Fusil U4 y 5 ANS

UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA

ANALISIS NUMERICO
UNIDAD IV
4.0 DERIVACIÓN E INTEGRACIÓN NUMÉRICA
4.1 DIFERENCIACIÓN NUMÉRICA
4.2 FÓRMULA DE LOS 3 Y 5 PUNTOS
4.3 FÓRMULA PARA N PUNTOS
4.1 DIFERENCIACIÓN NUMÉRICA

1. INTRODUCCIÓN
Diferenciación numérica es una técnica de análisis numérico para producir una estimación
del derivado de la función matemática o función subprograma usando valores de la función y
quizás del otro conocimiento sobre la función.
Una valoración simple del dos-punto es computar la cuesta de un próximo línea secante a
través de los puntos (x,f (x)) y (x+h,f (x+h)). Elegir un número pequeño h, h representa un
cambio pequeño adentro x, y puede ser positivo o negativa. La cuesta de esta línea es
La cuesta de esta línea secante diferencia de la cuesta de la línea de la tangente por una
cantidad a la cual sea aproximadamente proporcional h. Como h los acercamientos ponen a
cero, la cuesta de la línea secante acercamientos la cuesta de la línea de la tangente. Por lo
tanto, el verdad derivado de f en x es el límite del valor del cociente de la diferencia mientras
que las líneas secantes consiguen cada vez más cerca de ser una línea de la tangente:
2. OBJETIVO
Conceptualizar los métodos de derivación e integración. Comparar los métodos de
derivación numérica, formula de 3 y 5 puntos en base a los criterios de eficiencia, precisión
y tolerancia.
3. DIFERENCIACIÓN NUMÉRICA
Una valoración simple del tres-punto es computar la cuesta de una línea secante próxima a
través de los puntos (x-h,f (x-h)) y (x+h,f (x+h)). La cuesta de esta línea es más
generalmente, la valoración del tres-punto utiliza la línea secante a través de los
puntos (x − h1,f(x − h1)) y(x + h2,f(x + h2)).
1
ANALISIS NUMERICO
La cuesta de estas líneas secantes diferencia de la cuesta de la línea de la tangente por una
cantidad a la cual sea aproximadamente proporcional h2 de modo que la valoración del
tres-punto sea una aproximación más exacta a la línea de la tangente que la valoración del
dos-punto cuando h es pequeño.
A la ecuación anterior se le conoce con el nombre especial en el análisis numérico, se le

llama diferencias divididas finitas.
Se puede representar generalmente como:
Donde al diferencial se le conoce como la primera diferencia hacia adelante y a h se le

llama tamaño del paso, esto es, la longitud del intervalo sobre el cual se hace la aproximación.
Se le llama diferencia " hacia adelante " ya que usa los datos(i) e (i+1) para estimar la derivada.
Al termino completo (o sea, la diferencial entre h ) se le conoce como primera diferencia

dividida finita.
Esta diferencia dividida hacia adelante no es sino una de tantas que se pueden desarrollar
mediante la serie de Taylor para la aproximación de derivadas numéricas.
Por ejemplo, las aproximaciones a primeras derivadas, utilizando las diferencias hacia atrás o
las diferencias centrales se pueden desarrollar de una manera similar a la de la ecuación 2.
Las primeras usan a, mientras x con sub-índice i+1 que las segundas usan información
igualmente espaciada alrededor del punto donde está estimada la derivada.
Las aproximaciones más exactas de la primera derivada se pueden desarrollar incluyendo en la

serie de Taylor términos de orden más alto.
2
ANALISIS NUMERICO
Finalmente, todas las versiones anteriores se pueden desarrollar para derivadas de segundo
orden, tercer orden y órdenes superiores. Las siguientes secciones analizan brevemente estos
casos, ilustrando como se deriva cada una de ellos. Concretamente tenemos lo siguiente:
Diferenciación Numérica
La derivada de la función f en x0 es
f ( x0  h)  f ( x0 )
f '( x0 )= lim .
h 0 h
Esta fórmula indica una manera obvia de generar una aproximación

de f '( x):
f ( x0  h) - f ( x0 )
basta calcular , para valores pequeños de h.
h
Aunque esto parezca evidente, no es muy útil, debido al error por

redondeo. Sin embargo, ciertamente es un punto de partida.
Para aproximar f '( x0 ) se supone primero que x0   a, b  , donde

f  C2  a, b  , y que x1  x0  h para alguna h  0 que es lo bastante
pequeña para asegurarnos de que x1   a , b  . Se construye el primer
polinomio de Lagrange P0,1 ( x) para f determinada por x0 y x1 con su
termino de error:
( x  x0 )( x  x1 )
f ( x)  P0,1 ( x)  f ''( ( x))
2!
f ( x0 )( x - x0 - h) f ( x0  h)( x  x0 ) ( x  x0 )( x  x0  h)
   f ''( ( x)),
h h 2
para alguna  (x) en  a, b  . Al diferenciar se obtiene,
f ( x0  h) - f ( x0 )  ( x  x0 )( x  x0  h) 
f '( x)   Dx  f ''( ( x)) 
h  2 
3
ANALISIS NUMERICO
f ( x0  h)  f ( x0 ) 2( x  x0 )  h
f '( x)   f ''( ( x))
h 2
( x  x0 )( x  x0  h)
 Dx ( f ''( ( x)))
2
De modo que
f ( x0  h)  f ( x0 )
f '( x )  .
h
Un problema de esta fórmula rádica en que se carece de información

sobre D x f ''( ( x)), por lo cual no se puede estimar el error de trunca-
miento . Pero cuando x es x0 el coeficiente de D x f ''( ( x)) será cero
y la fórmula se simplifica como sigue
f ( x0  h) - f ( x0 ) h
f '( x0 )   f ''( ( x )).
h 2
Entonces tenemos que:
Para valores pequeños de h, se puede utilizar el cociente de la

diferencia  f ( x0  h) - f ( x0 )  / h para aproximar f '( x) con un error
acotado por M h / 2, donde M es una cota en f ''( x) para x   a, b .
A esta fórmula se le llama fórmula de la diferencia progresiva si

h  0 (ver figura) y fórmula de diferencia regresiva si h  0.
4
ANALISIS NUMERICO
Grafica
EJEMPLO 1. Sean f ( x)  ln( x) y x0  1.8. La fórmula de la diferencia

f (1.8  h) - f (1.8)
progresiva ,
h
sirve para aproximar f '(1.8) con el error
hf ''( ) h h
  , donde 1.8<  1.8  h.
2 2 2 2(1.8) 2
Los resultados de la tabla siguiente se producen cuando h  0.1, 0.01
y 0.001.
f (1.8  h) - f (1.8) h
h f (1.8  h)
h 2(1.8) 2
0.1 0.64185389 0.5406722 0.0154321
0.01 0.59332685 0.5540180 0.0015432
0.001 0.58834207 0.5554013 0.0001543
5
ANALISIS NUMERICO
Según el ejemplo anterior se dice que :
Ya que f (x) = 𝟏/x ,
El valor exacto de f´(1.8) es 0.5555
Por lo que se concluye que las cotas del error son las adecuadas para la función del
ejemplo anterior.
4.2 – 4.3 FÓRMULA DE LOS 3 Y 5 PUNTOS Y FÓRMULA PARA N PUNTOS
INTRODUCCIÓN.
Consideremos una función f(x) de la cual se conoce un conjunto discreto de valores (x0,y0),
(x1,y1),.....(xn,yn). El problema que vamos a abordar es el de calcular la derivada de la función
en un punto x que en principio no tiene por qué pertenecer a los datos de que disponemos.
La forma más sencilla de resolver el problema de la diferenciación numérica consiste en
estimar la derivada utilizando fórmulas obtenidas mediante la aproximación de Taylor, que
se denominan fórmulas de diferencias finitas.
Básicamente, en una solución por diferencias finitas, las derivadas son reemplazadas por
aproximaciones en diferencias finitas, convirtiendo entonces un problema de ecuaciones
diferenciales en un problema algebraico que fácilmente se puede resolver por medios
comunes.
Es importante mencionar que los errores que tengan los datos, por ejemplo los cometidos
en la adquisición de los mismos o los debidos al redondeo aumentan en el proceso de
diferenciación.
OBJETIVO.
En los objetivos para esta clase tenemos: El ccomparar los métodos de derivación numérica,
formula de n puntos en base a los criterios de eficiencia, precisión y tolerancia. Analizar una
muestra de datos empleando cada uno de los métodos de derivación e integración.
FÓRMULA DE LOS 3 Y 5 PUNTOS Y FÓRMULA PARA N PUNTOS.
6
ANALISIS NUMERICO
Al diferenciar la expresión anterior se obtiene:

n
 ( x  x0 )...( x  xn )  ( n 1)
f ´( x)   f ( xk ) L 'k ( x ) Dx  f ( ( x ))
k 0  ( n  1)! 
( x  x0 )...( x  xn )
 Dx  f ( n 1) ( ( x)) 
(n  1)!
Una vez más se tiene el problema al estimar el error de truncamiento,

a menos que x sea uno de los x j . En este caso, el término que
contiene Dx  f ( n 1) ( ( x))  es cero, entonces la fórmula queda así:
n
f ( n 1) ( ( x)) n
f ´( x)   f ( xk ) L 'k ( x )   ( x j  xk )
k 0 ( n  1)! k 0
k j
Esta ecuación recibe el nombre de fórmula de (n + 1) puntos para

aproximar f '( x j ).
Al diferenciar la expresión anterior se obtiene:

n
 ( x  x0 )...( x  xn )  ( n 1)
f ´( x )   f ( xk ) L 'k ( x ) Dx  f ( ( x )) 7
k 0  ( n  1)! 
( x  x )...( x  x )
ANALISIS NUMERICO
En términos generales, la utilización de más puntos de evaluación

en la fórmula de ( n  1) puntos, produce una mayor exactitud, aunque
esto no conviene dada la cantidad de evaluaciones y el aumento en
el error de redondeo.
Las fórmulas más comunes son la que utilizan tres y cinco puntos de
evaluación.
Fórmula de los 3 puntos para puntos no equidistantes

 2 x j  x1  x2   2 x j  x0  x2 
f '( x j )  f ( x0 )    f ( x1 )  
 ( x0  x1 )( x0  x2 )   ( x1  x0 )( x1  x2 ) 
 2 x j  x0  x1  1 (3) 2
 f ( x2 )    f ( j ) ( x j  xk )

 2 0 2 1  6
( x x )( x  x ) k 0
k j
para cada j  0,1, 2, donde  j depende de x j .
8
ANALISIS NUMERICO
En la ecuación 4.4 la aproximación es útil cerca de los extremos del

intervalo, ya que posiblemente no se tenga información de f fuera
del intervalo.
Fórmulas de 5 puntos
Son las que evalúan la función en 5 puntos (ecuaciones 4.6 y 4.7), y
cuyo término del error tiene la forma O( h 4 ).
1
f '( x0 )   f ( x0  2h)  8 f ( x0  h)  8 f ( x0  h)  f ( x0  2h)
12h
h 4 (5)
 f ( ), (4.6)
30
donde  se encuentra entre x0 - 2h y x0  2h.
9
ANALISIS NUMERICO
1  25 f ( x0 )  48 f ( x0  h)  36 f ( x0  2h) 
f '( x0 )   
12h  16 f ( x0  3h)  3 f ( x0  4h) 
h 4 (5)
 f ( ), (4.7)
5
donde  se encuentra entre x0 y x0  4h.
Las aproximaciones del extremo izquierdo pueden obtenerse

aplicando la fórmula (4.7) con h  0, y las aproximaciones del
extremo derecho, con h  0.
Por lo tanto, se tiene que
1  25 f ( x0 )  48 f ( x0  h)  36 f ( x0  2h) 
f '( x0 )   
12h  16 f ( x0  3h)  3 f ( x0  4h) 
h 4 (5)
 f ( ), (4.7)
5
donde  se encuentra entre x0 y x0  4h.
Las aproximaciones del extremo izquierdo pueden obtenerse

aplicando la fórmula (4.7) con h  0, y las aproximaciones del
extremo derecho, con h  0.
10
ANALISIS NUMERICO
EJEMPLO 2.
Los valores de f ( x)  xe x , son los siguientes:
x f ( x)
1.8 10.889365
1.9 12.703199
2.0 14.778112
2.1 17.148957
2.2 19.855030
Ya que f '( x)  ( x  1)e x , se tiene f '(2)  22.167168.
Al aproximar f '( x ) mediante las fórmulas de tres y cinco puntos se

obtiene los siguientes resultados:
Fórmulas de tres puntos

Usando (4.4) con h  0.1:
1
 3 f (2.0)  4 f (2.1)  f (2.2)  22.032310
0.2
Usando (4.4) con h  0.1:
1
 3 f (2.0)  4 f (1.9)  f (1.8)  22.054525
0.2
1
Usando (4.5) con h  0.1 :  f (2.1)  f (1.9)  22.228790
0.2
1
Usando (4.5) con h  0.2 :  f (2.2)  f (1.8)   22.414163
0.4
Los errores en las fórmulas son aproximadamente
1.35 10-1 , 1.13 10-1 , - 6.16 10-2 , y - 2.47  10-1
respectivamente.
11
ANALISIS NUMERICO
Fórmula de 5 puntos
Al utilizar (4.6) con h  0.1 (la única fórmula de cinco puntos
aplicable):
1
f '(2.0)   f (1.8)  8 f (1.9)  8 f (2.1)  f (2.2)  22.166996.
1.2
El error de esta fórmula es aproximadamente 1.69  10-4 .
La fórmula de cinco puntos da el mejor resultado.

Además,
- el error de la ecuación (4.5) con h  0.1 es: (-6.16  10-2 )
tiene aproximadamente la mitad de la magnitud de:
- el error de la ecuación (4.4) con h  0.1 (1.35  10-1 )
- el error de la ecuación (4.4) con h  -0.1 (1.13  10-1 ).
Método de aproximación a la segunda derivada

Se basa en el desarrollo de una función f en un tercer polinomio de
Taylor alrededor de un punto x0 y se evalua en x0  h y x0  h.
1 h 2 (4)
f ''( x0 )  2  f ( x0  h)  2 f ( x0 )  f ( x0  h)   f ( ), (4.9)
h 12
para alguna  , donde x0  h    x0  h.
EJEMPLO 3.
Con los datos del ejemplo 2, para f ( x)  xe x se puede usar la
ecuación (4.9) para aproximar f ''(2.0).
12
ANALISIS NUMERICO
Ya que f ''( x)  ( x  2)e x el valor exacto será f ''(2.0)=29.556224.
Al emplear (4.9) con h  0.1 se obtiene:

1
f ''(2.0)   f (1.9)  2 f (2.0)  f (2.1)  29.593200.
0.01
Al emplear (4.9) con h  0.2 se obtiene:

1
f ''(2.0)   f (1.8)  2 f (2.0)  f (2.2)  29.704275.
0.04
Los errores son aproximadamente -3.70  10-2 y -1.48  10-1 ,

respectivamente.
Ejemplo 4 :
Utilizar la siguiente tabla para aproximar f’(0.9) donde f(x)=sen(x) , el valor verdadero es cos
0.9 = 0.62161.
Al aplicar la fórmula: f(0.9) = (f(0.9+h) – f(0.9-h))/2h
Con diferentes valores de h, obtenemos las aproximaciones de la siguiente tabla:
13
ANALISIS NUMERICO
La elección optima de h, se encuentra entre 0.0005 y 0.5
Conclusiones:
 Este método de aproximación, la diferenciación numérica es inestable , porque los

valores pequeños de h, necesarios para disminuir el error de truncamiento también
hacen crecer el error de redondeo.
 Aunque solo se ha analizado los problemas del error de redondeo en la fórmula de tres
puntos, también presentes en el resto de fórmulas, debido a la necesidad de dividir una
potencia de h.
4. ENLACES SUGERIDOS
https://es.wikipedia.org/wiki/Derivaci%C3%B3n_num%C3%A9rica
https://metodosnumericosisc.wikispaces.com/UNIDAD+4.-
+Diferenciaci%C3%B3n+e+integraci%C3%B3n+num%C3%A9ricas.
5. BIBLIOGRAFÍA
- Análisis Numérico, Richard L. Burden/J. Douglas Faires, Editorial Thomson Learning Inc.
- Métodos Numéricos Con SCILAB, Héctor Manuel Mora Escobar, Abril 2010
6. GLOSARIO
14
ANALISIS NUMERICO
7. PREGUNTAS DE AUTOEVALUACIÓN
1. ¿Qué es la Diferenciación numérica?
2. ¿Cuál es su fórmula?
3. Enumere a quien corresponden las siguientes formulas:
4. ¿Qué otro criterio se debe tomar en cuenta para las formulas anteriores?
15
ANALISIS NUMERICO
UNIDAD IV
4.4 INTEGRACION NUMERICA
4.5 FORMULAS DE NEWTON COTES
4.4 INTEGRACION NUMERICA
1. INTRODUCCIÓN.
Consideremos una función f(x) de la cual se conoce un conjunto discreto de valores (x0,y0),
(x1,y1),.....(xn,yn). El problema que vamos a abordar es el de calcular la derivada de la función
en un punto x que en principio no tiene por qué pertenecer a los datos de que disponemos.
La forma más sencilla de resolver el problema de la diferenciación numérica consiste en
estimar la derivada utilizando fórmulas obtenidas mediante la aproximación de Taylor, que
se denominan fórmulas de diferencias finitas.
Básicamente, en una solución por diferencias finitas, las derivadas son reemplazadas por
aproximaciones en diferencias finitas, convirtiendo entonces un problema de ecuaciones
diferenciales en un problema algebraico que fácilmente se puede resolver por medios
comunes.
Es importante mencionar que los errores que tengan los datos, por ejemplo los cometidos
en la adquisición de los mismos o los debidos al redondeo aumentan en el proceso de
diferenciación.
2. OBJETIVO.
En los objetivos para esta clase tenemos: el comparar los métodos de integración
numérica y otros métodos en base a los criterios de eficiencia, precisión y tolerancia.
3. INTEGRACIÓN NUMÉRICA
1
ANALISIS NUMERICO
Para evaluar la integral definida de una función se usa el método llamado: “Cuadratura
Numérica”
n
Que usa a f x 
i 0
i i =a0 f  x0   a1 f  x1   ...  an f  xn 
b
para aproximar a  f  x dx
a
Sean  x0 , x1 , , xn  un conjunto de nodos distintos

en el intervalo  a, b . Si se integra el polinomio :
n
Pn  x    f  xi  Li  x 
i 0
 f  x0  L0  x   f  x1  L1  x   ...  f  xn  Ln  x 
Y su término de error de truncamiento en  a, b  se obtiene:

b b n
f  x  dx    f  xi  Li  x dx     x  xi 
b n f
n 1
  x  dx

a a i 0 a i 0  n  1!
n n b
 x  xi  f  n 1   x   dx
1
  ai f  xi    
i 0  n  1! a i 0
donde:
a   x  b y
b
ai   L  x  dx ,
a
i para cada i  0,1, ,n
Por lo tanto la fórmula de cuadratura es:

b n
 f  x  dx   ai f  xi   a0 f  x0   a1 f  x1   ...  an f  xn 
a i 0
El error asociado viene dado por:

n b
1
  x  dx
 n  1 ! a 
E f    x  xi  f  n 1
i 0
2
ANALISIS NUMERICO
La fórmula que surge de usar el primer Polinomio de Lagrange

con nodos igualmente espaciados recibe el nombre de
"Regla del Trapecio"
La fórmula que surge de usar el segundo Polinomio de Lagrange

con nodos igualmente espaciados recibe el nombre de
"Regla de Simpson".
FÓRMULAS DE INTEGRACIÓN
REGLA DEL TRAPECIO: Con h  x1  x0

x1
h h3
 f  x dx  f  x0   f  x1    f    con x0    x1
x0
2 12
3
ANALISIS NUMERICO
REGLA DE SIMPSON:
x2
h h5  4 
 f  x dx 
x0
3
 f  x0   4 f  x1   f  x2   
90
f  
con x0    x2
y
ba
h , a  x0 , b  x2 ,
2
h  x2  x1  x1  x0 .
EJEMPLO:
Use la Regla del trapecio y la Regla de Simpson para calcular las integrales de las siguientes
funciones en el intervalo de [0,2]:
4
ANALISIS NUMERICO
f x 
1
x2 x4 1 x2 sin( x) exp( x)
x  1
Valor 2.667 6.4 1.099 2.958 1.416 6.389

Exacto
 f x dx  2  f 0  f 2

2
Trapecio :
0
2
 f x dx  3  f 0  4 f 1  f 2

1
Simpson :
0
1
f  x x2 x4 1 x2 sin( x) exp( x)
 x  1
Valor 2.667 6.4 1.099 2.958 1.416 6.389

Exacto
Trapecio : 4 16 1.333 3.236 0.909 8.389

Simpson : 2.667 6.667 1.111 2.964 1.421 6.421
Definición de Precisión de una fórmula de Cuadratura:
El grado de exactitud o precisión de una fórmula de cuadratura es el entero positivo más

grande n, tal que la fórmula sea exacta para xk, cuando k=0,1,2,…,n.
Según esta definición la regla del Trapecio tiene el grado de precisión uno .
La regla de Simpson tiene el grado de precisión tres.
Dado que la integración y la suma son operaciones lineales.
5
ANALISIS NUMERICO
El grado de precisión de una fórmula de cuadratura será n, y el error E(P(x)) = 0 para todos
los polinomios P(x) de grado k=0,...,n pero E(P(x))≠0 para algún P(x) de grado n+1.
4.5 FORMULAS DE NEWTON COTES
Son los tipos de integración numérica más comunes, su estrategia es remplazar a la función
complicada o de datos tabulados por un polinomio de aproximación que es fácil de integrar.
b
I   f ( x ) dx
Es decir supongamos que nos interesa determinar a ; entonces, tenemos:
∫ ( ) ∫ ( ) ,
En donde pn(x) es el polinomio aproximación :
( ) ,
Donde n es el grado del polinomio el método en estudio lo realiza en general en dos pasos.
Observemos que cuando el polinomio de aproximación es lineal se trata de una línea recta
como observamos en el caso (a) y cuando se trata de un polinomio de segundo orden
tenemos el caso (b)
f(x)
f(x)
caso (a) Caso (b)

a b x a b x
6
ANALISIS NUMERICO
En otros términos:
Primero: Dividir el intervalo [a, b] en “n” intervalos de igual magnitud en donde sus valores
extremos son:
( ) , siendo , (1)
x0 x1 x2 x3 xi xi + 1 …
h h h h h ...
a b
Segundo: Se aproxima f (x) por un polinomio de grado “n”, Pn (x) y se integra para obtener la
aproximación de f(x).
1. OBJETIVO.
En los objetivos para esta clase tenemos: Comparar los métodos de integración numérica y
Newton Cotes en base a los criterios de eficiencia, precisión y tolerancia y analizar una
muestra de datos empleando cada uno de los métodos de integración numérica y Newton
Cotes.
2. FORMULAS DE NEWTON COTES

Las fórmulas de Newton-Cotes se pueden clasificar en abiertas y cerradas. Las formulas del
trapecio y de Simpson son casos particulares de las formulas cerradas. En ellas se aproxima
la integral en el intervalo [x0, xm] usando el polinomio de interpolación, de grado menor o
igual a m, construido a partir de los puntos (x0, y0), (x1, y1), ..., (xm−1, ym−1), (xm, ym),
igualmente espaciados en x.
7
ANALISIS NUMERICO
Las reglas del Trapecio y Simpson, son casos del Método llamado Fórmula de Newton-
Cotes.
Existen dos categorías de fórmulas de Newton-Cotes: Abiertas y Cerradas.
Las fórmulas cerradas incluyen los extremos del intervalo [a,b] como parte de los nodos.
La fórmula cerrada de  n  1 puntos de Newton-Cotes

utiliza los nodos xi  x0  ih para i  0,1, ,n
donde x0  a, xn  b, y h
b  a 
n
b n
Entonces  f  x dx  a i f  xi 
a i 0
xn xn
x  x  dx
n
ai   Li  x dx    j
donde
x0 x0
x  x 
j 0 i j
j i
El siguiente teorema detalla el análisis de error asociado a las fórmulas cerradas para el
método llamado newton Cotes :
n
Teorema : Supongamos que  a f x 
i 0
i i denota la fórmula
cerrada de ( n  1) puntos de Newton - Cotes con x0  a,
xn  b y h 
b  a  . Existe un   a, b  para el cual
n
8
ANALISIS NUMERICO
Si n es par y si f  C n  2  a, b 
b n
h n 3 f ( n  2)   n 2
 f  x dx   a f  x 
a i 0
i i 
 n  2 ! 0
t  t  1 t  2   t  n  dt
Y Si n es impar y si f  C n 1  a, b 
b n
h n  2 f ( n 1)   n
 f  x dx   a f  x 
a i 0
i i 
  0
n  1 !  t  t  1 t  2   t  n  dt
Nótese que, cuando n es un entero par, el grado de precisión es n  1

aunque el polinomio de interpolación es a lo sumo de grado n.
En el caso que n es impar el grado de precisión es n.
Fórmulas cerradas más comunes de Newton-Cotes:
n = 1, Regla del Trapecio:

x1
h h3
 f  x  dx 
x0
2
 f  x0   f  x1   
12
f    con x0    x1
n = 2, Regla de Simpson:
x2
h h5 (4)
 f  x  dx   f  x0   4 f  x1   f  x2    f   con x0    x2
x0
3 90
3
n = 3, Regla de de Simpson:
8
x3
3h 3h5 (4)
 f  x  dx   f  x0   3 f  x1   3 f  x2   f  x3    f  
x0
8 80
con x0    x3
9
ANALISIS NUMERICO
n=4
x4
2h
 f  x dx  45 7 f  x   32 f  x   12 f  x   32 f  x   7 f  x 
x0
0 1 2 3 4
8h 7  6
 f   donde x0    x4
945
La fórmula abierta de n  1 puntos de Newton - Cotes

utiliza los nodos xi  x0  ih para i  0,1,  , n
donde x0  a  h, xn  b  h, y h
b  a 
n2
Y para los extremos se tiene x1  a y xn 1  b
Las fórmulas abiertas contienen todos los nodos usados para hacer las aproximaciones
dentro del intervalo abierto (a,b). Las fórmulas se convierten en:
b xn 1 n
 f  x dx   f  x dx   ai f  xi  donde una vez más

a x1 i 0
b
ai   L x dx
a
i
n
Teorema : Supongamos que  a f x  denota la fórmula
i 0
i i
abierta de ( n  1) puntos de Newton - Cotes con x1  a,
xn 1  b y h 
b  a  . Existe un   a, b  para el cual
n2
10
ANALISIS NUMERICO
Si n es par y si f  C n  2 a, b
h n 3 f ( n  2 )  
b n n 1
 f  x dx   ai f  xi    t t  1t  2 t  n dt

2
a i 0 n  2! 1
Y Si n es impar y si f  C a, b
n 1
h n  2 f ( n 1)  
b n n 1
a f x dx  
i 0
ai f  xi  
n  1! 1
t t  1t  2  t  n dt
n = 0, Regla del Punto Medio:

x1
h3
 f  x  dx  2h  f  x0    f    con x1    x1
x1
3
n = 1:
x2
3h 3h3
 f  x  dx   f  x0   f  x1    f    con x1    x2
x1
2 4
n = 2:
x3
4h 14h5 (4)
 f  x  dx   2 f  x0   f  x1   2 f  x2    f  
x1
3  45
con x1    x3
n=3
x4
5h
 f  x dx  24 11 f  x   f  x   f  x   11 f  x  
x1
0 1 2 3
95h5
 f  4
  donde x1    x4
144
Ejercicio: Aplicar las fórmulas abiertas y cerradas para n=0,1,2,3 y 4 para aproximar:
11
ANALISIS NUMERICO

4
2
 Sin( x)dx  1 
0
2
 0.29289322
El algoritmo en funcionamiento seria como a continuación se muestra:
> newtoncot
APROXIMACION DE INTEGRALES MEDIANTE NEWTON-COTES
Recuerde que:
En las formulas cerradas,
si n=1: Regla trapezoidal,
si n=2: De Simpson,
si n=3: Regla de tres octavos de Simpson.
En las formulas abiertas,
si n=0: Regla del punto medio.
Ingrese el tipo de formula
1. Cerrada
2. Abierta
12
ANALISIS NUMERICO
Ingrese n (entre 1 y 4):
Ingrese x0:
Ingrese x3:
pi/4
Ingrese f(x) en terminos de x:
Por ejemplo: sin(x)
'sin(x)'
Seleccione el tipo de salida
1. En pantalla
2. En archivo de texto
3. En pantalla y archivo de texto: 1
*** Aproximaciones con algunas fórmulas abiertas y cerradas de Newton-Cotes ***
Formula cerrada con n = 3
Aproximación = 2.9291070255e-001
Error = 1.7483735719e-005
https://metodosnumericosisc.wikispaces.com/UNIDAD+4.-
+Diferenciaci%C3%B3n+e+integraci%C3%B3n+num%C3%A9ricas.
https://es.wikipedia.org/wiki/F%C3%B3rmulas_de_Newton%E2%80%93Cotes
4. BIBLIOGRAFÍA
13
ANALISIS NUMERICO
5. GLOSARIO
1. ¿En qué consiste el método del trapecio?
2. ¿En qué consiste el método de Simpson?
3. ¿Cuál método de los anteriores es mejor y porque?
4. ¿Cuáles son sus fórmulas, que son las que se utilizan en el algoritmo?
5. ¿ Las fórmulas de Newton-Cotes se pueden clasificar en :?
6. ¿ Cuáles son las fórmulas cerradas más comunes de Newton-Cotes :?
7. ¿Mencionar una característica de las fórmulas abiertas?
14
ANALISIS NUMERICO
UNIDAD IV
4.6 FORMULAS COMPUESTAS DE INTEGRACION
4.7 METODOS ADAPTATIVOS DE CUADRATURA
4.6 FORMULAS COMPUESTAS DE INTEGRACION
1. INTRODUCCIÓN.
La integración compuesta son los tipos de integración numérica más comunes, su
estrategia es remplazar a la función complicada o de datos tabulados por un polinomio
de aproximación que es fácil de integrar.
El objetivo de la integración numérica es calcular de forma eficiente una integral

definida. Por consiguiente, no interesa que el error de interpolación, Rn(x), sea
pequeño, sino que En sea pequeño.
Por ejemplo, cuando se aproxima una función f(x) por un polinomio Pn(x). Desde el
punto de vista de la aproximación numérica este resultado podría ser inaceptable
debido a las oscilaciones que presenta el polinomio interpolador y a las grandes
diferencias que hay entre este y la función f(x).
Sin embargo, en la integración numérica de funciones este comportamiento no es

relevante y el objetivo es que la diferencia entre la integral de la función y el polinomio
sea lo menor posible.
Obsérvese que en el ejemplo presentado en el polinomio interpolador sobrevalora e

infravalora la función f(x) en diferentes intervalos del dominio de integración. De forma
que existe una compensación de áreas y el valor de la integral de f(X) y Pn(x) de puede
ser muy parecido.
2. OBJETIVO.
En los objetivos para esta clase tenemos: Comparar los métodos de fórmulas
compuestas de integración en base a los criterios de eficiencia, precisión y tolerancia,
así como el analizar una muestra de datos empleando cada uno de los métodos de
fórmulas compuestas de integración.
1
ANALISIS NUMERICO
3. FORMULAS COMPUESTAS DE INTEGRACION
En términos generales, las fórmulas de Newton-Cotes no son adecuadas para utilizarse en

intervalos de integración grandes.
Además, las fórmulas de Newton-Cotes se basan en los Polinomios interpolantes que

emplean nodos con espacios iguales, procedimiento que resulta inexacto en intervalos
grandes a causa de la naturaleza oscilatoria de los polinomios de grado superior.
Se estudiará un método fragmentario o también llamado segmentario para realizar la

integración numérica, en el cual se aplican las fórmulas de Newton-Cotes de bajo orden.
4
Considerar el problema de obtener una aproximación a 0
e x dx.
La regla de Simpson con h  2, resulta:

2 0
e  4e 2  e 4   56.76958.
4
0  3
e x dx 
Dado que en este caso la respuesta exacta es e 4  e0  53.59815, el

error -3.17143 es mucho mayor del que normalmente se aceptaría.
Si se desea aplicar un método fragmentario a este problema, se
divide  0,4  y se aplica dos veces la regla de Simpson con h  1:
4 2 4
0
e x dx  
0
e x dx   e x dx
2

3

1 0
e  4e  e 2    e 2  4e3  e 4 
1
3
  e 0  4e  2e 2  4e3  e 4 
1
3
 53.86385
A continuación podemos ver un poco sobre como es el comportamiento del error que es
muy clave al momento de considerar las estimación de un mínimo de error en los cálculos.
2
ANALISIS NUMERICO
El error se redujo a 0.26570 . Con estos resultados, se subdivide

los intervalos  0,2 y  2,4 y se aplica la regla de Simpson con
1
h , obteniendo así
2
4 1 2 3 4
0
e x dx   e x dx   e x dx   e x dx   e x dx
0 1 2 3
1 0 1
 1 3

  e  4e 2
 e    e  4e 2
 e2 
6  6 
1 2 5
3 1 3 7

  e  4e  e    e  4e 2  e 4 
2
6  6 
1 0 1 3 5 7

  e  4e  2e  4e  2e  4e  2e  4e 2  e 4 
2 2 2 2 3
6 
Para generalizar este procedimiento, se selecciona un entero par n.
 53.61622.
 es 0.01807 .
Se subdivide el intervalo a, b en n subintervalos y se aplica la
El error de esta aproximación
regla de Simpson en cada par consecutivo de subintervalos.
Ver figura.
3
ANALISIS NUMERICO
(b  a )
Con h  y x j  a  jh para cada j  0,1,..., n; se tiene
n
n/2
f ( x )dx   
b x2 j

a
j 1
x2 j 2
f ( x )dx
h 
  f ( x2 j  2 )  4 f ( x2 j 1 )  f ( x2 j )  
3 n/2

  5 ,
j 1  h 
 f (4) ( j )

 90 

para alguna  j con x2 j -2   j  x2 j , siempre que f  C 4  a, b  .
Al aplicar el hecho de que, para cada j  1, 2,..., ( n / 2) -1, se tiene

que f ( x2 j ) aparece en el término correspondiente al intervalo  x2 j -2 , x2 j 
y también en el término correspondiente al intervalo  x2 j -2 , x2 j  , se
puede reducir esta suma a:
h ( n / 2) 1 n/2 
 
b
 a
f ( x)dx  
3
f ( x0 )  2
j 1
f ( x2j )  4
j 1
f ( x2 j 1 )  f ( xn ) 

h5 n / 2 (4)
  f ( j )
90 j 1
por ejemplo con n  6 :
b h  f ( x0 )  2  f ( x2 )  f ( x4 )   4  f ( x1 )  f ( x3 )  f ( x5 ) 
 f ( x )dx 
3

 f ( x6 )


a
El error asociado con esta aproximación es

h5 n / 2 (4)
E(f )    f ( j ),
90 j 1
donde x2 j -1   j  x2 j para cada j  1, 2,..., n / 2.
4
ANALISIS NUMERICO
Teorema de la Regla Compuesta
Existe   (a, b) tal que la regla compuesta de Simpson para n

subintervalos puede escribirse con su término de error como
h ( n / 2) 1 n/2 
f ( x)dx   f (a )  2  f ( x2 j )  4 f ( x2 j 1 )  f (b) 
b
a 3 j 1 j 1 
b  a 4 (4)
 h f (  ).
180
El algoritmo 4.1 usa la regla compuesta de Simpson en n

subintervalos. Este es el algoritmo de cuadratura de propósito
general que más se usa.
ALG041 : REGLA COMPUESTA DE SIMPSON

b
Para aproximar la integral I   f ( x) dx :
a
ENTRADA : extremos a, b; entero positivo par n.

SALIDA : aproximación XI a I .
Paso 1: Tomar h  (b - a) / n.
Paso 2: Tomar XI 0  f (a )  f (b);
XI 1  0; (Suma de f ( x2i -1 ).)
XI 2  0. (Suma de f ( x2i ).)
Paso 3: Para i  1, 2,..., n -1 efectuar pasos 4 y 5.
Paso 4: Tomar X  a - ih.
Paso 5: Si i es par entonces tomar XI 2  XI 2  f ( X )
sino tomar XI1  XI1  f ( X ).
5
ANALISIS NUMERICO
Paso 6: Tomar XI  h( XI 0 - 2  XI 2  4  XI 1) / 3.
Paso 7: SALIDA (XI );
PARAR.
Según se puede mostrar en la figura siguiente
EJEMPLO 1:
Aplicar la regla compuesta de simpson con
2
un valor de n =4 para aproximar 1
x ln( x ) dx
Aplicando el algoritmo 041, se tiene:
>> ALG041
This is Simpsons Method.
Input the function F(x) in terms of x

For example: cos(x)
'x*log(x)'
Input lower limit of integration and upper limit of integration
on separate lines
1
2
6
ANALISIS NUMERICO
Input an even positive integer N.

4
The integral of F from 1.00000000 to 2.00000000 is 0.63630983
>>
El método de subdivisión se puede aplicar a cualquiera de las
fórmulas de Newton-Cotes.
La regla del trapecio requiere sólo un intervalo en cada aplicación,
por lo cual el entero n puede ser par o impar.
Teorema de la regla compuesta del Trapecio :

Sean f  C 2  a, b  , h  (b - a) / n y x j  a  jh para cada j  0,..., n.
Existe una   (a,b) tal que la regla compuesta del trapecio para n
subintervalos puede escribirse con su término de error como:
h n 1  ba 2

b
a
f ( x)dx  
2
f ( a )  2
j 1
f ( x j )  f (b)  
 12
h f ''(  ).
b h  f ( x0 )  2  f ( x1 )  f ( x2 )  f ( x3 )  f ( x4 ) 
con n=5:  f ( x)dx 
2

 f ( x5 )


a
Ver figura.
7
ANALISIS NUMERICO
El programa "REG_COMP_TRAP.m" implementa la regla

compuesta del trapecio.
Teorema de la regla compuesta del punto medio :

Sea f   a, b  , n par, h  (b - a ) /( n  2) y x j  a  ( j  1) / h para
cada j  -1, 0,1,..., n  1. Existe una   ( a, b) tal que la regla
compuesta del punto medio para n  2 subintervalos puede
escribirse con su término de error como sigue
n/2
(b  a ) 2
f ( x )dx  2h  f ( x2 j ) 
b
a
j 0 6
h f ''(  ).
f ( x) dx  2h  f ( x0 )  f ( x2 )  f ( x4 )  f ( x6 ) 
b
con n=6: a
Ver siguiente figura.
8
ANALISIS NUMERICO
EJEMPLO 2 :
Con la regla compuesta de Simpson, considere el problema de

aproximar 0
sen( x)dx con un error absoluto menor que 0.00002.
Regla Compuesta de Simpson : Esta regla nos da para algún  en (0, ).

 h  ( n / 2) 1 n/2   h4
 sen( x)dx   
2 sen ( x2j )  4  sen ( x2 j 1 
) - sen(  ).
0 3  j 0 j 0  180
Dado que el error absoluto debe ser menor que 0.00002, la

desigualdad
 h4  h4 5  
sen ( )    0.00002  con h  
 n
4
180 180 180n
sirve para determinar n y h.
Al completar estos cálculos se obtiene n  18.

Si n  20, entonces h   / 20, y la fórmula da
   9
 j  10
 (2 j  1) 
 sen( x )dx    sen 
2   4  sen  
0 60  j 0  10  j 0  20 
 2.000006.
Regla compuesta del trapecio : Para asegurarse del grado de exactitud

al usar la regla compuesta del trapecio, se requiere que
 h2  h2 3
sen(  )    0.00002.
12 12 12n 2
o que n  360.
Esto implica realizar un número de cálculos mucho mayor que los que se
requieren al aplicar la regla compuesta de Simpson.
9
ANALISIS NUMERICO
Por lo tanto, no se usará la regla compuesta del trapecio con n  20 y con


h . Al usar la regla de simpson se obtiene:
20
   19
 j  
 sen(x)dx    sen 
2   sen(0)  sen( ) 
0 40  j 1  20  
  19
 j  
   sen 
2 
40  j 1  20  
 1.9958860
La respuesta exacta es 2, de manera que la regla de Simpson con
n  20 proporciona una respuesta dentro de la cota de error requerida,
lo cual evidentemente no sucede en el caso de la regla del trapecio
con n  20.
4.7 METODOS ADAPTATIVOS DE CUADRATURA

INTRODUCCIÓN.
A continuación estudiamos fórmulas de integración numérica o cuadratura conocidas
como ecuaciones de Newton-Cotes. Una característica de estas fórmulas fue que la
estimación de la integral se basó en valores igualmente espaciados de la función. En
consecuencia, la localización de los puntos que se usaron en estas ecuaciones eran
predeterminados o fijos.
Por ejemplo, la regla del trapecio se basa en obtener el área bajo la línea recta que une
a los valores de la función, en los extremos del intervalo de integración. La fórmula que
se utiliza para calcular esta área es
I = (a-b)[ ( f( a ) + f( b ) ) / 2 ]
Donde a y b son límites de integración y b - a = el ancho del intervalo de integración.
Debido a que la regla del trapecio necesita los puntos extremos, existen casos donde la
formula pueda dar un gran error.
Ahora, suponga que se elimina la restricción de los puntos fijos y se tuviera la libertad de
evaluar el área bajo una línea recta que uniera dos puntos cualesquiera de la curva.
Al ubicar estos puntos en forma inteligente, definiríamos una línea recta que equilibrara
los errores negativo y positivo. Así que, llegaríamos a una mejor estimación de la
integral.
10
ANALISIS NUMERICO
Cuadratura es el nombre de una clase de técnicas para realizar tal estrategia. Las
formulas particulares de cuadratura. Antes de describir el procedimiento, mostraremos
que las fórmulas de integración numérica, como la regla del trapecio, pueden obtenerse
usando el método de coeficientes indeterminados. Este método se empleara después
para desarrollar las fórmulas apropiadas.
En análisis numérico un método de cuadratura es una aproximación de una integral

definida de una función. Una cuadratura que selecciona los puntos de la evaluación de
manera óptima y no en una forma igualmente espaciada, construida para dar el
resultado de una polinomio de grado 2n-1 o menos, elegibles para los puntos xi y los
coeficientes wi para i=1,...,n.
1. OBJETIVO.
En los objetivos para esta clase tenemos el cconocer los métodos adaptativos de
cuadratura en base a los criterios de eficiencia, precisión y tolerancia. Analizar una
muestra de datos empleando cada uno de los métodos de fórmulas compuestas de
integración y el método adaptativo de cuadratura.
2. METODOS ADAPTATIVOS DE CUADRATURA

En las fórmulas compuestas se requirió el uso de nodos equidistantes.
Este procedimiento no es adecuado cuando se integra una función en un intervalo que

contiene regiones con variaciones funcionales muy grandes y regiones con variaciones
funcionales muy pequeñas.
Si el error de distribución debe estar distribuido uniformemente, entonces se requiere un

paso de menor tamaño en las regiones donde ocurre mayor variación, que en las regiones
donde la variación es menor.
Esto requiere que el método a usar prediga el grado de variación funcional y que adapte el
tamaño del paso según sea la necesidad.
Por esta razón, la técnica se conoce como:
“Métodos Adaptativos de Cuadratura”
El método que se explica a continuación está basado en la regla compuesta de Simpson.

Pero se puede extender a otros procedimientos compuestos.
11
ANALISIS NUMERICO
b
Suponga que queremos aproximar  f  x dx con
a
una tolerancia especificada   0.
El primer paso del procedimiento consiste en aplicar la regla
de Simpson, con el tamaño de paso h 

b  a  , con n  2.
2
Este procedimiento nos da lo siguiente: (*)
b
h5
 f  x dx  S  a, b   f  4
  para algún  en  a, b 
a
90
h
donde S  a, b   f a  4 f a  h  f  b  
3
El siguiente paso consiste en estimar la exactitud de nuestra aproximación, y

particularmente que no se requiera encontrar y evaluar la cuarta derivada de f.
12
ANALISIS NUMERICO
Para ello, primero aplicamos la Regla Compuesta de Simpson

al problema tomando n  4 y como tamaño del paso
b  a   h lo cual nos da :
4 2
h  h  3h  
b
 f x dx  6  f a   4 f  a  2   2 f a  h   4 f  a 
a
  f b 
2  
4
h
   f 4  
~ ~ en a, b 
para alguna  (**)
 
2
Para simplificar la notación supongamos que :

 ab h   h 
S  a,    f a   4 f  a    f a  h 
 2  6  2 
Y que :
ab  h   3h  
S , b    f a  h   4 f  a    f b 
 2  6  2  
Entonces se puede re - escribir la expresión (**) como : (* * *)
 ab  a  b  1  h  4  ~
b 5
a f x dx  S  a, 2   S  2 , b   16  90  f  

La estimación del error se obtiene suponiendo que
 ~ , o más exactament e, que f  4     f  4  ~ .
El éxito de este método depende de la exactitud de
esta suposición.
13
ANALISIS NUMERICO
Si la suposición es exacta, entonces al igualar las

integrales de (*) y (***) implica que:
 ab  a  b  1  h   4
5
h5  4
S  a, S ,b    f     S  a, b   f 
 2   2  16  90  90
Así,
h5  4 16   ab  a  b 
f     S  a, b   S  a, S , b 
90 15   2   2 
Al utilizar esta estimación en (***) se obtiene la estimación
 ab  ab 
b
del error:  f  x  dx  S  a, S ,b 
a  2   2 
1  ab  ab 
 S  a, b   S  a, S ,b 
15  2   2 
 ab ab 
Este resultado significa que S  a,   S ,b
 2   2 
b
aproxima a  f x dx
a
unas 15 veces mejor de lo que
concuerda con el valor conocido S a, b .

 ab ab 
Por tanto, si Sa, b   S  a,   S , b   15 ()
 2   2 
 ab ab 
b
Esperamos tener  f x dx  S  a,
a
  S
2   2
, b    ()

 ab ab 
Y se supone que S  a,   S , b  es una
 2   2 
b
aproximaci ón suficiente exacta a  f  x dx
a
14
ANALISIS NUMERICO
EJEMPLO: Para mostrar la exactitud de la estimación

del error que se da en las ecuaciones    y   

2
considere su aplicación a la integral  sen( x)dx  1.
0
Al aplicar el método se tiene:


        
S  0,   4  sen(0)  4 sen    sen    
 2 3 4  2   12
2 2 1 
 1.002279878 y

           3    
S  0,   S  ,   8  sen(0)  4 sen    2 sen    4 sen    sen   
 4 4 2 3  8 4  8   2 
 1.000134585
1       
Por tanto, S  0,   S  0,   S  ,   0.000143020
15  2   4 4 2
15
ANALISIS NUMERICO
Esto se aproxima muy bien al error real :


2
 sen x dx  1.000134585  0.000134585

0
Aunque D  4  sen x   sen x  varía significat ivamente

  
en el intervalo  0, .
 2
Cuando la estimación del error en   difiere por mas
de 15 no es válida, aplicamos la regla de Simpson de
 a  b
manera individual a los sub - intervalos  a, y
 2 

a  b 
 , b .
 2 
Después utilizamos el procedimiento de

estimación del error para determinar si la aproximaci ón
a la integral en cada intervalo se encuentra dentro de una

tolerancia . De ser así, sumamos las aproximaci ones para
2
producir una aproximaci ón a la integral deseada con una
tolerancia de  .
En caso de que la aproximaci ón en uno de los subintervalos

no se encuentre dentro de la tolerancia , subdividimos
2
dicho subintervalo y repetimos el procedimiento en dos
16
ANALISIS NUMERICO
subintervalos para determinar si la aproximación en cada


subintervalo tiene una exactitud de . Continuamos este
4
procedimiento de partir en mitades hasta que cada parte
esté dentro de la tolerancia requerida.
Aunque podemos construir problemas en los que nunca se

obtendrá esta tolerancia, el procedimiento suele ser eficaz,
porque con cada subdivisión, por lo general la exactitud de
de la aproximación incrementa en un factor de 16, aunque
sólo se requiere un factor de 2.
El algoritmo 043, detalla este procedimiento. Pero la tolerancia inicial se fija en 10ε en
lugar de 15ε
Esto se hace para compensar el error en la suposición de que las cuartas derivadas son
iguales, y en los problemas en donde se sabe que la derivada varía mucho se puede
escoger un valor menor.
Ejemplo de Aplicación del Algoritmo
Encuentre la integral de f(x)=(100/x2)sen(10/x) para x en [1,3]. Use una tolerancia de 10-4

y n=4.
Execution del ALG043
This is Adaptive Quadrature with Simpsons Method.
Input the function F(x) in terms of x
For example: cos(x)
y = (100/x^2) * (sin(10/x))
Input lower limit of integration and upper limit of integration on separate lines
17
ANALISIS NUMERICO
Input tolerance.
1e-4
Input the maximum number of levels.
100
The integral of F from 1 to 3 is
-1.42601481 to within 1.00000000e-004
The number of function evaluations is: 93
https://es.wikipedia.org/wiki/F%C3%B3rmulas_de_Newton%E2%80%93Cotes
4. BIBLIOGRAFÍA
5. GLOSARIO
1. ¿Qué son las formulas compuestas de integración?
2. ¿Cuáles son los métodos vistos en clase?
3. ¿Explique la Regla compuesta del Trapecio?
4. ¿Explique la Regla compuesta de Simpson?
5. ¿Qué es el método adaptativo de la Cuadratura?
6. ¿Mencione un método adaptativo de la Cuadratura?
7. ¿Cuál es la fórmula a considerar en el algoritmo?
18
ANALISIS NUMERICO
UNIDAD IV
4.8 MÉTODOS DE INTEGRACIÓN GAUSSIANA
4.9 MÉTODOS DE GAUSS LEGENDRE
4.8 MÉTODOS DE INTEGRACIÓN GAUSSIANA

1. INTRODUCCIÓN.
En las fórmulas de integración pasadas considerando que los espaciamientos son iguales, es
decir que la variable independiente x está dividida en intervalos equiespaciados. Gauss observo
que a falta de exigir la condición de conocimiento de la función f(x) en valores
predeterminados, una fórmula de tres términos requeriría seis parámetros (en vez de tres
como el caso de Simpson) y correspondería a una fórmula de integración poli nómica de grado
cinco. Las formulas gaussianas pueden aplicarse cuando la función f(x) se conoce
explícitamente si por el contrario, se conocen valores equiespaciados de la función ya que estas
han sido evaluadas experimentalmente, se deben usar las fórmulas de integración numérica.
Las fórmulas de integración de Gauss tienen la forma:
Donde, wi son las funciones de peso y f(x) son las n+1 evaluaciones de la función f(x)
2. OBJETIVO.
Estudiar los métodos matemáticos de derivación e integración Gaussiana en base a los

criterios de eficiencia, precisión y tolerancia. Identificar el método idóneo que debe
aplicarse a una muestra de datos de un problema real. Implementar cada uno de los
métodos de derivación e integración en la herramienta informática.
3. METODOS DE INTEGRACION GAUSSIANA.

Las fórmulas de Newton-Cotes se dedujeron integrando los polinomios interpolantes.
1
ANALISIS NUMERICO
Ya que el término de error en el polinomio interpolante de grado n contiene la (n+1)

derivada de la función a aproximar, una fórmula de este tipo será exacta cuando aproxime
cualquier polinomio de un grado menor o igual que n.
En todas las fórmulas de Newton-Cotes se emplean valores de la función en puntos

equidistantes.
Las fórmulas de Newton-Cotes se dedujeron integrando los polinomios interpolantes.
En todas las fórmulas de Newton-Cotes se emplean valores de la función en puntos

equidistantes. Por lo que analizaremos los siguientes casos.
Esta situación puede afectar considerablemente la exactitud de la aproximación. Por

ejemplo, véase el caso de la regla del trapecio con que se determinan las integrales de las
siguientes funciones.
A=X1 B=X2 A=X1 B=X2 A=X1 B=X2
La regla del trapecio, sin duda ésta no es la mejor línea para aproximar la integral. Las
líneas como las que se muestran en la siguiente figura seguramente producirán, en la
generalidad de los casos, mucho mejores aproximaciones.
A X1 B X2 A X1 B X2 A X1 B X2
2
ANALISIS NUMERICO
La cuadratura gaussiana selecciona los puntos de la evaluación de manera óptima y no en

una forma igualmente espaciada.
Se escogen los nodos x1, x2, …, xn en el intervalo [a,b] y los coeficientes c1, c2, …, cn, para
reducir en lo posible el error esperado que se obtiene al efectuar la aproximación.
n
f ( x)dx  ci f ( xi )
b
a
i 1
Si se desea medir esta exactitud, se supondrá que la selección

óptima de estos valores es la que dé el resultado exacto de la clase
más numerosa de polinomios; es decir, la selección que ofrezca el
máximo grado de presición.
En la fórmula de aproximación los coeficientes c1, c2, …, cn son arbitrarios, y los nodos
x1,x2,…,xn están restringidos sólo por la especificación de que se encuentren en [a,b], el
intervalo de la integración . Esto genera 2n parámetros de donde elegir.
Si los coeficientes de un polinomio se consideran parámetros, la clase de polinomios de

grado máximo 2n – 1 también contiene 2n parámetros. Así pues, éste es el tipo de
polinomios más amplio en que es posible esperar que la fórmula sea exacta.
Para dar un ejemplo del procedimiento con que se escogen los parámetros apropiados, se
mostrará cómo seleccionar los coeficientes y los nodos cuando n = 2 y cuando el intervalo
de integración es [-1, 1].
Después se explicará el caso más general de una elección arbitraria de los nodos y
coeficientes, indicando cómo modificar el método cuando se integra en un intervalo
arbitrario.
Suponiendo que se quiere determinar c1, c2, x1 y x2 de modo que la fórmula de integración:
1 n
 f  x  dx   c f ( x ), da el resultado exacto,
1 i 1
i i
Siempre que f(x) sea un polinomio de grado 2(2) – 1 = 3 o menor, es decir, cuando f(x)=a0
+a1x + a2x2 +a3x3, para algún conjunto de constantes a0, a1, a2 y a3.
3
ANALISIS NUMERICO
Dado que:
 (a 0  a1 x  a2 x 2  a3 x 3 )dx  a0  1dx  a1  xdx  a2  x 2 dx  a3  x 3dx,
esto equivale a demostrar que la fórmula produce resultados exactos

cuando f ( x) es 1, x, x 2 , x 3 . Por tanto, se necesita c1 , c2 , x1 y x2 ,
de modo que:
1 1
c1 1  c2 1   1
1dx  2, c1  x1  c2 x2  
1
xdx  0,
2 1 1
c1  x12  c2  x22 
1 3
, y  c1  x13  c2 x23   x 3 dx  0,
x 2 dx 
1
Con unas cuantas operaciones algebraicas se puede demostrar

que este sistema de ecuaciones tiene solución única
3 3
c1  1, c2  1, y x2 x1  
3 3
con que se obtienen la fórmula de aproximación
1  3  3

f ( x ) dx  f  
3

  f 
3
 .
   
-1
Esta fórmula tiene un grado de precisión tres, esto es, produce

el resultado exacto con cada polinomio de grado tres o menor.
ALGORITMO EN EJECUCION
Este es el método de Cuadratura Gaussiana.
Ingrese la funcion F(x) en terminos de x
Por ejemplo: cos(x)
'x^4'
Ingrese el limite inferior de integracion 'a' y el limite superior de
integracion 'b‘ en lineas separadas
0.5
4
ANALISIS NUMERICO
Ingrese un numero entero positivo N entre 2 y 5.
EL integral de F de 0.50000000000 a 1.00000000000
con N igual a 2
es :-------> 0.1935763888901679300000000000
EJEMPLO 2: Aproximar la integral de X4, en el intervalo [0.5,1]. El valor real es: 0.19375
4.9 MÉTODOS DE GAUSS LEGENDRE

En las fórmulas de integración pasadas considerando que los espaciamientos son iguales, es
decir que la variable independiente x está dividida en intervalos equiespaciados. Gauss observo
que a falta de exigir la condición de conocimiento de la función f(x) en valores
predeterminados, una fórmula de tres términos requeriría seis parámetros (en vez de tres
como el caso de Simpson) y correspondería a una fórmula de integración poli nómica de grado
cinco. Las formulas gaussianas pueden aplicarse cuando la función f(x) se conoce
explícitamente si por el contrario, se conocen valores equiespaciados de la función ya que estas
han sido evaluadas experimentalmente, se deben usar las fórmulas de integración numérica.
5
ANALISIS NUMERICO
Las fórmulas de integración de Gauss tienen la forma:
Donde, wi son las funciones de peso y f(x) son las n+1 evaluaciones de la función f(x)
Cuadratura Gauss Legendre
El objetivo de este método es aproximar la función f(x), por un polinomio pn (x) que sea
ortogonal con respecto a una función de peso dado, en el intervalo.
f(x)=Pn(x)+Rn(x)
Donde w(x) son funciones de peso, Pn(x) es el polinomio seleccionado y Rn(x) es el residuo
originado por la aproximación.
Es conveniente que los límites de integración sea entre (-1,1) y no entre (a, b ). para ello se
puede hacer un sencillo cambio de variable de la siguiente forma:
Así se tiene que.
L1 es el polinomio de Legendre:
6
ANALISIS NUMERICO
Nótese que I e I’ están relacionadas de la siguiente manera:
Reagrupando los términos de la primera ecuación de esta cuadratura, se tiene:
Se puede demostrar que si la función F(t) es equivalente a un polinomio de grado inferiros o

igual a un polinomio de grado 2n+1, la integral es exacta si los coeficientes son calculados por la
fórmula:
Las funciones Ω(t) son funciones positivas integrales asociadas a la propiedad de ciertos
polinomios ortogonales. De hecho los valores que aparecen en el cálculo de la sumatoria son
justamente las raíces de estos mismos polinomios ortogonales, raíces utilizadas en el
desarrollo:
Dependiendo del intervalo (a,b), también llamado dominio, se selecciona el tipo de polinomio
que satisfaga la ecuación general del método de Romberg.
Finalmente el resultado de la integral es:
7
ANALISIS NUMERICO
Polinomios de Legendre:
Dominio (1,1), función de peso Ω(x)=1
4. OBJETIVO.
Estudiar los métodos matemáticos de derivación e integración Gaussiana en base a los
criterios de eficiencia, precisión y tolerancia así como aprender a estudiar los métodos
matemáticos de derivación e integración Gauss-Legendre en base a identificar el
método idóneo que debe aplicarse a una muestra de datos de un problema real.
5. METODOS DE GAUSS LEGENDRE.

Con esta técnica podríamos determinar los nodos y coeficientes
de las fórmulas que proporcionan resultados exactos con los
polinomios de grado superior, pero también se puede aplicar
un método alterno para obtenerlos más fácilmente.
El problema de obtenerlos está relacionado con el conjunto de
polinomios de Legendre, un conjunto  P0 ( x ), P1 ( x ),..., Pn ( x )
con las siguientes propiedades:
1. Para cada n, Pn ( x), es un polinomio de grado n.

1
2. 
-1
P ( x) Pn ( x) dx  0 siempre que P ( x) sea un polinomio de un
grado menor que n.
8
ANALISIS NUMERICO
Los primeros polinomios de Legendre son:

1
P0 ( x )  1, P1 ( x )  x, P2 ( x )  x 2  ,
3
3 6 3
P3 ( x )  x 3  x y P4 ( x )  x 4  x 2  .
5 7 35
Las raíces de estos polinomios son diferentes, se encuentran en

el intervalo (-1, 1) tienen simetría con respecto del origen y, lo
más importante de todo, es la opción correcta para determinar
los parámetros que resuelven el problema planteado.
Los nodos x1 , x2 ,..., xn necesarios para producir una fórmula de
la aproximación a la integral, que proporcione resultados
exactos para cualquier polinomio de un grado menor que 2n
son las raíces del polinomio de Legendre de grado n.
Esto se establece por medio del siguiente teorema.
TEOREMA DE LA INTEGRAL DEL

POLINOMIO DE LEGENDRE
Suponiendo que x1 , x2 ,..., xn son las raíces del polinomio de
Legendre Pn ( x) de n - ésimo grado y que para cada i  1, 2, ...,
n, los números ci están definidos por
n x  xj
x
1
ci   dx
1
j 1 i  xj
j i
Si P( x) es un polinomio cualquiera de un grado menor que 2n,

n
P( x) dx   ci P ( xi ).
1
entonces  -1
i 1
9
ANALISIS NUMERICO
Las constantes ci necesarias para que la cuadratura funcione,

pueden generarse a partir de la ecuación del teorema anterior,
pero ambas constantes y las raíces de los polinomios de
Legendre se tabulan ampliamente. La tabla siguiente contiene
estos valores para n  2, 3, 4 y 5 (Existen tablas con n  5).
n Raíces rn ,i Coeficientes cn ,i
2 0.5773502692 1.0000000000
-0.5773502692 1.0000000000
3 0.7745966692 0.5555555556
0.0000000000 0.8888888889
-0.7745966692 0.5555555556
n Raíces rn ,i Coeficientes cn ,i
4 0.8611363116 0.3478548451
0.3399810436 0.6521451549
-0.3399810436 0.6521451549
-0.8611363116 0.3478548451
5 0.9061798459 0.2369268851
0.5384693101 0.4786286705
0.0000000000 0.5688888889
-0.5384693101 0.4786286705
-0.9061798459 0.2369268851
b
Una integral 
a
f ( x) dx en un intervalo arbitrario [a,b] se puede
transformar, en otra en [-1, 1] usando el cambio de variables,
así:
10
ANALISIS NUMERICO
t
(b, 1)
2x – a – b
1
t = ---------------
b-a
x
a b
-1
(a, -1)
2x - a - b 1
t  x=  (b  a )t  a  b  .
b-a 2
Esto permite aplicar la cuadratura gaussiana a cualquier
intervalo [a, b], ya que
b 1  ((b  a )t  a  b)  b  a
 a
f ( x ) dx =  f 
-1
 2

 2
dt (*1*)
EJEMPLO 1: Considerando el problema de obtener

1.5 - x2
aproximaciones a  e
1
dx. La tabla siguiente contiene los
valores de las fórmulas de Newton-Cotes.
El valor exacto de la integral con siete decimales es 0.1093643.
n 0 1 2 3 4
Fórmulas
cerradas 0.1183197 0.1093104 0.1093404 0.1093643
Fórmulas
abiertas 0.1048057 0.1063473 0.1094116 0.1093971
El procedimiento de la cuadratura gaussiana aplicado a este problema

requiere transformar primero la integral en un problema cuyo intervalo
de integración sea [-1, 1]. Al usar la ecuación (*1*) se tiene:
- x2 2
(t 5)2
 
1.5 1  12 1.51.0t 1.51  1
1 e dx   e   1.5  1.0
dt  1  e 16 dt.
1 2 4 1
11
ANALISIS NUMERICO
Al utilizar los valores de la tabla, se obtiene mejores

aproximaciones de la cuadratura gaussiana en este problema.
n2
- x2
1.5 1   (5 0.5773502692)
1 e dx   e  (5 0.5773502692)   0.1094003.
2 2
/16 /16
e
4 
n3
 (0.5555555556)e  (5 0.7745966692) /16  
2
1 
- x 2
1.5
 e dx  (0.8888888889)e  (5) /16    0.1093642.
2
1 4  (5  0.7745966692) /16
2 
 (0.5555555556)e 
https://es.wikipedia.org/wiki/Integral_de_Gauss
https://en.wikipedia.org/wiki/Gauss%E2%80%93Legendre_algorithm
7. BIBLIOGRAFÍA
8. GLOSARIO
1. ¿Qué es la Cuadratura Gaussiana?
2. ¿Su fórmula es:?
3. ¿Qué es la técnica de Gauss-Legendre?
4. ¿Cuál es el objetivo de la cuadratura de Gauss?
12
ANALISIS NUMERICO
UNIDAD V
TÉCNICAS DE SOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINARIAS
CON PROBLEMAS DE VALOR INICIAL
5.1 -5.2 TEORÍA DE SOLUCIÓN NUMÉRICA DE EDO’S Y METODO DE EULER
1. INTRODUCCIÓN
Las Ecuaciones Diferenciales son utilizados para para modelar problemas de ciencias e
ingeniería que requieren para su explicación el cambio de una variable con respecto a
otra.
2. OBJETIVO
Conceptualizar los métodos matemáticos que resuelven ecuaciones diferenciales cuyas
soluciones convergen a un valor y además el comparar los métodos matemáticos de Euler,
en base a los criterios de eficiencia, precisión y tolerancia.
5.1 TEORÍA DE SOLUCIÓN NUMÉRICA DE EDO’S Y METODO DE EULER
MÉTODO DE EULER
La idea del método de Euler es muy sencilla y está basada en el significado geométrico de
la derivada de una función en un punto dado.
Supongamos que tuviéramos la curva solución de la ecuación diferencial y trazamos la

recta tangente a la curva en el punto dado por la condición inicial.
1
ANALISIS NUMERICO
Debido a que la recta tangente aproxima a la curva en valores cercanos al punto de tangencia,
podemos tomar el valor de la recta tangente en el punto como una aproximación al valor
deseado.
Así, calculemos la ecuación de la recta tangente a la curva solución de la ecuación
diferencial dada en el punto . De los cursos de Geometría Analítica, sabemos que la

ecuación de la recta es:
donde m es la pendiente. En este caso, sabemos que la pendiente de la recta tangente se

calcula con la derivada:
Por lo tanto, la ecuación de la recta tangente es :
Ahora bien, suponemos que es un punto cercano a , y por lo tanto estará dado
como . De esta forma, tenemos la siguiente aproximación:
2
ANALISIS NUMERICO
De aquí, tenemos nuestra fórmula de aproximación:
Esta aproximación puede ser suficientemente buena, si el valor de h es realmente pequeño,

digamos de una décima ó menos. Pero si el valor de h es más grande, entonces podemos
cometer mucho error al aplicar dicha fórmula. Una forma de reducir el error y obtener de
hecho un método iterativo, es dividir la distancia en n partes iguales (procurando

que estas partes sean de longitud suficientemente pequeña) y obtener entonces la
aproximación en n pasos, aplicando la fórmula anterior n veces de un paso a otro, con la
nueva h igual a .
En una gráfica, tenemos lo siguiente:
Ahora bien, sabemos que:
Para obtener únicamente hay que pensar que ahora el papel de lo toma el punto
, y por lo tanto, si sustituímos los datos adecuadamente, obtendremos que:
De aquí se ve claramente que la fórmula recursiva general, está dada por:
3
ANALISIS NUMERICO
Esta es la conocida fórmula de Euler que se usa para aproximar el valor de aplicándola
sucesivamente desde hasta en pasos de longitud h.
Ejemplo 1
Dada la siguiente ecuación diferencial con la condición inicial:
Aproximar .
NOTA
Primero observamos que esta ecuación sí puede resolverse por métodos tradicionales de
ecuaciones diferenciales. Por ejemplo, podemos aplicar el método de separación de variables.
Veamos las dos soluciones.
Solución Analítica.
Sustituyendo la condición inicial:
4
ANALISIS NUMERICO
Por lo tanto, tenemos que la curva solución real está dada:
Y por lo tanto, el valor real que se pide es:
Solución Numérica
Aplicamos el método de Euler y para ello, observamos que la distancia entre y no es
lo suficientemente pequeña. Si didimos esta distancia entre cinco obtenemos un valor de y por
lo tanto, obtendremos la aproximación deseada en cinco pasos.
De esta forma, tenemos los siguientes datos:
Sustituyendo estos datos en la fórmula de Euler, tenemos, en un primer paso:
Aplicando nuevamente la fórmula de Euler, tenemos, en un segundo paso:
Y así sucesivamente hasta obtener . Resumimos los resultados en la siguiente tabla:
5
ANALISIS NUMERICO
n
0 0 1
1 0.1 1
2 0.2 1.02
3 0.3 1.0608
4 0.4 1.12445
5 0.5 1.2144
Concluimos que el valor aproximado, usando el método de Euler es:
Puesto que en este caso, conocemos el valor verdadero, podemos usarlo para calcular el error relativo
porcentual que se cometió al aplicar la fórmula de Euler. Tenemos que:
Ejemplo 2
Aplicar el método de Euler para aproximar , dada la ecuación diferencial.
Solución
Nuevamente vemos que nos conviene dividir en pasos la aproximación. Así, elegimos
nuevamente para obtener el resultado final en tres pasos. Por lo tanto, aplicamos el método
de Euler con los siguientes datos:
En un primer paso, tenemos que:
6
ANALISIS NUMERICO
Resumimos los resultados en la siguiente tabla:
n
0 1 2
1 1.1 2.3
2 1.2 2.6855
3 1.3 3.1901
De lo cual, concluímos que la aproximación buscada es:
MÉTODO DE EULER MEJORADO

Este método se basa en la misma idea del método anterior, pero hace un refinamiento en la
aproximación, tomando un promedio entre ciertas pendientes.
La fórmula es la siguiente:
donde
Para entender esta fórmula, analicemos el primer paso de la aproximación, con base en la siguiente
gráfica:
7
ANALISIS NUMERICO
En la gráfica, vemos que la pendiente promedio corresponde a la pendiente de la recta

bisectriz de la recta tangente a la curva en el punto de la condición inicial y la “recta tangente” a
la curva en el punto , donde es la aproximación obtenida con la primera fórmula de
Euler. Finalmente, esta recta bisectriz se traslada paralelamente hasta el punto de la condición
inicial, y se considera el valor de esta recta en el punto como la aproximación de Euler
mejorada.
Ejemplo 1
Aplicar el método de Euler mejorado, para aproximar si:
Solución
Vemos que este es el mismo ejemplo 1 del método anterior. Así que definimos y
encontraremos la aproximación después de cinco iteraciones. A diferencia del método de Euler
1, en cada iteración requerimos de dos cálculos en vez de uno solo: el de primero y
posteriormente el de .
Para aclarar el método veamos con detalle las primeras dos iteraciones. Primero que nada,
aclaramos que tenemos los siguientes datos iniciales:
8
ANALISIS NUMERICO
En nuestra primera iteración tenemos:
Nótese que el valor de coincide con el (Euler 1), y es el único valor que va a coincidir,
pues para calcular se usará y no .
Esto lo veremos claramente en la siguiente iteración:
Nótese que ya no coinciden los valores de (Euler 1) y el de . El proceso debe seguirse

hasta la quinta iteración. Resumimos los resultados en la siguiente tabla:
9
ANALISIS NUMERICO
0 0 1
1 0.1 1.01
2 0.2 1.040704
3 0.3 1.093988
4 0.4 1.173192
5 0.5 1.28336
Concluímos entonces que la aproximación obtenida con el método de Euler mejorado es:
Con fines de comparación, calculamos el error relativo verdadero:
Vemos que efectivamente se ha obtenido una mejor aproximación con este método,
reduciendo el error relativo verdadero de un 5.4% hasta un 0.05%. En nuestro tercer método
veremos cómo se reduce aún más este error prácticamente a un 0%
Veamos un segundo ejemplo.
Ejemplo 2
Aplicar el método de Euler mejorado para aproximar y(1.3) si tenemos :
Solución
Tenemos los siguientes datos:
10
ANALISIS NUMERICO
En una primera iteración, tenemos lo siguiente:
Resumimos los resultados en la siguiente tabla:
n
0 1 2
1 1.1 2.385
2 1.2 2.742925
3 1.3 3.07635
Concluimos entonces que la aproximación buscada es:
Finalmente, veamos el tercero y último método que estudiaremos en este curso.
Por simplicidad del curso, no veremos la justificación formal de estas últimas fórmulas.
11
ANALISIS NUMERICO
5.3 MÉTODO DE TAYLOR DE ORDEN SUPERIOR

1. INTRODUCCIÓN
El método de resolución de Euler anterior se basó básicamente en una simple aproximación de
la derivada primera
x(t  t )
Despejando y teniendo en cuenta que x es precisamente f(x,t) encontrábamos una
x x
ecuación de recurrencia para (t  t ) . Ahora haremos lo siguiente: desarrollaremos (t  t ) en
serie de Taylor hasta un orden que elegimos a conveniencia.
x(t  t )
Por ejemplo si desarrollamos en Taylor a tomando solo 3 términos de la serie
obtenemos:
 f (x,t) y entonces
pero, según la ecuación diferencial, x
f f
 fx  ft
( donde hemos utilizado la notación: x y t
Luego, si en la ecuación 3.1 reemplazamos x por f y además reemplazamos x por 3.2 nos
x
queda una ecuación de recurrencia para (t  t )
12
ANALISIS NUMERICO
A diferencia de la de Euler, esta ecuación (aunque más “precisa”) posee derivadas de la función,
f es decir es necesario calcular previamente estas derivadas.
Por qué decimos que la 3.5 es más precisa que su análoga 2.4, se justifica inmediatamente si se
x
tiene en cuenta que la 2.4 también es originada desarrollando en Taylor a (t  t ) , pero
quedándose solamente con un solo termino del desarrollo .Vale decir el método de Euler pasa a
ser un caso particular de resolución por serie de Taylor (cuando tomamos solo dos términos de
la serie)
Teniendo en cuenta entonces que se trata de métodos que utilizan desarrollos en Taylor, el
x
error cometido al aproximar (t  t ) por el polinomio
Está en el orden de t o menor, mientras que en la 3.5 (que sale del polinomio de Taylor 3.1)
2
el error es del orden de t (o menor) es decir un orden de magnitud más pequeño .

3
Si en vez de cortar la serie en t hubiésemos tomado más términos, la 3.5 se hubiese

2
complicado bastante más. Si por ejemplo hubiésemos tomado 4 términos de la serie de Taylor
hubiese aparecido una derivada tercera, que si la calculamos da:
3.6
donde utilizamos la notación:
2 2 2
f  ftt  ftx f  fxx
t2 tx x2
2. OBJETIVO
Conceptualizar los métodos matemáticos que resuelven ecuaciones diferenciales cuyas
soluciones convergen a un valor. Comparar los métodos matemáticos de Euler y Taylor, en
base a los criterios de eficiencia, precisión y tolerancia. Analizar una muestra de datos
empleando cada uno de los métodos matemáticos de Euler y Taylor.
13
ANALISIS NUMERICO
3. MÉTODO DE TAYLOR DE ORDEN SUPERIOR
EJEMPLO 1 : Aplicar el Método de Taylor de órdenes 2 y 4 al

problema de Valor Inicial :
y  y  t 2  1 , 0  t  2 , y 0   0.5
Solución :
Encontrand o primero las tres derivadas de f con respecto a t :
f t , y t   y t   t 2  1
f t , y t   y t   2t  y  t 2  2t  1
f t , y t   y   2t  2  y  t 2  1  2t  2  y  t 2  2t  1
f t , y t   y   2t  2  y  t 2  1  2t  2  y  t 2  2t  1
Entonces
T  2  ti , i   f ti , i  
h
2

h
2

f ti , i   i  ti2  1  i  ti2  2ti  1

 1 h
2
  t
i i
2

 1  hti
14
ANALISIS NUMERICO
h2 h3
T 4 
ti , i   f ti , i   f ti , i   f ti , i   f ti , i 
h
 
2 6 24
   
2
h h
 i  ti2  1  i  ti2  2ti  1  i  ti2  2ti  1
2 6
 
3
h
 i  ti2  2ti  1
24
 h h 2 h3   h h2 
 1    
  i  ti2  1   hti   1  
h h 2 h3

 2 6 24   3 12  2 6 24
En consecuencia, los métodos de Taylor de órdenes 2 y 4 son :
0  0.5
 
i 1  i  h 1  i  ti2  1  hti 
h
para cada i  0,1,..., N  1
 2 
y 0  0.5
 h h 2 h 3   h h2  h h 2 h3 
 
i 1  i  h 1     i  ti  1   hti  1    
2
 2 6 24   3 12  2 6 24 
Si se toman en particular los valores de h  0.2, entonces N  10

ti  0.2 i para i  0,1,2,...,9. Por tanto el Método de 2º orden es :
0  0.5
 
i 1  i  0.2 1  
0. 2 

 i  0.04i  1  0.04i 
2
 2  
i 1  1.22i  0.0088i 2  0.008i  0.22 y el de 4º orden es :
0  0.5
 
0.2 0.04 0.008 
1  2  6  24  i  0.04i
2
  
  
i 1  i  0.2
  0.2 0.04  0.2 0.04 0.008 
 1  3  12 0.04i   1  2  6  24 
   
i 1  1.2214i  0.008856i 2  0.00856i  0.2186
15
ANALISIS NUMERICO
Valores Métodos de Taylor Métodos de Taylor

exactos de orden 2 Error de orden 4 Error
ti y (ti ) wi y (ti ) - wi wi y (ti ) - wi
0.0 0.5000000 0.5 0 0.5000000 0
0.2 0.8292986 0.8300000 0.0007014 0.8293000 0.0000014
0.4 1.2140877 1.2158000 0.0017123 1.2140910 0.0000034
0.6 1.6489406 1.6520760 0.0031354 1.6489468 0.0000062
0.8 2.1272295 2.1323347 0.0051032 2.1272396 0.0000101
1.0 2.6408591 2.6486459 0.0077868 2.6408744 0.0000153
1.2 3.1799415 3.1913480 0.0114065 3.1799640 0.0000225
1.4 3.7324000 3.7486446 0.0162446 3.7324321 0.0000321
1.6 4.2834838 4.3061464 0.0226626 4.2835285 0.0000447
1.8 4.8151763 4.8462986 0.0311223 4.8152377 0.0000615
2.0 5.3054720 5.3476843 0.0422123 5.3055554 0.0000834
Si se quiere encontrar una aproximación para el valor de t = 1.25, deberá emplearse

interpolación. Para ello se requieren aproximaciones a y´(1.2) y y´(1.4)
Así como las aproximaciones a y(1.2) y y(1.4) Donde las aproximaciones a las derivadas están
disponibles de la ED:
Dado que y   f t , y t   y t   t 2  1
Así y 1.2   y 1.2   1.2   1  3.3180810
2
y 1.4   y 1.4   1.4   1  2.7724321

2
Verifique se obtiene que y(1.25)=3.3336166

TEOREMA 5.12
Si se utiliza el Método de Taylor de orden n para aproximar
la solución de:
y  t   f t, y t  , at b , y a  
Con tamaño de paso h y si y  C n 1  a,b  , entonces el error
local de truncamiento es del O  h n  .
EJERCICIO :
Aplique el Método de Taylor de Orden 2 para aproximar la
solución del siguiente problema de Valor Inicial:
y
y  1  , 1 t  2 , y 1  2 , h  0.25
t 16
ANALISIS NUMERICO
ALGORITMO
Obtener f´(t,y(t))
Calcular T(2)(t,y(t))
Definir ωi+1
Calcular ω0, ω1, ω2, ω
Obteniendo f t , y t 
f t , y t   1 
y
t
f t t , y t    2
y
t
f y t , y t  
1
t
f t , y t   f t t , y t   f y t , y t  f t , y t 

y 1 y
f t , y t   
y 1 y 1
 1     2   2 
t 2
t t  t t t t
Calcular T  2  t , y t  :
T  2  t , y t   f t , y t  f  t , y t 
h
2
y 0.25  1 
1   
t 2 t 
y 0.25
1 
t 2t
Definir i1
Si i  y ti  entonces i1  i  hT 2  ti , i 
  0.25 
 i  0.251  i  
 ti 2ti 
Si ti  1  0.25i
 i 0.25 
Entonces i1  i  0.251   
 1  0.25i 21  0.25i  
17
ANALISIS NUMERICO
ti i
1.00 2.00000000
1.25 2.78125000
1.50 3.61250000
1.75 4.48540000
2.00 5.39400000
Por ejemplo para el cálculo de 1 :
 0 0.25 
1 con i  0 : 01  0  0.251  
 1  0.250  21  0.250  
 2.00 0.25 
1  2.00  0.251    2.78125
 1.00 2.001.00  0  
https://es.wikipedia.org/wiki/M%C3%A9todo_de_Euler
https://es.wikipedia.org/wiki/Teorema_de_Taylor
5. BIBLIOGRAFÍA
6. GLOSARIO
1. ¿Qué es el método de Euler?
2. ¿Cuál es la fórmula del método, que se debe considerar en el algoritmo?
3. A manera de ejercicio de investigación, considere la siguiente pregunta: ¿En qué

consiste el método de Euler modificado, cuál es su algoritmo, descríbalo?
18
ANALISIS NUMERICO
4. ¿El método de Taylor de orden 1 es también llamado?
5. ¿La fórmula de Taylor que consideraremos en el algoritmo es :?
6. ¿A su criterio cual puede ser una desventaja del método de Taylor, que considera la
fórmula :?
19
ANALISIS NUMERICO
UNIDAD V
5.1 -5.2 TEORÍA DE SOLUCIÓN NUMÉRICA DE EDO’S Y METODO DE EULER

1. ¿Qué es el método de Euler?
Respuesta: es un método de primer orden, lo que significa que el error local es proporcional
al cuadrado del tamaño del paso, y el error global es proporcional al tamaño del paso. Es un
procedimiento de integración numérica para resolver ecuaciones diferenciales
ordinarias (EDO) a partir de un valor inicial dado. El método de Euler es el más simple de
los métodos numéricos para resolver un problema de valor inicial, y el más simple de
los Métodos de Runge-Kutta
2. ¿Cuál es la fórmula del método , que se debe considerar en el algoritmo?
Respuesta:
3. A manera de ejercicio de investigación, considere la siguiente pregunta: ¿En qué

consiste el método de Euler modificado, cuál es su algoritmo, descríbalo?
4. ¿El método de Taylor de orden 1 es también llamado?
Respuesta: El método de Euler.
5. ¿La fórmula de Taylor que consideraremos en el algoritmo es :?
Respuesta:
6. ¿A su criterio cual puede ser una desventaja del método de Taylor, que considera la
fórmula :?
Respuesta: Que como requisito para sus cálculos de orden dos y cuatro, la formula debe
tenerse la primera, segunda y tercer derivada, definida en el intervalo en estudio.
1
ANALISIS NUMERICO
UNIDAD V
5.4 MÉTODO DE RUNGE-KUTTA
5.5 MÉTODO DE RUNGE-KUTTA FEHLBERG

1. INTRODUCCIÓN
La computadora, es la herramienta más poderosa hasta ahora conocida, para la solución de
problemas en el campo de las ciencias exactas, en este caso los métodos numéricos, como
punto principal por sus aplicaciones en la ingeniería.
Los métodos numéricos son técnicas, donde es posible resolver los problemas por medio de
operaciones aritméticas, estos métodos implementan un buen número de cálculos que son por
demás demasiado lentos si se hacen manualmente, gastando mucha energía en la técnica
misma de solución en vez de aplicarla sobre la definición del problema y su interpretación.
El trabajo monótono que se hacía anteriormente al uso de la computadora, hace de

importancia, el dominio de los métodos numéricos, los cuales se deben llevar a cabo en
combinación con las capacidades y potencialidades de la programación de computadoras para
de esa forma resolver los problemas de ingeniería mucho más fácilmente y eficientemente.
2. OBJETIVO
El comparar los métodos matemáticos de Runge-Kutta, en base a los criterios de eficiencia,
precisión y tolerancia, Así como el analizar una muestra de datos empleando cada uno de los
métodos matemáticos de Runge-Kutta.
3. MÉTODO DE RUNGE-KUTTA
Los métodos numéricos de Runge-kutta, es el análisis y solución de los problemas de valor
inicial de ecuaciones diferenciales ordinarias (EDO), estos son una extensión del método de
Euler para resolver las (EDO’S), pero con un orden de exactitud más alto que este.
Estos métodos se aplican a una EDO´s utilizando puntos igualmente espaciados. La forma
general del método RK de orden n es la siguiente:
1
ANALISIS NUMERICO
K1 = hf (xi, yi)
K2 = hf (xi + α2h, yi + β21K1)
K3 = hf (xi + α3h, yi + β31K1 + β32K2

.
. .
Kh=hf (xi + αnh, yi + βn1K1 + βn2K2 + · · · + βn,n−1Kn−1)
yi+1 = yi + R1K1 + R2K2 + ... + RnKn.
Se ve claramente que los métodos vistos son de RK: el método de Euler es uno de RK de orden
1, el método de Heun y el del punto medio son métodos de RK de orden 2.
Método de Euler:
K1 = hf (xi, yi)
Y
i+1 = y i + K1
Método de Heun:
K1 = hf (xi, yi)
K2 = hf (xi + h, yi + K1)
1 1
Yi + 1= yi + 2 K1 + 2 K2.
Método del punto medio:
K1 = hf (xi, yi)
1 1
K2 = hf (xi + 2 h, yi + 2 K1)
yi+1 = yi + 0K1 + K2.
Un método muy popular es el siguiente método RK de orden 4:

K1 = hf (xi, yi)
K2 = hf (xi + h/2, yi + K1/2)
K3 = hf (xi + h/2, yi + K2/2)
K4 = hf (xi + h, yi + K3)
yi+1 = yi + (K1 + 2K2 + 2K3 + K4)/6.
2
ANALISIS NUMERICO
Ejemplo: Resolver, por el método RK4 anterior, la ecuación diferencial
y′ = 2x2 − 4x + y y(1) = 0.7182818
en el intervalo [1, 3], con h = 0.25.
K1 = hf (x0, y0)
= 0.25f (1, 0.7182818)
=−0.320430
K2 = hf (x0 + h/2, y0 + K1/2)

= 0.25f (1.125, 0.558067)
=−0.352671
K3 = hf (x0 + h/2, y0 + K2/2)

=0.25f (1.125, 0.541946)
=−0.356701
K4 = hf (x0 + h, y0 + K3)
=0.25f (1.25, 0.361581)
=−0.378355
y1 = y0 + (K1 + 2K2 + 2K3 + K4)/6 = 0.3653606
K1 = hf (x1, y1)
= 0.25f (1.25, 0.3653606)
=−0.377410
K2 = hf (x1 + h/2, y1 + K1/2)
=0.25f (1.375, 0.176656)
=−0.385524
3
ANALISIS NUMERICO
Ejemplo del método Runge-Kutta 4
K3 = hf (x1 + h/2, y1 + K2/2)

=0.25f (1.375, 0.172599)
=−0.386538
K4 = hf (x1 + h, y1 + K3)
=0.25f (1.5, −0.02117)
=−0.380294
y2 = y1 + (K1 + 2K2 + 2K3 + K4)/6 =−0.0182773
xi y˜(xi) y(xi)
1.00 0.7182818 0.7182818
1.25 0.3653606 0.3653430
1.50 -0.0182773 -0.0183109
1.75 -0.3703514 -0.3703973
2.00 -0.6108932 -0.6109439
2.25 -0.6372210 -0.6372642
2.50 -0.3174905 -0.3175060
2.75 0.5175891 0.5176319
3.00 2.0853898 2.0855369
4
ANALISIS NUMERICO
En este ejemplo, los resultados son aún mejores. Hubo que evaluar 32 veces la función f(x, y), 4
veces en cada iteración. Si se trabaja con h = 0.1 se obtiene y˜(3) = 2.0855314; con h = 0.01 se
obtiene y˜(3) = 2.0855369; con h = 0.001 se obtiene y˜(3) = 2.0855369.
El método RK4 se puede escribir de la siguiente manera en el algoritmo:
function [Y, X] = RK4(f, x0, y0, xf, n)

Método Runge-Kutta 4 para la ecuacion diferencial
y’ = f(x,y)
y(x0) = y0
en intervalo [x0, xf]
// n = numero de subintervalos
Y, X seran vectores fila de n+1 elementos

Y contendra las aproximaciones de
y(x0) y(x0+h) y(x0+2h) ... y(xf)
con h = (xf-x0)/n
// X contendra los valores x0 x0+h x0+2h ... xf
h = (xf-x0)/n
X = zeros(1,n+1)
Y=X
X(1) = x0
Y(1) = y0
xi = x0
yi = y0
for i=1:n
K1 = h*f(xi, yi)
K2 = h*f(xi+h/2, yi+K1/2);
K3 = h*f(xi+h/2, yi+K2/2);
K4 = h*f(xi+h, yi+K3);
xi = xi+h
yi = yi + (K1 + 2*K2 + 2*K3 + K4)/6
Y(i+1) = yi X(i+1) = xi
end endfunction
5
ANALISIS NUMERICO
Ejemplo 1 :
Suponiendo que se aplica los métodos de Runge-Kutta de orden dos
al siguiente problema de valor inicial
y '  y - t 2  1, 0  t  2, y (0)  0.5,
con N  10, h  0.2, ti  0.2i y w0  0.5 en cada caso.
Las ecuaciones de diferencias son:
Método del Punto Medio: wi 1  1.22 wi  0.0088i 2  0.008i  0.218;
Método modificado de Euler: wi 1  1.22 wi  0.0088i 2  0.008i  0.216;
Método de Heun: wi 1  1.22 wi  0.0088i 2  0.008i  0.2173;
para cada i  0,1,..., 9.
La siguiente tabla contiene los resultados de estos cálculos.

Para este problema, es mejor el método del punto medio, seguido por el
método de Heun.
Método del Método modificado

ti y (ti ) punto medio Error de Euler Error
0.0 0.5000000 0.5 0 0.5000000 0
0.2 0.8292986 0.8280000 0.0012986 0.8260000 0.0032986
0.4 1.2140877 1.2113600 0.0027277 1.2069200 0.0071677
0.6 1.6489406 1.6446592 0.0042814 1.6372424 0.0116982
0.8 2.1272295 2.1212842 0.0059453 2.1102357 0.0169938
1.0 2.6408591 2.6331668 0.0076923 2.6176879 0.0231715
1.2 3.1799415 3.1704634 0.0094781 3.1495789 0.0303627
1.4 3.7324000 3.7211654 0.0112346 3.6936862 0.0387138
1.6 4.2834838 4.2706218 0.0128620 4.2350972 0.0483866
1.8 4.8151763 4.8009586 0.0142177 4.7556185 0.0595577
2.0 5.3054720 5.2903695 0.0151025 5.2330546 0.0724173
6
ANALISIS NUMERICO
Método
ti y (ti ) de Heun Error
0.0 0.5000000 0.5000000 0
0.2 0.8292986 0.8273333 0.0019653
0.4 1.2140877 1.2098800 0.0042077
0.6 1.6489406 1.6421869 0.0067537
0.8 2.1272295 2.1176014 0.0096281
1.0 2.6408591 2.6280070 0.0128521
1.2 3.1799415 3.1635019 0.0164396
1.4 3.7324000 3.7120057 0.0203944
1.6 4.2834838 4.2587802 0.0247035
1.8 4.8151763 4.7858452 0.0293310
2.0 5.3054720 5.2712645 0.0342074
1. INTRODUCCIÓN
En matemáticas, el método de Runge-Kutta-Fehlberg (o método de Fehlberg) es
un algoritmo de análisis numérico para la resolución numérica de ecuaciones diferenciales
ordinarias. Fue desarrollado por el matemático alemán Erwin Fehlberg y se basa en los métodos
de Runge-Kutta.
El método de Runge-Kutta-Fehlberg emplea un método junto con un método que se sirve de

todos los puntos del primero, y por ello es conocido como RKF45.
Desde entonces se han desarrollado métodos similares con diferentes pares de órdenes.
Realizando un cálculo adicional a los requeridos por el método RK5, es posible estimar y
controlar el error en la solución así como determinar automáticamente la longitud del paso con
el que el método avanza en su cálculo de la solución, haciendo de este un método eficiente
para problemas de integración numérica de ecuaciones diferenciales ordinarias
Siguiendo las ideas presentadas anteriormente para la estimación del error local, Fehlberg
desarrolló un par de métodos Runge Kutta de orden 4 y 5 asociados, de tal forma que ambos
utilizan en cada paso las mismas evaluaciones de f con el fin de ahorrar cálculos.
7
ANALISIS NUMERICO
El método de orden 5 requiere 6 evaluaciones de f en cada paso. Fehlberg demostró que es

posible usar 5 de esos valores para desarrollar un método de orden 4 (en lugar del método
clásico, que usa 4 evaluaciones de f.
El estimador de orden 4 así obtenido puede utilizarse junto con el de orden 5 para estimar el
error local, sin necesidad de nuevas evaluaciones de f y habilitando una estimación del nuevo
paso h.
2. OBJETIVO
El conceptualizar el método matemáticos que resuelven ecuaciones diferenciales cuyas
soluciones que convergen a un valor. Analizar una muestra de datos empleando cada uno de
los métodos matemáticos de Runge-Kutta y Fehlberg
3. MÉTODO DE RUNGE-KUTTA FEHLBERG

En los métodos de integración de Cuadratura Adaptativa, se estudió el uso del tamaño de paso
variable junto con la eficiencia requerida en la cantidad de cálculos.
Por sí mismos ello no sería un motivo suficiente para preferirlos como método de solución
numérica de EDO’s, y presentan otra característica útil:
El procedimiento del tamaño de paso que incorpora una estimación del error de truncamiento
que no requiere aproximar las derivadas de orden superior de la función
A estos métodos se les llama “Adaptativos”, adaptan el número y la posición de los nodos con
que se efectúa la aproximación, y garantizar que el Error de Truncamiento no rebase la cota
dada.
La forma general del método de diferencias que incluye el control del error que es la siguiente:
i 1  i  hi ti , i , hi  para i  0,1,2,..., N  1

Para aproximar la solución y t  al problema de valor inicial :
y  f t , y  at b y a   
i 1  i  hi ti , i , hi  para i  0,1,2,..., N  1

Deberá tener la propiedad de que, con una tolerancia dada   0
la cantidad mínima de puntos de red que serivirá para asegurarse
de que el error global y ti   i , no rebasará a  con cualquier
i  0,1,2,..., N  1.
8
ANALISIS NUMERICO
Aunque por lo general no es posible determinar el error global de un método, existe una
estrecha relación entre el error local de truncamiento y el error global.
El método de Runge-Kutta-Fehlberg, consiste en emplear el método de Runge-Kutta con el

error local de truncamiento de quinto orden para estimar el error local en un método de
Runge-Kutta de cuarto orden.
El método R-K de 5º orden usado está dado por:
16 6656 28561 9 2

~  
i 1 i k1  k3  k4  k5  k6
135 12825 56430 50 55
El método de R - K de 4º orden es :
25 1408 2197 1
i 1  i  k1  k3  k 4  k5
216 2565 4104 5
Donde
k1  hf ti , i 
 h 1 
k 2  hf  ti  , i  k1 
 4 4 
 3h 3 9 
k3  hf  ti  , i  k1  k2 
 8 32 32 
 12h 1932 7200 7296 
k 4  hf  ti  , i  k1  k2  k3 
 13 2197 2197 2197 
 439 3680 845 
k5  hf  ti  h, i  k1  8k 2  k3  k4 
 216 513 4104 
 h 8 3544 1859 11 
k 6  hf  ti  , i  k1  2k 2  k3  k4  k5 
 2 27 2656 4104 40 
9
ANALISIS NUMERICO
Una ventaja de este método consiste en que sólo se requieren 6 evaluaciones de la función por
paso, en cambio de manera conjunta los métodos de R-K de 4º y 5º orden sumados requieren
por lo menos
Como el objetivo no es sólo estimar el error local de truncamiento, sino que también lo es
ajustar el tamaño del paso para mantenerlo dentro de una cota dada esto se hace suponiendo
que:
 
Como  i 1 h  es de O h n , entonces existe un número K
independie nte de h tal que  i 1 h   Kh n
En el proceso de control del error se usó un valor inicial de h en el i-esimo paso para obtener los
primeros valores de w i+1 que permitió encontrar q en ese paso y luego se repitieron los
cálculos.
Este procedimiento requiere el doble de evaluaciones de funciones por paso, sin control del
error
En la práctica el valor q a usar se selecciona de manera diferente. El valor de q determinado en

el i-esimo paso cumple dos propósitos.
10
ANALISIS NUMERICO
Rechazar de ser necesario, la elección inicial de h en el i-esimo paso y repetir los cálculos por
medio de qh Predecir una elección adecuada de h para (i+1) esimo paso.
El algoritmo ALGO53“RUNGE_KUTTA_FEHLBERG_7_53” incluye la gráfica de los puntos

encontrados.
Ejercicio :
Utilizar el ALG053, para aproximar la solución de
y  y  t 2  1 0t 2 y 0   0.5
Usando TOL  10 -5 , tamaño máximo de paso  0.25
y un tamaño mínimo de paso  0.01.
Verifique sus respuestas con la solución exacta :
y t   t  1  0.5e t
2
Algoritmo:
This is the Runge-Kutta-Fehlberg Method.
Input the function F(t,y) in terms of t and y
For example: y-t^2+1
'y-t^2+1'
Input left and right endpoints on separate lines.
Input the initial condition
0.5
Input tolerance
10^-5
Input minimum and maximum mesh spacing on separate lines.
0.01
0.25
11
ANALISIS NUMERICO
RUNGE-KUTTA-FEHLBERG METHOD
T(I) W(I) H R .
0.0000000 0.5000000 0 0
0.2500000 0.9204886 0.2500000 0.0000062
0.4865522 1.3964910 0.2365522 0.0000045
0.7293332 1.9537488 0.2427810 0.0000043
0.9793332 2.5864260 0.2500000 0.0000038
1.2293332 3.2604605 0.2500000 0.0000024
1.4793332 3.9520955 0.2500000 0.0000007
1.7293332 4.6308268 0.2500000 0.0000015
1.9793332 5.2574861 0.2500000 0.0000043
2.0000000 5.3054896 0.0206668 0.0000000
RUNGE-KUTTA-FEHLBERG METHOD
T(I) W(I) Y(I)=(t+1)2-0.5et |Y(I)-W(I)|
0.0000000 0.5000000 0.5000000 0
0.2500000 0.9204886 0.9204873 0.0000009
0.4865522 1.3964910 1.3964884 0.0000026
0.7293332 1.9537488 1.9537446 0.0000042
0.9793332 2.5864260 2.5864198 0.0000062
1.2293332 3.2604605 3.2604520 0.0000085
1.4793332 3.9520955 3.9520845 0.0000110
1.7293332 4.6308268 4.6308127 0.0000141
1.9793332 5.2574861 5.2574687 0.0000174
2.0000000 5.3054896 5.3054720 0.0000176
https://es.wikipedia.org/wiki/M%C3%A9todo_de_Runge-Kutta
https://es.wikipedia.org/wiki/M%C3%A9todo_de_Runge-Kutta-Fehlberg
5. BIBLIOGRAFÍA
12
ANALISIS NUMERICO
6. GLOSARIO
1. ¿Qué es el método de Runge-Kutta?
2. ¿Cuáles son sus fórmulas de procesos?
3. ¿Explique en qué consiste el método de Runge-Kutta-Fehlberg ?
4. ¿Cuál método es mejor y porque, RK4 o RKF?
13
ANALISIS NUMERICO
UNIDAD V
1. ¿Qué es el método de Runge-Kutta?
Respuesta: son un conjunto de métodos iterativos (implícitos y explícitos) para la

aproximación de soluciones de ecuaciones diferenciales ordinarias, concretamente,
del problema de valor inicial. Es el análisis y solución de los problemas de valor inicial de
ecuaciones diferenciales ordinarias (EDO), estos son una extensión del método de Euler
para resolver las (EDO’S), pero con un orden de exactitud más alto que este.
2. ¿Cuáles son sus fórmulas de procesos?
Respuestas:
Método de Euler:
K1 = hf (xi, yi)
Y
i+1 = y i + K1
Método de Heun:
K1 = hf (xi, yi)
K2 = hf (xi + h, yi + K1)
1 1
Yi + 1= yi + 2 K1 + 2 K2.
Método del punto medio:
K1 = hf (xi, yi)
1 1
K2 = hf (xi + 2 h, yi + 2 K1)
yi+1 = yi + 0K1 + K2.
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en línea en la
Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del mismo es
responsabilidad del estudiante.
ANALISIS NUMERICO
Un método muy popular es el siguiente método RK de orden 4:

K1 = hf (xi, yi)
K2 = hf (xi + h/2, yi + K1/2)
K3 = hf (xi + h/2, yi + K2/2)
K4 = hf (xi + h, yi + K3)
yi+1 = yi + (K1 + 2K2 + 2K3 + K4)/6.
3. ¿Explique en qué consiste el método de Runge-Kutta-Fehlberg ?
Respuesta: desarrolló un par de métodos Runge Kutta de orden 4 y 5 asociados, de tal

forma que ambos utilizan en cada paso las mismas evaluaciones de f con el fin de ahorrar
cálculos.
El método de orden 5 requiere 6 evaluaciones de f en cada paso. Fehlberg demostró que es

posible usar 5 de esos valores para desarrollar un método de orden 4 (en lugar del método
clásico, que usa 4 evaluaciones de f.
4. ¿Cuál es la fórmula principal a considerar en este método?
Respuesta:
5. ¿Cuál método es mejor y porque, RK4 o RKF?
Respuesta: RKF, por su precisión en los resultados y pocas iteraciones.
ANALISIS NUMERICO
UNIDAD V
5. 6 MÉTODOS MULTIPASO
1. INTRODUCCIÓN
Los métodos lineales multipaso se utilizan para la resolución numérica de ecuaciones

diferenciales ordinarias. Conceptualmente, los métodos numéricos comienzan tras la elección
de un punto inicial y a continuación realizan un paso de aproximación para encontrar el
siguiente punto que permita seguir acercándose a la solución. El proceso continúa con los
siguientes pasos para reconocer la solución.
Los métodos de un solo paso (como el método de Euler) se refieren solo a un punto anterior y a
su derivada para determinar el valor buscado.
Métodos como el de Runge–Kutta utilizan un paso más (por ejemplo, un paso intermedio) para
obtener un método de orden superior, para luego descartar la información anterior antes de
dar un segundo paso. Los métodos de varios pasos intentan obtener eficiencia manteniendo y
utilizando la información de los pasos anteriores, en lugar de descartarla.
Por consiguiente, se refieren a distintos puntos anteriores y a los valores de sus derivadas.
En el caso de los métodos lineales "multipaso", se utiliza una combinación lineal de los puntos
anteriores y de los valores de sus derivadas.
2. OBJETIVO
Estudiar los métodos matemáticos del método de multipaso, en base a los criterios de
eficiencia, precisión y tolerancia. Identificar el método idóneo que debe aplicarse a una
muestra de datos de un problema real. Implementar los métodos de multipaso en la
herramienta informática. Elaborar una lista de conclusiones sobre la idoneidad de aplicar los
métodos.
1
ANALISIS NUMERICO
3. MÉTODOS MULTIPASO
Los métodos de Euler, Heun, Taylor y Runge-Kutta se llaman método de un paso porque en el
cálculo de cada punto sólo se usa la información del último punto. Los métodos multipaso
utiliza la información de los puntos previos a saber, yi , yi-1,..., yi-m+1 para calcular yi+1.
Por ejemplo, en un método de tres pasos para calcular yi+1 , se necesita conocer yi , yi-1, yi-2.
El principio que subyace en un método multipaso es utilizar los valores previos para construir
un polinomio interpolante que aproxime a la función f(t,y(t)).
El número de valores previos considerados para determinar el polinomio interpolante nos

determina el grado del polinomio. Por ejemplo, si se consideran tres puntos previos, el
polinomio de aproximación es cuadrático; si se usan cuatro puntos previos, el polinomio es
cúbico.
Los métodos que hemos analizado hasta ahora son monopaso, o de paso sencillo. El valor de
yiC1 se calcula a partir de la información de un único punto.
Los multipaso utilizan la información de más puntos anteriores con el objetivo de hacer menos
evaluaciones de la función para el mismo orden de error.
Los métodos que hemos analizado hasta ahora son monopaso, o de paso sencillo. El valor de
yiC1 se calcula a partir de la información de un único punto.
Los multipaso utilizan la información de más puntos anteriores con el objetivo de hacer menos
evaluaciones de la función para el mismo orden de error.
Necesitan la ayuda de otros para dar los primeros pasos y no se adaptan bien a
discontinuidades en la solución: discontinuidades en las fuerzas aplicadas, impactos, enlaces
que aparecen o desaparecen, etc.
Los métodos de Euler y de Runge-Kutta que se han expuesto son métodos de un paso. Esto es,
para calcular la aproximación yi+1 de y(ti+1), hacen uso solamente de la aproximación yi
Se puede mejorar el funcionamiento de los métodos si al calcular la aproximación yi+1, se

utilizan otras aproximaciones, yi , yi−1, . . . , yi−k, calculadas previamente. Los métodos que
hacen uso de estas aproximaciones se llaman métodos multipaso.
Los métodos explícitos calculan yi+1 haciendo uso de f (ti , yi) así como de la función f evaluada
en la solución correspondiente a instantes anteriores.
2
ANALISIS NUMERICO
Los métodos multipaso explícitos se llaman también métodos de Adams-Bashforth. Algunos de

estos métodos son:
Los métodos explícitos calculan yi+1 haciendo uso de f (ti , yi) así como de la función f evaluada
en la solución correspondiente a instantes anteriores.
Los métodos multipaso explícitos se llaman también métodos de Adams-Bashforth. Algunos de

estos métodos son:
Método de Adams-Bashforth de dos pasos
y0 = α0 , y1 = α1 ,
yi+1 = yi + h/2 (3f (ti , yi) − f (ti−1, yi−1)) .
Método de Adams-Bashforth de tres pasos
y0 = α0 ,
y1 = α1 , y2 = α2 , yi+1 = yi + h/12 (23f (ti , yi) −
16f (ti−1, yi−1) + 5f (ti−2, yi−2))
Método de Adams-Bashforth de cuatro pasos
y0 = α0 ,
y1 = α1 , y2 = α2 , y3 = α3 ,
yi+1 = yi + h 24 (55f (ti , yi) − 59f (ti−1, yi−1) + 37f (ti−2, yi−2) −9f (ti−3, yi−3)) .
A los métodos multipaso implícitos se les llama métodos de Adams-Moulton. Para el cálculo de
yi+1, estos métodos hacen uso de f(ti+1, yi+1). Estos métodos son los siguientes:
3
ANALISIS NUMERICO
Método de Adams-Moulton de un paso
y0 = α0 ,
yi+1 = yi + h 2 (f (ti+1, yi+1) + f (ti , yi)) .
Este método es conocido como el trapezoidal, aunque se corresponde también con un método
RK implícito de orden 2.
Método de Adams-Moulton de tres pasos
y0 = α0 , y1 = α1 , y2 = α2 ,
yi+1 = yi + h 24 (9f (ti+1, yi+1) + 19f (ti , yi) −
5f (ti−1, yi−1) + f (ti−2, yi−2))
Método de Adams-Moulton de cuatro pasos
y0 = α0 ,y1 = α1 , y2 = α2 , y3 = α3 ,
yi+1 = yi + h720 (251f (ti+1, yi+1) + 646f(ti , yi) −
264f(ti−1,yi−1) + 106f (ti−2,yi−2) − 19f(ti−3, yi−3))
ALGORITMO
% y’ = f(t,y)
% Método Adams-Moulton de 3 pasos y de orden 4
% Se inicializa con el método RK4 global cont cont = 0;
% Tiempo inicial, final y n´umero de divisiones t0=0; tf=10; Npasos = 300;
% Tamaño del paso de integración h = (tf-t0)/Npasos;
% Condiciones iniciales y = [4 ; 1];
% R4 almacena las soluciones obtenidas en cada instante R4 = *t y’ eps+;
% Magnitud conservada
I0 = y(1) - 2*log(y(1)) + y(2) - log(y(2)); t = t0;
4
ANALISIS NUMERICO
for i2 = 1:2;
t1 = t + h/2; t2 = t + h/2; t3 = t + h;
%%%% Metodo RK-4 estandard
K1 = fVolt(t,y);
K2 = fVolt(t1,y+h*K1/2);
K3 = fVolt(t2,y+h*K2/2);
K4 = fVolt(t3,y+h*K3); y = y + ((K1 + 2*(K2 + K3) + K4)*h/6);
t = t + h; R4 = *R4 ; t y’ eps+;
end
% Predictor con el Adams-Bashforth de 3 pasos

y0 = R4(1,2:3)’; f0 = fVolt(t0,y0);
y1 = R4(2,2:3)’; f1 = fVolt(t0+h,y1);
y2 = R4(3,2:3)’; f2 = fVolt(t0+2*h,y2);
for i3 = 3:Npasos;
y2p = y2 + h*(23*f2 - 16*f1 + 5*f0)/12; %Predictor
f2p = fVolt(t,y2p);
y2 = y2 + h*(9*f2p + 19*f2 - 5*f1 + f0)/24; %Corrector
t = t + h;
f0 = f1; f1 = f2; f2= fVolt(t,y2);
In = y2(1) - 2*log(y2(1)) + y2(2) - log(y2(2));
lerror = log10(abs(In-I0))
R4 = *R4 ; t y2’ lerror+;
end
ADAMS-BASHFORTH Explícitos
5
ANALISIS NUMERICO
ADAMS-MOULTON Implicitos
https://es.wikipedia.org/wiki/M%C3%A9todo_lineal_multipaso
5. BIBLIOGRAFÍA
6. GLOSARIO
1. ¿Qué son los métodos multipaso?
2. ¿Cuáles son los métodos multipaso más conocidos?
3. ¿Según lo visto en clase cual es el mejor por su exactitud?
6
ANALISIS NUMERICO
UNIDAD V
5. 6 MÉTODOS MULTIPASO
1. ¿Qué son los métodos multipaso?
Respuesta: Se utilizan para la resolución numérica de ecuaciones diferenciales ordinarias.

Conceptualmente, los métodos numéricos comienzan tras la elección de un punto inicial y a
continuación realizan un paso de aproximación para encontrar el siguiente punto que
permita seguir acercándose a la solución. se refieren a distintos puntos anteriores y a los
valores de sus derivadas. Se utiliza una combinación lineal de los puntos anteriores y de los
valores de sus derivadas.
2. ¿Cuáles son los métodos multipaso más conocidos?

Respuesta: Son el método de Adams Moulton y el método de Adams-Bashforth
3. ¿Según lo visto en clase cual es el mejor por su exactitud ?

Respuesta: Es el método de Adams Moulton

Fusil U4 y 5 ANS

Cargado por

Información del documento

Descripción original:

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

Fusil U4 y 5 ANS

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE EL SALVADOR EN LÍNEA

FACULTAD DE INGENIERÍA Y ARQUITECTURA

4.1 DIFERENCIACIÓN NUMÉRICA

A la ecuación anterior se le conoce con el nombre especial en el análisis numérico, se le

Se puede representar generalmente como:

Donde al diferencial se le conoce como la primera diferencia hacia adelante y a h se le

Al termino completo (o sea, la diferencial entre h ) se le conoce como primera diferencia

Las aproximaciones más exactas de la primera derivada se pueden desarrollar incluyendo en la

Esta fórmula indica una manera obvia de generar una aproximación

Aunque esto parezca evidente, no es muy útil, debido al error por

Para aproximar f '( x0 ) se supone primero que x0   a, b  , donde

Un problema de esta fórmula rádica en que se carece de información

Entonces tenemos que:

Para valores pequeños de h, se puede utilizar el cociente de la

A esta fórmula se le llama fórmula de la diferencia progresiva si

EJEMPLO 1. Sean f ( x)  ln( x) y x0  1.8. La fórmula de la diferencia

Según el ejemplo anterior se dice que :

Ya que f (x) = 𝟏/x ,

El valor exacto de f´(1.8) es 0.5555

4.2 – 4.3 FÓRMULA DE LOS 3 Y 5 PUNTOS Y FÓRMULA PARA N PUNTOS

FÓRMULA DE LOS 3 Y 5 PUNTOS Y FÓRMULA PARA N PUNTOS.

Al diferenciar la expresión anterior se obtiene:

Una vez más se tiene el problema al estimar el error de truncamiento,

Esta ecuación recibe el nombre de fórmula de (n + 1) puntos para

Al diferenciar la expresión anterior se obtiene:

En términos generales, la utilización de más puntos de evaluación

Fórmula de los 3 puntos para puntos no equidistantes

para cada j  0,1, 2, donde  j depende de x j .

En la ecuación 4.4 la aproximación es útil cerca de los extremos del

Las aproximaciones del extremo izquierdo pueden obtenerse

Por lo tanto, se tiene que

Las aproximaciones del extremo izquierdo pueden obtenerse

Al aproximar f '( x ) mediante las fórmulas de tres y cinco puntos se

Fórmulas de tres puntos

La fórmula de cinco puntos da el mejor resultado.

Método de aproximación a la segunda derivada

Ya que f ''( x)  ( x  2)e x el valor exacto será f ''(2.0)=29.556224.

Al emplear (4.9) con h  0.1 se obtiene:

Al emplear (4.9) con h  0.2 se obtiene:

Los errores son aproximadamente -3.70  10-2 y -1.48  10-1 ,

Al aplicar la fórmula: f(0.9) = (f(0.9+h) – f(0.9-h))/2h

Con diferentes valores de h, obtenemos las aproximaciones de la siguiente tabla:

La elección optima de h, se encuentra entre 0.0005 y 0.5

 Este método de aproximación, la diferenciación numérica es inestable , porque los

1. ¿Qué es la Diferenciación numérica?

3. Enumere a quien corresponden las siguientes formulas:

4.4 INTEGRACION NUMERICA

Sean  x0 , x1 , , xn  un conjunto de nodos distintos

Y su término de error de truncamiento en  a, b  se obtiene:

Por lo tanto la fórmula de cuadratura es:

El error asociado viene dado por:

La fórmula que surge de usar el primer Polinomio de Lagrange

La fórmula que surge de usar el segundo Polinomio de Lagrange

REGLA DEL TRAPECIO: Con h  x1  x0

Valor 2.667 6.4 1.099 2.958 1.416 6.389

 f x dx  2  f 0  f 2

 f x dx  3  f 0  4 f 1  f 2

Valor 2.667 6.4 1.099 2.958 1.416 6.389

Trapecio : 4 16 1.333 3.236 0.909 8.389

Definición de Precisión de una fórmula de Cuadratura:

El grado de exactitud o precisión de una fórmula de cuadratura es el entero positivo más

La regla de Simpson tiene el grado de precisión tres.

* Aproximaciones con algunas fórmulas abiertas y cerradas de Newton-Cotes *