Escolar Documentos
Profissional Documentos
Cultura Documentos
(1)
Este criterio de mejor ajuste, como ya se mencion antes, se conoce como mnimos
cuadrados, y el mtodo para obtener los polinomios que mejor se ajustan segn mnimos
cuadrados se llama Regresin polinomial.
2.5.1 Regresin polinomial
Supongamos que se conocen los datos (x
o
, y
o
),(x
1
, y
1
),..(x
n
, y
n
) con x
0
, x
1
, .., x
n
nmeros reales distintos, y se desea encontrar un polinomio
P
m
(x) = a
0
+ a
1
x + a
2
x
2
+ .. + a
m
x
m
, con m<n
tal que:
( ) ( ) ( )
2
n
0 k
k
m
k m
2
k 2 k 1 0
2
n
0 k
k k m m 1 0
y x a ,....., x a x a a y x p ) a ,....., a , S(a
+ + +
sea mnima.
P1) El grado m del polinomio p
m
(x) se puede escoger previamente con base en algn
resultado terico, alguna expectativa o por la aplicacin que se le pretenda dar al
polinomio. En cualquier caso estamos libres de elegir el grado que parezca mejor. En
muchos casos el grado ser uno y el polinomio obtenido se llamar la recta que mejor se
ajusta o la recta de mnimos cuadrados para la tabla de datos.
P2) Volviendo a la funcin S(a
0
, a
1
, .., a
m
), una condicin necesaria para la existencia de
un mnimo relativo de esta funcin es que las derivadas parciales de S(a
0
, a
1
, .., a
m
) con
respecto a a
j
, j = 0, 1, 2, ,m sean cero.
Resultan entonces las siguientes m+1 ecuaciones lineales en las incgnitas a
0
, a
1
, .., a
m
:
( )
( )( )
( )( )
( )( )
( )( ) 0 x y x a ..... x a x a a 2
a
S
.. ..........
0 x y x a ..... x a x a a 2
a
S
..........
0 x y x a ..... x a x a a 2
a
S
0 x y x a ..... x a x a a 2
a
S
0 y x a ..... x a x a a 2
a
S
m
k k
m
k m
2
k 2 k 1 0
n
0 k m
j
k k
m
k m
2
k 2 k 1 0
n
0 k j
2
k k
m
k m
2
k 2 k 1 0
n
0 k 2
k k
m
k m
2
k 2 k 1 0
n
0 k 1
k
m
k m
2
k 2 k 1 0
n
0 k 0
+ + + +
+ + + +
+ + + +
+ + + +
+ + + +
, obtenemos:
( )
'
,
_
,
_
+ +
,
_
+
,
_
+
,
_
,
_
,
_
+ +
,
_
+
,
_
+
,
_
,
_
,
_
+ +
,
_
+
,
_
+
,
_
,
_
,
_
+ +
,
_
+
,
_
+
,
_
,
_
,
_
+ +
,
_
+
,
_
+ +
+
+
+
n
0 k
k
m
k m
n
0 k
m m
k 2
n
0 k
m 2
k 1
n
0 k
m 1
k 0
n
0 k
m
k
n
0 k
k
j
k m
n
0 k
j m
k 2
n
0 k
j 2
k 1
n
0 k
j 1
k 0
n
0 k
j
k
n
0 k
k
2
k m
n
0 k
2 m
k 2
n
0 k
4
k 1
n
0 k
3
k 0
n
0 k
2
k
n
0 k
k k m
n
0 k
1 m
k 2
n
0 k
3
k 1
n
0 k
2
k 0
n
0 k
k
n
0 k
k m
n
0 k
m
k 2
n
0 k
2
k 1
n
0 k
k 0
y x a x ..... a x a x a x
:::
y x a x ..... a x a x a x
... ...
.
.
y x a x ..... a x a x a x
y x a x ..... a x a x a x
y a x ..... a x a x a 1 n
P4) Este es un SEL de m+1 ecuaciones lineales en las m+1 incgnitas a
0
, a
1
, .., a
m,
que se
llama Sistema de Ecuaciones Normales. Este sistema de ecuaciones normales se puede
escribir en forma simplificada como sigue:
m 0,1,....,. j con y x x a
n
0 k
k
j
k
n
0 k
j i
k
m
0 i
i
+
Nota : No se recomienda usar la regla de Kramer para resolver el SEL anterior, porque la
regla de Kramer es fuertemente inestable.
Ejemplo 1:
Calcular el polinomio de grado 1.
Solucin:
P1) En el caso particular en que m = 1, p
1
(x) = a
0
+ a
1
x es la recta de mnimos cuadrados
donde a
0
y a
1
se obtienen resolviendo el sistema lineal de dos ecuaciones con dos
incgnitas:
( )
'
,
_
+
,
_
,
_
+
,
_
n
0 k
k k 1
n
0 k
2
k 0
n
0 k
1
k
n
0 k
k 1
n
0 k
1
k 0
1 n
n
0 k
0
k
2x2
y x a x a x
y a x a x
SEL
P2) Que equivale a la vista en mnimos cuadrados, si se intercambia R
1
R
2
, seguida de
un intercambio de C
1
C
2
queda exactamente la misma ecuacin:
,
_
,
_
,
_
n
1 i
i
n
1 i
i i
1
n
1 i
i
n
1 i
i
n
1 i
2
i
y
y x
n x
x x
b
a
P2) Si no se realizan los intercambios queda:
( ) 1
y x
y
x x
x n
b
a
n
1 i
i i
n
1 i
i
1
n
1 i
2
i
n
1 i
i
n
1 i
i
,
_
,
_
,
_
P3) Con m = 1:
( )
( ) ( )
( ) 2 a x a y bien o
y x a a x p y x a a x p
y x a ,....., x a x a a x p
0 k 1
calc
i
k k 1 0 k 1 k
1
k 1 0 k 1
k
m
k m
2
k 2 k 1 0 k m
+
+ +
+ + +
Ejemplo 2:
Calcular el polinomio de grado 2.
Solucin:
P1) En el caso particular en que m = 2, p
2
(x) = a
0
+ a
1
x + a
1
x
2
es la parbola de mnimos
cuadrados donde a
0
y a
1
se obtienen resolviendo el sistema lineal de tres ecuaciones con
tres incgnitas:
'
,
_
,
_
+
,
_
+
,
_
,
_
,
_
+
,
_
+
,
_
,
_
,
_
+
,
_
+
,
_
3 n
0 k
k
2
k 2
3 n
0 k
4
k 1
3 n
0 k
3
k 0
3 n
0 k
2
k
3 n
0 k
k k 2
3 n
0 k
3
k 1
3 n
0 k
2
k 0
3 n
0 k
k
3 n
0 k
k 2
3 n
0 k
2
k 1
3 n
0 k
k 0
1 n
3 n
0 k
0
k
3x3
y x a x a x a x
y x a x a x a x
y a x a x a x
SEL
P2) Ambas ecuaciones representan un SEL de 3x3, as que puede escribirse como:
,
_
,
_
,
_
3
2
1
2
1
0
33 32 31
23 22 21
13 12 11
z
z
z
z
a
a
a
x
a a a
a a a
a a a
A
donde z, Ax
P3) Identificando las partes y escribiendo la ecuacin matricial del SEL de 3x3:
,
_
,
_
,
_
3 n
0 k
k
2
k
3 n
0 k
k k
3 n
0 k
k
2
1
0
3 n
0 k
4
k
3 n
0 k
3
k
3 n
0 k
2
k
3 n
0 k
3
k
3 n
0 k
2
k
3 n
0 k
k
3 n
0 k
2
k
3 n
0 k
k
3 n
0 k
0
k
y x
y x
y
a
a
a
x x x
x x x
x x x
P4) Calculando el vector de incgnitas:
( ) 1
y x
y x
y
x x x
x x x
x x x
a
a
a
3 n
0 k
k
2
k
3 n
0 k
k k
3 n
0 k
k
1
3 n
0 k
4
k
3 n
0 k
3
k
3 n
0 k
2
k
3 n
0 k
3
k
3 n
0 k
2
k
3 n
0 k
k
3 n
0 k
2
k
3 n
0 k
k
3 n
0 k
0
k
2
1
0
,
_
,
_
,
_
Esta matriz puede ser calculada en Excel y en MATLAB con suma facilidad.
P3) Se calcula entonces la recta con m = 2:
( )
( ) ( )
( ) 2 a x a x a y bien o
y x a x a a x p y x a x a a x p
y x a ,....., x a x a a x p
0 k 1
2
k 2
calc
i
k
2
k 2 k 1 0 k 1 k
2
k 2
1
k 1 0 k 2
k
m
k m
2
k 2 k 1 0 k m
+ +
+ + + +
+ + +
2.5.2 Clculo del error en Mnimos Cuadrados o Regresin Polinomial
Una manera de medir el error para estimar la bondad de ajuste segn mnimos cuadrados,
es a travs de:
1) El error
( ) ( )
n
0 k
2
k k m
y x p E
o
2) El error cuadrtico medio
( ) ( )
1 n
y x p
E
n
0 k
2
k k m
RMS
+
5.2.2 Multilineal con mnimos cuadrados.
2.5 Aproximacin Multilineal con Mnimos Cuadrados (Regresin
Polinomial)
Pag 367 [NID95]. Con frecuencia se tienen funciones de ms de una variable; esto es,
f(u,v,z). Si se sospecha una funcionalidad lineal en las distintas variables; es decir, si se
piensa que la funcin
y = a
0
+ a
1
u + a
2
v + a
3
z
puede ajustar los datos de la tabla siguiente:
Puntos u v z y
1 u
1
v
1
z
1
f(u
1
, v
1
, z
1
)
2 u
2
v
2
z
2
f(u
2
, v
2
, z
2
)
3 u
3
v
3
z
3
f(u
3
, v
3
, z
3
)
n u
n
v
n
z
n
f(u
n
, v
n
, z
n
)
Se puede aplicar el mtodo de los mnimos cuadrados para determinar los coeficientes a
0
,
a
1
, a
2
y a
3
que mejor aproximen la funcin de varias variables tabulada. El procedimiento es
anlogo al descrito anteriormente y consiste en minimizar la funcin
( ) [ ]
2
1
3 2 1 0
+ + +
n
i
i i i i
y z a v a u a a
que derivada parcialmente con respecto de cada coeficiente por determinar: coeficientes a
0
,
a
1
, a
2
y a
3
e igualada a cero cada una, queda:
( ) [ ] ( ) [ ]
( ) [ ] ( ) [ ]
( ) [ ] ( ) [ ]
( ) [ ] ( ) [ ] 0 z y z a v a u a a 2 y z a v a u a a
a
0 v y z a v a u a a 2 y z a v a u a a
a
0 u y z a v a u a a 2 y z a v a u a a
a
0 1 y z a v a u a a 2 y z a v a u a a
a
i 3 2 i 1 0
n
0 i
n
1 i
2
i 3 2 i 1 0
j
i 3 2 i 1 0
n
0 i
n
1 i
2
i 3 2 i 1 0
2
i i 3 2 i 1 0
n
0 i
n
1 i
2
i 3 2 i 1 0
1
i 3 2 i 1 0
n
0 i
n
1 i
2
i 3 2 i 1 0
0
+ + + + + +
+ + + + + +
+ + + + + +
+ + + + + +
i i i i i
i i i i i
i i i i
i i i i
Sacamos el 2 de las sumatorias:
( ) [ ]
( ) [ ]
( ) [ ]
( ) [ ] 0 z y z a v a u a a 2
0 v y z a v a u a a 2
0 u y z a v a u a a 2
0 1 y z a v a u a a 2
i 3 2 i 1 0
n
0 i
i 3 2 i 1 0
n
0 i
i i 3 2 i 1 0
n
0 i
i 3 2 i 1 0
n
0 i
+ + +
+ + +
+ + +
+ + +
i i i
i i i
i i
i i
Eliminando el 2 al pasarlo al otro miembro:
( ) [ ]
( ) [ ]
( ) [ ]
( ) [ ] 0 z y z a v a u a a
0 v y z a v a u a a
0 u y z a v a u a a
0 1 y z a v a u a a
i 3 2 i 1 0
n
0 k
i 3 2 i 1 0
n
0 k
i i 3 2 i 1 0
n
0 k
i 3 2 i 1 0
n
0 k
+ + +
+ + +
+ + +
+ + +
i i i
i i i
i i
i i
Ecuaciones que re-arregladas generan el SEL siguiente:
'
+ + +
+ + +
+ + +
+ + +
n
0 i
i i
n
0 i
2
i 3
n
0 i
i i 2
n
0 i
i i 1
n
0 i
0
n
0 i
i i
n
0 i
n
0 i
n
0 i
n
0 i
i i 3
2
i 2 i i 1 0
n
0 i
i i
n
0 i
i i 3
n
0 i
n
0 i
n
0 i
i i 2
2
i 1 i 0
n
0 i
n
0 i
i 3
n
0 i
i 2
n
0 i
i 1
n
0 i
0
4x4
y z z a v z a u z a z a
y v z v a v a u v a v a
y u z u a v u a u a u a
y z a v a u a 1 a
SEL
i
i
i
Ejercicio 1:
A partir de un estudio experimental acerca de la estabilizacin de arcilla muy plstica, se
observ que el contenido de agua para moldeo con densidad ptima dependa linealmente
de los porcentajes de cal y puzolana mezclados con la arcilla. Se tuvieron as los resultados
que se dan abajo. Ajuste una ecuacin de la forma:
y = a
0
+ a
1
u + a
2
v
a los datos de dicha tabla.
Agua (%)
y
Cal (%)
u
Puzolana (%)
v
27.5 2.0 18.0
28.0 3.5 16.5
28.8 4.5 10.5
29.1 2.5 2.5
30.0 8.5 9.0
31.0 10.5 4.5
32.0 13.5 1.5
Solucin 1:
P1) Seleccionamos las ecuaciones que se emplearn en este problema. Dado que son dos
variables u y v, el SEL es siguiente:
'
+ +
+ +
+ +
n
0 i
n
0 i
n
0 i
n
0 i
i i
2
i 2 i i 1 0
n
0 i
n
0 i
n
0 i
n
0 i
i i i i 2
2
i 1 i 0
n
0 i
n
0 i
n
0 i
n
0 i
i i 2 i 1 0
3x3
y v v a u v a v a
y u v u a u a u a
y v a u a 1 a
SEL
i
P2) Se realizan todas las sumatorias en Excel.
% % %
i u v y u^2 uv v^2 uy vy
1 2.00 18.00 27.50 4.00 36.00 324.00 55.00 495.00
2 3.50 16.50 28.00 12.25 57.75 272.25 98.00 462.00
3 4.50 10.50 28.80 20.25 47.25 110.25 129.60 302.40
4 2.50 2.50 29.10 6.25 6.25 6.25 72.75 72.75
5 8.50 9.00 30.00 72.25 76.50 81.00 255.00 270.00
6 10.50 4.50 31.00 110.25 47.25 20.25 325.50 139.50
7 13.50 1.50 32.00 182.25 20.25 2.25 432.00 48.00
Sumas 7 45.00 62.50 206.40 407.50 291.25 816.25 1367.85 1789.65
Agua = y, Cal = u, Puzolana = y
P3) Se calcula la matriz A y el vector de trminos independientes:
z
7 45.00 62.50 206.40
45.00 407.50 291.25 1367.85
62.50 291.25 816.25 1789.65
A
P4) Se calcula la matriz inversa
1
A
:
1.9337 -0.144587 -0.096473
-0.145 0.014105 0.006038
-0.096 0.006038 0.006458
1
A
ai
28.69171
= 0.256939
-0.096068
P6) y
cal
= a
0
+ a
1
u + a
2
v ===> y
cal
= 28.69171 + 0.256939 u - 0.096068 v
P6) Se calculan los nuevos valores de y
Cal
:
i y v u ynueva
1 27.5 18.0 2.0 27.5
2 28.0 16.5 3.5 28.0
3 28.8 10.5 4.5 28.8
4 29.1 2.5 2.5 29.1
5 30.0 9.0 8.5 30.0
6 31.0 4.5 10.5 31.0
7 32.0 1.5 13.5 32.0
Datos Originales y ycal
Solucin 2:
P1) Seleccionamos las ecuaciones que se emplearn en este problema. Dado que son dos
variables u y v, el SEL es siguiente:
'
+ +
+ +
+ +
n
0 i
n
0 i
n
0 i
n
0 i
i i
2
i 2 i i 1 0
n
0 i
n
0 i
n
0 i
n
0 i
i i i i 2
2
i 1 i 0
n
0 i
n
0 i
n
0 i
n
0 i
i i 2 i 1 0
3x3
y v v a u v a v a
y u v u a u a u a
y v a u a 1 a
SEL
i
P2) Cuya ecuacin matricial es:
,
_
,
_
,
_
n
1 i
i
n
1 i
i i
n
1 i
i
2
1
0
n
1 i
2
n
1 i
i
n
1 i
i
n
1 i
i
n
1 i
2
n
1 i
i
n
1 i
i
n
1 i
i
v
v u
y
u v
u u u
v u
i i i
i i i
y
a
a
a
v v
v
n
b Aa
P3) Calculamos los elementos de la matriz A:
7 1 11
n
1 i
n a
45 u 12
n
1 i
i
a
50 . 62 v 13
n
1 i
i
a
a21 = a12 a22 =
n
1 i
2
50 . 407 u
i
25 . 291 u 23
n
1 i
i
i
v a
a31 = a13 a32 = a23
25 . 816 33
n
1 i
2
i
v a
P4) Calculamos los elementos del vector de trminos independientes:
40 . 206 y 1
n
1 i
i
b
25 . 291 v u 2
n
1 i
i i
b
65 . 1789 v 3
n
1 i
i
i
y b
P5) Formamos la ecuacin matricial para el clculo de a
i
usando la inversa:
,
_
,
_
65 . 1789
25 . 291
40 . 206
25 . 816 25 . 291 50 . 62
25 . 291 50 . 407 00 . 45
50 . 62 00 . 45 7
1
i
a
,
_
096068 . 0
256939 . 0
69171 . 28
i
a
P6) El conjunto solucin es:
C.S. = (a
0
, a
1
, a
2
) = ( 28.69171, 0.256939, -0.096068)
P8) Lo que significa que, la lnea de regresin que esta ajustada al conjunto de datos es:
y
cal
= a
0
+ a
1
u + a
2
v ===> y
cal
= 28.69171 + 0.256939 u - 0.096068 v
P9) Calculamos ahora los yi
cal
, los cuales se resumen en la siguiente tabla:
5.3 Ajuste por interpolacin segmentaria (Spline)
Una funcin spline est formada por varios polinomios, cada uno definido sobre un
subintervalo, que se unen entre s obedeciendo a ciertas condiciones de continuidad.
Supongamos que disponemos de n+1 puntos, a los que denominaremos nudos, tales
que . Supongamos adems que se ha fijado un entero .
Decimos entonces que una funcin spline de grado k con nudos en es una
funcin S que satisface las condiciones:
(i)
,
_
,
_
n
1 i
i
n
1 i
i i
n
1 i
i
1
n
1 i
2
n
1 i
i
n
1 i
i
n
1 i
i
n
1 i
2
n
1 i
i
n
1 i
i
n
1 i
i
v
v u
y
u v
u u u
v u
i i i
i i i
y v v
v
n
a
en cada intervalo , S es un polinomio de grado menor o igual a k.
(ii)
S tiene una derivada de orden (k-1) continua en .
Los splines de grado 0 son funciones constantes por zonas. Una forma explcita de
presentar un spline de grado 0 es la siguiente:
Los intervalos no se intersectan entre s, por lo que no hay ambigedad en la
definicin de la funcin en los nudos. Un spline de grado 1 se puede definir por:
En las figuras (16) y (17) se muestran las grficas correspondientes a los splines de grado
cero y de grado 1 respectivamente.
Figure: Spline de grado 0 con seis puntos.
[scale=1.0]eps/spline-1
Figure: Spline de grado 1 con seis puntos.
[scale=1.0]eps/spline-2
6.1 Integracin.
6.1.1 Mtodo del trapecio
Un enfoque simple para evaluar la integral de una funcin es considerarla como el
rea bajo la lnea de la recta que conecta los valores de la funcin en los extremos
del intervalo de integracin, tal como se aprecia en la figura (1), la frmula para
determinar esta rea es:
figura1
A causa de que el rea bajo la lnea es un trapecio, a esta expresin se le conoce
como regla trapezoidal. Recurdese de geometra que la frmula para calcular el
rea de un trapecio es multiplicar la altura por el promedio de las bases (vease
figura 2a). En esta ocasin el concepto es el mismo pero el trapecio se encuentra
sobre uno de sus lados (vease figura 2b); por esta razn la razn de la estimacin
de la integral se presenta como:
donde para la regla trapezoidal la altura media es el promedio de los valores de la
funcin en los extremos, o (f(a) + f(b))/2.
figura 2a
figura 2b
EJEMPLO:
LA velocidad de cada de un paracaidista est definida por la siguiente funcin del
tiempo:
donde v(t) es la velocidad en metros por segundo, g es la constante gravitacional
de 9.8 m/s
2
, m es la masa del paracaidista igual a 68.1 Kg, y c es el coeficiente de
arrastre de 12.5 kg/s. Puede desarrollarse una grfica dela funcin sustituyendo
los parmetros y varios valores de t en la igualdad para obtener:
t,s v, m/s
0 0.00
2 16.40;
4 27.77
6 35.64
8 41.10
10 44.87
12 47.49
14 49.30
16 50.56
Utilcese el mtodo trapezoidal para determinar cunto ha caido el paracaidista
despus de 12 s.
SOLUCION:
Podemos calcular la velocidad integrando como sigue:
o, sustituyendo la funcin y los valores establecidos,
Empleando el clculo puede evaluarse analticamente esta integral para obtener el
resultado exacto de 381.958 m, el cual permite juzgar la precisin de la
aproximacin por la regla trapezoidal.
A fin de aplicar la regla trapezoidal, los valores de los puntos extremos pueden
sustituirse en la ecuacin (1) con lo cual se obtiene:
que representa un porcentaje relativo de error de
La causa de este gran porcentaje de error es evidente en la descripcin grfica de
la figura (3). Ntese que el rea bajo la lnea recta ignora una parte significativa de
la parte integral sobre la lnea.
6.1.2 Mtodo de Simpson.
Adems de aplicar la regla trapezoidal con segmentos cada vez ms finos, otra
manera de obtener una estimacin ms exacta de una integral, es la de usar
polinomios de orden superior para conectar los puntos. Por ejemplo, si hay un
punto medio extra entre f(a) y f(b), entonces los tres puntos se pueden conectar
con un polinomio de tercer orden.
A las frmulas resultantes de calcular la integral bajo estos polinomios se les
llaman Reglas de Simpson.
REGLA DE SIMPSON 1/3
La Regla de Simpson de 1/3 proporciona una aproximacin ms precisa, ya que
consiste en conectar grupos sucesivos de tres puntos sobre la curva mediante
parbolas de segundo grado, y sumar las reas bajo las parbolas para obtener el
rea aproximada bajo la curva. Por ejemplo, el rea contenida en dos franjas, bajo
la curva f(X) en la figura 1, se aproxima mediante el rea sombreada bajo una
parbola que pasa por los tres puntos:
(Xi , Yi)
(Xi+1, Yi+1)
(Xi+2, Yi+2)
Figura 1
Por conveniencia al derivar una expresin para esta rea, supongamos que las
dos franjas que comprenden el rea bajo la parbola se encuentran en lados
opuestos del origen, como se muestra en la figura 2. Este arreglo no afecta la
generalidad de la derivacin.
La forma general de la ecuacin de la parbola de segundo grado que conecta los
tres puntos es:
(7)
La integracin de la ec. (7) desde - hasta proporciona el rea contenida
en las dos franjas mostradas bajo la parbola. Por lo tanto:
(8)
Figura 2
La sustitucin de los lmites en la ec. (8) produce:
(9)
Las constantes a y c se pueden determinar sabiendo que los puntos
, (0, Yi + 1 ), y deben satisfacer la ec. (7). La
sustitucin de estos tres pares de coordenadas en la ec. (7) produce:
(10)
La solucin simultnea de estas ecuaciones para determinar las constantes a, b,
c, nos lleva a:
(11)
La sustitucin de la primera y tercera partes de la ec. (11) en la ec. (9) produce:
(12)
que nos da el rea en funcin de tres ordenadas Yi, Y i+1, Y i+2 y el ancho
de una franja.
Esto constituye la regla de Simpson para determinar el rea aproximada bajo una
curva contenida en dos franjas de igual ancho.
Si el rea bajo una curva entre dos valores de X se divide en n franjas uniformes
(n par), la aplicacin de la ec. (12) muestra que:
(13)
Sumando estas reas, podemos escribir:
(14)
o bien
(15)
en donde n es par.
La ec. (15) se llama Regla de Simpson de un Tercio para determinar el rea
aproximada bajo una curva. Se puede utilizar cuando el rea se divide en un
nmero par de franjas de ancho .
Si la funcin f(X) se puede expresar como una funcin matemtica continua que
tiene derivadas continuas f ' a , el error que resulta de aproximar el rea
verdadera de dos franjas bajo la curva f(X) comprendida entre Xi-1 y Xi+1
mediante el rea bajo una parbola de segundo grado, se demuestra que es:
(16)
Este error por truncamiento es la cantidad que se debe agregar al rea
aproximada de dos franjas, que se obtiene mediante la regla de un tercio de
Simpson, para obtener el rea real bajo la curva en ese intervalo. El trmino
mostrado del error por truncamiento generalmente no se puede valuar en forma
directa. Sin embargo, se puede obtener una buena estimacin de su valor para
cada intervalo de dos franjas suponiendo que es suficientemente constante en
el intervalo (se supone que las derivadas de orden superior son despreciables) y
valuando para . La estimacin del error por truncamiento para toda
la integracin se obtiene sumando las estimaciones correspondientes a cada dos
franjas. Si la estimacin del error total por truncamiento es mayor de lo que se
puede tolerar, se deben utilizar intervalos de dos franjas menores. Considerando
el error por redondeo que tambin aparece, existe un ancho ptimo de la franja
para obtener un error total mnimo en la integracin.
6.1.3 Mtodo de Newton-Cotes.
La regla del trapecio y de Simpson son ejemplos de una clase de mtodos denominados
frmulas de Newton-Cotes. Existen dos categoras de frmulas de Newton-Cotes: Abiertas
y cerradas.
La frmula cerrada de (n+1) puntos de Newton-Cotes utiliza los nodos xi=x
o
+ih para
i=0,1,2,,n, donde x
o
=a y xn=b y h= (b-a)/n.
Figura 5.24.- Figura de Newton-Cotes
A esta frmula se le llama cerrada, porque los extremos del intervalo cerrado [a,b] se
incluyen como nodos.
La frmula cerrada de (n+1) puntos de Newton-Cotes adopta la forma:
Algunas de las frmulas cerradas comunes de Newton-Cotes son:
1.- La regla del trapecio
2.- La regla de Simpson de 1/3
3.- La regla de Simpson de 3/8
En las frmulas abiertas de Newton-Cotes, los nodos xi=x
o
+ih se usan para cada i=0,1,2,
,n donde h= (b-a)/(n+2) y x
o
=a+h y xn=b-h. Los extremos se marcan haciendo:
a=x-1 y b= xn+1
Figura 5.25.- Newton-Cotes abierta
Las frmulas abiertas de Newton-Cotes contiene todos los nodos usados para hacer las
aproximaciones dentro del intervalo abierto (a,b). Las frmulas se convierten en:
Algunas de las frmulas abiertas de Newton-Cotes comunes son:
La regla del punto medio. (Pag 196)
donde x-1< < x1
Regla del punto medio n=0
donde x-1< < x2
Regla del punto medio n=1
donde x-1< < x3
Regla del punto medio n=2
donde x-1< < x4
Regla del punto medio n=3
En trminos generales, las frmulas de Newton-Cotes no son adecuadas para utilizarse
en intervalos de integracin grande. Para estos casos se requieren frmulas de grado
superior, y los valores de sus coeficientes son difciles de obtener. Adems, las frmulas de
Newton-Cotes se basaron 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.
Para poder resolver este problema se utiliza la integracin numrica compuesta, en la
cual se aplican las frmulas de Newton-Cotes de bajo orden. Estos son los mtodos de
mayor uso. Ejemplos de estos mtodos son: La regla compuesta de Simpson y la regla
compuesta del Trapecio.
En la integracin de Romberg se usa la regla compuesta del Trapecio para obtener
aproximaciones preliminares y luego el proceso de extrapolacin de Richardson para
mejorar las aproximaciones.
Las frmulas de Newton-Cotes se derivaron integrando los polinomios interpolantes. En
todas las frmulas de Newton-Cotes se emplean valores de la funcin en puntos
equidistantes (igual distancia entre un punto y otro). Esta prctica es adecuada cuando las
frmulas se combinan para formar las reglas compuestas sin embargo, esta restriccin
puede afectar considerablemente la exactitud de la aproximacin.
La cuadratura Gaussiana selecciona los puntos de la evaluacin de manera ptima y no
en una forma igualmente espaciada. Se escogen los nodos x1, x
2
,xn en el intervalo [a,b] y
los coeficientes c1,c
2
,,cn para reducir en lo posible el error esperado que se obtiene al
efectuar la aproximacin:
En esta frmula de aproximacin de la integral, los coeficientes c1,c
2
,,cn son arbitrarios
y los nodos x1, x
2
,xn estn restringidos solo por la especificacin de que se encuentren en
[a,b], el intervalo de la integracin.
Un ejemplo de mtodo de cuadratura, es el mtodo de Gauss-Legendre.
6.2 Diferenciacin.
6.2.1Extrapolacin de Richardson.
Extrapolacion de Richardson: Denotamos aqui por I
n
cualquier frmula numrica para
aproximar I(f), e.g., la frmula del Trapezoide la regla de Simpson. La correspondiente
frmula asintotica del mtodo nos garantiza que para alguna constante C
donde p es el orden de convergencia del mtodo, e.g., p=2 para el mtodo del Trapezoide y
p=4 para el de Simpson. Podemos escribir ahora que
Despejando para I(f) obtenemos que
lo cual se conoce como la frmula de extrapolacin de Richardson y se puede demostrar
que
i.e., el orden de la frmula original se duplic.
Ejemplo 1: Consideramos nuevamente el computo de
cuyo valor exacto es 0.693147 correcto a seis cifras. El siguiente programa en MATLAB
implementa el mtodo de extrapolacin de Richardson para la regla del trapezoide:
n=2;
x=linspace(1,2,3);
y=1./x;
iaproxn=trapz(x,y);
for i=2:5
n=2*n;
x=linspace(1,2,n+1);
y=1./x;
iaprox2n=trapz(x,y);
richard=(4*iaprox2n-iaproxn)/3;
disp(['n=' num2str(n) ', iaprox2n=' num2str(iaprox2n,6) ',richard='
num2str(richard,6)])
iaproxn=iaprox2n;
end
Los resultados fueron como sigue:
n I
2n
R
2n
4 0.697024 0.693254
8 0.694122 0.693155
16 0.693391 0.693148
32 0.693208 0.693147
Aqui podemos ver que ya para n=32 la frmula de Richardon tiene ya seis cifras correctas.
Para el mtodo del trapezoide la frmula de Richardson es de orden O(h
4
) y no requiere
derivadas de la funcin f(x) en comparacin con la frmula corregida. <>
La frmula de extrapolacin de Richardson se puede ahora utilizar en forma recursiva
generando formulas de orden cada vez ms alto (se duplica en cada etapa). La frmula
resultante por este procedimiento se conoce como la frmula de integracin numrica de
Romberg
7.1 Solucin de ecuaciones diferenciales ordinarias
7.1.1 Mtodos de Euler
El mtodo de Euler es uno de los ms fciles de utilizar para la solucin de
ecuaciones diferenciales de primer orden; este consiste en integrar la ecuacin
diferencial:
entre un punto que es xi y el siguiente; esto es:
Al integrar el lado izquierdo de la ecuacin anterior tenemos:
Ahora integrando el lado derecho de la ecuacin, obtenemos:
de aqui tenemos que:
Al sustituir f(x) por una funcin de dos variables f(x, y) e integrar entre un punto
cualquiera, xi, y el siguiente, xi+1, se obtiene:
El mtodo de Euler consiste en integrar el lado derecho de la primera expresin
obtenida, tomando en cuenta solamente el primer factor de la ecuacin anterior,
obteniendose:
Sustituyendo en la primera ecuacin:
despejando yi+1 ;
Ahora veamos un ejemplo detallado utilizando el mtodo de Euler.
EJEMPLO :
Resolver la ecuacin diferencial siguiente por el mtodo de Euler y'-2 x y = x con
condiciones iniciales y(0.5) = 1, en el intervalo con h = 0.1.
Solucin:
tenemos que:
por lo tanto
Ahora usando la ecuacin (1) para i=0,
en donde:
Ahora bien:
Al sustituir estos valores:
Ahora se hace el proceso para i=1, obteniendose.
Al sustituir valores:
Se sigue realizando el mismo procedimiento para i= 2, 3, 4, tal como se ve
acontinuacin:
Por lo que la solucin de la ecuacin diferencial en el intervalo es:
x y(x)
0.5 1.00000
0.6 1.15000
0.7 1.34800
0.8 1.60672
0.9 1.94380
1.0 2.38368
Si resolvemos la ecuacin mediante un mtodo directo se obtendr el siguiente
resultado:
Al tabular la solucin que se obtiene en el intervalo y realizar una
comparacin con el mtodo de Euler tendremos:
x
Euler
y(x)
Exacta
y(x)
0.5 1.00000 1.00000
0.6 1.15000 1.17442
0.7 1.34800 1.40687
0.8 1.60672 1.71547
0.9 1.94380 2.12601
1.0 2.38368 2.67550
7.1.2 Mtodos de Runge-Kutta
El mtodo de Runge - Kutta es un mtodo de resolucin de sistemas de ecuaciones
diferenciales, que se obtienen integrando la ecuacin diferencial y'=f(x, y) en el intervalo
y aproximando mediante una frmula de cuadratura con
nodos: As, obtenemos la ecuacin:
En este momento nos encontramos con una dificultad, que es que no se conocen los
valores de . Por lo que no podemos evaluar el segundo miembro de la ecuacin
( 1 ). Para remediar esta dificultad, integramos la ecuacin diferencial en . Y
aproximamos , mediante una formula de cuadratura con los nodos
As, obtenemos la ecuacin:
.
Por tanto, si denotamos los coeficientes por:
( Coeficientes independientes de h ), tenemos que un
mtodo de Runge - Kutta es aquel que se escribe de la forma:
siendo
EJEMPLO
Resolver el siguiente ejemplo mediante el mtodo de Runge- Kutta.
y'= 1/2 ( 1+x ) y
2
, y(0)=1
De la condicin inicial se tiene que para x = 0, y = 1; adems, h = 0.1.
Sustituyendo estos valores se tiene:
De aqui tenemos:
Los valores de las ki obtenidas en esta solucin son:
y luego
Repitiendo los mismos pasos se obtienen los datos presentados en la siguiente
tabla:
x y k1 k2 k3 k4
0 1 0.5000 0.5516 0.5544 0.6127
0.1 1.0554 0.6126 0.6782 0.6823 0.7575
0.2 1.1236 0.7575 0.8431 0.8494 0.9494
0.3 1.2085 0.9492 1.0647 1.0745 1.2121
0.4 1.3158 1.2119 1.3735 1.3896 1.5872
0.5 1.4545 1.5868 1.8234 1.8517 2.1509
7.2 Solucin de sistemas de ecuaciones diferenciales ordinarias
Problema de Valor Inicial y Mtodo de Euler
Las ecuaciones diferenciales aparecen naturalmente al modelar situaciones fsicas en las
ciencias naturales, ingeniera, y otras disciplinas, donde hay envueltas razones de cambio
de una varias funciones desconocidas con respecto a una varias variables
independientes. Estos modelos varan entre los ms sencillos que envuelven una sola
ecuacin diferencial para una funcin desconocida, hasta otros ms complejos que
envuelven sistemas de ecuaciones diferenciales acopladas para varias funciones
desconocidas. Por ejemplo, la ley de enfriamiento de Newton y las leyes mecnicas que
rigen el movimiento de los cuerpos, al ponerse en terminos matemticos dan lugar a
ecuaciones diferenciales. Usualmente estas ecuaciones estan acompaadas de una
condicin adicional que especifica el estado del sistema en un tiempo o posicin inicial.
Esto se conoce como la condicin inicial y junto con la ecuacin diferencial forman lo que
se conoce como el problema de valor inicial. Por lo general, la solucn exacta de un
problema de valor inicial es imposible dificil de obtener en forma analtica. Por tal razn
los mtodos numricos se utilizan para aproximar dichas soluciones. Comenzaremos
discutiendo los mtodos para ecuaciones escalares y luego generalizamos los mismos a
sistemas de ecuaciones.
El Mtodo de Euler: Considere el problema de valor inicial para la funcin (desconocida)
y(t) descrito por:
Defina para n0 los siguientes cantidades:
Para cualquier j0, tenemos por el Teorema de Taylor que podemos escribir:
Eliminando los terminos O(h
2
) obtenemos la aproximacin:
Denotamos ahora por y
j
una aproximacin de y(t
j
). Entonces motivado por la aproximacin
de arriba definimos las aproximaciones {y
j
} por la recursin:
lo que se conoce como el mtodo de Euler. La cantidad
la cual descartamos en la serie de Taylor para obtener las aproximaciones, se llama el error
de truncacin o local del mtodo de Euler y esta intimamente relacionada con la
convergencia del mtodo. De hecho si definimos los errores absolutos por e
j
=y(t
j
)-y
j
,
entonces restando la expansin de Taylor y la formula del mtodo se obtiene que
Suponiendo ahora que f cumple una Condicin de Lipschitz uniforme en t, i.e.,
para alguna constante L, entonces se puede verificar que de la recursin de los errores
obtenemos que:
(*)
lo que prueba que el mtodo tiene un orden de convergencia global O(h).
La implementacin en MATLAB del mtodo de Euler es relativamente simple. Hacemos
esto mediante una subrutina llamada feuler que recibe en la secuencia de llamada el
nombre de la subrutina que calcula la funcin f, y los datos t
0
, b, y
0
, n. Esta subrutina
devuelve dos vectores con las t's y las y's aproximadas. Veamos:
function [tvals,yvals]=feuler(f,t0,b,y0,n)
h=(b-t0)/n;
tvals=zeros(1,n+1);
yvals=zeros(1,n+1);
index=[0:1:n];
tvals=t0+h*index;
yvals(1)=y0;
for i=2:n+1
yvals(i)=yvals(i-1)+h*feval(f,tvals(i-1),yvals(i-1));
end
Usamos ahora esta subrutina en el siguiente ejemplo.
Ejemplo 1: Considere el problema de valor inicial
cuya solucin exacta es y(t)=(t+1)
5
e
-t
. Definimos la siguiente funcin en MATLAB que
evala el lado derecho de la ecuacin diferencial:
function f=etest(t,y);
f=5*y/(t+1)-y;
Ahora resolvemos este problema para n=20 y grficamos la solucin numrica junto con la
exacta para comparar los resultados usando las siguientes instrucciones en MATLAB:
[t,y]=feuler('etest',0,4,1,20);
yy=(t+1).^5.*exp(-t);
plot(t,y,'x',t,yy)
Las soluciones numricas se ilustran en la figura por las "x". Note que las aproximaciones
numricas no coinciden con la solucin exacta y que el error aumenta segn aumenta la "t".
Esto es lo usual y no contradice el estimado del error (*) de arriba donde el error puede
crecer hasta exponencial con respecto al largo del intervalo. Para controlar el error lo
primero que se hace es disminuir la h, i.e., aumentar la n. Para este ejemplo mostramos los
resultados de disminuir h sucesivamente para la aproximacin de y(4)= 57.2364 a las cifras
mostradas. Obtuvimos lo siguiente:
n y
n
y(4)-y
n
20 42.4723 14.7640
40 48.3445 8.89186
80 52.2842 4.95215
160 54.6108 2.62556
320 55.8827 1.35365
640 56.5488 0.687527
1280 56.8899 0.346503
2560 57.0624 0.173945
Vemos aqui que definitivamente la aproximacin mejora segn aumenta la "n" pero la
convergencia es bastante lenta. De hecho la aproximacin numrica tiene apenas un error
relativo de 3x10
-3
para n=2560, i.e., h=4x10
-4
. <>
El ejemplo anterior muestra que aunque el mtodo de Euler es convergente segn la "h"
tiende a cero, la convergencia del mtodo puede ser bien lenta requiriendo un "h"
excesivamente pequeo para un error satisfactorio en las aproximaciones. Al usar un "h"
excesivamente pequeo en los calculos podemos tener acumulacin de errores debido a la
aritmtica finita similar al fenomeno que observamos en la diferenciacin numrica. Esta
situacin mejora o se puede evitar al considerar mtodos con un orden de convergencia ms
alto como los llamados mtodos Runge-Kutta que discutimos ms adelante.
Otra nocin bien importante en adicin a la de convergencia de un mtodo numrico es la
de estabilidad absoluta. En este caso la "h" se mantiene fija y nos interesa determinar can
sensitivo es el mtodo numrico a variaciones en la condicin inicial y
0
.
Ejemplo 2: Considere el problema de valor inicial
cuya solucin exacta es y(t)=0. Resolvemos el mismo problema de valor inicial pero con la
condicin inicial cambiada a y(1)=10
-4
y usamos h=0.05 en el mtodo de Euler. La solucin
calculada fu como sigue donde mostramos el valor absoluto de la misma:
Podemos ver que un error inicial de 10
-4
produjo un error de ms de 10
25
en la aproximacin
de y(10). En este caso calcular con h=0.025 o n=360 aproximadamente, produce resultados
satisfactorios. <>
El ejemplo anterior se generaliza a la ecuacin , donde . La solucin de
este problema es para alguna constante C. Estas soluciones son acotadas para
todo "t". La regin de estabilidad absoluta S de un mtodo se define por el conjunto de las
"h" tal que las soluciones numricas sean acotadas al aplicarse al problema prueba
. En el caso del mtodo de Euler tenemos que al aplicar este al
problema prueba, el mtodo reduce a:
Vemos aqui que las soluciones numricas estan acotadas para todo "j" si y solo si
, i.e., .
Ejemplo 3: En el Ejemplo 2 donde =-50, el requisito de implica que .
Claramente h=0.05 no cumple con esta condicin mientras que h=0.025 si la satisface. <>
El mtodo de Euler generaliza en forma directa a sistemas de ecuaciones diferenciales. La
teoria de convergencia global y de estabibilidad absoluta que discutimos en el caso de una
ecuacin, aplica palabra por palabra al caso de sistemas. En la subrutina feuler descrita
antes solo hay que aadir una instruccin para determinar el tamao del sistema. Hicimos
un cambio tambin para que en lugar de "n" la subrutina reciba "h". La subrutina queda
ahora como:
function [tvals,yvals]=feuler(f,t0,b,y0,h)
n=floor((b-t0)/h)+1;
m=length(y0);
tvals=zeros(1,n+1);
yvals=zeros(m,n+1);
index=[0:1:n];
tvals=t0+h*index;
yvals(:,1)=y0;
for i=2:n+1
yvals(:,i)=yvals(:,i-1)+h*feval(f,tvals(i-1),yvals(:,i-1));
end
Esta subrutina puede ser usada exactamente como antes para el caso de una ecuacin.
Veamos un ejemplo numrico de un sistema de ecuaciones y como lo resolvemos con
feuler.
Ejemplo 4: Considere el siguiente modlo simplificado del corazn donde x(t) representa
el largo de una cierta fibra musculo del corazn y s(t) representa un estimulo aplicado:
Aqui y p son parmetros del modlo. El lado derecho del sistema lo evaluamos mediante
la siguiente subrutina en MATLAB:
function f=heart(t,y);
%
% y(1) representa x(t) y y(2) representa s(t)
%
global mheart pheart
f=zeros(2,1);
f(1)=mheart*(-y(2)-y(1)^3/3+pheart*y(1));
f(2)=y(1)/mheart;
Note el uso de la instruccin global que declara las variables mheart y pheart como
variables globales las cuales son accesibles por cualquier rutina o programa con una
instruccin global igual. Usamos las condiciones iniciales x(0)=0, s(0)=-1 y los valores de
=0.5 y p=1. Aproximamos la solucin con la siguiente secuencia de instrucciones en
MATLAB:
global mheart pheart
mheart=0.5;
pheart=1;
[t,y]=feuler('heart',0,10,[0,-1]',0.1);
plot(t,y(1,:),t,y(2,:))
xlabel('t');ylabel('x(t),s(t)');
title('Modelo del corazon: x(t) en amarillo, s(t) en violeta.')
lo cual produce la siguiente grfica:
No comentamos sobre las interpretaciones fsicas de estas graficas pero si mencionamos
que el mtodo de Euler es efectivo en este problema ya que las soluciones no varian muy
rapidamente en el intervalo en cuestin. <>
Para resolver ecuaciones diferenciales de orden mayor de uno hacemos primero un cambio
de coordenadas para convertir la ecuacin dada a un sistema de primer orden. Luego
usamos el mtodo de Euler para sistemas segn descrito arriba.
Ejemplo 5: Considere el problema de valor inicial para la siguiente ecuacin de orden dos:
Haciendo la sustitucin cambio de variables x
1
(t)=x(t), x
2
(t)=x'(t), entonces el problema
de arriba es equivalente al siguiente sistema de primer orden:
Este sistema puede resuelto de forma similar al que resolvimos en el Ejemplo 4. <>
Ejercicios:
1. La ecuacin diferencial que modela el proceso de desintegracin de un material
radioactvo esta dada por:
donde k es una constante caracteristica del istopo radioactvo. Para x
0
=50 y k=0.05
resuelva este problema de valor inicial en el intervalo [0,10] con h=1,0.1,0.01.
Compare sus resultados con la solucin exacta que es x(t)=50 exp(-0.05t).
2. Convierta la ecuacion diferencial de orden dos dada por
a un sistema de orden uno. Resuelva el sistema
resultante en el intervalo [1,4] si las condiciones iniciales son x(1)=1/2, x'(1)=-1/2.
La solucin exacta en este problema es x(t)=1/(1+t
2
).
Mtodos Runge-Kutta
La convergencia lenta del mtodo de Euler y lo restringido de su regin de estabilidad
absoluta nos lleva a considerar mtodos de orden de convergencia mayor. En clase
mencionamos que en cada paso el mtodo de Euler se mueve a lo largo de la tangente de
una cierta curva que esta "cerca" a la curva desconocida o buscada. Los mtodos Runge-
Kutta extienden esta idea geomtrica al utilizar varias derivadas o tangentes intermedias, en
lugar de solo una, para aproximar la funcin desconocida. Los mtodos Runge-Kutta ms
simples se obtienen usando dos de estas derivadas intermedias.
Mtodos Runge-Kutta de dos Evaluaciones: Aqui buscamos mtodos o frmulas
numricas de la forma:
Note que apesar de que en la frmula se perciven tres f's, el mtodo envuelve solo dos
evaluaciones ya que dos de estas f's tienen los mismos argumentos. La idea ahora es
determinar los parmetros de modo que el mtodo tenga orden de convergencia
lo ms alto posible. Un anlisis del error local de esta frmula basado en el Teorema de
Taylor muestra que el orden ms alto que puede tener esta frmula es dos y que esto puede
ocurrir si y solo si:
Es decir si cumplen con estas condiciones, entonces e
j
=y(t
j
)-y
j
=O(h
2
) para toda j.
Algunos casos especiales de estas frmulas son:
1. Mtodo de Heun : Aqui se toma de modo que el mtodo reduce a:
Para propositos de hacer clculos es mejor escribir esta frmula como:
2. Mtodo del Punto Medio : Aqui se toma de modo que el mtodo reduce a:
Veamos ahora una implementacin en MATLAB del mtodo de Heun. Note que en el ciclo
"for" tenemos exactamente dos evaluaciones de "f". Tenemos pues:
function [tvals,yvals]=heun(f,t0,b,y0,h)
n=floor((b-t0)/h)+1;
m=length(y0);
k1=zeros(1,m);
tvals=zeros(n+1,1);
yvals=zeros(n+1,m);
index=[0:1:n]';
tvals=t0+h*index;
yvals(1,:)=y0;
h2=h/2;
for i=2:n+1
k1=feval(f,tvals(i-1), yvals(i-1,:));
yvals(i,:)=yvals(i-1,:)+h*k1;
yvals(i,:)=yvals(i-1,:)+h2*(k1+feval(f,tvals(i),yvals(i,:));
end
Ejemplo 1: Consideremos aqui las ecuaciones diferenciales que se obtienen de las leyes de
Newton aplicadas al problema de dos cuerpos. Suponemos aqui que uno de los cuerpos es
mucho ms masivo que el otro de modo que su movimiento es descartable, e.g., la tierra y
un satlite. Suponemos tambin que el movimiento es en un plano. Como la fuerza
gravitacional es inversamente proporcional a la distancia entre los cuerpos, tenemos
tomando todas las constantes envueltas como uno, que la posicin (x(t),y(t)) del cuerpo
pequeo esta dada por el sistema de ecuaciones diferenciales:
Tomamos como condiciones iniciales . Debido a
que este es un sistema de orden dos, tenemos que hacer la sustitucin:
lo cual tranforma el sistema de arriba al siguiente sistema de orden uno:
Definimos ahora la siguiente subrutina en MATLAB que evalua el lado derecho de este
sistema:
function f=satelite(t,u)
f=zeros(1,4);
denom=(u(1)^2+u(3)^2)^1.5;
f(1)=u(2);
f(2)=-u(1)/denom;
f(3)=u(4);
f(4)=-u(3)/denom;
Ahora calculamos y graficamos la solucin del problema de valor inicial con la siguiente
secuencia de instrucciones en MATLAB. Note que graficamos el conjunto de puntos
(x(t),y(t)) para los t's generados en lugar de (t,x(t)) y (t,y(t)). Tenemos pues:
[t,y]=heun('satelite',0,10,[0.4,0,0.1,2],0.01);
plot(y(:,1),y(:,3))
xlabel('X');ylabel('Y');
title('Solucion particular del problema de dos cuerpos')
Note que la curva es efectivamente una elipse aunque esto se acentua en la grfica por que
los ejes tienen unidades de largo distintas. <>
Mtodos Runge-Kutta de ms de dos Evaluaciones: Aunque el mtodo de Heun fu
bastante efectivo en el ejemplo anterior, nos interesa encontrar mtodos de orden an ms
alto que no requieran h's muy pequeas. Vimos aqui que un mtodo Runge-Kutta de dos
evaluaciones intermedias genera un mtodo de orden dos. Es razonable pensar que tres o
cuatro evaluaciones intermedias producen mtodos Runge-Kutta de ordenes tres y cuatro
respectivamente. Este el caso pero ya para cinco evaluaciones no obtenemos
necesariamente mtodos Runge-Kutta de orden cinco pero si con seis evaluaciones. Un
ejemplo de un mtodo Runge-Kutta de orden cuatro de cuatro evaluaciones es el llamado
mtodo Runge-Kutta clsico definido por las frmulas:
MATLAB cuenta con dos subrutinas intrinsecas para la solucin de problemas de valor
inicial: ode23 y ode45. ode23 utiliza una combinacin de un mtodo Runge-Kutta de
orden dos con otro de orden tres. La combinacin de estos mtodos permite el poder
estimar el error en la aproximacin numrica en cada paso y asi la subrutina puede ajustar
el largo de paso "h" en forma dinmica para mantener el error global menor de una
tolerancia especificada por el usuario. Estos mtodos se dicen que son adaptativos de
largo de paso variable. La subrutina ode45 es similar a ode23 pero utiliza una
combinacin de mtodos de ordenes cuatro y cinco de cinco y seis evaluaciones
respectivamente. La secuencia de llamada de ambas rutinas es idntica y requiere del
nombre de la funcin f, los tiempos inicial y final, la condicin inicial, la tolerancia para los
computos, y un indicador de si la rutina imprime o no los resultados calculados en la
ventana de MATLAB. Normalmente este indicador se toma como cero que es su valor por
omisin. Por ejemplo un computo similar al del Ejemplo 1 lo podemos realizar
remplazando la llamada a Heun por:
[t,y]=ode23('satelite',0,10,[0.4,0,0.1,2],0.0001);
donde la solucin se calcula con un error global de 0.0001. La misma instruccin con
ode45 produce la grfica:
Las esquinas en esta grfica se deben a que como ode45 usa un mtodo de orden mayor,
esto le permite dar pasos ms largos en "t" lo que al graficar produce las esquinas. Este
trazado lo podemos mejorar usando splines cbicos como sigue:
[t,y]=ode45('satelite',0,10,[0.4,0,0.1,2],0.0001);
tt=linspace(0,10,200);
xx=spline(t,y(:,1),tt);
yy=spline(t,y(:,3),tt);
plot(xx,yy)
xlabel('X');ylabel('Y');
title('Solucion particular del problema de dos cuerpos con ode45 (grafica con
splines)')
lo cual resulta en la mejor grfica:
Ejercicios:
1. Resuelva el siguiente problema de valor inicial usando las subrutinas ode23 o
ode45:
donde y
Examine los efectos en los clculos de la tolerancia especificada por el usuario.
Grafique las soluciones calculadas como funciones de "t" y en el plano x-y.
2. Las ecuaciones de Lorenz estan dadas por el siguiente sistema de ecuaciones
diferenciales:
donde s, r, b son parmetros del sistema. Usando ode45 con una tolerancia de
0.000005 resuelva las ecuaciones de Lorenz para s=10, r=126.52, b=8/3 con las
condiciones iniciales x(0)=-7.69, y(0)=-15.61, z(0)=90.39. Grafique las soluciones
calculadas como funciones de t. Grafique las soluciones x(t), z(t) en el plano x-z.
Para los valores de s, r, b dados el sistema de Lorenz posee lo que se conoce como
comportamiento "catico".
7.3 Solucin de ecuaciones diferenciales parciales
7.3.1 Mtodo de las diferencias finitas
La integracin hacia adelante paso a paso de ecuaciones diferenciales de orden
superior puede tambin efectuarse sustituyendo en la ecuacin diferencial, y sus
condiciones iniciales, las derivadas por frmulas numricas de derivacin
consistentes; es decir, todas ellas con el mismo orden de error. La ecuacin en
diferencias finitas as obtenida, deber aplicarse repetidamente en los puntos
pivotes y resolverse en trminos de la solucin previamente obtenida, con el
mismo procedimiento en los puntos pivote anteriores y resolverse en trminos de
la solucin previamente obtenida, con el mismo procedimiento en los puntos pivote
anteriores.
Resolver por diferencias finitas:
y''-y'-2y=0; y(0)=0.1; y'(0)=0.2
Sustituyendo la primera y segunda derivadas que aparecen en la ecuacin
diferencial, por frmulas numricas de derivacin con errores del orden h
2
, se
obtiene para el i-simo pivote:
Teniendo en cuenta que h=0.1, se llega a
por lo que
(8-34)
Para las condiciones iniciales, se obtiene
(8-35)
entonces
(8-36)
Aplicando (8-34) en los puntos x0, x1, x2,,teniendo en cuenta (8-35) y (8-36), se
tiene
Para x0=0, y1=2.126y0-1.105y-1
Teniendo en cuenta (8-35) y (8-36)
y1=2.126(0.1)-1.105(y1-0.04)
=0.213-1.105 y1 + 0.04
2.205 y1=0.257
por lo tanto
y1=0.117 (8-37)
Para x1=0.1, y2=2.126y1-1.105y0
Teniendo en cuenta (8-35) y (8-37)
y2=2.126(0.117)-1.105(0.1)
=0.138
Para x2=0.2, y3=2. 126(0.138)-1.105(0.117)
=0.164
Para x3=0.3, y4=2. 126(0.164)-1.105(0.1)
=0.196
Para x4=0.4, y5=2. 126(0.196)-1.105(0.164)
=0.235
Para x5=0.5, y6=2. 126(0.235)-1.105(0.196)
=0.283
7.2.1. ECUACIONES PARCIALES PARABOLICAS
Un caso tpico de este tipo de ecuacin lo constituye el problema de la transmisin
del calor en una sola direccin, representada por la ecuacin
(9-12)
cuando el flujo es en la direccin x, siendo t el tiempo, u la distribucin de la
temperatura que es funcin de x , t y a una constante que depende de la
conductividad trmica, densidad y calor especfico del material.
Las frmulas numricas de derivacin que se utilizan son:
(9-13)
(9-14)
El anlisis ocurre en el punto j, en el instante i, deseandose la temperatura en ese
punto en el instante que sigue, i+1. Sustituyendo las ecuaciones (9-13) y (9-14) en
(9-12), se tiene:
de donde
(9-15)
La solucin es estable para el caso en el cual el trmino no excede el valor
de 0.5. La estabilidad garantiza la validez de los resultados e indica que la
diferencia entre la solucin numrica y la solucin exacta; es decir, el error total,
tiende a disminuir conforme la integracin avanza o por lo menos que la velocidad
de crecimiento de este error es menor que la velocidad de crecimiento de la
solucin.
7.3.2 Mtodo del elemento finito.
El sistema de ecuaciones (1) se resuelve empleando el mtodo del elemento finito.
Los potenciales elctricos se aproximan por un modelo discreto compuesto de un
conjunto de funciones continuas definidas sobre un nmero finito de subdominios.
En los electrodos se tienen dos tipos de fronteras:
a) Condiciones de frontera para el potencial fijo donde el potencial est
especificado, y
b) Condiciones de frontera para potencial flotante donde el potencial es
desconocido.
Un mtodo de Elemento Finito resuelve el sistema de ecuaciones a partir de la
obtencin del estado estacionario de la funcional de Laplace. La funcional tiene la
forma [1]
El potencial elctrico V se expresa por una combinacin lineal de funciones de
forma