Subtemas

1.1 Concepto y trascendencia histrica del anlisis numrico

1.2 Importancia del anlisis numrico en la ingeniera
A lo largo del tiempo, los anlisis numricos han sido desarrollados con el objeto
de resolver problemas matemticos cuya solucin es difcil o en ocasiones
imposible de resolver por medio de los anlisis tradicionales.
Las soluciones que ofrecen los anlisis numricos son aproximaciones de los
valores reales y, por tanto, se tendr un cierto grado de error que ser
conveniente determinar.
Son herramientas muy poderosas utilizadas para la solucin de problemas.
Tienen la capacidad de manejar sistemas de ecuaciones grandes, no linealidades
y geometras complicadas las cuales son bastante comunes en la practica de la
ingeniera y que, en ocasiones, son imposibles de resolverse de una manera
analtica. Por lo tanto los anlisis numricos amplian la habilidad de quien los
estudia para la solucin de problemas.
La gran mayoria de los anlisis numricos son procesos cclicos o iterativos, en
los cuales se repite una serie de pasos y estos se basan en las denominadas
ecuaciones o frmulas de recurrencia, las cuales relacionan dos o ms elementos
consecutivos de una sucesin de nmeros, funciones, matrices, etc.
2.1 Aproximaciones.
2.1.1 Cifras significativas.
Los nmeros reales pueden expresarse con todas sus cifras o de forma
aproximada. Por ejemplo:
En la vida real, cuando utilizamos los nmeros decimales, se deben dar con
una cantidad adecuada de cifras significativas. Pero, qu es una cifra
significativa? Se llaman cifras significativas a aquellas con las que se
expresa un nmero aproximado.
Sera absurdo decir que los litros de agua que caben en un pantano son
13.504.956; diramos que caben 13.504 millones de litros o 13,5 hm
3
. En este
caso usamos tres cifras significativas. Tampoco tiene sentido decir que
pesamos 75,345 kg porque sera ms sensato decir que pesamos 75,3 kg, con
tres cifras significativas.
Para aproximar los nmeros reales podemos utilizar el redondeo o el
truncamiento.
En el redondeo se debe tener en cuenta la primera cifra que se va a suprimir;
si es menor que 5 se deja igual la ltima cifra que se conserva. Si la cifra que
se va a suprimir es mayor o igual que 5, se aumenta en una unidad la ltima
cifra que se conserva.
En el truncamiento se suprimen las cifras decimales a partir de la dada.
Dado el nmero 2,3473:
2,347 es el redondeo a las milsimas.
2,35 es el redondeo a las centsimas.
2,34 es el truncamiento a las centsimas.
2.1.2 Exactitud y precisin.
2. Algunas definciones bsicas
Es importante distinguir desde el principio la diferencia entre exactitud y precisin:
1. Exactitud es el grado en el cual la informacin de un mapa o en una base de datos
digital se muestra verdadera o con valores aceptables. La exactitud es un asunto
perteneciente a la cualidad de los datos y al nmero de errores contenidos en un
conjunto de datos o mapa. Analizando una base de datos de un SIG, es posible
considerar la exactitud horizontal y vertical con respecto a la posicin geogrfica,
tanto atributiva y conceptual, como en la agudeza lgica.
o El nivel de exactitud requerido puede variar enormemente de unos casos a
otros.
o Producir y compilar una gran exactitud en los datos puede ser muy difcil y
costoso.
2. Precisin hace referencia a la medida y exactitud de las descripciones en las base de
datos de un SIG. Los atributos de informacin precisos pueden especificar la
caractersticas de los elementos con gran detalle. Es importante observar, no
obstante, que los datos precisos - no importando el cuidado en su medida - pueden
ser inexactos. Los topgrafos pueden cometer errores, o bien los datos pueden ser
introducidos en las bases de datos incorrectamente.
o El nivel de precisin requerido puede variar enormemente de unos casos a
otros. Los proyectos de ingeniera como el de una carretera, y las
herramientas de construccin, requieren una muy precisa medida, de
milmetros a decenas de centmetros. Anlisis demogrficos de las
tendencias del electorado pueden prescindir de esta precisin mediante un
cdigo postal o de circunscripcin.
o Obtener datos altamente precisos puede ser verdaderamente difcil y costoso.
Topografiar cuidadosamente las localizaciones requiere de compaas
especficas para la recogida de la informacin.
Gran precisin no es indicativo de gran exactitud y tener gran exactitud no implica gran
precisin. Pero gran exactitud y gran precisin son bastante expresivas.
Los usuarios de los SIG no son siempre conscientes en el uso de los trminos. En ocasiones
ambos trminos son intercambiables lo que resulta contraproducente.
Dos trminos adicionales son igualmente usados:
1. Calidad de los datos hace referencia a la relativa exactitud y precisin de una base
de datos particular en un GIS. Estos hechos estn a menudo documentados en los
informes de calidad.
2. Error acompaa tanto a la imprecisin de los datos como a su inexactitud.
3. Tipos de error
El error posicional es el que ms a menudo concierne a los SIG, pudiendo afectar a
diferentes caractersticas de la informacin almacenada en un bases de datos.
3.1. Exactitud y precisin posicional
Es aplicable tanto a la posicin horizontal como a la vertical.
Exactitud y precisin estn en funcin de la escala en la que ha sido creado el mapa
(impreso o digital). Los mapas estndar empleados por el Servicio Geolgico de los
Estados Unidos (USGS) especifican que:
"se requiere una exactitud horizontal del 90 % en todos los puntos tomados que deben de
estar entre 1 y 30 pulgadas (2,54 y 76.2 cm) para mapas de escala superior a 1:20.000 y
entre 1 y 50 pulgadas (2,54 y 127 cm) para mapas de escala inferior a 1:20.000"

Precisiones estndar para algunas escalas de mapas
1:1.200 3,33 pies ( 1,015 m)
1:2.400 6,67 pies ( 2,033 m)
1:4.800 13,33 pies ( 4,063 m)
1:10.000 27,78 pies ( 8,467 m)
1:12.000 33,33 pies ( 10,159 m)
1:24.000 40,00 pies ( 12,192 m)
1:63.360 105,60 pies ( 32,187 m)
1:100.000 166,67 pies ( 50,80 m)
(Nota: 1 pie = 30,48 cm = 0,3048 m)
Esto significa que cuando nosotros vemos un punto en un mapa, tendremos esta
probabilidad de que se encuentre dentro de cierto rea. Esto se hace extensivo a las lneas.
Por otra parte, estn los peligros de la falsa exactitud y de la falsa precisin, que son ledos
en la informacin locacional desde los mapas con niveles de exactitud y precisin bajo los
cuales han sido creados. Esto es un verdadero peligro en los ordenadores, puesto que
permite a los usuarios aumentar y reducir las vistas en un nmero infinito de escalas.
Exactitud y precisin estn unidos a la escala original del mapa y no cambia aunque se use
el zoom para aumentar o reducir la vista. Estas operaciones pueden incluso hacer creer
-falsamente- que la exactitud y la precisin son mejores.
3.2. Exactitud y precisin de los atributos
Los datos no espaciales unidos a la localizacin pueden ser inexactos o imprecisos. La
inexactitud puede ser consecuencia de errores de distinto tipo. Los datos no espaciales
pueden variar mucho tambin en precisin. La informacin precisa de los atributos
describen fenmenos con gran detalle. Por ejemplo, la descripcin precisa de una persona
que vive en una direccin particular puede incluir gnero, edad, ingresos, ocupacin, nivel
de educacin y muchas otras caractersticas. Una descripcin imprecisa puede incluir slo
los ingresos o slo el gnero.
3.3. Exactitud y precisin conceptual
Los SIG dependen sobretodo de la abstraccin y la clasificacin de los fenmenos del
mundo real. Los usuarios determinan que cantidad de informacin debe usarse y como sta
debe ser clasificada en categoras apropiadas. En ocasiones, los usuarios pueden usar
inapropiadas categoras o una clasificacin errnea de la informacin. Por ejemplo, la
clasificacin de ciudades por el comportamiento del voto electoral es una va inadecuada
para estudiar la fertilidad de las parejas; fallos en la clasificacin de las lneas de alto
voltaje puede limitar la efectividad en el diseo de un SIG en la construccin de las
infraestructuras elctricas. An empleando correctas categoras los datos pueden estar mal
clasificados. Un estudio de los sistemas de drenaje puede necesitar de una clasificacin de
las corrientes y ros por su "orden", atendiendo su jerarqua al lugar donde una corriente
particular desagua en el sistema tributario de la red. Los canales individuales pueden estar
mal clasificados si los tributarios estn mal localizados. Por ello, algunos estudios pueden
no requerir un tipo preciso de categorizacin del orden de las corrientes. Todo lo ms que
pueden necesitar es la localizacin y el nombre de las corrientes fluviales, sin tener en
cuenta el orden.
3.4 La lgica de la exactitud y precisin
La informacin almacenada en una base de datos puede estar ilgicamente introducida. Por
ejemplo, los permisos necesarios para construir una subdivisin residencial en un plano de
inundacin pueden necesitar comparar la proposicin con el mapa del plano de inundacin.
Por lo tanto, la construccin puede ser posible en algunas zonas del plano de inundacin
pero su uso no ser conocido hasta que las variaciones de la inundacin potencial hayan
sido registradas y puedan ser usadas en la comparacin. La cuestin es, pues, que la
informacin almacenada en la base de datos de un SIG puede ser usada y cuidadosamente
comparada, si produce resultados tiles. Los SIG estn normalmente incapacitados para
avisar a los usuarios cuando se produce una inapropiada comparacin o si los datos han
sido utilizados incorrectamente. Algunas reglas de uso pueden ser incorporadas en el diseo
de un SIG, como sucede con los "sistemas expertos", pero los desarrolladores necesitaran
estar seguros que las reglas empleadas corresponden al mundo real de los fenmenos que
ellos modelan.
Finalmente sealar, cometeremos una equivocacin si creemos que una gran exactitud y
una gran precisin de la informacin es necesario para todas las aplicaciones de los SIG. La
necesidad de exactitud y precisin puede variar radicalmente dependiendo del tipo de
informacin codificada y del nivel de medida necesario para una particular aplicacin. Son
los usuarios los que deben determinar el alcance de su trabajo. Excesiva exactitud y
precisin no slo es costoso, sino tambin puede resultar un gran engorro.
4. Fuentes de inexactitud e imprecisin
Son muchas las fuentes de error que pueden afectar la calidad del conjunto de datos de un
SIG. Esto, que resulta muy obvio, puede no ser tan difcil de discernir. Algunas de ellas
sern automticamente identificadas por el mismo SIG, pero es responsabilidad del usuario
su prevencin. Algunos casos particulares puede necesitar de comprobaciones especficas
de error, porque los propios SIG son capaces de inducir al usuario una falsa sensacin de
exactitud y precisin sin garantizar la validez de los datos. Por ejemplo, suavizar cambios
en las lneas fronterizas, en las curvas de nivel y en las zonas de cambio de los mapas de
coropletas es una "elegancia que falsea" la realidad. En realidad, estas cuestiones son a
menudo "vagas, graduales o azarosas" (Burrough 1986). Hay una imprecisin inherente en
la cartografa como resultado de los procesos de proyeccin y la necesaria distorsin
producida en algunos de sus datos (Koeln et all, 1994); una imprecisin que puede
continuar a travs de los procesos aplicados con los SIG. Los usuarios de los SIG deben ser
capaces, no slo de reconocer el error, sino el grado de error tolerable y asumible del
sistema.
Burrough (1986) divide las fuentes de error en tres grandes categoras:
1. Fuentes de error obvias.
2. Errores resultantes de la variacin natural de las mediadas originales.
3. Errores surgidos en los procesamientos.
Generalmente los dos primeros errores son ms fciles de detectar que aquellos errores del
tercer tipos, surgidos al procesar los datos, por permanecer un tanto escondidos y ser
difciles de identificar. Burrough divide estos grupos principales en distintas categoras,
tratadas a continuacin.
2.2 Errores.
En los clculos numricos el optimista pregunta qu tan precisos son los
resultados calculados; el pesimista pregunta que tanto error se ha introducido.
Desde luego, las dos preguntas corresponden a lo mismo. Solo en raras
ocasiones los datos proporcionados sern exactos, puesto que suelen originarse
en procesos de medida. De modo que hay un error probable en la informacin de
entrada. Adems el propio algoritmo introduce error, quiza redondeos inevitables.
La informacin de salida contendr entonces error generado por ambas fuentes.
Los errores numricos se generan con el uso de aproximaciones para la
representacin de las operaciones y cantidades matemticas. Como en el caso de
representar la fraccin 1/3 en numeros decimales, es bien sabido que el resultado
generar una serie interminable de numeros(1/3 = 0.33333...), al elegir utilizar solo
una cantidad de numeros se esta cometiendo un error, posteriormente veremos
que este tipo de error es conocido como error de truncamiento.
2.2.1 Errores de redondeo.
A lo largo del tiempo, los mtodos numricos han sido desarrollados con el objeto
de resolver problemas matemticos cuya solucin es difcil o en ocasiones
imposible de resolver por medio de los mtodos tradicionales.
Las soluciones que ofrecen los mtodos numricos son aproximaciones de los
valores reales y, por tanto, se tendr un cierto grado de error que ser conveniente
determinar.
Son herramientas muy poderosas utilizadas para la solucin de problemas. Tienen
la capacidad de manejar sistemas de ecuaciones grandes, no linealidades y
geometras complicadas las cuales son bastante comunes en la practica de la
ingeniera y que, en ocasiones, son imposibles de resolverse de una manera
analtica. Por lo tanto los mtodos numricos amplian la habilidad de quien los
estudia para la solucin de problemas.
La gran mayoria de los mtodos numricos son procesos cclicos o iterativos, en
los cuales se repite una serie de pasos y estos se basan en las denominadas
ecuaciones o frmulas de recurrencia, las cuales relacionan dos o ms elementos
consecutivos de una sucesin de nmeros, funciones, matrices, etc.
2.2.2 Errores de propagacin.
La propagacin ocurre cuando un error conduce a otro. Por ejemplo, si un punto de registro
del mapa se ha convertido a digital en una cobertura y despus se utiliza para colocar una
segunda cobertura, la segunda cobertura propagar el primer error. De esta manera, un solo
error puede conducir a otro y separarse hasta que corrompe los datos a travs del proyecto
entero del SIG. Para evitar este problema utilice el mapa de la escala ms grande para
colocar sus puntos.
2.2.3 Error numrico total.
Este error es solamente el resultado de la suma del error de redondeo y de
truncamiento.
3.1 Mtodo de intervalos.
3.1.1 Mtodos de posicin falsa.
Se trata de encontrar la raz de una ecuacin. La ecuacin tiene la forma f(x), es
decir, es una funcin de x. Adems, f(x) esta definida en el intervalo [a,b].
Figura 3.5.- Intervalo de f(x).
El mtodo de la interpolacin lineal inversa, requiere varias condiciones:
1.- f(a)*f(b) < 0
Es decir, que el producto de la funcin de x, f(x), evaluada en a, f(a),
multiplicada por la funcin de x, f(x), evaluada en b, f(b), sea negativo (menor a
cero).
2.- Que la funcin f(x) se aproxime por otra funcin L(x).
f(x) es aproximadamente igual a L(x)
Donde L(x) es:
L(x) = f(a) + (x-a)*S
Donde: S=Pendiente
S= [f(b)-f(a)] / (b-a)
L(x) = f(a) + (x-a) *[(f(b)-f(a)) / (b-a)]
De lo que en realidad se trata es de que L(x) sea igual a cero para cuando x sea
igual a la raz que se busca, o sea cuando x=C. L(x)=L(C)=0
Sin embargo como hicimos L(x)=0 para cuando x=C, es decir cuando x sea
igual a la raz que se anda buscando, entonces la ecuacin de arriba se debe de
escribir como:
donde C es la raz que se anda buscando
Despus se calcula f(C) para ver su valor. Si se obtiene cero, no se debe
avanzar ms, pero en caso de no ser as, se realiza lo siguiente:
Se calcula f(C)*f(a) si este producto es menor a cero (negativo), entonces ahora
C equivaldr a b, y se repite el clculo para encontrar una nueva C.
En el caso de que f(C)*f(b) sea la que haya dado el producto menor a cero, o
sea negativo, entonces ahora a equivaldr a c, y se repite el clculo para
encontrar una nueva C.
A este mtodo, se le conoce como: Mtodo de la falsa posicin.
Figura 3.6.- Multiplicacin de funciones.
Ejercicio:
Encontrar la raz de f(x)=cosx por el mtodo de la falsa posicin en el intervalo
[1,2] y =0.001.
Solucin:
a=1, b=2
f(a=1)=cos 1 = 0.5403
f(b=2)=cos 2 = -0.4161
f(a)*f(b) < 0
(0.5403)*(-0.4161) < 0 si hay raz
C_ant= 99999 para arrancar
Itera=0
= 0.001
Encontrado= False
fa=f(a=1)=0.5403
fb=f(b=2)=-0.4161
fc=f(Cact=1.5649)= cos(1.5649)= 0.005896
f(Cact)= 0.005896 no es igual a 0? no
ERA (Cact=1.5649, C_ant = 99999)= 1.5649 - 99999 / 1.5649 no es menor a
fC*f(a) < 0
(0.005896)*(0.5403) es diferente a cero
a = Cact= 1.5649
b = 2
Itera = 1
C_ant <-- Cact = 1.5649
fa=f(a=1.5649)=0.005896
fb=f(b=2)= -0.4161
f(Cact=1.5709)= cos(1.5709)= - 0.0001036
f(C)= - 0.0001036 no es igual a 0
ERA (C_act=1.5709, C_ant = 1.5649)= (1.5709 - 1.5649) / 1.5709 = 0.0038194
no es menor a
fC*f(a) < 0
(-0.0001036)*(0.005896) s es menor a cero
a = a =1.5649
b = Cact = 1.5709
Itera = 2
C_ant = 1.5709
f(a=1.5649) = 0.005896
f(b=1.5709)=cos 1.5709 = -0.0001036
f(Cact=1.5707)=cos (1.5707)= -0.00000006629
f(Cact)*f(a) es igual? no
Raz =
1.5707
Tarea:
1) Sea f(x)=x
2
-6 con [2,3] encontrar la raz por el mtodo de la falsa posicin con
=0.001.
R= 2.45454




Figura 3.7.- Diagramas de flujo de la Interpolacin lineal inversa
3.1.2 Mtodo de la biseccin.
Este mtodo parte de una funcin F(x) y un intervalo [x1, x2] tal que F(x1) y F(x2)
tienen signos contrarios. Si la funcin es continua dentro de este intervalo,
entonces existe una raz de F(x) entre x1 y x2.
Una vez determinado el intervalo [x1, x2] y asegurada la continuidad de la funcin
en dicho intervalo, se vala sta en el punto medio xm del intervalo (vase la figura
2.1). Si F(xm) y F(x1) tienen signos contrarios, se reducir el intervalo de x1 a xm, ya
que dentro de estos valores se encuentra la raz buscada. Al repetir este proceso,
hasta logar que la diferencia entre los dos ltimos valores de xm sea menor que la
tolerancia prefijada, el ltimo valor xm ser una buena aproximacin de la raz.
1. Escojanse los valores iniciales de tal forma que la funcin cambie de signo
sobre el intervalo.
2. La primera aproximacin a la raiz se determina como Xm=(X1+X2)/2.
3. Realizar las siguientes evaluaciones y determinese en que subintervalo cae
la raiz:
a. Si F(X1)*f(Xm)<0 entonces la raiz se encuentra dentro
del primer intervalo.
b. Si F(X1)*f(Xm)>0 entonces la raiz se encuentra dentro
del segundo intervalo.
4. Calculese una nueva aproximacin a la raiz mediante Xm.
3.1.3 Mtodo de dos puntos y orden de convergencia.
3.2 Mtodos abiertos.
3.2.1 Mtodo de punto fijo.
El mtodo de punto fijo es parte de una serie de mtodos los cuales son llamados
mtodos abiertos, se basan en formulas que requieren de un solo valor x o de un
par de ellos pero que no necesariamente encierran a la raz. Como tales, algunas
veces divergen o se alejan de la raz a medida que se crece el nmero de
iteraciones. Sin embargo, Cuando los mtodos abiertos convergen, en general lo
hacen mucho ms rpido que los mtodos que usan intervalos. Se empieza el
anlisis de los mtodos abiertos con una versin simple que es til para ilustrar su
forma general y tambin para demostrar el concepto de la convergencia.
Como se menciono anteriormente, los mtodos abiertos emplean una formula que
predice una aproximacin a la raz. Tal formula se puede desarrollar para la
iteracin del punto fijo, rearreglando la ecuacin f(x)=0 de tal forma que x quede al
lado izquierdo de la ecuacion:
X = g (x).......(1)
Esta transformacion se puede llevar a cabo por medio de operaciones algebraicas
o simplemente agregando x a cada lado de la ecuacin original.
La utilidad de la ecuacin (1) es que proporciona una formula para predecir un
valor de x en funcin de x. De esta forma, dada una aproximacin inicial a la raz,
xi, la ecuacion (1) puede ser utilizada para obtener una nueva aproximacin xi+1,
expresada por la formula iterativa:
Xi+1 = g(xi).......(2)
3.2.2 Mtodo de Newton-Raphson.
Formula de recurrencia:
METODO DE NEWTON SEGUNDO ORDEN
El mtodo de Newton-Raphson o simplemente el mtodo de Newton, es uno de
los mtodos numricos para resolver un problema de bsqueda de races f(x)=0
ms poderosos y conocidos.
Figura 3.11.- Aproximaciones con tangentes sucesivas.
Esta figura muestra como se obtienen las aproximaciones usando tangentes
sucesivas. Comenzando con la aproximacin inicial xo, la aproximacin x1 es la
interseccin con el eje x de la lnea tangente a la grfica de f en (xo,f(xo)). La
aproximacin x2 es la interseccin con el eje de las x de la lnea tangente a la
grfica de f en (x1,f(x1)) y as sucesivamente.
Figura 3.12.- Aproximaciones conociendo los valores xIs.
m=tan =f(x) pendiente de la recta que pasa por (x i,f(xi)).
m=tan = Cateto opuesto / Cateto adyacente =
Lo que en realidad se desea saber es cuanto vale xi+1 para tomarlo en cuenta
para la siguiente iteracin, y as seguira sucesivamente, hasta obtener la raz.
Ejemplo:
Encontrar la raz de f(x)=x
5
+x
2
=9 con un valor inicial de xo=1.5 y = 0.001.
Solucin:
f(x)= x
5
+x
2
-9 f(x)= 5*x
4
+2*x
f(xo=1.5)= (1.5)
5
+(1.5)
2
- 9 = 0.84375
f(xo=1.5)=5* (1.5)
4
+2*(1.5)= 28.3125
x1 = xo - f(xo) / f(xo)= 1.5 - (0.84375 / 28.3125) = 1.4701986755
ERA (x1, xo)= (que no es menor a )
f(x1 =1.4701)= (1.4701)
5
+(1.4701)
2
- 9 = 0.03027251527
f( x1 =1.4701)=5*(1.4701)
4
+2*(1.4701)= 26.300465906
x2 = x1 - f(x1) / f(x1)= 1.4701 - (0.03027 / 26.3004) = 1.4690476496
ERA (x2, x1)= (que no es menor a )
f(x2 =1.469)= (1.469)
5
+(1.469)
2
- 9 = 0.0004339341
f( x2 =1.469)=5*(1.469)
4
+2*(1.469)= 26.2250948663
x3 = x2 - f(x2) / f(x2)= 1.469 - (0.00043 / 26.2250) = 1.46903110316
ERA (x3, x2)= (que s es menor a )
Raz= x 3=1.46903110316
3.2.3 Mtodo de la secante.
El principal inconveniente del mtodo de Newton estriba en que requiere conocer
el valor de la primera derivada de la funcin en el punto. Sin embargo, la forma
funcional de f(x) dificulta en ocasiones el clculo de la derivada. En estos casos es
ms til emplear el mtodo de la secante. El mtodo de la secante parte de dos
puntos (y no slo uno como el mtodo de Newton) y estima la tangente (es decir,
la pendiente de la recta) por una aproximacin de acuerdo con la expresin:
Sustituyendo esta expresin en la ecuacin (29) del mtodo de Newton,
obtenemos la expresin del mtodo de la secante que nos proporciona el siguiente
punto de iteracin:
Figura: Representacin geomtrica del mtodo de la secante.
[scale=0.9]eps/secante En la siguiente iteracin, emplearemos los puntos x1 y
x2para estimar un nuevo punto ms prximo a la raz de acuerdo con la ecuacin
(35). En la figura (8) se representa geomtricamente este mtodo. En general, el
mtodo de la secante presenta las mismas ventajas y limitaciones que el mtodo
de Newton-Raphson explicado anteriormente.
3.3 Raz de polinomios.
3.3.1 Mtodo de Newton-Raphson para races complejas.
Formula de recurrencia:
METODO DE NEWTON SEGUNDO ORDEN
El mtodo de Newton-Raphson o simplemente el mtodo de Newton, es uno de los
mtodos numricos para resolver un problema de bsqueda de races f(x)=0 ms poderosos
y conocidos.
Figura 3.11.- Aproximaciones con tangentes sucesivas.
Esta figura muestra como se obtienen las aproximaciones usando tangentes sucesivas.
Comenzando con la aproximacin inicial x
o
, la aproximacin x
1
es la interseccin con el eje
x de la lnea tangente a la grfica de f en (x
o
,f(x
o
)). La aproximacin x
2
es la interseccin
con el eje de las x de la lnea tangente a la grfica de f en (x
1
,f(x
1
)) y as sucesivamente.
Figura 3.12.- Aproximaciones conociendo los valores x
I
s.
m=tan =f(x) pendiente de la recta que pasa por (xi,f(xi)).
m=tan = Cateto opuesto / Cateto adyacente =
Lo que en realidad se desea saber es cuanto vale xi+1 para tomarlo en cuenta para la
siguiente iteracin, y as seguira sucesivamente, hasta obtener la raz.
Ejemplo:
Encontrar la raz de f(x)=x
5
+x
2
=9 con un valor inicial de x
o
=1.5 y = 0.001.
Solucin:
f(x)= x
5
+x
2
-9 f(x)= 5*x
4
+2*x
f(x
o
=1.5)= (1.5)
5
+(1.5)
2
- 9 = 0.84375
f(x
o
=1.5)=5* (1.5)
4
+2*(1.5)= 28.3125
x
1
= x
o
- f(x
o
) / f(x
o
)= 1.5 - (0.84375 / 28.3125) = 1.4701986755
ERA (x
1
, x
o
)= (que no es menor a )
f(x
1
=1.4701)= (1.4701)
5
+(1.4701)
2
- 9 = 0.03027251527
f( x
1
=1.4701)=5*(1.4701)
4
+2*(1.4701)= 26.300465906
x
2
= x
1
- f(x
1
) / f(x
1
)= 1.4701 - (0.03027 / 26.3004) = 1.4690476496
ERA (x
2
, x
1
)= (que no es menor a )
f(x
2
=1.469)= (1.469)
5
+(1.469)
2
- 9 = 0.0004339341
f( x
2
=1.469)=5*(1.469)
4
+2*(1.469)= 26.2250948663
x
3
= x
2
- f(x
2
) / f(x
2
)= 1.469 - (0.00043 / 26.2250) = 1.46903110316
ERA (x
3
, x
2
)= (que s es menor a )
Raz= x
3
=1.46903110316
Subtemas
4.1 Sistemas de ecuaciones lineales.
4.1.1 Mtodo de Gauss.
El proceso de eliminacin de Gauss consiste en realizar transformaciones elementales en el
sistema inicial ( intercambio de filas, intercambio de columnas, multiplicacin de filas o
columnas por constantes, operaciones con filas o columnas, . . . ), destinadas a
transformarlo en un sistema triangular superior, que resolveremos por remonte. Adems, la
matriz de partida tiene el mismo determinante que la matriz de llegada, cuyo determinante
es el producto de los coeficientes diagonales de la matriz.
Gracias a un teorema, podemos afirmar que, si la matriz A es estrictamente diagonal
dominante, es decir, si , entonces, el mtodo de Gauss se
puede llevar a cabo.
El mtodo de Gauss normal, presenta dos problemas, el primero proviene de encontrar en
alguna de las sucesivas etapas, algn coeficiente diagonal igual a cero y el segundo es
debido a los errores de redondeo que se pueden producir en este mtodo.
El primer mtodo que se presenta usualmente en lgebra, para la solucin de ecuaciones
algebricas lineales simultneas, es aquel en el que se eliminan las incgnitas mediante la
combinacin de las ecuaciones. Este mtodo se conoce como Mtodo de Eliminacin. Se
denomina eliminacin Gaussiana si en el proceso de eliminacin se utiliza el esquema
particular atribuido a Gauss.
Utilizando el mtodo de Gauss, un conjunto de n ecuaciones con n incgnitas se reduce a
un sistema triangular equivalente (un sistema equivalente es un sistema que tiene iguales
valores de la solucin), que a su vez se resuelve fcilmente por "sustitucin inversa"; un
procedimiento simple que se ilustrar con la presentacin siguiente.
El esquema de Gauss empieza reduciendo un conjunto de ecuaciones simultneas, tal como
se muestra en (2), a un sistema triangular equivalente como:
(6)
en el cual los superndices indican los nuevos coeficientes que se forman en el proceso de
reduccin. La reduccin real se logra de la siguiente manera:
1. La primera ecuacin (2) se divide entre el coeficiente de X1 en esa ecuacin para
obtener:
(7)
2. La ec. (7) se multiplica entonces por el coeficiente de X1 de la segunda ecuacin (2)
y la ecuacin que resulta se resta de la misma, eliminando as X1. La ec. (7) se
multiplica entonces por el coeficiente de X1 de la tercera ecuacin (2), y la ecuacin
resultante se resta de la misma para eliminar X1 de esa ecuacin. En forma similar,
X1 se elimina de todas las ecuaciones del conjunto excepto la primera, de manera
que el conjunto adopta la forma:
(8)
3. La ecuacin utilizada para eliminar las incgnitas en las ecuaciones que la siguen se
denomina Ecuacin Pivote. En la ecuacin pivote, el coeficiente de la incgnita que
se va a eliminar de las ecuaciones que la siguen se denomina el Coeficiente Pivote
(a11 en los pasos previos).
4. Siguiendo los pasos anteriores, la segunda ecuacin (8) se convierte en la ecuacin
pivote, y los pasos de la parte 1 se repiten para eliminar X2 de todas las ecuaciones
que siguen a esta ecuacin pivote.
Esta reduccin nos conduce a:
(9)
5. A continuacin se utiliza la tercer ecuacin (9) como ecuacin pivote, y se usa el
procedimiento descrito para eliminar X3 de todas las ecuaciones que siguen a la
tercer ecuacin (9). Este procedimiento, utilizando diferentes ecuaciones pivote, se
contina hasta que el conjunto original de ecuaciones ha sido reducido a un
conjunto triangular tal como se muestra en la ec. (6).
6. Una vez obtenido el conjunto triangular de ecuaciones, la ltima ecuacin de este
conjunto equivalente suministra directamente el valor de Xn (ver ec. 6). Este valor
se sustituye entonces en la antepenltima ecuacin del conjunto triangular para
obtener un valor de Xn-1, que a su vez se utiliza junto con el valor de Xn en la
penltima ecuacin del conjunto triangular para obtener un valor Xn-2 y asi
sucesivamente. Este es el procedimiento de sustitucin inversa al que nos referimos
previamente.
EJEMPLO
Para ilustrar el mtodo con un conjunto numrico, apliquemos estos procedimientos a la
solucin del siguiente sistema de ecuaciones:
X1 + 4 X2 + X3 = 7
X1 + 6 X2 - X3 = 13 (10)
2 X1 - X2 + 2 X3 = 5
Utilizando como ecuacin pivote la primera ecuacin (el coeficiente pivote es unitario),
obtenemos:
X1 + 4 X2 + X3 = 7
2 X2 - 2 X3 = 6 (11)
9 X2 + (0) X3 = -9
A continuacin, utilizando la segunda ecuacin del sistema (11) como ecuacin pivote y
repitiendo el procedimiento, se obtiene el siguiente sistema triangular de ecuaciones:
X1 + 4 X2 + X3 = 7
2 X2 - 2 X3 = 6 (12)
- 9 X3 = 18
Finalmente mediante sustitucin inversa, comenzando con la ltima de las ecs. (12) se
obtienen los siguientes valores:
X3 = -2
X2 = 1
X1 = 5
DESVENTAJAS DEL MTODO DE ELIMINACIN
1. DIVISIN ENTRE CERO
Una de sus desventajas es que durante el proceso en las fases de eliminacin y
sustitucin es posible que ocurra una divisin entre cero. Se ha desarrollado una
estrategia del pivoteo para evitar parcialmente estos problemas. sta se deja como
investigacin al alumno.
2. ERRORES DE REDONDEO
La computadora maneja las fracciones en forma decimal con cierto nmero limitado
de cifras decimales, y al manejar fracciones que se transforman a decimales que
nunca terminan, se introduce un error en la solucin de la computadora. Este se
llama error por redondeo.
Cuando se va a resolver solamente un pequeo nmero de ecuaciones, el error por
redondeo es pequeo y generalmente no se afecta sustancialmente la presicin de
los resultados, pero si se van a resolver simultneamente muchas ecuaciones, el
efecto acumulativo del error por redondeo puede introducir errores relativamente
grandes en la solucin. Por esta razn el nmero de ecuaciones simultneas que se
puede resolver satisfactoriamente con el mtodo de eliminacin de Gauss,
utilizando de 8 a 10 dgitos significativos en las operaciones aritmticas, se limita
generalmente a 15 o 20.
3. SISTEMAS MAL CONDICIONADOS
La obtencin de la solucin depende de la condicin del sistema. En sentido
matemtico, los sistemas bien condicionados son aquellos en los que un cambio en
uno o ms coeficientes provoca un cambio similar en la solucin. Los sistemas mal
condicionados son aquellos en los que cambios pequeos en los coeficientes
provocan cambios grandes en la solucin.
Una interpretacin diferente del mal condicionamiento es que un rango amplio de
respuestas puede satisfacer aproximadamente al sistema. Ya que los errores de
redondeo pueden inducir cambios pequeos en los coeficientes, estos cambios
artificiales pueden generar errores grandes en la solucin de sistemas mal
condiconados.
4.1.2 Mtodo de Gauss-Jordan.
Este es un mtodo bastante til y sencillo para solucionar sistemas de ecuaciones
algebraicas lineales, consiste en obtener sistemas equivalentes a partir del
sistema original dado, usando operaciones elementales sobre los renglones de la
matriz ampliada del sistema.
Este metodo consiste en hacer igual a uno a la diagonal principal de la matriz
cuadrada y obtener una matriz de la forma:
Ecuacin (1)
Los pasos a seguir para la obtencin de sistemas equivalentes con el mtodo
Gauss-Jordan son:
Seleccionar un elemento diferente de cero como pivote; ste debe ser algn
elemento de la matriz de coeficientes.
Convertir en uno el elemento pivote mediante operaciones elementales.
Convertir en ceros todos los elementos de la columna donde se encuentra
el elemento pivote.
Seleccionar un nuevo pivote, el cual no debe estar ni en el rengln ni en la
columna donde se encontraba(n) el(los) pivote(s) anterior(es).
Repetir los pasos anteriores hasta obtener una matriz de coficientes
formada solamente con unos y ceros; en caso necesario intercambiar
renglones para obtener la matriz identidad. En el sistema de ecuaciones
correspondiente a sta ltima matriz se observar la solucin.
Veamos el siguiente ejemplo, se resolver el sistema de ecuaciones mediante el
mtodo de Gauss jordan.
Del siguiente circuito encontrar las corrientes I1, I2, I3.
Como el problema nos pide encontrar las corrientes:
Malla 1
Malla 2
Malla 3
Las ecuaciones encontradas son entonces:
En forma de matriz tenemos:
Ahora debemos tener la matriz como la de la ecuacin (1)para esto multiplicamos
la primer fila de la matriz por el inverso del primer trmino:
De acuerdo a la ecuacin (1) se requiere de un cero en la posicin que indica la
flecha. Para esto se multiplica la primera fila por 3 y el resultado se suma con la
segunda fila tal como se muestra a continuacin:
Ahora debemos tener un uno en donde indica la flecha, para ello se multiplica toda
la fila por 13/121:
La matriz queda de la siguiente forma:
De acuerdo a la ecuacin (1) es necesario tener un cero en la posicin que indica
la flecha
Para ello multiplicamos la segunda fila por 6 y al resultado le sumamos la tercera
fila como se muestra a continuacin:
El siguiente paso es tener un cero en la posicin indicada,esto se logra
multiplicando la fila tres por 78/121 y al resultado obtenido se suma con la
segunda fila:
Ahora por ultimo debemos tener un cero en la posicin indicada y para esto se
repite el paso anterior, multiplicamos la fila dos por 3/13 y al resultado obtenido lo
sumamos con la primera fila.
Como se puede observar tenemos una matriz igual a la ecuacin (1) y el valor de
las incognitas son:
El mtodo de Gauss-Jordan debera ser exacto ya que es en mtodo directo, mas
no es as, esto se debe a que se presentan errores de redondeo en el desarrollo
del mismo.
4.1.3 Mtodo de Gauss-Seidel.
Este mtodo similar al de Jacobi, la nica diferencia existente esta en que el de
Gauss-Seidel se acerca a la solucin ms rpidamente, siempre y cuando exista
convergencia.
Supongase que se ha dado un conjunto de "n" ecuaciones:
[A][x]=[c]
Si los elementos de la diagonal principal son diferentes de cero, la primera
ecuacin se puede resolver para x1 la segunda para x2, etc. lo cual lleva a:
La solucin trivial puede servir de valor inicial, esto es todas las x valen cero.
Estos ceros se sustituyen en las ecuaciones para obtener el valor de x1= C1/
a11;luego la x1se sustituye mas la constante y as sucesivamente.
4.2 Sistemas de ecuaciones no lineales.
4.2.1 Mtodo de Newton-Raphson para sistemas no lineales.
Este mtodo es similar al de la Secante, la diferencia esencial radica en que en la Secante se
utiliza el mtodo de diferencias divididas para aproximar f '(x). El mtodo de Newton-
Raphson asume que la funcin f(x) es derivable sobre un intervalo cerrado [a,b]. Entonces
f(x) tiene una pendiente definida y una nica lnea tangente en cada punto en [a,b]. La
tangente en (x
0
,f(x
0
)) es una aproximacin a la curva de f(x) cerca del punto (x
0
,f(x
0
) ).
Enconsecuencia, el cero de la lnea tangente es una aproximacindel cero de f(x).
Calculamos la primera aproximacin, x
1
, como el cero de la lnea tangente en un punto
inicial x
0
dado.
Calculamos la segunda aproximacin, x
2
, como el cero de la lnea tangente en la primera
aproximacin x
1
.
Siguiendo el esquema mostrado ms abajo, las primeras dos aproximaciones de races
usando el mtodo
Newton-Raphson, se buscancon el mismo criterio del mtodo de la Biseccin:
Repitiendo el mismo proceso obtenemos cada vez mejores aproximacionesde la raz de la
funcin f(x).
Derivacin de la frmula
Sea x
0
la adivinanza inicial. La pendiente en x
0
esta dada por f '(x
0
). La ecuacin de la
lnea tangente en x
0
esta dada por:
y - f(x
0
) = f'(x
0
) (x - x
0
) --- (1)
La primera aproximacin x
1
es obtenida como la raz de (1). As (x
1
,0) es un punto sobre la
ecuacin (1).
De aqu, 0 - f(x
0
) = f'(x
0
) (x
1
- x
0
)
Esto es, x
1
- x
0
= -f(x
0
) / f'(x
0
)
Esto es, x
1
= x
0
- f(x
0
) / f'(x
0
)
Por construccin similar obtenemos
x
n+1
= x
n
- f(x
n
) / f'(x
n
)
Algoritmo de Newton-Raphson

INPUTS: Aproximacin inicial x
0
Tolerancia T
Mximo nmero de iteraciones N
0

OUTPUTS: Un valor aproximado de la raz
OR un mensaje de error

Step1: Set i = 1

Step2: While i <= N
0
do Steps 3-6

Step3: Find x = x
0
- f(x
0
) / f'(x
0
)

Step4: If |x - x
0
| < T

Then OUTPUT(x); STOP.

Step5: Set i = i+1

Step6: Set x
0
= x

Step7: OUTPUT("El mtodo fall luego de N
0
iteraciones').
STOP
Definicin: Orden de Convergencia
Sean x
0
, x
1
, x
2
. . . una secuencia que converge a r y sea e
n
= x
n
- r. Si existe un nmero m y
una constante C (distinta de cero), tal que:
|e
n+1
|
lim ----- = C cuando n -> infinito,
|e
n
|
m
entonces m es llamado orden de convergencia de la secuencia y C el error asinttico
constante. Para m = 1,2,3, la convergencia se dice lineal, cuadr{atica y cbica
respectivamente.
Anlisis de Convergencia
Sean x
0
, x
1
, x
2
,x
. . .
,x
n
,x
n+1
las aproximaciones en sucesivas iteraciones. Sea r el verdadero
valor de la raz. Asignemos al error en la n-sima iteracin como e
n
. Entonces:
e
n
= x
n
- r
y
e
n+1
= x
n+1
- r
= x
n
- f(x
n
)/f'(x
n
) - r
= x
n
- r - f(x
n
)/f'(x
n
)
= e
n
- f(x
n
)/f'(x
n
)
= (e
n
f'(x
n
) - f(x
n
))/f'(x
n
) ---(1)
Ahora, expandiendo f(x
n
- e
n
) en serie de Taylor obtenemos,
f(x
n
- e
n
) = f(x
n
) - f'(x
n
)e
n
+ (f"(c)/2) e
n
2
f(r) = f(x
n
) - e
n
f'(x
n
) + (f"(c)/2) e
n
2
0 = f(x
n
) - e
n
f'(x
n
) + (f"(c)/2) e
n
2
e
n
f'(x
n
) - f(x
n
) = (f"(c)/2) e
n
2
---(2)
De ecuacin (1) y (2) obtenemos,
e
n+1
= (f"(c)/2) e
n
2
/ f'(x
n
)
= (1/2) (f"(c)/ f'(x
n
)) e
n
2
Esto es, e
n+1
= C e
n
2
, where C = (1/2)(f"(c)/f'(x
n
))
De aqu |e
n+1
| <= |C| |e
n
|
2
Esto es, |x
n+1
- r| <= |C| |x
n
- r|
2
Por lo que Newton-Raphson es un mtodo que converge cuadrticamente
4.3 Valores caractersticos
4.3.1 Mtodo iterativo para determinar valores caractersticos
os mtodos numricos iterativos se suelen caracterizar por lanzar una suposicin
y despus refinarla sucesivamente para obtener soluciones cada vez ms
complejas. Sin embargo, la mayoria de los mtodos no son correctos -es decir,
pueden no dar el mnimo verdadero- y algunos ni son completos -puede que no
terminen-. La terminacin en estos mtodos se denomina convergencia; y en
aquellos mtodos que la convergencia no est asegurada -es decir, que no se
sepa cuando acabar el mtodo- podemos aadir condiciones adicionales de
convergencia. Sin embargo, la correctitud es un problema ms grave, ya que no
es posible asegurar que encontraremos el mnimo global en la mayor parte de las
funciones con la totalidad de los mtodos. De hecho, ningn mtodo asegura que,
dado un mnimo local y una funcin arbitraria, ese mnimo es el mnimo global.
Para la mayora de las matrices A, los mtodos iterativos o de aproximaciones
sucesivas requieren de mayores clculos que los requeridos por el mtodo de
Gauss-Jordan, para llegar a un grado de aproximacin preestablecido. Sin
embargo, cuando los elementos no nulos de la matriz se acumulan a lo largo de su
diagonal principal, siendo los elementos de la misma los mayores en valor
absoluto, como ocurre al resolver ecuaciones diferenciales por medio de
diferencias finitas, las tcnicas iterativas pueden compararse favorablemente con
los mtodos directos, por lo que se refiere a la cantidad total de clculos. Adems,
debido a los mtodos iterativos usan relativamente poca parte de la memoria de
una computadora, son particularmente ventajosas para resolver sistemas de gran
numero de ecuaciones.
5.1 Interpolacin.
5.1.1 Diferencias divididas de Newton para la interpolacin de polinomios.
Un anlisis de interpolacin se puede generalizar en el ajuste de un polinomio de
n-simo orden a los n+1 puntos. El polinomio de n-simo orden es:
(11)
Al igual que con las interpolaciones lineales y cuadrticas, se usan los puntos en
la evaluacin de los coeficientes b0, b1, ... , bn.
Se requieren n + 1 puntos para obtener un polinomio de n-simo orden: X0,
X1, ... , Xn.
Usando estos datos, con las ecuaciones siguientes se evalan los coeficientes:
b0 = f (X0)
b1 = f [X1, X0]
b2 = f [X2, X1, X0] (12)
...
bn = f [X n, Xn-1, ..., X1, X0]
En donde las evaluaciones de la funcin entre corchetes son diferencias divididas
finitas.
Por ejemplo, la primera diferencia dividida finita se representa generalmente como:
(13)
La segunda diferencia dividida finita, que representa la diferencia de dos primeras
diferencias divididas finitas, se expresa generalemte como:
(14)
De manera similar, la n-sima diferencia dividida finita es:
(15)
Estas diferencias se usan para evaluar los coeficientes de la ecuacin (12), los
cuales se sustituyen en la ecuacin (11), para obtener el polinomio de
interpolacin:
f n (X) = f(X0) + (X-X0) f[X1, X0] + (X-X0)(X-X1) f[X2, X1, X0] +
...+ (X-X0)(X-X1)...(X-Xn-1) f[Xn, Xn-1,...,X1, X0]
(16)
Al cual se le llama Polinomio de Interpolacin con Diferencias Divididas de
Newton.
Se debe notar que no es necesario que los datos usados en la ecuacin (16) estn
igualmente espaciados o que los valores de la abscisa necesariamente se
encuentren en orden ascendente, como se ilustra en el ejemplo 3.3
Todas las diferencias pueden arreglarse en una tabla de diferencias divididas, en
donde cada diferencia se indica entre los elementos que la producen:
i Xi f(Xi) Primera Segunda Tercera
0 X0 f(X0) f(X1, X0) f(X2, X1, X0) f(X3, X2, X1, X0)
1 X1 f(X1) f(X2, X1) f(X3, X2, X1)
2 X2 f(X2) f(X3,X2)
3 X3 f(X3)
EJEMPLO 3.3
Usando la siguiente tabla de datos, calclese ln 2 con un polinomio de
interpolacin de Newton con diferencias divididas de tercer orden:
X f(X)
1 0.000 0000
4 1.386 2944
6 1.791 7595
5 1.609 4379
SOLUCIN:
El polinomio de tercer orden con n = 3, es.
Las primeras diferencias divididas del problema son:
Las segundas diferencias divididas son:
La tercera diferencia dividia es:
Los resultados para f(X1, X0), f(X2, X1, X0) y f(X3, X2, X1, X0) representan los
coeficientes b1, b2 y b3 Junto con b0 = f (X0) = 0.0, la ecuacin da:
f 3 (X) = 0 + 0.46209813 (X-1) - 0.0518731 (X-1)(X-4) + 0.0078655415 (X-1)(X-4)
(X-6)
Arreglando la tabla de diferencias
X f [X] f 1 [ ] f 2 [ ] f 3 [ ]
1.0 0.00000000 0.46209813 - 0.051873116 0.0078655415
4.0 1.3862944 0.20273255 - 0.020410950
6.0 1.7917595 0.18232160
5.0 1.6094379
Con la ecuacin anterior se puede evaluar para X = 2
f 3 (2) = 0.62876869
lo que representa un error relativo porcentual del e% = 9.3%.
Ntese que la estructura de la ecuacin (16) es similar a la expresin de la serie
de Taylor en el sentido de que los terminos agregados secuencialmente
consideran el comportamiento de orden superior de la funcin representada. Estos
trminos son diferencias divididas finitas, y por lo tanto, representan
aproximaciones a las derivadas de orden superior. En consecuencia, como sucede
con la serie de Taylor, si la funcin representativa es un polinomio de n-simo
orden, el polinomio interpolante de n-simo orden bajado en n + 1 llevar a
resultados exactos.
El error por truncamiento de la serie de Taylor es:
(17)
en donde es un punto cualquiera dentro del intervalo (Xi, Xi+1). Una relacin
anloga del error en un polinomio interpolante de n-simo orden est dado por:
(18)
En donde es un punto cualquiera dentro del intervalo que contiene las
incgnitas y los datos. Para uso de esta frmula la funcin en cuestin debe ser
conocida y diferenciable. Y usualmente, este no es el caso.
Afortunadamente existe una frmula alternativa que no requiere conocimiento
previo de la funcin. En vez de ello, se usa una diferencia dividida finita que
aproxima la (n+1)-sima derivada:
Rn = f [X, Xn, Xn-1, ... , X1, X0](X-X0)(X-X1)..(X-Xn) (19)
en donde f(X, Xn, Xn-1, ... , X0) es la (n+1)-sima diferencia dividida.
Ya que la ecuacin (19) contiene la incognita f(X), sta no se puede resolver y
obtener el error. Sin embargo, si se dispone de un dato adicional f(Xn+1), la
ecuacin (19) da una aproximacin del error como:
(20)
5.1.2 Polinomio de Lagrange.
Dada una funcin y = f(x) cuya tabla en una serie de pares coordenados,
aproximar sobre esta funcin un polinomio y= Pr (x) que pase por todos y cada uno
de los puntos que definen a esa funcin.
TABLA
X Y
X1 y1
X2 y2
X3 y3
. .
. .
Xk yk
X y=?
Xk+1 yk+2
. .
Xn yn
El polinomio de interpolacin de Lagrange, simplemente es una reformulacin del
polinomio de Newton que evita los clculos de las diferencias divididas. Este se
puede representar concretamente como:
(21)
en donde:
(22)
En donde denota el "producto de".
Por ejemplo, la versin lineal (n = 1) es:
(23)
y la versin de segundo orden es:
(24)
al igual que en el mtodo de Newton, la versin de Lagrange tiene un error
aproximado dado por:
(25)
La ecuacin (21) se deriva directemente del polinomio de Newton. Sin embargo, la
razon fundamental de la formulacin de Lagrange se puede comprender
directamente notando que cada trmino Li(X) ser 1 en X=Xi y 0 en todos los
demas puntos.
Por lo tanto, cada producto Li(X) f(Xi) toma un valor de f(Xi) en el punto Xi. Por
consiguiente la sumatoria de todos los productos, dada por la ecuacin (21) es el
nico polinomio de n-simo orden que pasa exactamente por los n+1 puntos.
Ejemplo 1
sese un polinomio de interpolacin de Lagrange de primer y segundo orden para
evaluar ln 2 en base a los datos:
i X f(X)
0 1.0 0.000 0000
1 4.0 1.386 2944
2 6.0 1.791 7595
Solucin:
El polinomio de primer orden es:
y, por lo tanto, la aproximacin en X = 2 es
de manera similar, el polinomio de segundo orden se desarrolla como:
Como se expresaba, ambos resultados son similares a los que se obtuvieron
previamente usando la interpolacin polinomial de Newton.
En resumen, para los casos en donde el orden del polinomio se desconozca, el
mtodo de Newton tiene ventajas debido a que profundiza en el comportamiento
de las diferentes frmulas de orden superior. Ademas la aproximacin del error
dada por la ecuacin (20), en general puede integrarse fcilmente en los clculos
de Newton ya que la aproximacin usa una diferencia dividida. De esta forma,
desde el punto de vista de clculo, a menudo, se prefiere el mtodo de Newton.
Cuando se va a llevar a cabo slo una interpolacin, ambos mtodos, el de
Newton y el de Lagrange requieren de un esfuerzo de calculo similar. Sin
embargo, la versin de Lagrange es un poco ms fcil de programar. T ambien
existen casos en donde la forma de Newton es mas susceptible a los errores de
redondeo. Debido a esto y a que no se requiere calcular y almacenar diferencias
divididas, la forma de Lagrange se usa, a menudo, cuando el orden del polinomio
se conoce a priori.
5.2 Aproximacin.
5.2.1 Polinomial con nmeros cuadrados.
2.5 Ajuste de un Polinomio por Mnimos Cuadrados (Regresin
Polinomial)
Pg 216 [Libroweb]. Supongamos que existe una relacin funcional y = f(x) entre dos
cantidades x y y, con f desconocida y se conocen valores y
k
que aproximan a f(x
k
), es decir,
f(x
k
) = y
k
+
k
donde k = 0,1, 2, ..n
con
k
desconocido.
Se trata de recuperar la funcin f a partir de los datos aproximados y
k
, k = 0, 1, n.
Este problema se conoce como un problema de ajuste de datos o ajuste de curvas
(caso discreto). Trabajaremos bsicamente el caso en el que f es una funcin polinmica.
Si f es una funcin polinmica, digamos f(x) = p
m
(x), entonces el problema se convierte en:
Dados n+1 puntos (x
o
, y
o
),(x
1
, y
1
),..(x
n
, y
n
) con x
0
, x
1
, .., x
n
nmeros reales distintos, se
trata de encontrar un polinomio
P
m
(x) = a
0
+ a
1
x + a
2
x
2
+ .. + a
m
x
m
, con m<n
que mejor se ajuste a los datos. Lo de mejor ajuste se entender en el sentido de que:
( ) ( )
2
1
2
n
0 k
k k m
y x p
1
1
]
1

Sea mnimo, es decir, que

( ) ( )
2
n
0 k
k k m
y x p

(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
+ + + +

+ + + +

+ + + +

+ + + +

+ + + +

P3) Si en las ecuaciones anteriores cancelamos el 2, desarrollamos los parntesis y usamos

que
( )
0
n
0 k
0
a 1 n a +

, 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



+

P5) Estas ecuaciones se pueden reproducir a partir de:

( )
k
m
k m
2
k 2 k 1 0 k m
y x a ,....., x a x a a x p + + +
P6) Multiplicando a ambos lados por
j
k
x
, j = 0, 1, , m,
k
j
k
j m
k m
j 2
k 2
j 1
k 1
j
k 0
j
k k
j
k
m
k m
j
k
2
k 2
j
k k 1
j
k 0
y x x a ,....., x a x a x a
x y x x a ,....., x x a x x a x a
+ + +
+ + +
+ + +
P7) Sumando sobre k
m ., 0,1,2,.... j con y x x a ..... x a x a x a
m
0 k
k
j
k
m
0 k
j m
k m
n
0 k
j 2
k 2
n
0 k
j 1
k 1
n
0 k
j
k 0
+ + + +


+

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

P5) Calculamos el SEL:

z
1.9337 -0.144587 -0.096473 206.4
-0.145 0.014105 0.006038 1367.85
-0.096 0.006038 0.006458 1789.65

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