Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción
El presente resumen conceptual lo confeccioné al momento de estudiar para la resolución conceptual de
problemas para la asignatura de Métodos Numéricos, para dicho escrito se empleó la bibliografı́a usada por
la cátedra [1]. Se recomienda estudiar del libro (Ver Referencia [1]) y usar este resumen como guı́a dado
que no se garantiza la total comprensión de la materia.
Leonardo Alberto Desimone
Noviembre, 2021.
Índice
1. Unidad I: Modelos, computadoras y análisis del error 3
1.1. Aproximaciones y errores de redondeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Exactitud y precisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Definiciones de error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Errores de redondeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5. Errores de truncamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6. Error numérico total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Método para reforzar la compresión matemática (Entendimiento de las mates superiores con las mates
básicas).
Raı́ces de ecuaciones.
Optimización.
Ajuste de curvas.
Un modelo matemático se define como una formulación o una ecuación qye expresa las caracterı́sticas
esenciales de un sistema fı́sico o de un proceso en términos matemáticos.
Cifras significativas: Se desarrolló para designar formalmente la confiabilidad de un valor numérico. Las
cifras significativas de un número son aquellas que pueden utilizarse en forma confiable. Se trata del número
de dı́gitos que se ofrecen con certeza, mas uno estimado. Los ceros NO SIEMPRE son cifras significativas;
ya que pueden usarse solo para ubicar el punto decimal. El concepto tiene dos implicaciones importantes:
Se deben desarrollar criterios para especificar que tan confiables son dichos resultados; una manera
de hacerlo son en términos de cifras significativas.
√
π, e, 7 expresan cantidades especı́ficas pero jamás podrán expresar con exactitud (hasta el infinito);
a la omisión del resto de cifras significativas se lo conoce como error de redondeo.
errort
ϵt = · 100 %
valort
En donde ϵt es el error relativo porcentual verdadero. Se recuerda que los MN no se conoce el valor
verdadero por que se trabajará respecto al valor aproximado.
errora
ϵa = · 100 % (2)
valora
En los métodos numéricos iterativos se emplea:
aprox actual − aprox anterior
ϵa = · 100 % (3)
aprox actual
Se trabajará hasta que |ϵa | < ϵ s siendo ϵ s el nivel aceptable. Se relacionan también con el número de
cifras significativas:
Se realiza una aproximación a xr mediante las fórmulas (Bisección o Falsa Posición respectivamente):
Biseccion
xl + xu
▶ xr = (5)
2
Falsa posicion
f (xu ) · (xl − xu )
▶ xr = xu − (6)
f (xl ) − f (xu )
y1 = x
y2 = g(x)
La convergencia del método se logra si |g(x)′ | < 1; ocurre si la magnitud de la pendiente de g(x) es
menor que la pendiente de la recta f (x) = x. En la Figura 4 se muestran distintos casos de convergencia y
divergencia del método, con comportamiento monótono y con comportamiento oscilatorio.
Metodo de la Secante
f (xi ) · (xi−1 − xi )
▶ xi+1 = xi − (9)
f (xi−1 ) − f (xi )
Existe una diferencia crı́tica entre el Método de la Falsa posición Figura 6: Visualización gráfica del
y el Método de la Secante (Se observa que las fórmulas de estos Método de la secante.
son prácticamente las mismas, es clave tener en claro cuales son sus
diferencias). Se listan dichas diferencias a continuación:
Método de la Secante
Aunque el Método de la Secante pueda ser divergente; si converge, lo hace más rápido que el de la Falsa
Posición, esté último es inferior dado que un punto siempre tiende a permanecer fijo para asi lograr que la
ra raı́z esté siempre encerrada en el intervalo.
Eliminación de Gauss
Descomposición LU
Jacobi
Conforme el sistema se vielve mas grande; el tiempo de cálculo aumenta enormemente. Flop aumenta
tres órdenes de magnitud por cada aumento de dimensión.
El proceso de eliminación es el que más tiempo toma y mas esfuerzo demanda. Se debe optimizar este
para mejorar el método.
Errores de redondeo; por la cantidad limitada de cifras. Llega a ser preocupante cuando se deben
resolver muchas ecuaciones. (Dado que cada resultado depende del anterior, el error de redondeo se
propaga). Se vuelve importante el error cuando los sistemas son de 100 ecuaciones o más.
Sistemas mal condicionados; Los sistemas bien condicionados son aquellos en los que un pequeño
cambio en uno o más coeficientes provoca un cambio pequeño en la situación. En los mal condiciona-
dos un pequeño cambio en los coeficientes genera grandes cambios en las soluciones. En los sistemas
mal condicionados el determinante de la matriz es cero o muy cercano a cero (lo que indica que no
hay solución ó que hay infinitas soluciones); para calcular el determinante se puede aprovechar la
reducción del sistema a triangular superior por Gauss y el determinante se calculará como el producto
de los elementos de la diagonal principal.
Pivoteo; Evita la división por cero y reduce el error de redondeo. Se busca el elemento mas grande de
la columna e intercambio de filas para dejarlo como elemento pivote (esto es conocido con el nombre
de pivoteo parcial); se podrı́a también hacer un barrido a lo largo de las filas pero esto rara vez se
utiliza (pivoteo completo).
Escalamiento; Se usa para la estandarización del tamaño del determinante y la minimización de los
errores de redondeo. Esto se utiliza en los casos donde los coeficientes de la matriz son muy grandes
unos respecto de otros. Para realizarlo se divide cada fila por el máximo y se busca el máximo de la
columna (el máximo deberá ser igual a 1).
3.2. Descomposición LU
El sistema se re ordena a [A] {x} − {B} = 0; se supone que se puede expresar como un sistema triangular
superior, se tomará un sistema de 3 × 3 para simplificar la explicación:
u11 u12 u13 x1 d1
0 u22 u23 × x2 = d2
0 0 u33 x3 d3
Se re expresa como [U] {x} − {D} = 0 ; se supone la existencia de una matriz diagonal inferior que
poseerá la siguiente propiedad:
1 0 0
[L] = l21 1 0
l31 l32 1
Substitución [L] y [U] se usan para determinar {x} para un lado derecho {B}. Se genera un vector
intermedio {D} y se reemplaza y substituye hacia atrás para encontrar a {x}.
Si escalo A y obtengo A−1 con coeficientes grandes el sistema estará mal condicionado.
Si invierto A−1 y encuentro grandes diferencias con respecto a la matriz A original, el sistema estará
mal condicionado.
Se pude formular el N° de condición de una matriz como Cond[A] = ||A|| ||A−1 ||, dicho valor podrá ser 1
o mayor; valores muy grandes me reflejan muy mal condicionamiento.
x1 = xl + d
x2 = xu − d
√
5−1
2
· (xu − xl )
Metodo de Newton
f ′ (xi )
▶ xi+1 = xi − (10)
f ′′ (xi )
Interpolacion cuadratica
Búsqueda univariada; Se trabaja solo con una variable a la vez; mientras que otras se mantienen
constantes. Problemas de una dimensión sucesivos. Para ir por la dirección patrón se usa el método de
Powell.
5.1. Regresión
5.1.1. Regresión por mı́nimos cuadrados
Se determina una curva que siga la tendencia general de los
datos; la técnica para lograr tal propósito se llama regresión por
mı́nimos cuadrados.
Regresión lineal
Consiste en el ajuste de una lı́nea recta como se muestra en
la Figura 16; se plantea el siguiente modelo:
y = a0 + a1 · x + e
donde a0 y a1 son constantes y e es el error o residuo, siendo
este último la discrepancia entre el valor verdadero de y y el
valor aproximado ŷ predicho. El criterio para el mejor ajuste
se toma la minimización de la suma del cuadrado de los erro-
res (Para consultar los criterios inadecuados ver la Bibliografı́a
[1]); con dicho criterio se obtiene una única linea recta para un
Figura 16: Regresión lineal.
conjunto de datos.
La lı́nea no pasa por los puntos como en la interpolación.
Cada x tiene una valor fijo; no es una variable aleatoria y se lo asume como matemática y sin error (variable
controlable). Los valores de y en contraparte se los considera aleatorios y poseen todos la misma varianza
σ2 ; para cada x los valores de y deberán tener una distribución Normal con Varianza σ2 constante (Ex-
traı́do de regresión y correlación - Probabilidad y Estadı́stica). Se aplica una regresión lineal a las variables
transformadas con el propósito de determinar la mejor lı́nea recta.
Modelo Exponencial
Modelo de Potencias
Regresión polinomial
Otra alternativa es ajustar polinomios a los datos mediante
regresión polinomial. Se extiende el procedimiento de mı́ni-
mos cuadrados a un polinomio de grado superior. Se llegan a
sistemas de ecuaciones y las incógnitas serán los coeficientes
a0 , a1 , ..., an . (Ver Figura 17).
Un polinomio de segundo grado implicará resolver un sis-
tema de ecuaciones de 3 × 3. Se deben limitar a los polino-
mios de grados inferiores para evitar el error de redondeo de
las ecuaciones normales mal condicionadas en sus coeficientes
de grado superior. Las ecuaciones:
Figura 17: Regresión polinomial.
Son lineales respecto a sus coeficientes.
5.2. Interpolación
Para la estimación de los valores entre los datos definidos por
puntos se utiliza la interpolación polinomial. Dados n + 1 puntos,
hay uno y solo un polinomio de grado n que pasa a través de todos
los puntos. Se describen dos alternativas; los polinomios de Newton
y de Lagrange.
Interpolacion lineal
f (x1 ) − f (x0 )
▶ f1 (x) = f (x0 ) + · (x − x0 ) (12)
x1 − x0
Interpolacion cuadratica
▶ f2 (x) = b0 + b1 (x − x0 ) + b2 (x − x0 )(x − x1 ) (13)
Con evaluaciones con los puntos de dato se determinarán cada uno de los coeficientes.
donde:
n
Y x − xj
Li (x) =
x − xj
j=0; j,i i
Cada término Li (x) será 1 en x = xi y 0 en todos los otros puntos. Cada producto Li f (xi ) · f (xi ) toma
el valor f (xi ) en el punto xi . La sumatoria es el único polinomio de n-ésimo grado que pasa exactamente a
través de todos los n + 1 puntos (que son datos).
Se usa cuando se conoce el grado del polinomio a interpolar; de lo contrario se usará el polinomio de
interpolación de Newton.
Las fórmulas abiertas tienen lı́mites de integración que se extienden mas allá del intervalo donde
aparecen los datos. Son de utilidad para la solución de ecuaciones diferenciales ordinarias y para la
evaluación de integrales impropias.
Las fórmulas cerradas se basan en el reemplazo de una función matemática o de datos tabulados por
un polinomio de interpolación fácil de integrar.
1 ′′
Et = − f (ζ)(b − a)3
12
Figura 19: Regla del Trapecio.
Si la función a integrar es lineal; la regla del trapecio será
exacta. De mas orden ya se presentan errores importantes.
Se usa para mejorar la precisión, dividir el intervalo de integración en varios en varios segmentos y
aplicar el método a cada uno de ellos.
Sumo las áreas de los segmentos para obtener todo el valor de la integral.
El error disminuye conforme se aumentan los segmentos (al duplicar n; el error se divide por cuatro).
La aplicación múltiple está limitada por los errores de redondeo, esto por que al incrementar el número
de cálculos, la máquina limita el número de cifras. Se comete ese error a medida que n llega a un cierto
valor.
1
Et = − · h5 · f (4) (ζ)
90
La regla de Simpson 1/3 es mas precisa que la regla del
Trapecio, incluso mas de lo esperado dado que es pro-
porcional a la cuarta derivada.
Figura 20: Regla de Simpson 1/3. Es precisa incluso en tercer orden, aún cuando se use
solo tres puntos. Dará resultados exactos en polinomios
cúbicos.
Para aplicar la regla de Simpson 1/3 de forma simple se usa la siguiente fórmula:
h
I= f (x0 ) + 4 f (x1 ) + f (x2 )
3
Para aplicación múltiple:
3h
I= f (x0 ) + 3 · f (x1 ) + 3 · f (x2 ) + f (x3 )
8
una integral para calcular una tercera mas exacta; esto se lo co-
noce como la Extrapolación de Richardson. Con distintos órdenes se verá a continuación las aplicaciones
de las fórmulas:
4
I ≈ 3
· I(h2 ) − 13 · I(h1 )
16 1
I ≈ 15
· Im − 15 · Il
64 1
I ≈ 63
· Im − 63 · Il
Algoritmo de Romberg
en donde I j+1;k−1 y I j;k−1 son las integrales mas y menos exactas. k es el nivel de integración y j para distinguir
entre las estimaciones.
En sı́ntesis el algoritmo de Romberg usa la regla compuesta del trapecio para obtener estimaciones
preliminares; aplicando luego el proceso de extrapolación de Richardson.
6.6. Derivación
Se pueden generar fórmulas de derivación de alta exactitud tomando términos adicionales de la serie de
Taylor. Al incluir los términos de las segundas derivadas se mejora la exactitud en O(h2 ).
Existen dos formas para mejorar la estimación obtenida al emplear diferencias divididas finitas; dismi-
nuir el tamaño de paso ó usar una fórmula de grado superior que emplee mas puntos. Una tercer alternativa
es emplear un procedimiento basado en la Extrapolación de Richardson, utiliza dos estimaciones de la deri-
vada para calcular una tercera estimación mas exacta.
Para aproximaciones por diferencia centrada con O(h2 ), la aplicación de esta fórmula dará una nueva
estimación de la derivada de O(h4 ).
f (x0 ) + f (x1 ) 1
(b − a) − h3 f II (ξ) (1)
2 12
1.5.
19f (x0 ) + 75f (x1 ) + 50f (x2 ) + 50f (x3 ) + 75f (x4 ) + 19f (x5 ) 275 7 V I
(b − a) − h f (ξ) (5)
288 12096
1
(b − a) f (x1 ) + h3 f II (ξ) (6)
3
2.2.
f (x1 ) + f (x2 ) 3 3 II
(b − a) + h f (ξ) (7)
2 4
2.3.
2.5.
11f (x1 ) + 14f (x2 ) + 26f (x3 ) + 14f (x4 ) + 11f (x5 ) 41 7 V I
(b − a) + h f (ξ) (10)
20 140
f (xi+1 ) − f (xi )
f I (xi ) = + O(h) (1)
h
−f (xi+2 ) + 4f (xi+1 ) − 3f (xi )
f I (xi ) = + O(h2 ) (2)
2h
f (xi ) − f (xi−1 )
f I (xi ) = + O(h) (9)
h
3f (xi ) − 4f (xi−1 ) + f (xi−2 )
f I (xi ) = + O(h2 ) (10)
2h
f (xi+1 ) − f (xi−1 )
f I (xi ) = + O(h2 ) (17)
2h
−f (xi+2 ) + 8f (xi+1 ) − 8f (xi−1 ) + f (xi−2 )
f I (xi ) = + O(h4 ) (18)
12h
d2 x dx
m 2
+c +k·x=0
dt dt
será una ecuación diferencial de segundo orden homogénea a coeficientes constantes.
Las ecuaciones de orden superior pueden reducirse a un sistema de ecuaciones de primer orden; se logra
definiendo una nueva variable y; en donde:
dx
y=
dt
que al derivarla queda:
dy d2 x
= 2
dt dt
reemplazando en la ecuación diferencial de segundo orden queda:
dy
m +c·y+k·x=0
dt
ó también:
dy c·y+k·x
=−
dt m
juntando:
y = dx
dt
dy
dt
= − c·y+k·x
m
Son un sistema de ecuaciones diferenciales de primer orden, equivalentes a la ecuación de segundo orden
original y se podrán resolver aplicando los métodos que serán desarrollados a continuación.
Metodo de Euler
▶ yi+1 = yi + f (xi ; yi ) · h (19)
Metodo de Heun
▶ yi+1 = yi + ȳ′ · h (20)
h
yi+1/2 = yi + f (xi ; yi ) ·
2
luego el valor se usa para calcular la pendiente en el punto
medio:
ϕ = a1 · k1 + a2 · k2 + ... + an · kn
en donde los a son constantes y los k son evaluaciones funcionales de carácter recursivo en donde por
ejemplo para el cálculo de k2 se deberá tener previamente k1 . Los términos k son la razón por la cual los
métodos de Runge - Kutta son eficientes.
Es posible tener varios tipos de métodos de Runge - Kutta empleando diferente números de términos en
la función de incremento especificada por n:
donde :
k1 = f (xi ; yi )
Figura 26: Representación gráfica de las
k2 = f (xi + 1/2 · h; yi + 1/2 · k1 · h) pendientes estimadas empleadas en el
método RK de cuarto orden.
k3 = f (xi + 1/2 · h; yi + 1/2 · k2 · h)
k4 = f (xi + h; yi + k3 · h)
Referencias
[1] Steven C. Chapra y Raymond P. Canale. Métodos numéricos para ingenieros. McGraw - Hill Interame-
ricana, 5th revised edition, 2006.
Pregunta 1
Finalizado
Si asumimos que la velocidad de salida relativa al cohete y el caudal de los gases de escapes son constantes en el tiempo, puede
escribirse:
donde y son la masa y la velocidad del cohete respectivamente. Esto significa que el cohete gana impulso expulsando masa en
dirección opuesta a su movimiento.
Luego, puede determinarse la velocidad del cohete según la ecuación diferencial, asumiendo que la única fuerza que actúa es el peso:
Sabiendo que la masa del cohete para un instante dado se obtiene como
donde es la masa al despegue, puede resolverse esta ecuación para la velocidad como:
Asumiendo que la masa inicial , y , ¿cómo determinaría el tiempo que tarda el cohete
en alcanzar la velocidad del sonido, es decir ?
1. tipo de problema
Raíces de ecuaciones
2. método/s aplicables/s
Son aplicables los métodos cerrados y abiertos. Bisección, Falsa Posición, Newton - Raphson, Iteración de Punto Fijo y Método de la Secante.
3. Errores esperados
4. Otras consideraciones
Sería útil contar con una gráfica de la función para disponer de forma gráfica una ayuda para la selección de valores iniciales y/o intervalos
para la aplicación de los métodos.