 = ( x 2 + x3 − 2) / 4
x 2 = ( 45 − 6 ⋅ x1 ) / 8
x3 = (80 + 5 ⋅ x1 ) / 12
Suponiendo como valores iniciales X[0]=[0 0 0]T
[1] [0 ] [0 ]
x1 = ( x 2 + x3 − 2) / 4 = −0.5 x1[2 ] = ( x 2[1] + x3[1] − 2) / 4 = 2.6146
x 2[1] = ( 45 − 6 ⋅ x1[1] ) / 8 = 6.0 x 2[2 ] = ( 45 − 6 ⋅ x1[2 ] ) / 8 = 3.6641
x3[1] = (80 + 5 ⋅ x1[1] ) / 12 = 6.4583 x3[2 ] = (80 + 5 ⋅ x1[2 ] ) / 12 = 7.7561
11
Jacobi/Gauss Seidel
EJEMPLO 2:
RESULTADOS NUMÉRICOS
[k]
k X //A.X-B//
0 0.00000000 0.00000000 0.00000000 91.8095856
1 -0.5 6 6.45833333 12.4583333
2 2.61458333 3.66406250 7.75607639 1.03819444
3 2.35503472 3.85872396 7.64793113 0.0865162
4 2.37666377 3.84250217 7.65694324 0.00720968
5 2.37486135 3.84385399 7.65619223 0.00060081
6 2.37501155 3.84374133 7.65625481 5.0067E-05
7 2.37499904 3.84375072 7.65624960 4.1723E-06
8 2.37500008 3.84374994 7.65625003 3.4769E-07
9 2.37499999 3.84375001 7.65625000 2.8974E-08
10 2.37500000 3.84375000 7.65625000 2.4145E-09
12
Ejemplo aplicado
1 2 8
3 5 9
10
4 6 11 15
7
12 16
13
14 17
13
Ejemplo aplicado
EJEMPLO APLICADO:
14
Ejemplo aplicado
EJEMPLO APLICADO:
Balances de masa en los nodos Relaciones en los divisores
F3 = F1 - F2 F2 = F3
F7 = F3 + F4 - F5 − F6 F5 = F6
F10 = F2 + F5 - F8 − F9 F6 = F7
F12 = F6 + F10 - F11 F8 = F9
F14 = F7 + F12 - F13 F9 = F10
F16 = F9 + F11 + F13 - F15 F11 = F12
F17 = F14 + F16 F13 = F14
F15 = F16
-1 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 F2 -100 F2 50
0 1 -1 -1 -1 0 0 0 0 0 0 0 0 0 0 F3 -400 F3 50
1 0 1 0 0 -1 -1 -1 0 0 0 0 0 0 0 F5 0 F5 150
0 0 0 1 0 0 0 1 -1 -1 0 0 0 0 0 F6 0 F6 150
0 0 0 0 1 0 0 0 0 1 -1 -1 0 0 0 F7 0 F7 150
0 0 0 0 0 0 1 0 1 0 1 0 -1 -1 0 F8 0 F8 66.67
0 0 0 0 0 0 0 0 0 0 0 1 0 1 -1 F9 0 F9 66.67
1 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 * F10 = 0 ==> F10 = 66.67
0 0 1 -1 0 0 0 0 0 0 0 0 0 0 0 F11 0 F11 108.3
0 0 0 1 -1 0 0 0 0 0 0 0 0 0 0 F12 0 F12 108.3
0 0 0 0 0 1 -1 0 0 0 0 0 0 0 0 F13 0 F13 129.2
0 0 0 0 0 0 1 -1 0 0 0 0 0 0 0 F14 0 F14 129.2
0 0 0 0 0 0 0 0 1 -1 0 0 0 0 0 F15 0 F15 152.1
0 0 0 0 0 0 0 0 0 0 1 -1 0 0 0 F16 0 F16 152.1
0 0 0 0 0 0 0 0 0 0 0 0 1 -1 0 F17 0 F17 281.3
15
SOLUCIÓN DE ECUACIONES NO LINEALES
SIMULTÁNEAS
Newton
F (X ) ≅ F X ( [k ]
) +
( ) ⋅ (X − X [ ] )
∂F X
[k ]
k
Donde :
(
∂F X [k ]) (
= J F X [k ] ) X = X [k ]
∂X ∂X
( ) ( )(
F X [k ] + J F X [k ] ⋅ X − X [k ] ≅ 0 ) X ≅ X [k ] − J F
−1
( X [ ] ) ⋅ F (X [ ] )
k k
X [k +1] = X [k ] − J F
−1
( X [ ] ) ⋅ F (X [ ] )
k k
( )( )
J F X [k ] ⋅ X [k +1] − X [k ] = −F X [k ] ( )
17
Newton
X [k +1] = X [k ] − J F
−1
( X [ ] )⋅ F ( X [ ] )
k k
Donde (
J F X [k ] ) = ∂x1 ∂x2
L
∂xn
M M O M
∂f n ( X ) ∂f n ( X ) ∂f n ( X )
L
∂x1 ∂x2 ∂xn X = X [k ]
(
F X [k ] ≤ ε F )
Criterio de paro: Tolerancia asociada a
Donde ε F =
la magnitud de F (X).
18
Newton
y=f(x[1])+f’(x[1]).(x-x[1]) x[2]=x[1]-
f(x[1])/f’(x[1])
x*
19
Newton
20
Newton
21
Newton
− 10 2 ⋅ x2
JF ( X ) =
(1 x1 ) − x2 − x1
Primera iteración:
) ( )
x [0 ] 2 − 10 ⋅ x [0 ] + 4 (3 )2 − 10 ⋅ 3 + 4 − 17
(
F X [0 ] = 2 1
= =
( )
ln x1 − x1 ⋅ x2 + 10 ln(3 ) − 3 ⋅ 3 + 10 2.099
[0 ] [0 ] [0 ]
T
1 − 17 − 17
(
f X [0 ]
) 1
( ) ( )
= ⋅ F X [0 ] ⋅ F X [0 ] = ⋅
2
T
⋅
2 2.099 2.099
= 146.702
− 10 2 ⋅ x 2[0 ] − 10 2 ⋅ 3 − 10
(
JF X [0 ] = ) = =
6
[0 ]
(
[0 ]
1 x1 − x 2 )
− x1[0 ] (1 3 ) − 3 − 3 − 2.67 − 3
22
Ejemplo aplicado
T, P
FI
x1] I
Calor
FL
x1] L
23
Ejemplo aplicado
EJEMPLO:
24
Ejemplo aplicado
EJEMPLO:
i=1 i=2
ai0 14,5171728 14,0495654
ai1 -3158,2986 -3726,31756
ai2 -22,8793838 -93,0381045
25
Ejemplo aplicado
EJEMPLO:
Por lo tanto:
1 0 0 0 0
−1 −1 0 0 0
− x1]V − x1]L − FV − FL 0
JF ( X ) = a11 a11 a11
0 0 −P exp a10 + − ⋅ x1]L ⋅ exp a10 +
a12 + T (a12 + T ) 2
a12 + T
a21
⋅ (1 − x1]L ) ⋅ exp a20 +
0 a21 a21
0 P − exp a20 + −
a22 + T (a22 + T ) 2
a22 + T
26
Ejemplo aplicado
EJEMPLO:
[k] [k] [k] [k] [k]
k X F(X ) JF(X ) S //F(X )//
50 20 1 0 0 0 0 -20
50 0 -1 -1 0 0 0 20
0 0.4 0 -0.4 -0.2 -50 -50 0 0.592395427 107.582874
0.2 -55.4692046 0 0 -150 22.6539769 0.18633308 -0.512395427
300 -89.9846774 0 0 150 -0.01915325 1.33E-03 836.868644
30 0 1 0 0 0 0 0
70 0 -1 -1 0 0 0 0
1 0.99239543 22.0958171 -0.99239543 0.31239543 -30 -70 0 0.005930813 59672.6627
-0.31239543 -37144.7638 0 0 -150 118426.524 -0.29104801 0.313112752
1136.86864 46702.1703 0 0 150 -35586.3103 1.60E+02 -222.6387309
30 0 1 0 0 0 0 0
70 0 -1 -1 0 0 0 0
36 0.77889205 0 -0.77889205 -0.09476055 -30 -70 0 -1.88921E-11 1.3101E-08
0.09476055 -1.3101E-08 0 0 -150 1232.93719 0.08828513 8.09662E-12
449.675439 0 0 0 150 -36.6380329 9.72E-01 3.22171E-09
30 0 1 0 0 0 0 0
70 0 -1 -1 0 0 0 0
37 0.77889205 0 -0.77889205 -0.09476055 -30 -70 0 9.00102E-12 6.2418E-09
0.09476055 6.2418E-09 0 0 -150 1232.93719 0.08828513 -3.85758E-12
449.675439 0 0 0 150 -36.6380329 9.72E-01 -1.53496E-09
27
Ejemplo aplicado
EJEMPLO:
FV = FI ⋅ X NV
De las primeras dos ecuaciones: FL = FI ⋅ (1 − X NV )
28
Ejemplo aplicado
EJEMPLO:
De esta forma:
− X NV − (1 − X NV ) 0
a11 a11
JF ( X ) = − P
a11
exp a10 + − ⋅ x1]L ⋅ exp a10 +
a12 + T (a 12 + T )2
a12 + T
a21
⋅ (1 − x1]L ) ⋅ exp a20 +
a21 a21
P − exp a20 + −
a22 + T (a22 + T ) 2
a22 + T
29
Ejemplo aplicado
EJEMPLO:
[k] [k] [k] [k] [k]
k X F(X ) JF(X ) S //F(X )//
0.4 0.04 -0.3 -0.7 0 0.59277387
0 0.2 -55.4692046 -150 22.6539769 0.18633308 -0.19690309 105.707504
300 -89.9846774 150 -0.01915325 1.33E-03 798.816412
0.99277387 0 -0.3 -0.7 0 0.00395261
1 0.00309691 182.849869 -150 107127.959 0.00288529 -0.00169398 30993.6215
1098.81641 30993.0821 150 -31090.4505 1.14E+02 -271.928759
0.77889205 0 -0.3 -0.7 0 -2.9608E-11
34 0.09476055 -2.0532E-08 -150 1232.93719 0.08828513 1.2689E-11 2.0532E-08
449.675439 0 150 -36.6380329 9.72E-01 5.0492E-09
0.77889205 0 -0.3 -0.7 0 1.4107E-11
35 0.09476055 9.7825E-09 -150 1232.93719 0.08828513 -6.0458E-12 9.7825E-09
449.675439 0 150 -36.6380329 9.72E-01 -2.4057E-09
30
Cuasi-Newton
DX [k ] = X [k ] − X [k −1]
( ) ( )
Donde
DF [k ] = F X [k ] − F X [k −1]
Método de Powell
( ) 1
( ) ( )
SG[ k ] = −∇f X [ k ] = −∇ ⋅ F T X [ k ] ⋅ F X [ k ] ( ) (
SG[ k ] = −J T F X [ k ] ⋅ F X [ k ] )
2
β [k ] ( ) ( )
− F T X [k ] ⋅ J F X [k ] ⋅ SG[k ] SG[k ]
2
= β [k ] =
[k ]T
SG ⋅J T
F (X [ ] ) ⋅ J ( X [ ] ) ⋅ S [ ]
k
F
k
G
k
( )
J F X [k ] ⋅ SG[k ]
2
SG[k ]
γ ⋅ [k ] Cuando γ ≤ β [k ] ⋅ SG[k ]
SG
S [k ] = η [k ] ⋅ SN[k ] + (1 − η [k ] )⋅ β [k ] ⋅ SG[k ] Cuando β [k ] ⋅ SG[k ] < γ < SN[k ]
SN[k ] Cuando γ ≥ SN[k ]
Donde (
η [k ] = γ − β [k ] ⋅ SG[k ] ) (S [ ] − β [ ] ⋅ S [ ] )
N
k k
G
k
Método de Powell
Según Powell:
x2
Vectores de búsqueda
cuando γ≤β[k].||SG[k]|| β[k].SG[k]
SN[k]
Vectores de búsqueda
cuando β[k].||SG[k]||<γ<||SN[k]||
Vectores de búsqueda
cuando ||SN[k]||<γ
X[k]
x1
Método de Powell
( ) (
SG[ k ] = −J FT X [ k ] ⋅ F X [ k ] ) ( ) (
, SN[ k ] = −J F−1 X [ k ] ⋅ F X [ k ] )
SG[k ]
2
Donde
β [k ] = (
, η [k ] = γ − β [k ] ⋅ SG[k ] ) (S [ ] − β [ ] ⋅ S [ ] )
k k k
( )
J F X [k ] ⋅ SG[k ]
2 N G
(
F X [k ] ≤ ε F )
Criterio de paro: Tolerancia asociada a
Donde ε F =
la magnitud de F (X).
Método de Powell
EJEMPLO: A partir de X[0]= [ 20 -50 ]T, y con εF=1E-8, γ=10 aplique el método
de Powell para encontrar una solución del sistema:
x x + 50
x1 ⋅ Cosh 2 − Cosh 2 − 10
x1 x1 0
= 0
x ⋅ Senh x 2 + 50 − Senh x2 − 65
1 x x
1 1
Para poder realizar los cálculos es necesario disponer de JF(X):
x x + 50
− x 2 ⋅ Senh 2 + (x2 + 50 ) ⋅ Senh 2
Cosh x2 − Cosh x 2 + 50 + x1 x1 Senh x2 − Senh x2 + 50
x x x1 x x
1 1
JF ( X ) =
1 1
x 2 + 50 x2 x2 + 50 x2
− (x 2 + 50 ) ⋅ Cosh + x2 ⋅ Cosh Cosh − Cosh
x 2 + 50 x2 x1 x1 x1 x1
Senh − Senh +
x x x1
1 1
Método de Powell
EJEMPLO:
Primera iteración:
− 9.99 − 6.05
( )
92.65
F X [0 ] = , J F X [0 ] = ( )
56 − 9.28 − 5.13
T
− 9.99 − 6.05 92.65 1445.58
SG = −J F (X )⋅ F (X ) = −
[0 ] [0 ] [0 ]
⋅ =
T
− 9.28 − 5.13 56 847.96
T
[0 ] [0 ]T [0 ] 1445 .58 1445 .58
SG = SG ⋅ SG = ⋅ = 1675 .92
847.96 847.96
−1
− 9.99 − 6.05 92.65 − 28.1117
SN
[0 ]
= −J −1
(X ) ⋅ F (X )
[0 ] [0 ]
= − ⋅ =
− 9.28 − 5.13 56 61.7453
F
T
[0 ] [0 ]T [0 ] − 28.1117 − 28.1117
SN = SN ⋅ SN = ⋅ = 67.84
61.7453 61.7453
[0 ] 2
SG 1675 .922
β [0 ] = = = 0.0040187
( )⋅ S [0 ] 2 2
[0 ] − 9.99 − 6.05 1445 .58
JF X
− 9.28 − 5.13 ⋅ 847.96
G
Método de Powell
EJEMPLO:
[0 ] [0 ]
En este caso se cumple: β [0 ] ⋅ SG < γ < SN ↔ 6.735 < 10 < 67.84
(
η [0 ] = γ − β [0 ] ⋅ SG[0 ] ) (S[ ] − β [ ] ⋅ S [ ] )
N
0 0
G
0
( )
S [0 ] = η [k ] ⋅ SN[k ] + 1 − η [k ] ⋅ β [k ] ⋅ SG[k ]
− 28.1117 1445 .58 3.997
= (0.0534301) ⋅ + (1 − 0 . 0534301) ⋅ (0 .0040187 ) ⋅ 847.96 = 6.525
61.7453
20 3.997 23.997
Finalmente: X [1] = X [0 ] + S [0 ] = + =
− 50 6.525 − 43.475
Método de Powell
EJEMPLO:
γ 10
RESULTADOS NUMÉRICOS
[k] [k] [k] [k] [k]] [k] [k]] [k] [k] [k]
k X F(X ) JF(X ) SG //SG // SN //SN // β η S //F(X)//
20 92.64579 -9.993222 -6.050204 1445.577 -28.11165 3.996882
0 1675.924 67.84355 0.004019 0.05343 108.2576
-50 56.00409 -9.280519 -5.132289 847.9552 61.74531 6.524627
23.99688 40.51214 -3.216866 -3.25402 165.9252 -20.50909 2.696739
1 230.0674 38.62039 0.030655 0.093364 42.5733
-43.47537 13.08634 -2.720627 -2.104946 159.3734 32.72479 7.484768
26.69362 14.40707 -1.218335 -2.344813 15.08393 -14.59488 -4.309566
2 34.99724 20.03636 0.116557 0.371045 14.607
-35.99061 -2.408439 -1.025023 -0.914341 31.57977 13.72754 7.408613
22.38405 -0.186704 -0.610872 -2.762965 -3.688849 -3.013675 -3.013675
3 4.148693 3.072574 0.211527 4.155984 3.159169
-28.58199 -3.153647 -1.133544 -0.438406 -1.898432 0.598728 0.598728
19.37038 0.063382 -0.784411 -3.399907 1.581779 0.508646 0.508646
4 1.714329 0.518135 0.132311 33.54894 0.859837
-27.98326 0.857498 -1.786665 -0.519524 0.660984 -0.09871 -0.09871
19.87903 0.00294 -0.748162 -3.27159 0.061433 0.023253 0.023253
5 0.067407 0.023669 0.14236 709.8973 0.036137
-28.08197 0.036018 -1.644569 -0.503191 0.027743 -0.004419 -0.004419
19.90228 6.22E-06 -0.746558 -3.265961 0.000119 4.5E-05 4.5E-05
6 0.000131 4.58E-05 0.140711 364890.9 6.99E-05
-28.08639 6.96E-05 -1.638449 -0.502455 5.53E-05 -8.39E-06 -8.39E-06
19.90232 2.51E-11 -0.746555 -3.26595 4.46E-10 1.68E-10 1.68E-10
7 4.94E-10 1.71E-10 0.138827 9.73E+10 2.62E-10
-28.0864 2.61E-10 -1.638437 -0.502454 2.13E-10 -3.08E-11 -3.08E-11
Puede mostrarse que este método resulta más robusto y eficiente que
el de Newton para la solución de este problema.
Homotopía
H (t, X ) = t ⋅ F ( X ) + (1 − t ) ⋅ G( X )
Homotopía
H m ( X ) = 0 Con m = 0,..., M
H m ( X ) = t m ⋅ F ( X ) + (1 − t m ) ⋅ G( X )
Donde 1
t m = t m −1 + , t0 = 0 , tM = 1
M
Cuando el número sistemas “M” es muy grande, el valor de los
parámetros de continuidad (tm, tm-1) de dos sistemas
adyacentes es muy similar, al igual que las funciones
homotópicas (Hm(X) , Hm-1(X)) que los caracterizan y sus
soluciones (XHm , XHm-1). Matemáticamente.
H m ( X ) ≈ H m −1 ( X )
t m ≅ t m −1 ⇒
X Hm ≅ X Hm −1
Solución del sistema Solución del sistema
Donde X Hm = , X Hm −1 =
de ecuaciones H m ( X ) = 0 . de ecuaciones H m −1 ( X ) = 0 .
Homotopía
G( X ) = ( X − X 0 )
El sistema de ecuaciones G(X)=0 (con solución XG=X0) es muy fácil de
construir, pero posee propiedades de escalado deficientes que pueden
impedir una búsqueda exitosa de la solución.
G( X ) = JF ( X 0 ) ⋅ ( X − X 0 )
Hm ( X ) = 0
Newton
( ) ( )(
H m X m[K ] + J Hm X m[K ] ⋅ X − X m[K ] = 0 )
Con m = 0,..., M Con m = 0,..., M
(
X m[K +1] = X m[K ] − J Hm X m[K ] )
−1
(
⋅ H m X m[K ] )
Con m = 0,..., M
(
J Hm X m[k ] = ) ∂(H∂X( X ))
m
=
∂
∂X
(t m ⋅ F ( X ) + (1 − t m ) ⋅ G( X ))
X = X m[k ] X = X m[k ]
d (G ( X )) Ι ( ) ( ) (
J Hm X m[k ] = t m ⋅ J F X m[k ] + (1 − t m ) ⋅ JG X m[k ] )
(
JG X m[k ]
) = =
H. punto fijo
dX X = X m[k ] J F ( X 0 ) H. afín t m = t m −1 +
1
, t0 = 0 ⇒ tM = 1
M
Homotopía
Fórmulas recurrentes:
( ) ⋅ H (X [ ] )
X m[K +1] = X m[K ] − J Hm X m[K ]
−1
m
K
m
Donde JHm (X [ ] ) = t ⋅ J (X [ ] ) + (1 − t ) ⋅ J (X [ ] )
m
k
m F m
k
m G m
k
m = 0,..., M
Con 1
t m = t m −1 + , t0 = 0 ⇒ tM = 1
M
( )
H m X m[k ] ≤ ε H
Tolerancia asociada a
Donde ε H =
la magnitud de H m (X).
Homotopía
Primera iteración:
Nomenclatura
) ( )
x [0 ] 2 − 10 ⋅ x [0 ] + 4 (3 )2 − 10 ⋅ 3 + 4 − 17
(
F X1 [0 ]
=
2 ]1 1]1
= =
Número de la iteración
( ) [0] [0]
ln x1]1 − x1]1 ⋅ x2[0]1] + 10 ln(3 ) − 3 ⋅ 3 + 10 2.099
(
JF X1 [0 ]
) (
=
− 10
)
[0 ] [0 ]
2 ⋅ x 2[0]1] − 10
[0 ] =
2 ⋅ 3 − 10
=
6
1 x1]1 − x 2 ]1 − x1]1 (1 3 ) − 3 − 3 − 2.67 − 3
x i[k]m] Número del
sistema
Hm(X)=0
EJEMPLO:
− 10 6 3 3 0
( ) (
G X 1[0 ] = J F ( X 0 ) ⋅ X 1[0 ] − X 0 = )
⋅ − =
− 2.67 − 3 3 3 0
− 10
( )
JG X 1[0 ] = J F ( X 0 ) =
6
− 2.67 − 3
− 17 0 − 5.67
( ) ( )
H1 X 1[0 ] = t1 ⋅ F X 1[0 ] + (1 − t1 ) ⋅ G X 1[0 ] = 0.33 ⋅ ( )
+ (1 − 0.33 ) ⋅ =
2.099 0 0.70
− 10 − 10 6 − 10
( ) ( )
JH1 X 1[0 ] = t1 ⋅ J F X 1[0 ] + (1 − t1 ) ⋅ JG X 1[0 ] = 0.33 ⋅ ( )
6
+ (1 − 0.33 ) ⋅ =
6
− 2.67 − 3 − 2.67 − 3 − 2.67 − 3
−1
− 10 6 − 5.67 − 0.278
[0 ]
S1 = −J H1
−1
(X ) ⋅ H (X )
[0 ] [0 ]
= − ⋅ =
− 2.66 − 3 0.70 0.48
1 1 1
( )
H1 X 1[1] = 5.71 ( )
H1 X 1[3 ] = 7E − 12
Homotopía
EJEMPLO:
RESULTADOS NUMÉRICOS M= 3
[k] [k] [k] [k] [k] [k] [k] [k] [k]
m tm k Xm F(Xm ) JF(Xm ) G(Xm ) JG(Xm ) Hm (Xm ) JHm (Xm ) Sm //Hm (Xm )//
3 -17 -10 6 0 -10 6 -5.666667 -10 6 -0.278321
0 5.709681578
3 2.098612 -2.666667 -3 0 -2.666667 -3 0.699537 -2.666667 -3 0.480576
2.721679 -11.10238 -10 6.961152 5.666667 -10 6 0.076984 -10 6.320384 0.010582
1 0.088206108
3.480576 1.52824 -3.113155 -2.721679 -0.699537 -2.666667 -3 0.043055 -2.815496 -2.907226 0.004562
1 0.333
2.73226 -11.17642 -10 6.970275 5.588221 -10 6 6.94E-06 -10 6.323425 -2.08E-06
2 1.98546E-05
3.485138 1.482826 -3.11914 -2.73226 -0.741441 -2.666667 -3 -1.86E-05 -2.817491 -2.910753 -4.38E-06
2.732258 -11.17643 -10 6.970266 5.588215 -10 6 6.4E-12 -10 6.323422 -2.47E-14
3 7.1222E-12
3.485133 1.482844 -3.119136 -2.732258 -0.741422 -2.666667 -3 -3.13E-12 -2.81749 -2.910753 -1.05E-12
2.732258 -11.17643 -10 6.970266 5.588215 -10 6 -5.588215 -10 6.646844 -0.226073
0 5.637185146
3.485133 1.482844 -3.119136 -2.732258 -0.741422 -2.666667 -3 0.741422 -2.968313 -2.821506 0.500611
2.506185 -5.175695 -10 7.971489 10.85261 -10 6 0.167074 -10 7.314326 0.019338
1 0.182339644
3.985744 0.929747 -3.586732 -2.506185 -1.640394 -2.666667 -3 0.073033 -3.280043 -2.67079 0.003596
2 0.667
2.525523 -5.340393 -10 7.978681 10.68081 -10 6 8.62E-06 -10 7.319121 -9.06E-06
2 6.66655E-05
3.989341 0.851276 -3.593383 -2.525523 -1.70275 -2.666667 -3 -6.61E-05 -3.284478 -2.683682 -1.35E-05
2.525514 -5.340411 -10 7.978654 10.68082 -10 6 1.22E-10 -10 7.319103 -5.93E-12
3 1.49644E-10
3.989327 0.851343 -3.593368 -2.525514 -1.702686 -2.666667 -3 -8.61E-11 -3.284468 -2.683676 -2.48E-11
2.525514 -5.340411 -10 7.978654 10.68082 -10 6 -5.340411 -10 7.978654 -0.124148
0 5.407843411
3.989327 0.851343 -3.593368 -2.525514 -1.702686 -2.666667 -3 0.851343 -3.593368 -2.525514 0.513737
2.401366 0.263926 -10 9.006129 15.00472 -10 6 0.263926 -10 9.006129 0.01968
1 0.271232422
4.503065 0.06253 -4.086635 -2.401366 -2.912837 -2.666667 -3 0.06253 -4.086635 -2.401366 -0.007453
3 1
2.421047 5.55E-05 -10 8.991223 14.7632 -10 6 5.55E-05 -10 8.991223 1.89E-05
2 0.00012616
4.495612 0.000113 -4.082567 -2.421047 -2.94296 -2.666667 -3 0.000113 -4.082567 -2.421047 1.49E-05
2.421066 2.21E-10 -10 8.991253 14.7631 -10 6 2.21E-10 -10 8.991253 -3.73E-11
3 3.82477E-10
4.495627 -3.12E-10 -4.082585 -2.421066 -2.943055 -2.666667 -3 -3.12E-10 -4.082585 -2.421066 -6.6E-11
Homotopía
x2 x 2 + 50
⋅
1
x Cosh
x − Cosh
x
− 10
1 1 0
= 0
x ⋅ Senh x 2 + 50 − Senh x 2 − 65
1 x x
1 1
53
Aproximaciones polinomiales
54
Aproximaciones polinomiales
Forma estándar:
n
f (x )n = a0 + a1 ⋅ x + ... + an ⋅ x = ∑ ak ⋅ x k
n
k =0
Polinomios de Gregory-Newton:
f (x )n = b0 + b1 ⋅ (x − x0 ) + b2 ⋅ (x − x0 ) ⋅ (x − x1 ) + ... + bn ⋅ (x − x0 ) ⋅ ... ⋅ (x − x n −1 )
k −1
= b0 + ∑ bk ⋅ ∏ (x − x j )
n
k =1 j =0
55
Aproximaciones polinomiales
Polinomios de Lagrange:
L0 (x ) =
( x − x1 ) ⋅ (x − x 2 ) ⋅ ... ⋅ (x − x n )
=∏
n
(x − x j )
(x0 − x1 ) ⋅ (x0 − x2 ) ⋅ ... ⋅ (x0 − xn ) j =0 (x0 − x j )
j ≠0
L1 (x ) =
(x − x0 ) ⋅ (x − x2 ) ⋅ ... ⋅ (x − xn ) = (x − x j )
n
56
Método de Gregory-Newton
M M
bn = f [n ] = f [xn ,.., x2 , x1, x0 ] Diferencia dividida de orden " n" :
f [x n ,.., x 2 , x1 ] − f [x n −1,.., x1, x0 ] Relación entre la diferencia de diferencias de orden " n - 1"
= y la diferencia entre valores de la variable independiente
x n − x0
57
Método de Gregory-Newton
k =1 j =0
58
Método de Gregory-Newton
Ventajas:
Las diferencias divididas pueden calcularse eficientemente mediante un
código de computador.
Cuando no se conoce el grado más adecuado para el polinomio, se
pueden reutilizar los cálculos construyendo polinomios de grado superior
que se basan en los cálculos de diferencias divididas hechos para
polinomios de grado inferior.
No se requiere que los datos estén igualmente espaciados ni que se
encuentren organizados de mayor a menor con respecto a los xi.
59
Método de Gregory-Newton
Datos
i xi yi
0 3.35 0.298507
1 3.4 0.294118
2 3.5 0.285714
3 3.6 0.27778
60
Método de Gregory-Newton
EJEMPLO:
A partir del valor de “x” donde se quiere evaluar la función f(x)
y las diferencias divididas recién calculadas, se pueden generar
todos los términos que al sumarse conforman el polinomio de
Newton. El término de grado “k” está dado por:
k −1
f [x k ,..., x0 ] ⋅ ∏ (x − x j )
j =0
61
Método de Lagrange
L0 (x ) =
( x − x1 ) ⋅ (x − x 2 ) ⋅ ... ⋅ (x − x n ) n
=∏
(x − x j ) Polinomio de orden " n" :
1 para i = 0
(x0 − x1 ) ⋅ (x0 − x2 ) ⋅ ... ⋅ (x0 − xn ) j =0 (x0 − x j )
L 0 (x i ) = 0 para i ≠ 0
j ≠0
(x − x ) ⋅ (x − x ) ⋅ ... ⋅ (x − x ) = (x − x )
Polinomio de orden " n" :
n
L (x ) =
(x − x ) ⋅ (x − x ) ⋅ ... ⋅ (x − x ) ∏ (x − x )
0 2 n j 1 para i = 1
1 L1(x i ) = 0 para i ≠ 1
1 0 1 2 1 n j =0 1 j
j ≠1
M M
Ln (x ) =
( x − x 0 ) ⋅ (x − x1 ) ⋅ ... ⋅ (x − x n −1 ) n
=∏
(x − x j ) Polinomio de orden " n" :
(xn − x0 ) ⋅ (xn − x1 ) ⋅ ... ⋅ (xn − xn −1 ) j =0 (xn − x j ) 1 para i = 0
L 0 (x i ) = 0 para i ≠ 0
j ≠n
62
Método de Lagrange
63
Método de Lagrange
Ventajas:
Las fórmulas para el cálculo de los términos en los polinomios de
Lagrange son muy simples y fáciles de programar. Cuando se van a
hacer cálculos conociendo el grado de interpolación adecuado, Newton y
Lagrange implican aproximadamente la misma carga computacional. Sin
embargo, el método de Lagrange se prefiere en este caso gracias a la
mayor facilidad en la programación de las fórmulas.
No se requiere que los datos estén igualmente espaciados ni que se
encuentren organizados de mayor a menor con respecto a los xi.
64
Método de Lagrange
65
Método de Lagrange
EJEMPLO:
A partir de las diferencias ya calculadas se pueden calcular los
Lk(x), y con estos y los f(xk) se pueden generar todos los
términos del polinomio de Lagrange. El término de grado k está
dado por:
n
f (x k ) ⋅ ∏
(x − x )
j
j =0 (x − x )
k j
j ≠k
66
Mínimos cuadrados
67
Mínimos cuadrados
i =1
i =1
68
Mínimos cuadrados
69
Mínimos cuadrados
( X 1, y 1 )
( X , y )
Datos : 2 2
M
( X n , y n )
Modelo : y = f (A, X )
x1 a0
x a Vector de
Vector de variables
X = 2 = , A = = parámetros
1
70
Mínimos cuadrados
i =1 i =1
Dado que los valores {(Xi,yi)} son datos conocidos, “E” es una función
de “p+1” variables: Los parámetros desconocidos del modelo a0, a1,
a2,…, ap.
71
Mínimos cuadrados
∂ ∂f (A, X i )
( )
n
E a , a ,..., a − 2 ⋅ ∑ (y − f ( A , X )) ⋅
∂a ∂a0
0 1 p i i
0
i =1
∂
E(a0 , a1,..., ap ) − 2 ⋅ ∑ (y i − f (A, X i )) ⋅
n
∂f ( A, X )
i
∇E(a0 , a1,..., ap ) = ∂a1 = i =1 ∂a1 = 0
M M
∂ ( )
E(a0 , a1,..., ap ) − 2 ⋅ ∑ (y i − f (A, X i )) ⋅
n
∂f A, X
i
∂a
p
i =1 ∂ a p
n ∂f (A, X i ) n ∂f (A, X i )
∑ y i ⋅ − ∑ f (A, X i ) ⋅
∂a0 ∂a0
i n=1 i =1
Sistema de “p+1”
∂f (A, X i ) n ∂f (A, X i )
y − ∑ f (A, X i ) ⋅
∑
⋅ ecuaciones con “p+1”
∂a1 ∂a1 = 0
i
i =1 i =1 incógnitas (ao,a1,…,ap)
M
n
∂f (A, X i ) n ∂f (A, X i )
∑ y i ⋅ − ∑ f (A, X i ) ⋅
i =1 ∂ap i =1 ∂ap
72
Mínimos cuadrados
Et = ∑ (y i ]dato − y Promedio )
n n
, y Promedio = ∑ y i ]dato n
2
i =1 i =1
(Et) cuantifica la dispersión de los datos alrededor del valor medio de los
datos yi. Es decir, cuantifica la dispersión de la variable independiente
cuando no se considera ningún modelo.
i =1
73
Mínimos cuadrados
r 2 = (Et − E r ) Et , r= (Et − Er ) Et
(Et-Er) cuantifica la reducción en la dispersión de los datos que se logra
cuando se ajusta un modelo a los datos. Es decir, cuantifica la
variabilidad de los datos que puede explicar el modelo. Como (Et-Er)
depende de la escala con la que se miden los datos, se debe normalizar
para obtener (Et-Er)/Et, un parámetro objetivo que puede utilizarse para
comparar el ajuste de diferentes datos y modelos.
Un ajuste perfecto implica: Er=0, r2=1, r=1. Esto quiere decir que el
modelo es capaz de explicar el 100% de la variabilidad de los yi.
74
Regresión polinomial
k =1
75
Regresión polinomial
n n n
n
∑x ∑x ∑ ∑ i
2 m
n i i L x i y
n i =1
n
i =1
n
i =1
n a0 n i =1
m +1
a ∑ xi ⋅ y i
∑ ∑x ∑x ∑
2 3
xi L xi
i =1 i =1
i
i =1
i
i =1
1 i =1 Ecuaciones
n 2 n n n = n 2
m + 2 ⋅ a2
normales de
∑ xi ∑x i
3
∑x i
4
L ∑ xi ∑ xi ⋅ y i la regresión
i =1 i =1 i =1 i =1 M i =1 polinomial
M M M O M a M
n m m
m +m
n n n n
∑ x i ∑x ∑x ∑ ∑ i
m +1 m +2
⋅
m
i i L x i x y i
i =1 i =1 i =1 i =1 i =1
76
Regresión polinomial
Datos
i xi yi
1 1 16.7209
2 2 17.5592
3 2.5 14.9204
4 3 12.8401
5 4 2.75075
6 4.5 -3.26496
7 5 -10.6096
77
Regresión polinomial
EJEMPLO:
Para calcular los parámetros desconocidos del modelo:
Ecuaciones normales:
4
n 7.00 Σ xi 1428.13 7 22 81.5 a0 50.92
Σ xi Σ yi 22 331.75 ⋅ a1 = 70.92
22.00 50.92
2
Σ xi.yi 81.5
Σ xi 81.50 70.92
Σ xi
3
331.75 2
Σ xi .yi 8.43 81.5 331.75 1428.13 a2 8.43
−1
a0 7 22 81.5 50.92 12.04
a = 22 81.5 331.75 ⋅ 70.92 = 7.22
1
a2 81.5 331.75 1428.13 8.43 − 2.36
78
Regresión polinomial
EJEMPLO:
2
r 0.9988
r 0.9994
79
Regresión polinomial
EJEMPLO:
Gráfico de dispersión de datos
20
10
0
0 1 2 3 4 5 6
R2 = 0.9988
-20
-30
-40
xi
80
Regresión polinomial
81
Regresión No lineal
82
Regresión No lineal
i =1 i =1 b + X i
Dado que los valores {(Xi,yi)} son datos conocidos, “E” es una función
de “p+1” variables: Los parámetros desconocidos del modelo a, b.
83
Regresión No lineal
n
∂ 2 ⋅ ∑ yi − a − 1
∂a E(a, b )
i =1 b + X i b + X i
∇E(a, b ) = = n =0
∂
E(a, b ) 2 ⋅ ∑ ( yi − f ( A, X i )) ⋅ a
∂b i =1 (b + X )2
i
n a 1
∑ i y − −
b + X
= b + X i i
=0
i 1
n
∑ ( yi − f ( A, X i )) ⋅
a
2
i =1 (b + X i )
84
Regresión No lineal
85
Regresión No lineal
86
Regresión No lineal
87
Regresión No lineal
Modelo logarítmico y i ´= y i
- y ´= ao + a1 ⋅ x´
= 0 + 1 · xi ´= Ln (x i )
Transforma
ln(ydados
y i ´= de i)
Ln (y ) = Ln (a0 ) + a1 ⋅ x ción
Modelo exponencial
1·
y´= Ln (ao ) + a1 ⋅ x´
= 0 · x i ´= x i
y i ´= ln(y i )
y ´= Ln (ao ) + a1 ⋅ x´
Modelo potencial
Ln (y ) = Ln (a0 ) + a1 ⋅ Ln (x )
= 0· 1 x i ´= ln(x i )
x
y i ´= i
yi
Modelo cinético de
x i ´= x i
Michaelis-Menten x a1 1
= + ⋅ x a y ´= a´0 +a´1⋅x´
· y a0 a0 a´0 = 1
=
0 a0
1+
1
a´1 =
a0
88
Regresión No lineal
89
Regresión No lineal
EJEMPLO 5:
90
Regresión No lineal
EJEMPLO 5:
91
Regresión No lineal
EJEMPLO 5:
Para calcular el coeficiente de correlación del modelo modificado
y del modelo original:
Valores para el cálculo del coeficiente de
correlación (modelo modificado) y´Prom edio 0.77
i y´i]m odelo (y´i-y´i]m odelo)2 (y´i-y´Prom edio)2 E´r 0.01
1 0.53 0.00 0.06 E´t 0.19
2 0.64 0.00 0.01
3 0.71 0.00 0.01
4 0.75 0.00 0.00
5 0.78 0.00 0.00
2
6 0.96 0.00 0.03 r´ 0.9681
7 1.03 0.00 0.08
r´ 0.9839
Σ 5.40 0.01 0.19
Valores para el cálculo del coeficiente de
correlación (modelo original) yProm edio 11.91
i yi]m odelo 2
(yi-yi]m odelo) (yi-yProm edio)
2 Er 1.55
1 5.64 0.00 39.02 Et 83.45
2 9.39 0.28 9.31
3 11.26 0.79 0.06
4 12.06 0.22 0.10
5 12.79 0.11 1.44
2
6 15.61 0.06 15.48 r 0.9815
7 16.46 0.09 18.05
r 0.9907
Σ 83.21 1.55 83.45
92
Regresión No lineal
EJEMPLO 5:
1.2
0.8
y´i
0.4
0.2
0
0 2 4 6 8 10 12 14 16 18 20
x´i
93
Regresión No lineal
EJEMPLO 5:
20
18
16
14
12
10
yi
y = 27.95x / (11.86 + x)
8
R2 = 0.9815
6
0
0 2 4 6 8 10 12 14 16 18 20
xi
94
Mínimos cuadrados con Excel
95
Mínimos cuadrados con Excel
96
Mínimos cuadrados con Excel
EJEMPLO 5:
Datos
i xi=CA yi=rA
1 0 0
2 0.2 0.088029
3 0.7 0.528936
4 2 1.441212
5 4.5 2.475565
6 7.1 2.516552
7 8.7 2.876045
97
Mínimos cuadrados con Excel
EJEMPLO 5:
98
Mínimos cuadrados con Excel
EJEMPLO 5:
Gráfico de dispersión de datos
3.5
2.5
2
yi
1.5
0.5
0
0 1 2 3 4 5 6 7 8 9 10
xi
99
DIFERENCIACIÓN NUMÉRICA
Diferenciación numérica
f ( xn +1 ) − f ( xn ) f ( xn +1 ) − f ( xn ) x +x
f ' ( xn ) = f ' (C ) = , C = n +1 n
xn +1 − xn xn +1 − xn 2
Diferencias finitas:
Ver ejemplo libro y realizarlo en Excel.
1 1 2 1 3 1 4 1 2 11 4 5 5
D= ∆ − ∆ + ∆ − ∆ + ... D2 = ∆ − ∆3
+ ∆ − ∆ ...
h 2 3 4 h2 12 6
102
Fórmulas de
diferencias finitas
Con el número de términos de la aproximación se puede
construir fórmulas de diferencias finitas hacia adelante
103
Fórmulas de
diferencias finitas
También permite construir fórmulas de diferencias finitas
hacia atrás:
104
Fórmulas de
diferencias finitas
Finalmente, permite construir fórmulas de diferencias finitas
centradas:
105
Fórmulas de
diferencias finitas
El uso de una fórmula de diferencias finitas hacia adelante,
hacia atrás o centrada depende de la disponibilidad de datos
alrededor del punto xi en el que se desea evaluar la fórmula.
107
Fórmulas de
diferencias finitas
EJEMPLO:
f (xi +1 ) − f (xi −1 )
f ' (x i ) =
2⋅h
f (xi +1 ) − 2 ⋅ f (x i ) + f (x i −1 )
f ' ' (x i ) =
h2
108
Fórmulas de
diferencias finitas
EJEMPLO:
− f (x i + 2 ) + 4 ⋅ f (x i +1 ) − 3 ⋅ f (x i ) 3 ⋅ f (x i ) − 4 ⋅ f (x i −1 ) + f (x i −2 )
f ' (x i ) = f ' (x i ) =
2⋅h 2⋅h
− f (x i +3 ) + 4 ⋅ f (x i + 2 ) − 5 ⋅ f (x i +1 ) + 2 ⋅ f (x i ) 2 ⋅ f (x i ) − 5 ⋅ f (x i −1 ) + 4 ⋅ f (x i −2 ) − f (x i −3 )
f ' ' (x i ) = f ' ' (x i ) =
h2 h2
109
Fórmulas de
diferencias finitas
EJEMPLO:
Adicionalmente:
− f (x 4 ) + 4 ⋅ f (x3 ) − 5 ⋅ f (x2 ) + 2 ⋅ f (x1 ) − (2.073 ) + 4 ⋅ (2.023 ) − 5 ⋅ (1.982) + 2 ⋅ (1.946 )
f ' ' (x1 ) = = = 0.004
h2 (0.5 )2
f (x3 ) − 2 ⋅ f (x2 ) + f (x1 ) (2.023 ) − 2 ⋅ (1.982) + (1.946 )
f ' ' (x 2 ) = = = 0.020
h2 (0.5)2
M
f (x21 ) − 2 ⋅ f (x20 ) + f (x19 ) (13.791) − 2 ⋅ (13.696 ) + (13.572)
f ' ' (x20 ) = = = −0.116
h2 (0.5)2
2 ⋅ f (x 21 ) − 5 ⋅ f (x20 ) + 4 ⋅ f (x19 ) − f (x18 ) 2 ⋅ (13.791) − 5 ⋅ (13.696 ) + 4 ⋅ (13.572) − (13.402)
f ' ' (x21 ) = = = −0.048
h2 (0.5)2
Los valores numéricos para todos los puntos se pueden utilizar para
encontrar el punto de equivalencia. Se sabe que este punto es aquel en
el que la función PH=f(V) posee un punto de inflexión, es decir, aquel en
el que (dPH/dV)=f(V) es máxima, o aquel en el que (d2PH/dV2)=f(V) es
igual a cero.
110
Fórmulas de
diferencias finitas
EJEMPLO:
Los valores numérico obtenidos son:
2 2
i V (ml) PH dPH/dV d PH/dV
1 0.12 1.946 0.067 0.004
2 0.62 1.982 0.077 0.020
3 1.12 2.023 0.091 0.036
4 1.62 2.073 0.110 0.040
5 2.12 2.133 0.135 0.060
6 2.62 2.208 0.170 0.080
7 3.12 2.303 0.219 0.116
8 3.62 2.427 0.294 0.184
9 4.12 2.597 0.418 0.312
10 4.62 2.845 0.641 0.580
11 5.12 3.238 1.111 1.300
12 5.62 3.956 2.457 4.084
13 6.12 5.695 6.348 11.480
14 6.62 10.304 6.348 -11.480
15 7.12 12.043 2.457 -4.084
16 7.62 12.761 1.111 -1.300
17 8.12 13.154 0.641 -0.580
18 8.62 13.402 0.418 -0.312
19 9.12 13.572 0.294 -0.184
20 9.62 13.696 0.219 -0.116
21 10.12 13.791 0.161 -0.048
111
Fórmulas de
diferencias finitas
EJEMPLO:
PH vs . volum e n de re activo añadido (dPH/dV) vs . volum e n de re activo añadido
16 7.000
14 6.000
12
5.000
10
dPH/dV
4.000
PH
8
3.000
6
2.000
4
2 1.000
0 0.000
0 2 4 6 8 10 0 2 4 6 8 10
V (m l) V (m l)
15.000
2.000
10.000 1.500
Punto de equivalencia
1.000 V=6.37 ml
5.000
d 2 PH/dV 2
d 2 PH/dV 2 0.500
0.000 0.000
0 2 4 6 8 10 6.34 6.35 6.36 6.37 6.38 6.39 6.4
-5.000 -0.500
-1.000
-10.000
-1.500
-15.000 -2.000
V (m l) V (m l)
112
Diferenciación de
datos con errores
Cuando se van a calcular derivadas f(n)(xi) a partir de datos
experimentales de los que se sospecha poseen errores aleatorios,
no se recomienda utilizar ni las fórmulas de diferencias finitas ni las
fórmulas deducidas a partir de la derivación de polinomios de
interpolación como los de Lagrange.
113
Diferenciación de
datos con errores
Si se utilizan fórmulas basadas en funciones de interpolación
para diferenciar datos con errores, estos errores se
amplifican.
Gráficamente:
a) Datos exactos
b) Datos modificados ligeramente
c) Diferenciación de a)
d) Diferenciación de b)
114
Diferenciación de
datos con errores
EJEMPLO: Encuentre los valores de la pendiente y la
curvatura asociadas a cada uno de los puntos en la siguiente
tabla:
Datos
i xi yi
1 0 -7.0619
2 1 4.784551
3 2 4.533839
4 3 -1.99953
5 4 -3.40819
6 5 7.86434
7 6 28.6778
115
Diferenciación de
datos con errores
EJEMPLO:
Diferenciando:
116
Diferenciación de
datos con errores
EJEMPLO:
Gráfico de dispersión de datos originales y las derivadas
80
20
0
-1 0 1 2 3 4 5 6 7
-20
-40
xi
117
Referencias
REFERENCIAS
"Métodos matemáticos aplicados en ingeniería química«. Heberto Tapias,
Luz Amparo Palacio. U. de Antioquia.
118
Referencias
REFERENCIAS
"Métodos matemáticos aplicados en ingeniería química«. Heberto Tapias,
Luz Amparo Palacio. U. de Antioquia.
Hoffman J.,D. (1992). Numerical methods for engineers and scientists. New
York: Marcel Dekker. Secciones: 7.14.3