Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Objetivo: Introducir las nociones preliminares para lograr comprender cuándo y porqué utilizar métodos numéricos
Los métodos numéricos constituyen técnicas con las que es posible formular problemas matemáticos que
pueden resolverse con operaciones aritméticas simples
La solución obtenida al aplicar cualquier método numérico es SIEMPRE aproximada
Los métodos numéricos requieren muchos cálculos
Consiste en una lista finita de instrucciones precisas que especifican una secuencia de operaciones algebraicas y
lógicas (algoritmos)
La eficiencia en el cálculo depende, de la implementación del algoritmo y de las limitaciones del instrumento de
cálculo (ERRORES)
El análisis numérico es una rama de las matemáticas cuyos límites no son precisos. Es la disciplina que trata de describir,
analizar y crear algoritmos numéricos que permiten resolver problemas matemáticos, con una precisión determinada.
En los métodos exactos se invertía mucho tiempo y esfuerzo en la solución. Aunque las soluciones analíticas son muy
importantes, las soluciones numéricas proporcionan opciones que aumentan la capacidad para formular e interpretar
problemas. A veces, no es posible conocer la función que se desea aproximar.
Predictor: Ofrece una estimación en un punto superior al dado como dato (yi+1) de carácter intermedio. Permite el
cálculo de una estimación de la pendiente al final del intervalo
Corrector: Ofrece una estimación superior al punto dado como dato (yi+1) utilizando una pendiente promedio entre los
dos puntos (el dato y el estimado con el corrector). Se extrapola linealmente desde yi hasta yi+1 con el método de Euler
Construir modelos para resolver problemas complejos del mundo real, es un tema central en todas las ciencias
contemporáneas. Frente a la complejidad y la incertidumbre, comprender y entender los procesos del mundo real a
partir de la interacción entre múltiples componentes y predecir lo que puede pasar es motivación suficiente. Es por esto
que el interés de la ciencia por construir modelos, se centra en la necesidad de comprender la dinámica de los sistemas y
mejorar el control sobre los mismos. La base de la construcción de modelos está esencialmente orientada a la solución
de problemas; se manifiesta en reglas de acción que se modifican por la información de retorno.
Un modelo matemático se define, de manera general, como una formulación o una ecuación que expresa las
características esenciales de un sistema físico o de un proceso en términos matemáticos. El modelo se representa, en
general, mediante una relación funcional de la forma:
Usamos los modelos para:
Una vez que se obtiene el modelo matemático se resuelve, con el objeto de obtener conclusiones matemáticas. La
solución del modelo puede ser analítica (solución exacta) o numérica (solución aproximada). La solución dependerá del
método aplicado.
𝐹
𝐹 = 𝑚𝑎 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑛𝑑𝑜, 𝑎=
𝑚
Debido a su forma algebraica sencilla, la solución de la ecuación se obtiene con facilidad. Recordando que la aceleración
es la razón de cambio de la velocidad con respecto al tiempo (derivada):
𝑑𝑣 𝐹
𝑎= =
𝑑𝑡 𝑚
La ecuación diferencial es a variables separables, por lo tanto podemos obtener su solución analítica:
Si la fuerza neta es positiva, la velocidad aumentará en relación proporcional al tiempo. Si la fuerza neta es negativa,
disminuirá en relación proporcional al tiempo. Si es nula, la velocidad del cuerpo se mantendrá constante (podemos
predecir).
En muchos casos, los modelos matemáticos no pueden resolverse con exactitud. La única alternativa es desarrollar una
solución numérica que se aproxime a la solución exacta.
Obtener un resultado numérico más preciso tiene un costo en término de cantidad de cálculos.
No siempre se posee la solución analítica, por lo que se deberá estimar el error (no se puede calcular)
1. Identificarse
Según su origen:
Errores de redondeo (Es la representación finita de un número infinito, ejemplo: PI). Se reduce
incrementando las cifras significativas
Errores de truncamiento (Surgen por usar métodos de aproximación numérica para el cálculo). Se
reducen utilizando menor paso y con métodos de mayor orden
Errores inherentes (Error de cálculo, de fórmula, de toma de datos, etc.). Se reducen con capacitación,
calibración de instrumentos, etc.
2. Cuantificarse: Expresando numéricamente su magnitud (¿Cuánto nos estamos equivocando?)
3. Minimizarse
Cifras significativas
La confianza en una medición está dada por los límites del instrumento a medir. Por ejemplo: Si un velocímetro
marca de 1 en 1, es correcto decir que se viaja aproximadamente a 49 km/h pero NO es correcto decir que se viaja a
48,9 km/h, 48,88 km/h, 48,93 km/h, etc., porque no hay división de decimales en el instrumento.
Las cifras significativas de un número son aquellas que aportan información y que pueden utilizarse con confianza.
En una medición, Intervalo de Confianza: rango de valores entre los que se estima se encuentra el valor verdadero.
En una medición, los dígitos seguros son los dados por el instrumento, el dígito estimado será la mitad de la menor
división de la escala (+/- este dígito).
Los ceros delante de las cifras no cuentan como cifra significativa, pero los posteriores si
Si no tenemos seguridad de los ceros posteriores, se usa notación científica: 3,85x10^5 3 cifras significativas
Exactitud y precisión
La exactitud se refiere a qué tan cercano está el valor calculado o medido del valor verdadero. (ERROR de inexactitud o
sesgo)
La precisión se refiere a qué tan cercanos se encuentran, unos de otros, los diversos valores calculados o medidos.
(ERROR de imprecisión o incertidumbre)
Definición de ERROR
Si se conoce el valor verdadero, NO TIENE SENTIDO realizar cálculos numéricos, a menos que se esté haciendo una
investigación.
Criterio de Scarborough
Siendo n = cantidad de cifras significativas correctas que deseo obtener. Tengo AL MENOS n cifras significativas
correctas.
Con Scarborough se TRUNCA el resultado final, con las cifras significativas deseadas, al llegar al error porcentaje
calculado.
Propagación de errores
Mediante la fórmula de Taylor podemos estimar el valor de una función en un punto desconocido x, en término del valor
de la función y de sus derivadas en un punto conocido a.
Taylor se aplica en funciones suaves: funciones continuas y derivables en todos los puntos de un intervalo.
Si una función 𝑓 es continua, con derivadas continuas hasta el orden 𝑛 + 1 en un entorno de un punto 𝑎, entonces el
valor de 𝑓 𝑥 para 𝑥 que pertenece a dicho entorno es:
Si se pudiera obtener el valor de ᶓ, tendríamos el valor exacto del error cometido por tomar una aproximación de orden
n
Esta ecuación resulta útil para la evaluación del error de truncamiento a pesar de los inconvenientes que plantea su
cálculo. Se suele expresar como: 𝑅𝑛 = 𝒪(hn+1 ) y significa que el error de truncamiento es de orden ℎ (𝑛+1) , es decir,
es proporcional al paso elevado a la potencia (𝑛+1).
La notación 𝒪 (O grande) remplaza el concepto del error Rn. Indica el orden del error
Ejemplo: 𝒪(h) significa que si yo quiero achicar el error a la mitad, debo achicar el paso a la mitad. Es decir, en la misma
proporción que yo achico el paso, se va a achicar el error.
Ejemplo: 𝒪(h2 ) significa que si achico el paso a la mitad, como h está al cuadrado, el error se achica a l cuarta parte.
Mientras MEJOR sea el orden de error, cuando yo achique el paso más rápido se va a achicar el error del método
numérico, por eso se busca un orden ALTO.
ᶓ es un valor entre xi y xi+1, un valor tal que cuando lo proyecto en la función, me da la pendiente de la recta tangente.
La pendiente de la recta tangente en ese punto es la derivada en ᶓ. A su vez, elegimos la derivada cuya pendiente es
paralela a la secante que pasa por el punto (xi; f(xi)) y (xi+1;f(xi+1)), también conocido como a;f(a) y b;f(b).
Si encontráramos el valor de ᶓ, encontraríamos una pendiente que podría aproximar, parado arriba de xi, perfectamente
a la predicción exacta, es decir, que ᶓ es el valor ideal que da una estimación exacta del error R0. Pero es imposible
encontrar ᶓ dado a q hay infinitos valores entre xi y xi+1. Por eso, la aproximamos.
Taylor sirve para aproximar funciones trascendentes (exponenciales, logarítmicas, etc.), funciones NO polinómicas.
La mejor opción es la diferencia
finita centrada
Un problema es numéricamente
estable si pequeños errores en la
variable x (inexactitud) implican
pequeños errores en los
resultados: problema bien
condicionado.
MÉTODOS DE RUNGE KUTTA – ECUACIONES DIFERENCIALES ORDINARIAS (1)
La solución general de una EDO es una familia infinita de funciones que la verifican. Cada función de la familia, difiere en
una o más constantes. Por lo tanto, para especificar una solución particular será necesario conocer algún tipo de
condición auxiliar.
Una EDO de enésimo orden, presentará 𝑛 constantes indeterminadas, luego necesitaremos especificar 𝑛 condiciones
auxiliares para determinar una solución particular.
Si todas las condiciones auxiliares se especifican para un mismo valor de la variable independiente, se dice que se trata
de un problema de valor inicial. Ej: (𝑥0) , 𝑦′(𝑥0) …
Por otro lado, los métodos en los que se calcula el valor de la función 𝑦𝑖+1 en 𝑥𝑖+1 usando sólo información del punto
anterior (𝑥𝑖, 𝑦𝑖) se denominan métodos de un paso.
Los métodos de Runge Kutta estiman, en cada paso, el nuevo valor de la función 𝑦𝑖+1 usando la información del punto
(𝑥𝑖, 𝑦𝑖). Logran la exactitud de las series de Taylor sin necesitar el cálculo de derivadas de orden superior.
Método de Euler
Usaremos la derivada primera como una estimación directa de la pendiente en el punto 𝑥𝑖, es decir: 𝜙 = ( , 𝑦𝑖) , donde
𝑓(𝑥𝑖, 𝑦𝑖) es la EDO dada valuada en 𝑥𝑖 y 𝑦𝑖 . Sustituyendo la estimación en la solución buscada, tenemos:
𝐲𝐢 + 𝟏 = 𝐲𝐢 + 𝐟(𝐱𝐢, 𝐲𝐢). 𝐡 𝑑𝑜𝑛𝑑𝑒 𝑓(𝑥𝑖, 𝑦𝑖)𝑒𝑠 𝑙𝑎 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑐𝑡𝑎 𝑡𝑎𝑛𝑔𝑒𝑛𝑡𝑒 𝑒𝑛 𝑒𝑙 𝑝𝑢𝑛𝑡𝑜 (𝑥𝑖, 𝑦𝑖).
Esta fórmula se conoce como método de Euler y permite predecir un nuevo valor 𝑦𝑖+1 usando la pendiente (como la
derivada primera en 𝑥𝑖) para extrapolar linealmente sobre el tamaño del paso ℎ.
Observe que el valor verdadero es el punto azul en 𝑥𝑖+1, el punto rojo, es el valor predicho y la distancia entre ellos, el
error.
𝟏 𝟏
𝒚𝒊 + 𝟏 = 𝒚𝒊 + 𝒚𝒊′ . 𝒉 + ∙ 𝒚𝒊". 𝒉𝟐 + ⋯ + . 𝒚𝒊𝒏 . 𝒉𝒏 + 𝑹𝒏
𝟐! 𝒏!
El error de truncamiento global del método será el acumulado de los errores de truncamiento en cada paso.
El total de pasos para ir desde 𝑥0 a 𝑥𝑛 será inversamente proporcional a ℎ, mientras mayor sea ℎ se necesitarán menos
pasos, mientras menor sea ℎ se necesitarán más pasos.
1 1
𝐸𝑇𝐺 ≅ 𝐸𝑇𝐿. = 𝒪(h2 ). = 𝒪(h) 𝐸𝑙 𝑚é𝑡𝑜𝑑𝑜 𝑑𝑒 𝐸𝑢𝑙𝑒𝑟 𝑡𝑖𝑒𝑛𝑒 𝑢𝑛 𝑒𝑟𝑟𝑜𝑟 𝑑𝑒 𝑡𝑟𝑢𝑐𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑔𝑙𝑜𝑏𝑎𝑙 𝑑𝑒 𝒪(h)
ℎ h
Un método se mide por su error de truncamiento global. El ETG proporciona una idea de qué tan bueno es un método
de aproximación. Un ETG de orden (ℎ) indica que si el paso aumenta o disminuye, aumentará o disminuirá el error de
forma lineal.
No obstante, la incorporación de términos resulta no ser sencilla en muchos casos. Las derivadas de orden superior
pueden ser cada vez más complejas en ciertas funciones. Vamos a estudiar ahora algunas mejoras al método de Euler
que son comparables a la inclusión de términos de orden superior pero requieren sólo del cálculo de las derivadas de
primer orden.
Método de Heun
El método de Heun es un procedimiento predictor-corrector. Este será el caso de los métodos de paso múltiple que
estudiaremos más adelante.
Donde 𝑓1, … , 𝑓𝑛 representa el conjunto de operaciones que relacionan a la variable independiente 𝑥 y las variables
dependientes 𝑦𝑗 y sus derivadas de primer orden. Para dar una solución a este sistema se requiere conocer 𝑛
condiciones iniciales para el mismo valor de la variable independiente 𝑥 (problemas de valor inicial).
Un modelo simple
Un modelo interesante de un sistema de ecuaciones diferenciales ordinarias de primer orden acopladas, es el propuesto
por LOTKA y VOLTERRA. Fue ideado para estudiar la dinámica de especies interdependientes (se lo conoce también
como modelo presa-predador):
(𝑡) es la cantidad de presas en un instante de tiempo, (𝑡) es la cantidad de predadores en un instante de tiempo, 𝑎 la
tasa de natalidad de presas, 𝑐 la tasa de mortalidad de predadores y 𝑏 y 𝑑 coeficientes que miden la “efectividad” de
encuentros. Diremos, además, que 𝑥0 e 𝑦0 son las poblaciones iniciales.
En un modelo tal, existen puntos críticos o puntos de equilibrio, los mismos se obtienen cuando las derivadas son cero:
0 = 𝑎𝑥 − 𝑏𝑥𝑦
0 = −𝑐𝑦 + 𝑑𝑥𝑦
Por lo tanto, los puntos críticos del sistema son: (0,0) y (c/d, a/b)
Métodos adaptativos de Runge Kutta
Un método adaptativo es aquel que cambia el paso de integración de forma tal que el error de truncamiento local (ETL)
cometido, se encuentre siempre por debajo de cierta tolerancia 𝜀 prefijada.
Como NO conocemos la curva solución, no podemos precisar cuál tramo es suave y cuál no, entonces recurrimos a
«estimar» el error de truncamiento local, en cada paso, para adaptar el paso ℎ usando uno que sea adecuado en cada
tramo.
Control adaptativo del tamaño del paso
Cualquiera sea el método de estimación del ETL, una vez calculado se puede adaptar el paso:
Una estrategia simple es dividir por dos el paso para disminuirlo y multiplicarlo por dos para aumentarlo pero hay reglas
más complejas.
MÉTODOS RÍGIDOS Y DE PASOS MÚLTIPLES
Métodos rígidos
Un sistema rígido es aquel que tiene componentes que cambian rápidamente, junto con componentes de cambio
lento.
Afecta a los métodos de RK de tal forma que controlan el tamaño del paso máximo.
Al tratar con sistemas o problemas rígidos, se recomienda utilizar métodos implícitos. Los métodos implícitos consisten
en soluciones en las que la incógnita aparece en ambos lados de la ecuación. Una forma implícita del Método de Euler se
desarrolla evaluando la derivada en el tiempo futuro:
Diferencias entre métodos explícitos e implícitos
Las formulaciones explícitas por diferencias finitas tienen problemas relacionados con la estabilidad (son convergentes y
estables si ʎ≤1/2). Además excluyen información de importancia para la solución
Los métodos implícitos superan ambas dificultades a expensas de emplear algoritmos un poco más complejos.
En la forma explícita aproximamos la derivada espacial para un nivel de tiempo t. Solo sirven para problemas
convergentes y estables
En los métodos implícitos la derivada espacial se aproxima para un nivel de tiempo t+1. Sirven para todos los
problemas. Es incondicionalmente estable
Se basan en que, una vez empezado el cálculo, se tiene a disposición información de los puntos anteriores, donde la
curvatura de la línea que los une, ofrece información respecto a la trayectoria de la solución.
Los métodos multipaso no son autoiniciables, ya que necesitan de otro método para iniciar (V de frontera: disparo, V
iniciales: Euler, Heun) puesto que en el primer punto no se tienen valores anteriores.
Hay fórmulas:
Este método utiliza mayor cantidad de información que los métodos de un paso, lo que hace que el ETL disminuya.
INTEGRACIÓN NUMÉRICA
Las fórmulas de Newton-Cotes (nombradas así por Isaac Newton y Roger Cotes) son un grupo de fórmulas de integración
numérica de tipo interpolatorio, en las que se evalúa la función en puntos equidistantes, para hallar el valor aproximado
de la integral, siendo más preciso el resultado cuanto mayor sea el número de intervalos en el que se divida la función.
𝑏 𝑏
𝐼 = ∫𝑎 𝑓(𝑥)𝑑𝑥 ≅ ∫𝑎 𝑃𝑛(𝑥)𝑑𝑥
Es un polinomio de interpolación
𝑏
Siendo 𝐼 ≅ ∫𝑎 𝑃𝑛(𝑥)𝑑𝑥, 𝑃𝑛(𝑥) = 𝑎𝑛 𝑥 𝑛 + 𝑎𝑛−1 𝑥 𝑛−1 + ⋯ + 𝑎1 𝑥 + 𝑎0
Si 𝑎 = 𝑎0 y 𝑏 = 𝑎𝑛 se denomina forma cerrada de Newton-Cotes. Los extremos están incluidos en la integral, es decir se
conocen los datos al inicio y al final, aquellos que corresponden a los límites de integración. Esta forma se usa para
integración definida.
La forma abierta de Newton-Cotes tiene límites de integración que se extiende más allá del intervalo de los datos. Se
utiliza para evaluar integrales impropias y obtener soluciones de ecuaciones diferenciales ordinarias.
Es la primera de las formas cerradas y corresponde al caso donde el polinomio (𝑥) es de primer grado, es decir:
𝑏 𝑏
𝐼 = ∫ 𝑓(𝑥)𝑑𝑥 ≅ ∫ 𝑃1(𝑥)𝑑𝑥, 𝑃1(𝑥) = 𝑎1𝑥 + 𝑎0
𝑎 𝑎
La ecuación de la recta que pasa por los puntos 𝑥1, 𝑦1 y 𝑥2, 𝑦2 es:
𝑦 − 𝑦1 𝑥 − 𝑥1
=
𝑦2 − 𝑦1 𝑥2 − 𝑥1
𝑓(𝑏) − 𝑓(𝑎)
𝑃1(𝑥) = 𝑓(𝑎) + (𝑥 − 𝑎)
𝑏−𝑎
¿Cómo podríamos mejorar la precisión del método?
Partiendo el intervalo en intervalos más pequeños, aplicando la Regla del Trapecio a cada sub-intervalo y sumando los
resultados